Robust Estimation of Mean Functions and Treatment Effects for Recurrent Events Under Event-Dependent Censoring and Termination: Application to Skeletal Complications in Cancer Metastatic to Bone
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In clinical trials featuring recurrent clinical events, the definition and estimation of treatment \neffects involves a number of interesting issues, especially when loss to follow-up may be eventrelated \nand when terminal events such as death preclude the occurrence of further events. This \npaper discusses a clinical trial of breast cancer patients with bone metastases where the recurrent \nevents are skeletal complications, and where patients may die during the trial. We argue that treatment \neffects should be based on marginal rate and mean functions. When recurrent event data are \nsubject to event-dependent censoring, however, ordinary marginal methods may yield inconsistent \nestimates. Incorporating correctly specified inverse probability of censoring weights into analyses \ncan protect against dependent censoring and yield consistent estimates of marginal features. An \nalternative approach is to obtain estimates of rate and mean functions from models that involve \nsome conditioning to render censoring conditionally independent. We consider three methods of \nestimating mean functions of recurrent event processes and examine the bias and efficiency of \nunweighted and inverse probability weighted versions of the methods with and without a terminating \nevent. We compare the methods via simulation and use them to analyse the data from the \nbreast cancer trial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle