用于将多个次要结果整合到主要结果分析中的新型集成学习框架：基于肝健康的案例研究
统计方法学
2025-12-16 v2
摘要
在大数据时代，次要结果正变得越来越重要，与主要结果并列。这些次要结果可从临床试验中的传统终点、复合措施或风险预测评分中推导出，具有增强主要结果分析的潜力。本方法的灵感来自利用诸如血液生化标记物和尿液检验等多个次要结果来改进与肝健康相关的主要结果分析的挑战。现有的集成方法往往不足，因为它们施加强烈的模型假设或需要先验知识来构建过度确定的工作函数。本文解决了这些统计学挑战，可能为数据集成开辟了新的道路，通过引入一种适用于通用设置的新型集成学习框架。该方法允许对来自多个次要结果的信息进行稳健、数据驱动的整合，促进高效学习算法的发展，并确保充分利用可用数据。广泛的模拟研究表明，所提方法显著降低了主要结果分析中的方差，优于现有的集成方法。此外，将该方法应用于英国生物库（UKB）后发现，烟草吸烟与增加脂肪肝措施相关联，这些效应在老年人群中尤为突出。
引用
@article{arxiv.2507.18865,
title = {A New Integrative Learning Framework for Integrating Multiple Secondary Outcomes into Primary Outcome Analysis: A Case Study on Liver Health},
author = {Daxuan Deng and Peisong Han and Shuo Chen and Ming Wang and Chixiang Chen},
journal= {arXiv preprint arXiv:2507.18865},
year = {2025}
}