基于影响函数的分布式 Kaplan-Meier 分析及其在新冠肺炎和新冠肺炎疫苗不良事件中的应用
统计方法学
2025-07-22 v1
摘要
新冠肺炎疫情期间，监管决策因缺乏及时且高质量的罕见结果数据而受阻。研究感染后和接种疫苗后的罕见结果需要开展多中心观察性研究，而共享individual-level数据则涉及隐私问题。本文通过开发一种新颖的分布式学习方法，用于构建Kaplan-Meier(KM)曲线和逆倾向加权KM曲线，并进行统计推断。在此方法下，我们不共享individual-level数据，即可完成对Beaumont Health、Spectrum Health和Michigan Medicine数据的多中心观察性研究。我们逐站点更新曲线，使用KM影响函数——即衡量观察值应如何偏移我们估计的方向的度量——从而无需访问先前数据即可纳入新观察值。我们在仿真中展示了分布式估计量是无偏且效率与合并数据估计相同。将方法应用于Beaumont Health、Spectrum Health和Michigan Medicine数据，我们发现SARS-CoV-2感染后血栓发生率显著高于首次接种新冠肺炎疫苗（3.13%，95%置信区间：[2.93, 3.35]），而首次接种疫苗的血栓发生率为0.08%（95%置信区间：[0.08, 0.09]）。这表明疫苗为新冠肺炎相关血栓提供的保护优于疫苗相关不良事件的风险，展示了分布式生存分析在提供及时决策依据方面的潜力。
引用
@article{arxiv.2507.14351,
title = {Distributed Kaplan-Meier Analysis via the Influence Function with Application to COVID-19 and COVID-19 Vaccine Adverse Events},
author = {Malcolm Risk and Xu Shi and Lili Zhao},
journal= {arXiv preprint arXiv:2507.14351},
year = {2025}
}
备注
39 pages (25 main + 14 appendix), 7 figures (4 main + 3 appendix)