FRESH：将患者级模型信息几何校准到聚合证据
统计方法学
2026-05-18 v1 机器学习
摘要
本文介绍了 FRESH（Fusion of Recent Evidence and Subject Histories，近期证据与受试者历史融合），一种将人群水平汇总结果——已发表的临床试验、注册汇总、先前的自然史研究和同行评审的间接比较——纳入基于患者级数据训练的预测模型的方法。该方法提供了一种有原则的方式，将患者级和聚合级数据类型组合成一个统一的数据高效的临床决策模型。FRESH 假设可以访问在患者级数据源（例如临床试验或真实世界数据）上训练过的生成模型。该方法从重新校准的模型中产生患者级预测，该模型匹配目标人群的一组指定聚合统计量。这可以理解为聚合来源的患者级重现——关键特性是，在特定的信息几何意义上，重新校准是对原始联合分布的最小扰动。生成的样本可以直接分析，或组合到训练后程序中以更新原始生成模型。这种方法支持多种应用，在这些应用中，严格地将患者级数据与汇总信息结合起来是有价值的，包括 (i) 将单臂试验结果置于近期标准治疗的背景下，(ii) 用于设计和成功技术概率估计的临床试验模拟，以及 (iii) 上市疗法的比较有效性分析。
引用
@article{arxiv.2605.16246,
title = {FRESH: Information-Geometric Calibration of Patient-Level Models to Aggregate Evidence},
author = {Franklin Fuller and Daniele Bertolini and Samantha Liang and Jason Christopher and Aaron M. Smith},
journal= {arXiv preprint arXiv:2605.16246},
year = {2026}
}