基于缺失数据的 test-negative 设计研究中疫苗有效性和免疫相关标志物的靶向最大似然估计
统计方法学
2026-05-22 v1 应用统计
机器学习
摘要
test-negative 设计 (TND) 是一种资源高效的观察性研究设计，可评估疫苗有效性和暴露-近端疾病免疫相关标志物。TND 招募寻求诊断检测的症状个体，并通过一种在检测时测量的暴露变量（如疫苗接种状态或免疫标记水平）来比较病例状态。虽然 TND 减少了就医行为的混淆，但其他混淆源仍可能存在。TND 研究在暴露变量因记录不完整或两阶段抽样设计而可能存在缺失数据。我们提出一种靶向最大似然估计方法，涉及一个半参数 logistic 回归模型，目标是针对 healthcare-seeking 人群中症状疾病的因果条件风险比。 在因果和随机缺失假设下，我们的方法产生一个高效、渐近线性估计量，提供灵活的数据驱动混淆控制和在分析具有缺失暴露变量数据的 TND 研究时提供有效的因果推断。我们使用来自 Moderna 冠状病毒疗效 III 期试验的 TND 研究队列，对我们方法的有限样本性质进行 plasmode 仿真评估。我们还将该方法应用于评估来自 TND 研究队列的 COVID-19 疫苗有效性和抗体标记 COVID-19 的相关标志物。
引用
@article{arxiv.2605.21793,
title = {Targeted maximum likelihood estimation of vaccine effectiveness and immune correlates in test-negative design studies with missing data},
author = {Leah I. B. Andrews and Lars van der Laan and Peter B. Gilbert},
journal= {arXiv preprint arXiv:2605.21793},
year = {2026}
}
备注
52 pages, 14 figures