In practice, the logrank test is the most widely used method for testing the equality of survival distributions. It is the optimal method under the proportional hazard assumption. However, since non-proportional hazards are often encountered in oncology trials, alternative tests have been proposed. The maximum weighted logrank test was shown to be robust in general situations. In this manuscript, we propose a new maximum test that incorporates the weight for detecting crossing hazards. The new weight is a function of the crossing time-point. Extensive simulation studies are conducted to compare our methods with other methods proposed in the literature under scenarios with various hazard ratio patterns, sample sizes, censoring rates, and censoring patterns. For crossing hazards, the proposed test is shown to be the most powerful one with a known crossing time-point. It has a similar performance as the Maxcombo test in the misspecified crossing time-point scenario. Under other alternative situations, the new test remains comparatively powerful as the Maxcombo test. Finally, we illustrate the test in a real data example and discuss the procedures to extend the test to detect crossing hazards specifically.


翻译:实际上,记录测试是测试生存分布平等最广泛使用的方法,这是相称危险假设下的最佳方法。但是,由于在肿瘤试验中经常遇到非高度危险,因此建议了替代试验。在一般情况下,最大加权记录测试显示是稳健的。在本稿中,我们建议采用一项新的最大试验,其中结合了探测越境危险的重要性。新的重量是跨时点的函数。进行了广泛的模拟研究,以比较我们的方法与文献中在各种危险比率、抽样规模、审查率和审查模式下提议的其他方法。对于越境危险,拟议的试验显示为最有力的试验,具有已知的跨越时间点。在错误规定的跨越时间点情况下,其性能与Maxcombo试验类似。在其他情况下,新的试验仍然比Maxcombo试验要强。最后,我们用一个真实的数据示例来说明试验,并讨论扩大试验范围以具体探测越境危险的程序。

0
下载
关闭预览

相关内容

专知会员服务
15+阅读 · 2021年5月21日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
3+阅读 · 2017年10月12日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Arxiv
24+阅读 · 2020年3月11日
Arxiv
12+阅读 · 2019年4月9日
Implicit Maximum Likelihood Estimation
Arxiv
7+阅读 · 2018年9月24日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
3+阅读 · 2017年10月12日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Top
微信扫码咨询专知VIP会员