The odds ratio estimated from a clinical trial can be proven mathematically to be constant for the full range of outcome risks if and only if the distribution of diagnostic test values in those with and without each outcome is the same in those on treatment and control. This property of predictive diagnostic tests allow the efficacy of treatments in randomized controlled trials to be estimated without having to randomize and for an individual patient's particular test result to be interpreted by the diagnostician. it also provides a new approach to modelling counterfactuals and to provide an insight into how a treatment modifies disease mechanisms to have its effect on the odds ratio. This novel clinical therapeutic model is illustrated by using data from the IRMA2 randomized controlled trial that assessed the efficacy of the angiotensin receptor blocker irbesartan in lowering the risk of diabetic nephropathy in patients conditional on different urinary albumin excretion rates.


翻译:临床试验估计的几率在数学上可以证明,对于各种结果风险而言,概率比率是常态的,如果而且只有在诊断测试值在具有和没有产生结果的人中的分布在治疗和控制的人中是相同的,那么只有这样,临床试验估计的几率才能在全部结果风险中保持不变。这种预测性诊断性诊断性测试的特性使得随机控制的试验中的治疗效果是可以估计的,而不必随机地进行,而且个别病人的特定试验结果也需由诊断师来解释。它还提供了一种新的方法来模拟反事实,并使人们深入了解一种治疗如何改变疾病机制,使其对胜率产生影响。这种新的临床治疗模式通过使用IRMA2随机控制的试验的数据加以说明,该试验评估了血管受体阻塞器IRBesartan在降低病人以不同排尿单排率为条件的糖尿病性肾病的风险方面的效率。

0
下载
关闭预览

相关内容

近期必读的六篇 ICML 2020【因果推理】相关论文
专知会员服务
87+阅读 · 2020年9月8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
因果关联学习,Causal Relational Learning
专知会员服务
182+阅读 · 2020年4月21日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2019年1月15日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
0+阅读 · 2021年3月20日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关资讯
鲁棒机器学习相关文献集
专知
8+阅读 · 2019年8月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
已删除
将门创投
3+阅读 · 2019年1月15日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员