minoRityPower

minoRityPower

minoRityPower ist ein R-Paket zur Schätzung der statistischen Aussagekraft zur Erkennung der Auswirkungen von Interventionen auf Gesundheitssystemebene auf die Einschreibung in klinische Studien, mit besonderem Schwerpunkt auf der Beschleunigung der Rekrutierung von Minderheitenteilnehmern. Dieses Paket wurde für die ARPA-H-Programmanwendung entwickelt und bietet Analysen sowohl auf Einrichtungs- als auch auf Teilnehmerebene durch Mixed-Effects-Modelle und Bootstrap-basierte Simulationen.

Überblick

Klinische Studien stehen oft vor Herausforderungen bei der Rekrutierung von Minderheitenteilnehmern, was zu einer Unterrepräsentation in der medizinischen Forschung führt. Interventionen auf der Ebene des Gesundheitssystems zielen darauf ab, dieses Problem durch die Umsetzung systematischer Änderungen anzugehen, um die Einschreibung von Minderheiten zu verbessern. Dieses Paket bietet Tools für:

1. Schätzen Sie die Aussagekraft zur Erkennung von Interventionseffekten auf die Einschreibungsraten auf Einrichtungsebene
2. Analysieren Sie Anmeldewahrscheinlichkeiten auf Teilnehmerebene und Interventionsinteraktionen mit Minderheitenstatus
3. Unterstützen Sie umfassende Leistungsanalysen sowohl auf Anlagen- als auch auf Einzelebene
4. Berücksichtigen Sie die hierarchische Natur der Daten klinischer Studien
5. Visualisieren Sie die Stärke über verschiedene Effektgrößen und Stichprobengrößen hinweg

Installation

 # Install from GitHub
devtools :: install_github( " biostochastics/ minoRityPower " )

Analyseansätze

Das Paket implementiert zwei komplementäre Ansätze zur Leistungsanalyse:

1. Analyse auf Einrichtungsebene

Dieser Ansatz modelliert die Einschreibungsrate auf Einrichtungsebene und konzentriert sich dabei darauf, wie sich Interventionen auf die Anzahl der pro Einrichtung eingeschriebenen Teilnehmer auswirken:

• Verwendet negative binomiale Mixed-Effects-Modelle
• Berücksichtigt zufällige Effekte auf Einrichtungsebene
• Die Anmeldung von Models zählt direkt
• Geeignet für die Analyse der Auswirkungen auf die Rekrutierungskapazität auf Systemebene

 # Facility-level power analysis
facility_results <- run_power_facility(
  effect_sizes1 = c( 1.25 , 1.50 ),    # 25% and 50% increase in enrollment rate
  Ns = c( 30 , 45 , 60 ),               # Number of facilities per arm
  tau2_facility = 0.64 ,             # Facility-level variance
  mean_rate = 11                    # Average monthly enrollment rate
)

2. Analyse auf Teilnehmerebene

Dieser Ansatz modelliert individuelle Einschreibungswahrscheinlichkeiten und konzentriert sich dabei darauf, wie sich Interventionen auf die Einschreibungswahrscheinlichkeit von Teilnehmern aus Minderheiten auswirken:

• Verwendet logistische Mixed-Effects-Modelle
• Berücksichtigt die Interaktion zwischen Intervention und Minderheitenstatus
• Modelliert individuelle Einschreibungsentscheidungen
• Geeignet zur Analyse differenzieller Interventionseffekte

 # Participant-level power analysis
participant_results <- run_power_participant(
  effect_sizes1 = c( 1.25 , 1.50 ),    # Main intervention effects
  effect_sizes2 = c( 1.75 , 2.00 ),    # Minority-specific effects
  Ns = c( 30 , 45 , 60 ),               # Facilities per arm
  minority_rate = 0.3 ,              # Expected minority enrollment proportion
  tau2_trial = 1.19                 # Trial-level variance
)

Hauptmerkmale

Analysefunktionen auf Anlagenebene

• Modelliert die Einschreibungsraten mithilfe einer negativen Binomialverteilung
• Gründe für eine übermäßige Streuung der Einschreibungszahlen
• Beinhaltet anlagenzufällige Effekte
• Schätzt die Leistung zur Erkennung von Ratenverhältnissen

Analysefunktionen auf Teilnehmerebene

• Modelliert Einschreibungswahrscheinlichkeiten mithilfe logistischer Regression
• Testet Interaktionseffekte mit Minderheitenstatus
• Konten für die Clusterbildung innerhalb von Einrichtungen
• Unterstützt unterschiedliche Einschreibungsquoten für Minderheiten

Gemeinsame Funktionen

• Parallele Verarbeitung für Recheneffizienz
• Bootstrap-basierte Simulationsansätze
• Testen mehrerer Signifikanzniveaus (0,05, 0,01, 0,005)
• Veröffentlichungsreife Visualisierungen
• Umfangreicher Ausgabespeicher

Ausgabe

Das Paket bietet eine detaillierte Ausgabe für beide Analysetypen:

Numerische Ausgabe

• Leistungsschätzungen auf mehreren Signifikanzniveaus
• Konvergenzraten und Modelldiagnose
• Schätzungen der Effektstärke und Konfidenzintervalle
• Übersichtstabellen im CSV-Format

Grafische Ausgabe

• Leistungskurven über Stichprobengrößen hinweg
• Facettierte Diagramme nach Effektgrößenkombinationen
• Visualisierungen von Interaktionseffekten
• Publikationsreife Zahlen im PDF-Format

Beispiel-Workflow

minoRityPower) # 1. Facility-level analysis facility_results <- run_power_facility( effect_sizes1 = c(1.25, 1.50), Ns = c(30, 45, 60), tau2_facility = 0.64, R_boot = 1000 ) # 2. Participant-level analysis participant_results <- run_power_participant( effect_sizes1 = c(1.25, 1.50), # Main effects effect_sizes2 = c(1.75, 2.00), # Minority interaction effects Ns = c(30, 45, 60), minority_rate = 0.3, R_boot = 1000 ) # 3. View results print(facility_results$power_table) print(participant_results$power_table) # 4. Display plots print(facility_results$power_plot) print(participant_results$power_plot)">

library( minoRityPower )

# 1. Facility-level analysis
facility_results <- run_power_facility(
  effect_sizes1 = c( 1.25 , 1.50 ),
  Ns = c( 30 , 45 , 60 ),
  tau2_facility = 0.64 ,
  R_boot = 1000
)

# 2. Participant-level analysis
participant_results <- run_power_participant(
  effect_sizes1 = c( 1.25 , 1.50 ),    # Main effects
  effect_sizes2 = c( 1.75 , 2.00 ),    # Minority interaction effects
  Ns = c( 30 , 45 , 60 ),
  minority_rate = 0.3 ,
  R_boot = 1000
)

# 3. View results
print( facility_results $ power_table )
print( participant_results $ power_table )

# 4. Display plots
print( facility_results $ power_plot )
print( participant_results $ power_plot )

Referenzen

Wenn Sie dieses Paket verwenden, geben Sie bitte Folgendes an:

minoRityPower: Power Analysis for Healthcare System Interventions in Clinical Trial Enrollment}, year = {2024}, publisher = {GitHub}, version = {0.1.1}, url = {https://github.com/biostochastics/minoRityPower} }">

 @software { your_citation_2024 ,
  author       = { Sergey Kornilov } ,
  title        = { minoRityPower : Power Analysis for Healthcare System Interventions in Clinical Trial Enrollment } ,
  year         = { 2024 } ,
  publisher    = { GitHub } ,
  version      = { 0.1.1 } ,
  url          = { https://github.com/biostochastics/minoRityPower }
}

Lizenz

Dieses Projekt ist unter der MIT-Lizenz lizenziert – Einzelheiten finden Sie in der LIZENZ-Datei.

Mitwirken

Beiträge sind willkommen! Bitte reichen Sie Probleme und Pull-Anfragen über GitHub ein.

Danksagungen

Diese Arbeit wurde entwickelt, um die Bewertung von Interventionen auf Gesundheitssystemebene für die Anwendung des ARPA-H-Programms zu unterstützen, wobei der Schwerpunkt auf der Beschleunigung der Anmeldung für klinische Studien unter Teilnehmern aus Minderheiten liegt.