multiarm

Multiarm

Beschreibung

multiarm bietet Funktionen zur Unterstützung des Designs von klinischen Studien mit einem und mehrstufigen Multi-Arm. In beiden Fällen ermöglichen die verfügbaren Funktionen die Bestimmung der Stichprobengröße, die Versuchssimulation, die analytische Betriebs charakteristische Berechnung und die Produktion mehrerer informativer Diagramme.

Beachten Sie, dass eine r-glänzende grafische Benutzeroberfläche auch zum Entwerfen von Einzelstreifen verfügbar ist. Es kann innerhalb von R mit multiarm::gui() oder online unter https://mjgrayling.hinyapps.io/multiarm zugegriffen werden. Weitere Informationen zu dieser App finden Sie in Grayling und Wason (2020).

Erste Schritte

Sie können die neueste Entwicklungsversion von multiarm von GitHub installieren mit:

 devtools :: install_github( " mjg211/multiarm " )

Ein einführendes Beispiel dafür, wie einige der Kernfunktionen des Pakets verwendet werden können, finden Sie unten. Eine detailliertere Unterstützung für einstufige Designs ist in der Paketvignette erhältlich, auf die mit vignette("single_stage", package = "multiarm") zugegriffen werden kann. Siehe auch Grayling und Wason (2020). Für weitere Hilfe senden Sie bitte eine E -Mail an [email protected].

Details

Insgesamt sind derzeit 46 Funktionen verfügbar. Ihre Namenskonventionen sind so, dass mehrere Charakter -Saiten miteinander verbunden sind, die durch Unterstriche getrennt sind. Die erste Zeichenfolge gibt den Zweck der Funktion an (dh welche Art der Berechnung erstellt sie):

• build_###_###() : Erstellen Sie klinische Studienentwurfsobjekte für Multi-Arm, wie sie von den des_###_###() Funktionen zurückgegeben werden. Für die Verwendung, wenn ein bestimmtes Design von Interesse ist.
• des_###_###() : Bestimmen Sie die Stichprobengröße, die von einem bestimmten Typ von klinischen Studienentwürfen mit mehreren Arms erforderlich ist.
• gui() : Bietet eine grafische Benutzeroberfläche zur Entwurfsbestimmung.
• opchar_###_###() : Bestimmen Sie die Betriebseigenschaften (Leistung, familienbezogene Fehler-Raten usw.) eines gelieferten klinischen Studiendesigns mit mehreren Arms über multivariate normale Integration.
• plot.multiarm_des_###_###() : Erstellen Sie informative Diagramme (Kraft, falsche Entdeckungsrate-Kurven usw.) in Bezug auf ein geliefertes klinisches Studiendesign mit mehreren Arms.
• sim_###_###() : Schätzen Sie die Betriebsmerkmale (Leistung, familienbezogene Fehlerrate usw.) eines gelieferten klinischen Studienentwurfs mit mehreren Arms über Simulation.

Der zweite zeigt das Design an:

• ###_dtl_###() : In Beziehung zu mehrstufiger Drop-the-Losers-Designs. Siehe z. B. Wason et al. (2017).
• ###_gs_###() : Beziehen Sie sich auf gruppen-sequentielle mehrstufige mehrstufige Designs. Siehe z. B. Magirr et al. (2012).
• ###_ss_###() : In Beziehung zu einstufigen Designs. Siehe, z. B. Grayling und Wason (2020).

Der dritte gibt an, für welche Art von Ergebnis die Funktion ist:

• ###_###_bern() : Angenommen, ein bernoulli verteiltes primäres Ergebnis.
• ###_###_norm() : Nehmen Sie ein normal verteiltes primäres Ergebnis an.
• ###_###_pois() : Nehmen Sie ein poisson verteiltes primäres Ergebnis an.

Beispiel: Einstufiges Design für ein normal verteiltes Ergebnis

In der Regel wird zuerst eine des_###_###() -Funktion verwendet, um ein Design für die Interessensparameter zu identifizieren. Erwägen Sie beispielsweise das Entwerfen einer einstufigen Versuch für:

• Drei experimentelle Behandlungsarme (siehe K ).
• Wunsch eine familienbezogene fehlerhafte rate von höchsten 5%, kontrolliert mithilfe der Korrektur von Dunnett (siehe alpha und correction ).
• Wunsch die marginale Kraft, jede Nullhypothese von 80% für eine klinisch relevante Differenz von 1 abzulehnen (siehe beta , delta1 und power ).
• Unter der Annahme der Standardabweichung aller Antworten ist 1 (siehe sigma ).
• Patienten gleichermaßen jedem Arm zuweisen (siehe ratio ).

Um das Design zu berechnen, würden wir rennen:

 des <- des_ss_norm( K          = 3 ,
                   alpha      = 0.05 ,
                   beta       = 0.2 ,
                   delta1     = 1 ,
                   sigma      = rep( 1 , 4 ),
                   ratio      = rep( 1 , 3 ),
                   correction = " dunnett " ,
                   power      = " marginal " )

Dann beträgt die Gesamtzahl der erforderlichen Stichprobengröße:

 des $ N
# > [1] 67.42534

Darüber hinaus können die Betriebsmerkmale unter der globalen NULL , der globalen Alternative und jeder der am wenigsten günstigen Konfigurationen zugegriffen werden, mit:

 des $ opchar
# > # A tibble: 5 x 20
# >    tau1  tau2  tau3   Pdis    Pcon     P1     P2     P3 FWERI1  FWERI2  FWERI3
# >   <dbl> <dbl> <dbl>  <dbl>   <dbl>  <dbl>  <dbl>  <dbl>  <dbl>   <dbl>   <dbl>
# > 1     0     0     0 0.0501 0.00109 0.0196 0.0196 0.0196 0.0501 0.00774 0.00109
# > 2     1     1     1 0.950  0.611   0.800  0.800  0.800  0      0       0      
# > 3     1     0     0 0.800  0.00330 0.800  0.0196 0.0196 0.0360 0.00330 0      
# > 4     0     1     0 0.800  0.00330 0.0196 0.800  0.0196 0.0360 0.00330 0      
# > 5     0     0     1 0.800  0.00329 0.0196 0.0196 0.800  0.0360 0.00330 0      
# > # … with 9 more variables: FWERII1 <dbl>, FWERII2 <dbl>, FWERII3 <dbl>,
# > #   PHER <dbl>, FDR <dbl>, pFDR <dbl>, FNDR <dbl>, Sens <dbl>, Spec <dbl>

Nützliche Diagramme können auch mit plot.multiarm_des_ss_norm() erzeugt werden.

plot( des )

Referenzen

Grayling MJ, WASON JMS (2020) Eine Webanwendung für das Design klinischer Studien mit mehreren Arms. BMC Cancer 20:80. Doi: 10.1186/s12885-020-6525-0. PMID: 32005187.

Magirr D, Jaki T, Whitehead J (2012) Ein verallgemeinerter Dunnett-Test für mehrstufige klinische Studien mit mehrstufiger Behandlung mit Behandlungsauswahl. Biometrika 99 (2): 494–501. Doi: 10.1093/biomet/ass002.

Wason J, Stallard N, Bowden J, Jennison C (2017) Ein mehrstufiges Tropfen-Löser-Design für klinische Studien mit mehreren Arms. STAT METH MED RES 26 (1): 508–524. Doi: 10.1177/0962280214550759. PMID: 25228636.