multiarm

multiarm

Keterangan

multiarm menyediakan fungsi untuk membantu desain uji klinis multi-lengan tunggal dan multi-tahap. Dalam kedua kasus tersebut, fungsi yang tersedia memungkinkan penentuan ukuran sampel, simulasi percobaan, perhitungan karakteristik operasi analitik, dan produksi beberapa plot informatif.

Perhatikan bahwa antarmuka pengguna grafis yang mengkilap juga tersedia untuk merancang uji coba tahap tunggal; Ini dapat diakses dalam R menggunakan multiarm::gui() , atau online di https://mjgrayling.shinyapps.io/multiarm. Informasi tambahan tentang aplikasi ini dapat ditemukan di Grayling dan Wason (2020).

Memulai

Anda dapat menginstal versi pengembangan multiarm terbaru dari GitHub dengan:

 devtools :: install_github( " mjg211/multiarm " )

Contoh pengantar tentang cara memanfaatkan beberapa fungsi inti paket dapat ditemukan di bawah. Dukungan yang lebih rinci, untuk desain tahap tunggal, tersedia dalam sketsa paket, yang dapat diakses dengan vignette("single_stage", package = "multiarm") . Lihat juga Grayling dan Wason (2020). Untuk bantuan lebih lanjut, silakan kirim email ke [email protected].

Detail

Secara total, 46 fungsi saat ini tersedia. Konvensi penamaan mereka sedemikian rupa sehingga beberapa string karakter bergabung bersama, dipisahkan oleh garis bawah. String pertama menunjukkan tujuan fungsi (yaitu, jenis perhitungan apa yang dilakukannya):

• build_###_###() : Bangun objek desain uji klinis multi-lengan, seperti yang dikembalikan oleh fungsi des_###_###() . Untuk digunakan saat desain tertentu menarik.
• des_###_###() : Tentukan ukuran sampel yang dibutuhkan oleh jenis tertentu dari desain uji coba klinis multi-lengan.
• gui() : Menyediakan antarmuka pengguna grafis untuk merancang penentuan.
• opchar_###_###() : Tentukan karakteristik operasi (daya, tingkat kesalahan yang bijaksana keluarga, dll.) Dari desain uji coba klinis multi-lengan yang disediakan, melalui integrasi normal multivariat.
• plot.multiarm_des_###_###() : Menghasilkan plot informatif (daya, kurva laju penemuan palsu, dll.) Yang berkaitan dengan desain uji coba klinis multi-lengan yang disediakan.
• sim_###_###() : Secara empiris memperkirakan karakteristik operasi (daya, tingkat kesalahan keluarga, dll.) Dari desain uji coba klinis multi-lengan yang disediakan, melalui simulasi.

Yang kedua menunjukkan desain:

• ###_dtl_###() : Hubungan dengan desain drop-the-losers multi-tahap. Lihat, misalnya, Wason et al (2017).
• ###_gs_###() : Berhubungan dengan desain multi-tahap multi-lengan-sekuensial. Lihat, misalnya, Magirr et al (2012).
• ###_ss_###() : Berhubungan dengan desain tahap tunggal. Lihat, misalnya, Grayling dan Wason (2020).

Yang ketiga menunjukkan jenis hasil fungsi untuk:

• ###_###_bern() : Asumsikan hasil primer yang didistribusikan Bernoulli.
• ###_###_norm() : Asumsikan hasil primer yang didistribusikan secara normal.
• ###_###_pois() : Asumsikan hasil primer yang didistribusikan Poisson.

Contoh: Desain satu tahap untuk hasil yang didistribusikan secara normal

Biasanya, fungsi des_###_###() akan digunakan terlebih dahulu untuk mengidentifikasi desain untuk parameter uji coba yang menarik. Misalnya, pertimbangkan merancang uji coba satu tahap untuk:

• Tiga kelompok pengobatan eksperimental (lihat K ).
• Menghindari tingkat kesalahan yang bijaksana keluarga paling banyak 5%, mengendalikan menggunakan koreksi Dunnett (lihat alpha dan correction ).
• Menginginkan kekuatan marjinal untuk menolak setiap hipotesis nol 80% untuk perbedaan klinis yang relevan dari 1 (lihat beta , delta1 , dan power ).
• Dengan asumsi standar deviasi semua tanggapan adalah 1 (lihat sigma ).
• Mengalokasikan pasien secara setara untuk setiap kelompok (lihat ratio ).

Untuk menghitung desain, kami akan menjalankan:

 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 " )

Kemudian, total ukuran sampel yang diperlukan adalah:

 des $ N
# > [1] 67.42534

Selain itu, karakteristik operasi di bawah null global , alternatif global , dan masing -masing konfigurasi yang paling tidak menguntungkan , dapat diakses dengan:

 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>

Plot yang berguna juga dapat diproduksi dengan plot.multiarm_des_ss_norm() sebagai berikut:

plot( des )

Referensi

Grayling MJ, Wason JMS (2020) Aplikasi web untuk desain uji klinis multi-lengan. BMC Cancer 20:80. Doi: 10.1186/s12885-020-6525-0. PMID: 32005187.

Magirr D, Jaki T, Whitehead J (2012) Tes Dunnett umum untuk studi klinis multi-tahap multi-lengan dengan seleksi pengobatan. Biometrika 99 (2): 494–501. Doi: 10.1093/biomet/ass002.

Wason J, Stallard N, Bowden J, Jennison C (2017) Desain drop-the-losers multi-tahap untuk uji klinis multi-lengan. Stat Meth Med Res 26 (1): 508–524. Doi: 10.1177/0962280214550759. PMID: 25228636.