multiarm

Multiarm

Descrição

multiarm fornece funções para ajudar no design de ensaios clínicos em vários e vários estágios. Em ambos os casos, as funções disponíveis permitem determinação do tamanho da amostra, simulação de teste, cálculo de característica operacional analítica e produção de várias parcelas informativas.

Observe que uma interface de usuário gráfica e brilhante também está disponível para projetar testes de estágio único; Ele pode ser acessado em r usando multiarm::gui() ou online em https://mjgrayling.shinyapps.io/multiarm. Informações adicionais neste aplicativo podem ser encontradas em Grayling e Wason (2020).

Começando

Você pode instalar a versão de desenvolvimento mais recente do multiarm do GitHub com:

 devtools :: install_github( " mjg211/multiarm " )

Um exemplo introdutório de como fazer uso de algumas das principais funcionalidades do pacote pode ser encontrado abaixo. O suporte mais detalhado, para designs de estágio único, está disponível na vinheta do pacote, que pode ser acessada com vignette("single_stage", package = "multiarm") . Veja também Grayling e Wason (2020). Para obter mais ajuda, envie um email para [email protected].

Detalhes

No total, 46 funções estão atualmente disponíveis. Suas convenções de nomenclatura são tais que várias cordas de caráter são unidas, separadas por sublinhados. A primeira string indica o objetivo da função (ou seja, que tipo de cálculo executa):

• build_###_###() : Construa objetos de design de ensaios clínicos multi-armadilhas, como os devolvidos pelas funções des_###_###() . Para uso quando um design específico é de interesse.
• des_###_###() : determine o tamanho da amostra exigido por um tipo específico de projeto de ensaios clínicos de vários braços.
• gui() : fornece uma interface gráfica do usuário para designar a determinação.
• opchar_###_###() : determine as características operacionais (potência, taxas de erro na família, etc.) de um projeto de ensaio clínico multi-armas fornecido por meio de integração normal multivariada.
• plot.multiarm_des_###_###() : produza gráficos informativos (energia, curvas de taxa de descoberta falsa, etc.) relacionadas a um projeto de ensaio clínico multi-armadilha fornecido.
• sim_###_###() : Estime empiricamente as características operacionais (potência, taxas de erro familiares, etc.) de um projeto de ensaios clínicos multi-armas fornecido, via simulação.

O segundo indica o design:

• ###_dtl_###() : relaciona-se a designs de gotas de vários estágios. Veja, por exemplo, Wason et al (2017).
• ###_gs_###() : relaciona-se com designs de vários estágios de vários braços do grupo. Ver, por exemplo, Magirr et al (2012).
• ###_ss_###() : relaciona-se a designs de estágio único. Veja, por exemplo, Grayling e Wason (2020).

O terceiro indica que tipo de resultado a função é para:

• ###_###_bern() : Suponha um resultado primário distribuído de Bernoulli.
• ###_###_norm() : Suponha um resultado primário normalmente distribuído.
• ###_###_pois() : assuma um resultado primário distribuído de Poisson.

Exemplo: design de estágio único para um resultado normalmente distribuído

Normalmente, uma função des_###_###() seria usada primeiro para identificar um design para os parâmetros de interesse de interesse. Por exemplo, considere projetar um teste de estágio único para:

• Três braços de tratamento experimental (ver K ).
• Desejando uma taxa de erro familiar de no máximo 5%, controlando usando a correção de Dunnett (ver alpha e correction ).
• Desejando poder marginal para rejeitar cada hipótese nula de 80% para uma diferença clinicamente relevante de 1 (ver beta , delta1 e power ).
• Supondo que o desvio padrão de todas as respostas seja 1 (ver sigma ).
• Alocando pacientes igualmente para cada braço (ver ratio ).

Para calcular o design, nós executaríamos:

 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 " )

Então, o tamanho total da amostra necessário é:

 des $ N
# > [1] 67.42534

Além disso, as características operacionais sob a alternativa nula global , global e cada uma das configurações menos favoráveis , podem ser acessadas com:

 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>

Gráficos úteis também podem ser produzidos com plot.multiarm_des_ss_norm() da seguinte forma:

plot( des )

Referências

Greyling MJ, Wason JMS (2020) Um aplicativo da Web para o design de ensaios clínicos de vários braços. BMC Cancer 20:80. Doi: 10.1186/s12885-020-6525-0. PMID: 32005187.

Magirr D, Jaki T, Whitehead J (2012) Um teste de Dunnett generalizado para estudos clínicos de vários estágios com seleção de tratamento. Biometrika 99 (2): 494–501. Doi: 10.1093/biomet/Ass002.

Wason J, Stallard N, Bowden J, Jennison C (2017) Um design de queda de vários estágios para ensaios clínicos de vários braços. Stat Met Med Res 26 (1): 508-524. Doi: 10.1177/0962280214550759. PMID: 25228636.