multiarm

Multiarm

Описание

multiarm предоставляет функции, чтобы помочь с разработкой одно- и многоэтапных клинических испытаний с несколькими руками. В любом случае доступные функции позволяют определять размер выборки, моделирование испытаний, аналитические рабочие характеристики и производство нескольких информативных графиков.

Обратите внимание, что для разработки одностадийных испытаний также доступен блестящий графический пользовательский интерфейс; К нему можно получить доступ к R, используя multiarm::gui() или онлайн по адресу https://mjgrayling.shinyapps.io/multiarm. Дополнительную информацию об этом приложении можно найти в Gryling и Wason (2020).

Начиная

Вы можете установить новейшую версию разработки multiarm от GitHub с:

 devtools :: install_github( " mjg211/multiarm " )

Вступительный пример того, как использовать некоторые основные функциональности пакета, можно найти ниже. Более подробная поддержка для одностадийных дизайнов доступна в пакетной виньетке, к которой можно получить доступ с помощью vignette("single_stage", package = "multiarm") . См. Также Грейлинг и Васон (2020). Для получения дополнительной помощи, пожалуйста, напишите [email protected].

Подробности

В общей сложности 46 функций в настоящее время доступны. Их соглашения об именах таковы, что несколько строк персонажа соединяются вместе, разделенные подчеркиванием. Первая строка указывает на цель функции (т.е. какой тип расчета он выполняет):

• build_###_###() : Build Multi-Arm Clinical Trial Design Объекты, подобные тем, которые возвращаются функциями des_###_###() . Для использования, когда конкретный дизайн представляет интерес.
• des_###_###() : Определите размер выборки, необходимый для конкретного типа многоамного клинического дизайна.
• gui() : предоставляет графический пользовательский интерфейс для определения проектирования.
• opchar_###_###() : Определите рабочие характеристики (мощность, семейные показатели ошибок и т. Д.) Предоставленной многоам-дизайна клинических испытаний посредством многомерной нормальной интеграции.
• plot.multiarm_des_###_###() : создать информативные графики (мощность, кривые скорости ложных обнаружений и т. Д.), Относительно предоставленной многоуровневой клинической конструкции.
• sim_###_###() : эмпирически оценить операционные характеристики (мощность, семейные показатели ошибок и т. Д.) Предоставленной многоямерной конструкции клинических испытаний посредством моделирования.

Второе указывает на дизайн:

• ###_dtl_###() : Относитесь к многоэтапным проектам Drop-The Losers. См., Например, Wason et al (2017).
• ###_gs_###() : Относитесь к групповой многопользовательской многоступенчатой конструкции. См., Например, Magirr et al (2012).
• ###_ss_###() : относиться к одноэтапным конструкциям. См., Например, Грейлинг и Васон (2020).

Третий указывает на то, какой тип результата предназначена функция:

• ###_###_bern() : предположим, что Bernoulli распределенный первичный результат.
• ###_###_norm() : предположим, что обычно распределенный первичный результат.
• ###_###_pois() : предположим, что пуассон распределен первичный результат.

Пример: одноэтапный дизайн для обычно распределенного результата

Как правило, функция des_###_###() сначала будет использоваться для определения проекта для представляющих интерес испытания. Например, рассмотрите возможность разработки одноэтапного испытания для:

• Три экспериментальных рук лечения (см. K ).
• Желание семейного уровня погрешности не более 5%, контролируя с использованием коррекции Даннетта (см. alpha и correction ).
• Желание предельной силы для отклонения каждой нулевой гипотезы на 80% для клинически значимой разницы 1 (см. beta , delta1 и power ).
• Предполагая, что стандартное отклонение всех ответов составляет 1 (см. sigma ).
• Распределяя пациентов одинаково каждой руке (см. ratio ).

Чтобы вычислить дизайн, мы работали:

 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 " )

Затем общий необходимый размер выборки составляет:

 des $ N
# > [1] 67.42534

Кроме того, операционные характеристики в глобальной нулевой , глобальной альтернативе и каждой из наименее благоприятных конфигураций можно получить с помощью:

 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>

Полезные графики также могут быть произведены с помощью plot.multiarm_des_ss_norm() следующим образом:

plot( des )

Ссылки

Gryling MJ, Wason JMS (2020). Веб-приложение для проектирования многоямерных клинических испытаний. BMC Рак 20:80. Doi: 10.1186/s12885-020-6525-0. PMID: 32005187.

Магирр Д., Яки Т., Уайтхед Дж. (2012) Общий тест Даннетта для многоуровневых многоэтапных клинических исследований с отбором лечения. Биометрика 99 (2): 494–501. Doi: 10.1093/biomet/ass002.

Wason J, Stallard N, Bowden J, Jennison C (2017), многоэтапный дизайн Drop-The-Losers для многоуровневых клинических испытаний. Stat Meth Med Res 26 (1): 508–524. Doi: 10.1177/0962280214550759. PMID: 25228636.