หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>PowerBuilder
ดาวน์โหลด

หลายตัว

คำอธิบาย

multiarm ให้ฟังก์ชั่นเพื่อช่วยในการออกแบบการทดลองทางคลินิกหลายแขนแบบเดี่ยวและหลายขั้นตอน ไม่ว่าในกรณีใดฟังก์ชั่นที่มีอยู่อนุญาตให้มีการกำหนดขนาดตัวอย่างการจำลองการทดลองการคำนวณลักษณะการทำงานของการวิเคราะห์และการผลิตแปลงข้อมูลหลายแบบ

โปรดทราบว่าส่วนต่อประสานผู้ใช้กราฟิก R Shiny นั้นมีให้สำหรับการออกแบบการทดลองขั้นตอนเดียว สามารถเข้าถึงได้ภายใน R โดยใช้ multiarm::gui() หรือออนไลน์ที่ https://mjgrayling.shinyapps.io/multiarm ข้อมูลเพิ่มเติมเกี่ยวกับแอพนี้สามารถพบได้ใน Grayling และ Wason (2020)

เริ่มต้น

คุณสามารถติดตั้ง multiarm เวอร์ชันการพัฒนาล่าสุดจาก GitHub ด้วย: 

 devtools :: install_github( " mjg211/multiarm " )

ตัวอย่างเบื้องต้นของวิธีการใช้ประโยชน์จากฟังก์ชันการทำงานหลักของแพ็คเกจบางอย่างสามารถดูได้ด้านล่าง การสนับสนุนที่มีรายละเอียดเพิ่มเติมสำหรับการออกแบบขั้นตอนเดียวมีอยู่ใน Vignette แพ็คเกจซึ่งสามารถเข้าถึงได้ด้วย vignette("single_stage", package = "multiarm") ดูเพิ่มเติมที่ Grayling และ Wason (2020) สำหรับความช่วยเหลือเพิ่มเติมโปรดส่งอีเมลถึง [email protected]

รายละเอียด

โดยรวมแล้วมีฟังก์ชั่น 46 ฟังก์ชัน อนุสัญญาการตั้งชื่อของพวกเขาเป็นเช่นนั้นสตริงตัวละครหลายตัวรวมกันโดยคั่นด้วยขีดเส้นใต้ สตริงแรกระบุวัตถุประสงค์ของฟังก์ชัน (เช่นประเภทของการคำนวณที่ดำเนินการ):

  • build_###_###() : สร้างวัตถุการออกแบบการทดลองทางคลินิกหลายแขนเช่นเดียวกับที่ส่งคืนโดยฟังก์ชั่น des_###_###() สำหรับใช้เมื่อการออกแบบเฉพาะเป็นที่สนใจ
  • des_###_###() : กำหนดขนาดตัวอย่างที่ต้องการโดยการออกแบบการทดลองทางคลินิกแบบหลายแขน
  • gui() : จัดเตรียมส่วนต่อประสานผู้ใช้กราฟิกเพื่อกำหนดการออกแบบ
  • opchar_###_###() : กำหนดลักษณะการทำงาน (พลังงานอัตราข้อผิดพลาดที่ชาญฉลาดสำหรับครอบครัว ฯลฯ ) ของการออกแบบการทดลองทางคลินิกหลายแขนที่ให้มาผ่านการรวมตัวหลายตัวแปรหลายตัวแปร
  • plot.multiarm_des_###_###() : ผลิตแปลงข้อมูล (พลังงานเส้นโค้งอัตราการค้นพบที่ผิดพลาด ฯลฯ ) ที่เกี่ยวข้องกับการออกแบบการทดลองทางคลินิกหลายแขนที่ให้มา
  • sim_###_###() : ประเมินลักษณะการใช้งานเชิงประจักษ์ (พลังงานอัตราข้อผิดพลาดที่ชาญฉลาดสำหรับครอบครัว ฯลฯ ) ของการออกแบบการทดลองทางคลินิกหลายแขนที่ให้มาผ่านการจำลอง

ที่สองหมายถึงการออกแบบ:

  • ###_dtl_###() : เกี่ยวข้องกับการออกแบบแบบดรอป-เดท-ผู้ล่าหลายขั้นตอน ดูเช่น Wison et al (2017)
  • ###_gs_###() : เกี่ยวข้องกับการออกแบบหลายแขนแบบหลายแขน ดูเช่น Magirr et al (2012)
  • ###_ss_###() : เกี่ยวข้องกับการออกแบบขั้นตอนเดียว ดูเช่น Grayling และ Wason (2020)

ข้อที่สามระบุว่าฟังก์ชันผลลัพธ์ประเภทใดสำหรับ:

  • ###_###_bern() : สมมติว่าผลการกระจายผลหลักของ Bernoulli
  • ###_###_norm() : สมมติผลลัพธ์หลักที่กระจายตามปกติ
  • ###_###_pois() : สมมติผลลัพธ์หลักที่กระจายปัวซอง

ตัวอย่าง: การออกแบบขั้นตอนเดียวสำหรับผลลัพธ์ที่กระจายตามปกติ

โดยทั่วไปแล้วจะใช้ฟังก์ชัน des_###_###() ก่อนเพื่อระบุการออกแบบสำหรับพารามิเตอร์การทดลองที่น่าสนใจ ตัวอย่างเช่นพิจารณาการออกแบบการทดลองขั้นตอนเดียวสำหรับ:

  • อาวุธบำบัดสามครั้ง (ดู K )
  • ต้องการอัตราข้อผิดพลาดที่ชาญฉลาดในครอบครัวมากที่สุด 5%ควบคุมโดยใช้การแก้ไขของ Dunnett (ดู alpha และ correction )
  • ปรารถนาอำนาจส่วนเพิ่มในการปฏิเสธสมมติฐานว่างแต่ละข้อที่ 80% สำหรับความแตกต่างที่เกี่ยวข้องทางคลินิกของ 1 (ดู beta , delta1 และ power )
  • สมมติว่าค่าเบี่ยงเบนมาตรฐานของการตอบสนองทั้งหมดคือ 1 (ดู sigma )
  • การจัดสรรผู้ป่วยอย่างเท่าเทียมกันกับแต่ละแขน (ดู ratio )

เพื่อคำนวณการออกแบบเราจะเรียกใช้: 

 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 " )

จากนั้นขนาดตัวอย่างทั้งหมดที่ต้องการคือ: 

 des $ N
# > [1] 67.42534

นอกจากนี้คุณลักษณะการดำเนินงานภายใต้ Null Global , Global Alternative และ การกำหนดค่าที่ดีน้อยที่สุด สามารถเข้าถึงได้ด้วย: 

 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>

พล็อตที่มีประโยชน์สามารถผลิตได้ด้วย plot.multiarm_des_ss_norm() ดังนี้: 

plot( des )

การอ้างอิง

Greyling MJ, Wason JMS (2020) เว็บแอปพลิเคชันสำหรับการออกแบบการทดลองทางคลินิกหลายแขน มะเร็ง BMC 20:80 ดอย: 10.1186/s12885-020-6525-0 PMID: 32005187

Magirr D, Jaki T, Whitehead J (2012) การทดสอบ Dunnett ทั่วไปสำหรับการศึกษาทางคลินิกหลายแขนหลายแขนด้วยการเลือกการรักษา Biometrika 99 (2): 494–501 ดอย: 10.1093/biomet/ass002

Wason J, Stallard N, Bowden J, Jennison C (2017) การออกแบบแบบดรอป-เดอะ-เดทหลายขั้นตอนสำหรับการทดลองทางคลินิกหลายแขน Stat Meth Med Res 26 (1): 508–524 ดอย: 10.1177/0962280214550759 PMID: 25228636

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด