ph2rand
1.0.0
與伯努利結果的隨機II期腫瘤學試驗
PH2RAND提供的功能以幫助設計隨機比較階段II期腫瘤學試驗，這些試驗假定其主要結果變量是Bernoulli分佈的。具體而言，在使用幾種已發表設計之一時，提供了支持（a）執行樣本量計算（Jung，2008; Jung and Sargent，2014; Kepner，2010; Litwin等，2017; litwin et al ，2017; Shan等，2013），（b）評估給定設計的操作特性（分析和通過模擬）以及（C）產生信息圖。
您可以安裝最新的開發版本的ph2rand ，可從GitHub獲得，並帶有
devtools :: install_github( " mjg211/ph2rand " )可以在下面找到一個介紹性的示例。有關進一步的幫助，請參閱包裝Vignettes或發送電子郵件至[email protected]。
我們展示了兩階段設計的功能，單階段設計的方法相似。首先，從Jung（2008）找到默認參數的兩個階段設計
des_jung <- des_two_stage()然後在每個階段檢查其每個手臂中所需的樣本量
des_jung $ nC
# > [1] 17 17
des_jung $ nE
# > [1] 17 17接下來，查看其關鍵操作特徵
des_jung $ opchar
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.0702 47.0 16.5 34 0 0.0702 0.617
# > 2 0.1 0.3 0.813 64.7 10.1 68 0 0.813 0.0972
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>將此與Litwin等人（2017）的等效設計進行比較
des_litwin_et_al <- des_two_stage( type = " sat " ,
nCmax = 20L )
des_litwin_et_al $ nC
# > [1] 10 10
des_litwin_et_al $ nE
# > [1] 10 10
des_litwin_et_al $ opchar
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.100 25.2 8.79 20 0 0.100 0.739
# > 2 0.1 0.3 0.804 36.9 7.20 40 0 0.804 0.153
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>現在從Shan（2013）
des_shan_et_al <- des_two_stage( type = " barnard " ,
nCmax = 40L )
des_shan_et_al $ nC
# > [1] 17 17
des_shan_et_al $ nE
# > [1] 17 17
des_shan_et_al $ opchar
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.0968 47.0 16.5 34 0 0.0968 0.617
# > 2 0.1 0.3 0.800 64.7 10.1 68 0 0.800 0.0977
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>最後是Jung and Sargent（2014）
des_jung_sargent <- des_two_stage( type = " fisher " )
des_jung_sargent $ nC
# > [1] 22 22
des_jung_sargent $ nE
# > [1] 22 22
des_jung_sargent $ opchar
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.0530 61.5 21.5 44 0 0.0530 0.602
# > 2 0.1 0.3 0.808 85.2 10.7 88 0 0.808 0.0627
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>然後，我們可以輕鬆地找到任何這些設計的終端點，以及它們的概率質量函數和任何真實響應率的操作特性。例如，考慮兩種情況
pi <- rbind(c( 0.1 , 0.1 ),
c( 0.1 , 0.3 ))然後找到Jung（2008）設計的終端點，概率質量函數和操作特徵（分析和通過模擬）設計
terminal_jung <- terminal( des_jung )
terminal_jung $ terminal
# > # A tibble: 1,344 x 7
# > xC xE mC mE statistic decision k
# > <int> <int> <int> <int> <int> <fct> <fct>
# > 1 0 0 17 17 0 Do not reject 1
# > 2 0 1 17 17 1 Continue to stage 2 1
# > 3 0 2 17 17 2 Continue to stage 2 1
# > 4 0 3 17 17 3 Continue to stage 2 1
# > 5 0 4 17 17 4 Continue to stage 2 1
# > 6 0 5 17 17 5 Continue to stage 2 1
# > 7 0 6 17 17 6 Continue to stage 2 1
# > 8 0 7 17 17 7 Continue to stage 2 1
# > 9 0 8 17 17 8 Continue to stage 2 1
# > 10 0 9 17 17 9 Continue to stage 2 1
# > # … with 1,334 more rows
pmf_jung <- pmf( des_jung , pi )
pmf_jung $ pmf
# > # A tibble: 2,382 x 10
# > piC piE xC xE mC mE statistic decision k `f(x,m|pi)`
# > <dbl> <dbl> <int> <int> <int> <int> <int> <fct> <fct> <dbl>
# > 1 0.1 0.1 0 0 17 17 0 Do not reject 1 0.0278
# > 2 0.1 0.1 1 0 17 17 -1 Do not reject 1 0.0525
# > 3 0.1 0.1 1 1 17 17 0 Do not reject 1 0.0992
# > 4 0.1 0.1 2 0 17 17 -2 Do not reject 1 0.0467
# > 5 0.1 0.1 2 1 17 17 -1 Do not reject 1 0.0882
# > 6 0.1 0.1 2 2 17 17 0 Do not reject 1 0.0784
# > 7 0.1 0.1 3 0 17 17 -3 Do not reject 1 0.0259
# > 8 0.1 0.1 3 1 17 17 -2 Do not reject 1 0.0490
# > 9 0.1 0.1 3 2 17 17 -1 Do not reject 1 0.0436
# > 10 0.1 0.1 3 3 17 17 0 Do not reject 1 0.0242
# > # … with 2,372 more rows
opchar_jung <- opchar( des_jung , pi )
opchar_jung $ opchar
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.0702 47.0 16.5 34 0 0.0702 0.617
# > 2 0.1 0.3 0.813 64.7 10.1 68 0 0.813 0.0972
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>
sim_jung <- sim( des_jung , pi )
sim_jung $ sim
# > # A tibble: 2 x 13
# > piC piE `P(pi)` `ESS(pi)` `SDSS(pi)` `MSS(pi)` `E1(pi)` `E2(pi)` `F1(pi)`
# > <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
# > 1 0.1 0.1 0.0727 47.0 16.5 34 0 0.0727 0.617
# > 2 0.1 0.3 0.815 64.7 10.0 68 0 0.815 0.0961
# > # … with 4 more variables: `F2(pi)` <dbl>, `S1(pi)` <dbl>, `S2(pi)` <dbl>, `max
# > # N` <int>最後，我們可以繪製與設計有關的各種因素。例如，繪製Jung（2008）設計的終端點（及其相關決策），以及當兩個臂中的響應概率相等或響應概率的差異是所選治療效果時拒絕零假設的概率
plot( des_jung )
有關更多詳細信息，請參見包裝插圖。
Jung SH（2008）具有前瞻性控制的隨機II期試驗。 Stat Med 27（4）：568–83。 doi：10.1002/sim.2961。 PMID：17573688。
Jung SH，Sargent DJ（2014）隨機II期臨床試驗。 J Biopharm Stat 24（4）：802–16。 doi：10.1080/10543406.2014.901343。 PMID：24697589。
Kepner JL（2010）在比較兩個二項式比例的組順序設計上。 J Biopharm Stat 20（1）：145–59。 doi：10.1080/10543400903280621。 PMID：20077254。
Litwin S，Basickes S，Ross EA（2017）兩樣本二進制2期試驗，具有低I型誤差和低樣本量。 Stat Med 36（9）：1383–94。 doi：10.1002/sim.7226。 PMID：28118686。
Shan G，Ma C，Hutson AD，Wilding GE（2013）基於Barnard的精確測試隨機分配了兩階段II期臨床試驗設計。 J Biopharm Stat 23（5）：1081–90。 doi：10.1080/10543406.2013.813525。 PMID：23957517。
