minoRityPower

minoRityPower

minoRityPower adalah paket R yang dirancang untuk memperkirakan kekuatan statistik untuk mendeteksi dampak intervensi tingkat sistem layanan kesehatan pada pendaftaran uji klinis, dengan fokus khusus pada percepatan perekrutan peserta minoritas. Dikembangkan untuk aplikasi program ARPA-H, paket ini menyediakan analisis tingkat fasilitas dan tingkat peserta melalui model efek campuran dan simulasi berbasis bootstrap.

Ringkasan

Uji klinis sering kali menghadapi tantangan dalam merekrut peserta minoritas, sehingga menyebabkan kurangnya keterwakilan dalam penelitian medis. Intervensi tingkat sistem layanan kesehatan bertujuan untuk mengatasi masalah ini dengan menerapkan perubahan sistematis untuk meningkatkan partisipasi minoritas. Paket ini menyediakan alat untuk:

1. Perkirakan kekuatan untuk mendeteksi dampak intervensi pada tingkat partisipasi di tingkat fasilitas
2. Analisis probabilitas pendaftaran tingkat peserta dan interaksi intervensi dengan status minoritas
3. Mendukung analisis daya yang komprehensif di tingkat fasilitas dan individu
4. Memperhitungkan sifat hierarki data uji klinis
5. Visualisasikan kekuatan di berbagai ukuran efek dan ukuran sampel

Instalasi

 # Install from GitHub
devtools :: install_github( " biostochastics/ minoRityPower " )

Pendekatan Analisis

Paket ini menerapkan dua pendekatan yang saling melengkapi dalam analisis kekuatan:

1. Analisis Tingkat Fasilitas

Pendekatan ini memodelkan tingkat partisipasi di tingkat fasilitas, dengan fokus pada bagaimana intervensi mempengaruhi jumlah peserta yang terdaftar di setiap fasilitas:

• Menggunakan model efek campuran binomial negatif
• Memperhitungkan efek acak tingkat fasilitas
• Pendaftaran model dihitung secara langsung
• Cocok untuk menganalisis dampak tingkat sistem terhadap kapasitas perekrutan

 # Facility-level power analysis
facility_results <- run_power_facility(
  effect_sizes1 = c( 1.25 , 1.50 ),    # 25% and 50% increase in enrollment rate
  Ns = c( 30 , 45 , 60 ),               # Number of facilities per arm
  tau2_facility = 0.64 ,             # Facility-level variance
  mean_rate = 11                    # Average monthly enrollment rate
)

2. Analisis Tingkat Peserta

Pendekatan ini memodelkan probabilitas pendaftaran individu, dengan fokus pada bagaimana intervensi mempengaruhi kemungkinan partisipasi peserta minoritas:

• Menggunakan model efek campuran logistik
• Menggabungkan interaksi antara intervensi dan status minoritas
• Memodelkan keputusan pendaftaran individu
• Cocok untuk menganalisis efek intervensi diferensial

 # Participant-level power analysis
participant_results <- run_power_participant(
  effect_sizes1 = c( 1.25 , 1.50 ),    # Main intervention effects
  effect_sizes2 = c( 1.75 , 2.00 ),    # Minority-specific effects
  Ns = c( 30 , 45 , 60 ),               # Facilities per arm
  minority_rate = 0.3 ,              # Expected minority enrollment proportion
  tau2_trial = 1.19                 # Trial-level variance
)

Fitur Utama

Fitur Analisis Tingkat Fasilitas

• Model tingkat pendaftaran menggunakan distribusi binomial negatif
• Menyebabkan penyebaran yang berlebihan dalam jumlah pendaftaran
• Menggabungkan efek fasilitas-acak
• Memperkirakan kekuatan untuk mendeteksi rasio laju

Fitur Analisis Tingkat Peserta

• Model probabilitas pendaftaran menggunakan regresi logistik
• Menguji efek interaksi dengan status minoritas
• Akuntansi untuk pengelompokan dalam fasilitas
• Mendukung berbagai tingkat pendaftaran minoritas

Fitur Bersama

• Pemrosesan paralel untuk efisiensi komputasi
• Pendekatan simulasi berbasis bootstrap
• Pengujian tingkat signifikansi berganda (0,05, 0,01, 0,005)
• Visualisasi siap publikasi
• Penyimpanan keluaran yang komprehensif

Keluaran

Paket ini memberikan keluaran terperinci untuk kedua jenis analisis:

Keluaran Numerik

• Perkiraan kekuatan pada berbagai tingkat signifikansi
• Tingkat konvergensi dan diagnostik model
• Estimasi ukuran efek dan interval kepercayaan
• Tabel ringkasan dalam format CSV

Keluaran Grafis

• Kurva kekuatan di seluruh ukuran sampel
• Plot bersegi berdasarkan kombinasi ukuran efek
• Visualisasi efek interaksi
• Gambar siap publikasi dalam format PDF

Contoh Alur Kerja

minoRityPower) # 1. Facility-level analysis facility_results <- run_power_facility( effect_sizes1 = c(1.25, 1.50), Ns = c(30, 45, 60), tau2_facility = 0.64, R_boot = 1000 ) # 2. Participant-level analysis participant_results <- run_power_participant( effect_sizes1 = c(1.25, 1.50), # Main effects effect_sizes2 = c(1.75, 2.00), # Minority interaction effects Ns = c(30, 45, 60), minority_rate = 0.3, R_boot = 1000 ) # 3. View results print(facility_results$power_table) print(participant_results$power_table) # 4. Display plots print(facility_results$power_plot) print(participant_results$power_plot)">

library( minoRityPower )

# 1. Facility-level analysis
facility_results <- run_power_facility(
  effect_sizes1 = c( 1.25 , 1.50 ),
  Ns = c( 30 , 45 , 60 ),
  tau2_facility = 0.64 ,
  R_boot = 1000
)

# 2. Participant-level analysis
participant_results <- run_power_participant(
  effect_sizes1 = c( 1.25 , 1.50 ),    # Main effects
  effect_sizes2 = c( 1.75 , 2.00 ),    # Minority interaction effects
  Ns = c( 30 , 45 , 60 ),
  minority_rate = 0.3 ,
  R_boot = 1000
)

# 3. View results
print( facility_results $ power_table )
print( participant_results $ power_table )

# 4. Display plots
print( facility_results $ power_plot )
print( participant_results $ power_plot )

Referensi

Jika Anda menggunakan paket ini, harap sebutkan:

minoRityPower: Power Analysis for Healthcare System Interventions in Clinical Trial Enrollment}, year = {2024}, publisher = {GitHub}, version = {0.1.1}, url = {https://github.com/biostochastics/minoRityPower} }">

 @software { your_citation_2024 ,
  author       = { Sergey Kornilov } ,
  title        = { minoRityPower : Power Analysis for Healthcare System Interventions in Clinical Trial Enrollment } ,
  year         = { 2024 } ,
  publisher    = { GitHub } ,
  version      = { 0.1.1 } ,
  url          = { https://github.com/biostochastics/minoRityPower }
}

Lisensi

Proyek ini dilisensikan di bawah Lisensi MIT - lihat file LISENSI untuk detailnya.

Berkontribusi

Kontribusi dipersilakan! Silakan kirimkan masalah dan tarik permintaan melalui GitHub.

Ucapan Terima Kasih

Pekerjaan ini dikembangkan untuk mendukung evaluasi intervensi tingkat sistem layanan kesehatan untuk penerapan program ARPA-H, dengan fokus pada percepatan pendaftaran uji klinis di antara peserta minoritas.