minoRityPower

minoRityPower

minoRityPower — это пакет R, предназначенный для оценки статистической мощности для выявления влияния вмешательств на уровне системы здравоохранения на набор участников в клинические исследования, с особым упором на ускорение набора участников из числа меньшинств. Этот пакет, разработанный для приложения программы ARPA-H, обеспечивает анализ как на уровне объекта, так и на уровне участников с помощью моделей смешанных эффектов и моделирования на основе начальной загрузки.

Обзор

Клинические испытания часто сталкиваются с проблемами при наборе участников из числа меньшинств, что приводит к недостаточной представленности в медицинских исследованиях. Мероприятия на уровне системы здравоохранения направлены на решение этой проблемы путем внедрения систематических изменений для улучшения охвата образованием представителей меньшинств. Этот пакет предоставляет инструменты для:

1. Оценить возможности выявления влияния вмешательства на уровень охвата медицинским учреждением
2. Анализируйте вероятность зачисления на уровне участников и взаимодействие мер со статусом меньшинства.
3. Поддержка комплексного анализа мощности как на уровне объекта, так и на индивидуальном уровне.
4. Учитывайте иерархический характер данных клинических исследований.
5. Визуализируйте силу эффекта при различных размерах и размерах выборки

Установка

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

Подходы к анализу

Пакет реализует два взаимодополняющих подхода к анализу мощности:

1. Анализ на уровне объекта

Этот подход моделирует уровень набора на уровне учреждения, уделяя особое внимание тому, как вмешательства влияют на количество участников, зачисленных в одно учреждение:

• Использует отрицательные биномиальные модели смешанных эффектов.
• Учет случайных эффектов на уровне учреждения
• Регистрация моделей засчитывается напрямую
• Подходит для анализа влияния на уровне системы на возможности набора персонала.

 # 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. Анализ на уровне участников

Этот подход моделирует индивидуальную вероятность зачисления, уделяя особое внимание тому, как вмешательства влияют на вероятность зачисления участников из числа меньшинств:

• Использует логистические модели со смешанными эффектами.
• Включает взаимодействие между вмешательством и статусом меньшинства.
• Моделирует индивидуальные решения о зачислении
• Подходит для анализа эффектов дифференциального вмешательства

 # 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
)

Ключевые особенности

Возможности анализа на уровне объекта

• Моделирует показатели набора, используя отрицательное биномиальное распределение
• Учитывает чрезмерную дисперсию числа зачисленных
• Включает случайные эффекты объекта.
• Оценивает мощность для определения коэффициентов скорости

Возможности анализа на уровне участников

• Моделирует вероятность зачисления с помощью логистической регрессии
• Тестирует эффекты взаимодействия со статусом меньшинства
• Счета для кластеризации внутри объектов
• Поддерживает различные уровни зачисления меньшинств

Общие функции

• Параллельная обработка для повышения эффективности вычислений
• Подходы моделирования на основе начальной загрузки
• Тестирование множественного уровня значимости (0,05, 0,01, 0,005)
• Готовые к публикации визуализации
• Комплексное хранилище выходных данных

Выход

Пакет предоставляет подробный вывод для обоих типов анализа:

Числовой вывод

• Оценки мощности на нескольких уровнях значимости
• Скорость сходимости и диагностика модели
• Оценки размера эффекта и доверительные интервалы
• Сводные таблицы в формате CSV

Графический вывод

• Кривые мощности в зависимости от размера выборки
• Фасетные графики по комбинациям размеров эффекта
• Визуализации эффекта взаимодействия
• Готовые к публикации рисунки в формате PDF

Пример рабочего процесса

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 )

Ссылки

Если вы используете этот пакет, укажите:

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 }
}

Лицензия

Этот проект лицензируется по лицензии MIT — подробности см. в файле LICENSE.

Содействие

Вклады приветствуются! Пожалуйста, отправляйте проблемы и запросы на извлечение через GitHub.

Благодарности

Эта работа была разработана для поддержки оценки вмешательств на уровне системы здравоохранения для применения программы ARPA-H с упором на ускорение набора участников в клинические исследования среди представителей меньшинств.