minoRityPower

minoRityPower

minoRityPower เป็นแพ็คเกจ R ที่ออกแบบมาเพื่อประเมินพลังทางสถิติสำหรับการตรวจจับผลกระทบของการแทรกแซงระดับระบบการดูแลสุขภาพที่มีต่อการลงทะเบียนการทดลองทางคลินิก โดยเน้นที่การเร่งรับสมัครผู้เข้าร่วมชนกลุ่มน้อยโดยเฉพาะ พัฒนาขึ้นสำหรับแอปพลิเคชันโปรแกรม ARPA-H แพ็คเกจนี้ให้การวิเคราะห์ทั้งระดับสิ่งอำนวยความสะดวกและระดับผู้เข้าร่วมผ่านแบบจำลองเอฟเฟกต์แบบผสมและการจำลองแบบบูตสแตรป

ภาพรวม

การทดลองทางคลินิกมักเผชิญกับความท้าทายในการสรรหาผู้เข้าร่วมที่เป็นชนกลุ่มน้อย ซึ่งนำไปสู่การด้อยโอกาสในการวิจัยทางการแพทย์ การแทรกแซงระดับระบบการดูแลสุขภาพมุ่งเป้าไปที่การแก้ไขปัญหานี้โดยดำเนินการเปลี่ยนแปลงอย่างเป็นระบบเพื่อปรับปรุงการลงทะเบียนของชนกลุ่มน้อย แพ็คเกจนี้มีเครื่องมือในการ:

1. ประเมินอำนาจในการตรวจหาผลกระทบจากการแทรกแซงต่ออัตราการลงทะเบียนในระดับสิ่งอำนวยความสะดวก
2. วิเคราะห์ความน่าจะเป็นในการลงทะเบียนระดับผู้เข้าร่วมและการโต้ตอบการแทรกแซงกับสถานะชนกลุ่มน้อย
3. สนับสนุนการวิเคราะห์กำลังอย่างครอบคลุมทั้งในระดับอาคารสถานที่และระดับบุคคล
4. คำนึงถึงลักษณะลำดับชั้นของข้อมูลการทดลองทางคลินิก
5. เห็นภาพพลังในขนาดเอฟเฟกต์และขนาดตัวอย่างที่แตกต่างกัน

การติดตั้ง

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

แนวทางการวิเคราะห์

แพ็คเกจนี้ใช้แนวทางเสริมสองแนวทางในการวิเคราะห์กำลัง:

1. การวิเคราะห์ระดับสิ่งอำนวยความสะดวก

แนวทางนี้เป็นแบบจำลองอัตราการลงทะเบียนในระดับสิ่งอำนวยความสะดวก โดยมุ่งเน้นที่การแทรกแซงที่ส่งผลต่อจำนวนผู้เข้าร่วมที่ลงทะเบียนต่อสถานที่:

• ใช้โมเดลเอฟเฟกต์ผสมทวินามลบ
• บัญชีสำหรับเอฟเฟกต์สุ่มระดับสิ่งอำนวยความสะดวก
• การลงทะเบียนโมเดลจะนับโดยตรง
• เหมาะสำหรับการวิเคราะห์ผลกระทบระดับระบบต่อความสามารถในการสรรหาบุคลากร

 # 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. การวิเคราะห์ระดับผู้เข้าร่วม

แนวทางนี้จำลองความน่าจะเป็นในการลงทะเบียนเป็นรายบุคคล โดยเน้นไปที่วิธีที่การแทรกแซงส่งผลต่อความน่าจะเป็นของการลงทะเบียนสำหรับผู้เข้าร่วมกลุ่มน้อย:

• ใช้โมเดลเอฟเฟกต์แบบผสมโลจิสติก
• รวมปฏิสัมพันธ์ระหว่างการแทรกแซงและสถานะของชนกลุ่มน้อย
• จำลองการตัดสินใจลงทะเบียนรายบุคคล
• เหมาะสำหรับการวิเคราะห์ผลกระทบของการแทรกแซงส่วนต่าง

 # 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
)

คุณสมบัติที่สำคัญ

คุณสมบัติการวิเคราะห์ระดับสิ่งอำนวยความสะดวก

• จำลองอัตราการลงทะเบียนโดยใช้การแจกแจงแบบทวินามลบ
• บัญชีสำหรับการกระจายตัวมากเกินไปในการนับการลงทะเบียน
• รวมเอฟเฟกต์สิ่งอำนวยความสะดวกแบบสุ่ม
• ประมาณการกำลังสำหรับการตรวจจับอัตราส่วนอัตรา

คุณสมบัติการวิเคราะห์ระดับผู้เข้าร่วม

• จำลองความน่าจะเป็นในการลงทะเบียนโดยใช้การถดถอยโลจิสติก
• ทดสอบเอฟเฟกต์การโต้ตอบกับสถานะชนกลุ่มน้อย
• บัญชีสำหรับการจัดกลุ่มภายในสิ่งอำนวยความสะดวก
• รองรับอัตราการลงทะเบียนของชนกลุ่มน้อยที่แตกต่างกัน

คุณสมบัติที่ใช้ร่วมกัน

• การประมวลผลแบบขนานเพื่อประสิทธิภาพการคำนวณ
• วิธีการจำลองแบบอิง Bootstrap
• การทดสอบระดับนัยสำคัญหลายระดับ (0.05, 0.01, 0.005)
• การแสดงภาพพร้อมสำหรับการตีพิมพ์
• พื้นที่จัดเก็บเอาต์พุตที่ครอบคลุม

เอาท์พุต

แพ็คเกจนี้ให้ผลลัพธ์โดยละเอียดสำหรับการวิเคราะห์ทั้งสองประเภท:

เอาต์พุตตัวเลข

• การประมาณกำลังในระดับนัยสำคัญหลายระดับ
• อัตราการบรรจบกันและการวินิจฉัยโมเดล
• การประมาณขนาดเอฟเฟกต์และช่วงความเชื่อมั่น
• ตารางสรุปในรูปแบบ CSV

เอาท์พุตแบบกราฟิก

• กราฟกำลังตามขนาดตัวอย่าง
• แปลงเหลี่ยมเพชรพลอยตามชุดขนาดเอฟเฟกต์
• การสร้างภาพเอฟเฟกต์การโต้ตอบ
• ตัวเลขพร้อมตีพิมพ์ในรูปแบบ PDF

ตัวอย่างขั้นตอนการทำงาน

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 )

อ้างอิง

หากคุณใช้แพ็คเกจนี้ โปรดอ้างอิง:

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 }
}

ใบอนุญาต

โครงการนี้ได้รับอนุญาตภายใต้ใบอนุญาต MIT - ดูรายละเอียดในไฟล์ใบอนุญาต

มีส่วนร่วม

ยินดีบริจาค! กรุณาส่งปัญหาและดึงคำขอผ่าน GitHub

รับทราบ

งานนี้ได้รับการพัฒนาเพื่อสนับสนุนการประเมินการแทรกแซงระดับระบบการดูแลสุขภาพสำหรับการประยุกต์ใช้โปรแกรม ARPA-H โดยมุ่งเน้นไปที่การเร่งการลงทะเบียนการทดลองทางคลินิกในหมู่ผู้เข้าร่วมชนกลุ่มน้อย