minoRityPower下载 - minoRityPower源码下载

minoRityPower

PowerBuilder

1.0.0

下载

minoRityPower

minoRityPower是一个 R 包，旨在估计统计功效，以检测医疗保健系统级干预措施对临床试验注册的影响，特别注重加速少数族裔参与者的招募。该软件包专为 ARPA-H 计划应用程序开发，通过混合效应模型和基于引导程序的模拟提供设施级和参与者级分析。

概述

临床试验在招募少数族裔参与者方面经常面临挑战，导致医学研究中的代表性不足。医疗保健系统层面的干预措施旨在通过实施系统性变革来提高少数族裔的入学率，从而解决这一问题。该软件包提供了以下工具：

检测干预措施对机构入学率影响的估计功效
分析参与者级别的入学概率以及与少数群体身份的干预相互作用
支持设施和个人层面的全面功率分析
考虑临床试验数据的层次性质
可视化不同效应大小和样本大小的功效

安装

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

分析方法

该软件包实现了两种互补的功耗分析方法：

1. 设施层面分析

该方法对机构级别的注册率进行建模，重点关注干预措施如何影响每个机构注册的参与者数量：

使用负二项式混合效应模型
考虑设施级随机效应
模特报名直接计数
适合分析系统级对招聘能力的影响

 # 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. 参与者层面分析

这种方法对个人入学概率进行建模，重点关注干预措施如何影响少数族裔参与者的入学可能性：

使用逻辑混合效应模型
纳入干预与少数群体地位之间的相互作用
模拟个人招生决策
适用于分析差异干预效果

 # 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
)

主要特点

设施级分析功能

使用负二项分布对入学率进行建模
入学人数过度分散的原因
结合设施随机效应
估计检测速率比的功效

参与者级别分析功能

使用逻辑回归对入学概率进行建模
测试与少数群体地位的相互作用效应
设施内的集群帐户
支持不同的少数族裔入学率

共享功能

并行处理提高计算效率
基于 Bootstrap 的仿真方法
多重显着性水平测试（0.05、0.01、0.005）
可供出版的可视化
综合输出存储

输出

该软件包提供两种分析类型的详细输出：

数值输出

多个显着性水平的功效估计
收敛率和模型诊断
效应大小估计和置信区间
CSV 格式的汇总表

图形输出

不同样本量的功效曲线
按效应大小组合划分的多面图
交互效果可视化
PDF 格式的可供出版的数据

示例工作流程

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 )

参考

如果您使用此包，请引用：

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 }
}