minoRityPower下載 - minoRityPower原始碼下載

minoRityPower

PowerBuilder

1.0.0

下載

minoRityPower

minoRityPower是一個 R 包，旨在估計統計功效，以檢測醫療保健系統級幹預措施對臨床試驗註冊的影響，特別注重加速少數族裔參與者的招募。該軟體包專為 ARPA-H 計劃應用程式開發，透過混合效應模型和基於引導程式的模擬提供設施級和參與者級分析。

概述

臨床試驗在招募少數族裔參與者方面經常面臨挑戰，導致醫學研究中的代表性不足。醫療保健系統層面的干預措施旨在透過實施系統性變革來提高少數族裔的入學率，從而解決這一問題。該軟體包提供了以下工具：

檢測介入措施對機構入學率影響的估計功效
分析參與者層級的入學機率以及乾預措施與少數群體身分的相互作用
支援設施和個人層面的全面功率分析
考慮臨床試驗資料的層次性質
可視化不同效應大小和樣本大小的功效

安裝

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

分析方法

該軟體包實現了兩種互補的功耗分析方法：

1. 設施層面分析

此方法對機構層級的註冊率進行建模，重點在於介入措施如何影響每個機構註冊的參與者數量：

使用負二項式混合效應模型
考慮設施級隨機效應
模特兒報名直接計數
適合分析系統級對招募能力的影響

 # 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. 參與者層面分析

這種方法對個人入學機率進行建模，重點關注幹預措施如何影響少數族裔參與者的入學可能性：

使用邏輯混合效應模型
納入介入與少數群體地位之間的相互作用
模擬個人招生決策
適用於分析差異介入效果

 # 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
)

主要特點

設施級分析功能

使用負二項分佈對入學率進行建模
入學人數過度分散的原因
結合設施隨機效應
估計檢測速率比的功效

參與者層級分析功能

使用邏輯迴歸對入學機率進行建模
測試與少數群體地位的互動效應
設施內的集群帳戶
支持不同的少數族裔入學率

共享功能

並行處理以提高計算效率
基於 Bootstrap 的模擬方法
多重顯著水準測驗（0.05、0.01、0.005）
可供出版的可視化
綜合輸出存儲

輸出

此軟體包提供兩種分析類型的詳細輸出：

數值輸出

多個顯著水準的效能估計
收斂率和模型診斷
效應大小估計和信賴區間
CSV 格式的總表

圖形輸出

不同樣本量的效能曲線
按效應大小組合劃分的多面圖
互動效果可視化
PDF 格式的可供出版的數據

範例工作流程

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 )

參考

如果您使用此包，請引用：

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 }
}