Editverse gratis kalkulator
Kalkulator for midlertidig analyse (O'Brien-Fleming og Pocock-grensene)
Beregn tosidige O'Brien-Fleming- eller Pocock-effektivitetsgrenser for 2 til 8 analyser med lik avstand, og hold den totale type I-feilen på den valgte alfaverdien, med R-kommandoen bak resultatet. Futilitetsgrenser, ulikt fordelte analyser (alfaforbruk) og utvalgsstørrelse er utenfor dette verktøyet. En fullstendig veiledning følger nedenfor. Validert mot R 4.3.3.
Med enkle ord
Å se på forsøksdata gjentatte ganger og teste hver gang øker sjansen for et falskt positivt resultat. Gruppesekvensielle grenser løser dette ved å bruke det totale feilbudsjettet på tvers av de planlagte mellomanalysene, slik at den endelige type I-feilen fortsatt er lik det nominelle nivået.
O'Brien -Fleming- tilnærmingen setter svært strenge grenser ved tidlige analyser – noe som gjør det vanskelig å stoppe tidlig med mindre effekten er stor – og løsner på dem når forsøket nærmer seg sin planlagte slutt. Dette bevarer mesteparten av feilbudsjettet for den endelige analysen, slik at designet mister lite kraft sammenlignet med et fast enkeltanalyseforsøk.
Når man skal bruke mellomanalyser
Planlegg mellomanalyser når en studie er lang eller stor nok til at tidlig stopp på grunn av klar fordel, skade eller nytteløshet ville være etisk eller praktisk viktig. En dataovervåkingskomité bruker grensene til å avgjøre om den akkumulerende bevisen rettferdiggjør stopp.
Grenser må spesifiseres i protokollen før forsøket starter; uplanlagt kikking øker feilraten. Rapporter grensetypen og antall og tidspunkt for kikker, og par designet med en passende utvalgsstørrelse . Det endelige resultatet leses fortsatt mot grensen, ikke en fast p-verdi på 0.05. Usikker på hvordan du skal planlegge kikker? Testvelgeren vår kan hjelpe.
# Klassiske (fastformede) gruppesekvensielle grenser, med lik avstand ser K <- {looks}; alpha <- {alpha}; type <- "{interim_type}" # "OF" = O'Brien-Fleming, "Pocock" w <- if (type == "Pocock") rep(1, K) else sqrt(K / seq_len(K)) surv <- function(C, NG = 240) { simp <- c(1, rep(c(4, 2), length.out = NG - 1), 1) for (k in seq_len(K)) { b <- C * w[k] * sqrt(k); hn <- 2 * b / NG; ng <- -b + (0:NG) * hn nd <- if (k == 1) dnorm(ng) else sapply(ng, function(s) sum(simp * dens * dnorm(s - grid)) * h / 3) s <- sum(simp * nd) * hn / 3; grid <- ng; dens <- nd; h <- hn } s } C <- uniroot(function(C) 1 - surv(C) - alpha, c(1, 6), tol = 1e-10)$root round(C * w, 3) # kritisk |z| ved hvert blikkBruksanvisning
Når den skal brukes. Sett grenser for effektstopp for en studie med planlagte mellomliggende analyser, slik at den totale type I-feilen forblir på α.
Antagelser. Liket fordelte undersøkelser (lik informasjon per trinn); tosidig test av en normalfordelt statistikk; grenser fastsatt før avblinding.
Vanlige feil. Ikke legg til uplanlagte utseender. Bruk alfa-spending (Lan-DeMets) i spesialisert programvare for ujevn avstand.
Utarbeidet eksempel
Klikk på Last inn eksempeldata ovenfor, og deretter på Kjør analyse for å se et fullstendig utarbeidet resultat med figur, formel og tolkning for denne testen.
Referanser
- O'Brien PC, Fleming TR. En flertallstestingsprosedyre for kliniske studier. Biometri. 1979;35(3):549-556.
- Pocock SJ. Gruppesekvensielle metoder i design og analyse av kliniske studier. Biometrika. 1977;64(2):191-199.
- Jennison C, Turnbull BW. Gruppesekvensielle metoder med anvendelser i kliniske studier. CRC; 2000.
Arbeidet eksempler
Eksempel 1 – To mellomliggende undersøkelser
En studie planlegger to mellomanalyser og en avsluttende. O'Brien-Fleming-grensene krever svært ekstreme resultater for å stoppe ved første undersøkelse, litt mindre ekstreme ved andre undersøkelse, og omtrent den vanlige terskelen på slutten. Den totale falsk-positive raten holder seg på 5 % til tross for tre tester.
Eksempel 2 – Tidlig stopp for å få ytelser
Hvis den første midlertidige z-statistikken overstiger den strenge tidlige grensen, kan overvåkingskomiteen stoppe forsøket med overveldende fordel. Fordi den tidlige grensen er så krevende, er det å krysse den sterkt bevis og beskytter mot å stoppe på et blunk.
Forutsetninger å sjekke
Forhåndsbestemte utseender. Antall og tidspunkt for mellomanalyser må fastsettes i protokollen. Uplanlagte analyser dekkes ikke av grensene og øker feilraten.
En forbruksfunksjon eller fast grense. Metoden forutsetter en definert måte å fordele feilbudsjettet på tvers av utseender; å endre det midt i forsøket uten et alfa-forbruksrammeverk bryter garantien.
Informasjonsfraksjon. Grensene avhenger av hvor mye av den planlagte informasjonen som er samlet inn ved hvert søk, så tidspunktet må spores nøyaktig.
Vanlige feil
Uplanlagte mellomliggende utseender
Å kikke på dataene utenfor den planlagte tidsplanen blåser opp type I-feilen. Hvert blikk må tas med i betraktningen innenfor grensen.
Leser den endelige analysen mot 0.05
Etter foreløpige undersøkelser er den endelige kritiske verdien litt strengere enn 0.05. Sammenligning av den endelige p-verdien med 0.05 ignorerer multiplisitetskorreksjon.
Stopper tidlig på grunn av svakt signal
O'Brien-Fleming-grensene er bevisst strenge tidlig. Hvis man stopper for et resultat som ikke har krysset grensen, forkastes feilkontrollen.
Forvirrende grenser mellom effektivitet og nytteløshet
Å stoppe på grunn av nytte og å stoppe på grunn av nytteløshet bruker forskjellige regler. Å bruke en effektgrense på en nytteløshetsbeslutning feilaktig fremstiller bevisene.
Ofte Stilte Spørsmål
Hvorfor ikke bare teste på 0.05 hver gang?
Gjentatt testing ved 0.05 blåser opp den totale falsk-positive raten godt over 5 %; gruppesekvensielle grenser bruker opp feilbudsjettet, slik at totalen holder seg på det nominelle nivået.
Hvorfor er O'Brien-Fleming-grensene strenge tidlig?
De reserverer mesteparten av feilbudsjettet til den endelige analysen, slik at forsøket beholder nesten full effekt samtidig som det fortsatt tillater tidlig stopp for store effekter.
Hvem bestemmer om man skal stoppe?
En uavhengig dataovervåkingskomité gjennomgår de foreløpige resultatene mot de forhåndsdefinerte grensene og anbefaler å fortsette eller stoppe.
Stemmer resultatet med R og SAS?
Ja. Kalkulatoren beregner de klassiske kritiske verdiene for O'Brien-Fleming og Pocock for likt fordelte utseender, som samsvarer med publiserte tabeller: for 5 utseender ved tosidig alfa 0.05 gir O'Brien-Fleming |z| 4.562, 3.226, 2.634, 2.281, 2.040 og Pocock gir 2.413 for hvert utseende. I R-kodebiten, sett typen <- "Pocock" for å reprodusere Pocock-grenser.
Relaterte kalkulatorer
Referanser
- O'Brien PC, Fleming TR. En prosedyre for flere testinger for kliniske studier. Biometri. 1979;35(3):549–556. PMID 497341.
- Fleming TR, DeMets DL. Overvåking av kliniske studier: problemstillinger og anbefalinger. Kontroll Clin-forsøk. 1993;14(3):183–197. PMID 8339549.
- Lan KKG, DeMets DL. Diskrete sekvensielle grenser for kliniske studier. Biometrika. 1983;70(3):659–663.
Trenger du å få utført denne analysen for manuskriptet ditt?
Våre biostatistikere med doktorgrad i forskning utformer gruppesekvensielle og adaptive studier – alfa-forbruksgrenser, midlertidige overvåkingsplaner og endelig analyse – med reproduserbar R-utdata.