生物标志物研究的功效计算/样本量

我们有一个潜在的生物标志物，可以预测患者是否患有癌症。生物标志物测试结果为二进制为阳性或阴性。我们希望对需要测试的患者数量有所了解，以确定该生物标记物是否是良好的预测指标。

通过在互联网上阅读，似乎要走的路是看灵敏度（对于病例数）和特异性（对于对照数）。建议您将这种情况视为单样本比例测试，但仍不清楚如何估算灵敏度以及准备除的范围。如果说我认为灵敏度高于0.8的任何生物标记物都为“良好”，您将如何设置这两个变量？我希望我的零假设是生物标记，并不比随机分配好，即灵敏度为0.5。任何人都可以举例说明执行此操作的最佳方法（尤其是在R中）。

r power

— 丹尼尔斯布雷沃
source

您是说要从一组已知病例开始，然后执行生物标志物测试（收集数据）并估算敏感性吗？然后您将从一组已知的控件开始，收集数据并估算特异性？

对于有效的计算，是。实际上，在招募患者之前我们不会知道，但是会一直招募直到有足够的病例和控制措施。另外，我们有一个病人可能患病的估计比率，因此我们可以用它来估计我们需要招募的总数，

— danielsbrewer 2012年

如果生物标记仅给出是/否答案，那么您可能会选择敏感性/特异性，并在上下文中进行比例测试计划。其中一个的值是“好”还是“坏”取决于错误决定的现实生活后果。如果生物标志物最初进行连续测量，则ROC曲线和AUC统计以及相应的样本量计划方法可能更合适。但这一切都只是刮擦了与诊断测试有关的方法的表面……

— psj 2012年

$p$

$n$ xx $p$ $p$ $\hat{p} = \sum x /n$ $\hat{p}$ $p$

$n$ $p = 0.5$ $n$ $p = 0.57$ $\alpha = 0.05$

至少有两种方法-分析和模拟。中的pwr软件包R已存在以帮助进行此设计-您需要先安装它。接下来，您需要一个效果大小，然后您想要的功能是pwr.p.test。

library(pwr)
h1 <- ES.h(0.57, 0.5)
pwr.p.test(h = h1, n = NULL, sig.level = 0.05, power = 0.9, alt = "greater")

     proportion power calculation for binomial distribution (arc... 

              h = 0.1404614
              n = 434.0651
      sig.level = 0.05
          power = 0.9
    alternative = greater

$435$ $0.57$ $0.90$ $0.05$ $0.57$

一旦获得数据，运行测试的方法就是（为了争辩，我将模拟数据）。

n <- 435
sens <- 0.57
x <- rbinom(n, size = 1, prob = sens)
binom.test(sum(x), n, p = 0.5, alt = "greater")

    Exact binomial test

data:  sum(x) and n 
number of successes = 247, number of trials = 435,
p-value = 0.002681
alternative hypothesis: true probability of success is greater than 0.5 
95 percent confidence interval:
 0.527342 1.000000 
sample estimates:
probability of success 
             0.5678161

$0.568$ $p$ $[0.527, 1]$

编辑：如果您更喜欢模拟方法，则可以通过以下方式进行：设置

n <- 435
sens <- 0.57
nSim <- 1000

让runTest是

runTest <- function(){
  x <- rbinom(1, size = n, prob = sens)
  tmp <- binom.test(x, n, p = 0.5, alt = "greater")
  tmp$p.value < 0.05
}

所以功率的估计是

mean(replicate(nSim, runTest()))
[1] 0.887