Questions tagged «clinical-trials»

临床试验是旨在测试药物或医疗设备等新的临床干预措施的安全性和有效性的研究。

5
分析前后治疗控制设计的最佳实践
想象以下通用设计: 将100名参与者随机分配至治疗组或对照组 因变量是数字的,并且在处理前后进行了测量 分析此类数据的三个显而易见的选择是: 在混合方差分析中通过时间交互作用测试组 做一个ANCOVA,条件为IV,前测为协变量,后测为DV 做一个t检验,条件为IV,事前变更分数为DV 题: 分析此类数据的最佳方法是什么? 是否有理由倾向于一种方法而不是另一种方法?

5
如何在机器学习中处理分层/嵌套数据
我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入:{年龄,性别,国家/地区,城市}。你有一个像这样的训练数据集 train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3), RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5), CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8), Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50), Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")), Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23)) train CountryID RegionID CityID Age Gender Income 1 1 1 1 23 M 31 2 1 1 1 48 F 42 3 1 1 2 62 M 71 4 …
29 regression  machine-learning  multilevel-analysis  correlation  dataset  spatial  paired-comparisons  cross-correlation  clustering  aic  bic  dependent-variable  k-means  mean  standard-error  measurement-error  errors-in-variables  regression  multiple-regression  pca  linear-model  dimensionality-reduction  machine-learning  neural-networks  deep-learning  conv-neural-network  computer-vision  clustering  spss  r  weighted-data  wilcoxon-signed-rank  bayesian  hierarchical-bayesian  bugs  stan  distributions  categorical-data  variance  ecology  r  survival  regression  r-squared  descriptive-statistics  cross-section  maximum-likelihood  factor-analysis  likert  r  multiple-imputation  propensity-scores  distributions  t-test  logit  probit  z-test  confidence-interval  poisson-distribution  deep-learning  conv-neural-network  residual-networks  r  survey  wilcoxon-mann-whitney  ranking  kruskal-wallis  bias  loss-functions  frequentist  decision-theory  risk  machine-learning  distributions  normal-distribution  multivariate-analysis  inference  dataset  factor-analysis  survey  multilevel-analysis  clinical-trials 

2
如何构建中位数之间差异的95%置信区间?
我的问题是:平行组随机试验的主要结局分布偏右。我不想假设正常,而是使用基于法线的95%CI(即使用1.96 X SE)。 我很乐意将集中趋势的度量表示为中位数,但是我的问题是,如何构建两组之间中位数差异的95%CI。 首先想到的是引导程序(用替换进行重采样,确定两组的中位数,并从另一组中减去一个,重复1000次,并使用偏差校正的95%CI)。这是正确的方法吗?还有其他建议吗?

5
当临床试验在早期终止时,为什么偏见会受到影响?
的中期分析是在一个或多个时间点的数据的分析之前研究的与意图的官方接近,例如,可能早终止研究。 根据Piantadosi,S.(临床试验-方法论的观点):“ 当试验在早期阶段终止时,治疗效果的估计将有偏差。决定越早,偏差越大。 ” 你能解释一下这个说法吗?我很容易理解精度会受到影响,但是关于偏差的说法对我来说并不明显。

4
(某些)伪随机化有什么问题
我遇到了一项研究,其中对50岁以上的患者按出生年份进行了伪随机分组。如果出生年份是偶数,则通常护理,如果是奇数,则进行干预。 它更容易实现,更难颠覆(很容易检查病人应该接受的治疗),很容易记住(任务进行了数年)。但是,我仍然不喜欢它,我觉得适当的随机化会更好。但我无法解释原因。 我是否感觉错了?还是有充分的理由倾向于“真正的”随机化?

6
确定状况“ B”对治疗“ A”的益处时,有效性和功效之间有何区别?
这个问题的背景是在健康框架内,即在疾病治疗中寻找一种或多种疗法。看起来,即使是受人尊敬的研究人员也可以将术语功效和效力混淆使用,这两个术语可以互换使用。 如何以一种有助于消除困惑的方式来考虑功效与功效? 哪种类型的研究设计最适合确定两种类型的结果? 有什么权威的期刊出版物,书籍或网络词典对我有帮助吗?

4
在哪里可以找到有关临床试验的原始数据?[关闭]
关闭。这个问题是题外话。它当前不接受答案。 想改善这个问题吗? 更新问题,使它成为交叉验证的主题。 2年前关闭。 我希望将有关临床试验的原始数据用于我的硕士生的期末考试。只要试验完成(第1到第4阶段),这些数据就可以处理任何种类的分子。 您是否有想法在网上找到这样的免费数据集? 谢谢。

1
反复测试累积数据时出现总体I型错误
我对组顺序方法有疑问。 根据维基百科: 在具有两个治疗组的随机试验中,按以下方式使用经典组顺序测试:如果每个组中有n位受试者可用,则对2n位受试者进行中期分析。进行统计分析以比较两组,如果接受替代假设,则终止试验。否则,将继续试验另外2n名受试者,每组n名受试者。再次对4n名受试者进行统计分析。如果接受了替代方案,则审判终止。否则,它将继续进行定期评估,直到N组2n个主题可用为止。此时,将进行最后一次统计检验,并且该试验将终止 但是通过以这种方式反复测试累积数据,I型错误级别被夸大了…… 如果样本彼此独立,则总的I类错误将为α⋆α⋆\alpha^{\star} α⋆=1−(1−α)kα⋆=1−(1−α)k\alpha^{\star} = 1 - (1 - \alpha)^k 其中是每个测试的级别,是临时外观的数量。αα\alphakkk 但是样本不是独立的,因为它们重叠。假设以相等的信息增量执行临时分析,则可以发现(幻灯片6) 您能解释一下该表格的获取方式吗?


4
关于临床试验的好的文字?
我是一名本科统计学专业的学生,​​正在寻找一种对临床试验分析进行良好治疗的方法。文字应涵盖实验设计,阻断,功效分析,拉丁方设计和聚类随机化设计等基础知识。 我具有数学统计和实际分析的本科知识,但是如果有很棒的文章需要更高的统计或分析水平,我可以努力解决。

3
“实用”试验:它们是什么?
在推特上,一名审判员斯图尔特·尼科尔斯(Stuart Nicholls)批评了最近发表的一项研究,他说: 除了Dal-Re的一篇非常有趣的论文外,他们还举了几个质疑实用主义术语用法的例子。3期,多部位,双盲,安慰剂对照,并联,剂量增量随机试验是否真的可以称为“实用”? 有关的研究文章在这里链接。Dal-Re的论文在这里。他们推荐的“实用主义”工具在这里。我可能与Nicholls有所不同,因为我的感觉是,就治疗的性质和171名患者的N个而言,这可能是一项研究不足的研究……但这是否使其实用(相对于证实性研究?)。 我觉得我错过了重点。实际上,什么是实用的审判?从什么意义上说,什么时候没有实际意义的审判是不可行的;从肯定的意义上来讲,什么时候审判不具有实用性?

1
显着性检验在基线时比较随机分组是否有意义?
许多随机对照试验(RCT)论文报告了在随机分配之后/之前对基准参数进行的显着性测试,以显示各组确实相似。这通常是“基线特征”表的一部分。但是,重要性检验可以衡量偶然发现观察到的(或更强的)差异的可能性,不是吗?而如果测试显著我们的结论是有真正的区别,因为范围的随机差异不太可能。当我们知道任何差异都必须归因于偶然性时,重要性检验在随机化后是否有意义?

1
反对随机化
史蒂文·皮安塔多西(Steven Piantadosi)在临床试验-方法论观点中写道(第13章,第334页): 在第二章中,我注意到了Abel和Koch(1997)和Urbach(1993)对随机化的反对,并指出了研究他们的担忧和可能的错误的价值。他们拒绝将随机化视为 验证某些统计测试的方法, 因果推理的基础, 便于掩盖,以及 平衡比较组的方法。 据我说,(1)-(4)是随机化的好处。那么,为什么亚伯(Abel),科赫(Koch)和乌尔巴赫(Urbach)基于这些论点拒绝随机化呢?

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.