বায়োমারকার অধ্যয়নের জন্য পাওয়ার গণনা / নমুনার আকার

একজন রোগীর ক্যান্সার রয়েছে কিনা তা অনুমান করার জন্য আমাদের একটি সম্ভাব্য বায়োমোকার রয়েছে ker বায়োমারকার পরীক্ষার ফলাফল বাইনারিটি ইতিবাচক বা নেতিবাচক। এই বায়োমার্কারটি ভাল ভবিষ্যদ্বাণীকারী কিনা তা নির্ধারণের জন্য যে রোগীদের পরীক্ষা করা দরকার তা আমরা কিছুটা পেতে চাই।

ইন্টারনেটে পড়া থেকে মনে হয় যে যাওয়ার উপায় হ'ল সংবেদনশীলতা (কেসের সংখ্যার জন্য) এবং নির্দিষ্টতা (নিয়ন্ত্রণের সংখ্যার জন্য) দেখুন। প্রস্তাব দেওয়া হয় যে আপনার এই পরিস্থিতিকে এক-নমুনা অনুপাত পরীক্ষা হিসাবে দেখা উচিত, তবে সংবেদনশীলতা কী এবং আপনি যে পরিসীমাটি বাদ দিয়ে প্রস্তুত তা নির্ধারণের ক্ষেত্রে আপনার কী হওয়া উচিত তা অস্পষ্ট remains যদি আমি বলি যে আমি 0.8 এর চেয়ে বেশি সংবেদনশীলতার সাথে কোনও বায়োমারকারকে "ভাল" হিসাবে বিবেচনা করি, আপনি কীভাবে দুটি ভেরিয়েবল সেট আপ করবেন? আমি আমার নাল হাইপোথিসিসটি বায়োমেকার হতে চাই তা এলোমেলোভাবে কার্যনির্বাহী অর্থাৎ 0.5 এর সংবেদনশীলতার চেয়ে ভাল নয় is যে কেউ এটি করার সর্বোত্তম উপায়ের উদাহরণ দিতে পারে (বিশেষত এটি যদি আর হয়)।

r power

— danielsbrewer
সূত্র

আপনি কি বলছেন যে আপনি পরিচিত কেসগুলির একটি সেট দিয়ে শুরু করতে যাচ্ছেন, তারপরে আপনার বায়োমারকার পরীক্ষা (ডেটা সংগ্রহ করুন) এবং সংবেদনশীলতার অনুমান করবেন? এবং আপনি পরিচিত নিয়ন্ত্রণের সেট দিয়ে শুরু করবেন, ডেটা সংগ্রহ করবেন এবং বিশদটি নির্ধারণ করবেন?

কার্যকরভাবে এই গণনার জন্য হ্যাঁ। বাস্তবে আমরা রোগী নিয়োগের আগে জানব না, তবে যতক্ষণ না আমাদের পর্যাপ্ত মামলা এবং নিয়ন্ত্রণ থাকে ততক্ষণ নিয়োগ দেওয়া চলব। এছাড়াও আমাদের একটি আনুমানিক হার রয়েছে যে একজন রোগী একটি কেস হবে তাই আমরা যে মোট সংখ্যক নিয়োগের দরকার তা অনুমান করতে আমরা এটি ব্যবহার করতে পারি,

— ড্যানিয়েলসবারউয়ার

যদি বায়োমার্কার কেবল একটি হ্যাঁ / না-উত্তর দেয় তবে আপনি সংবেদনশীলতা / নির্দিষ্টতার সাথে যেতে পারেন এবং অনুপাতের পরীক্ষার জন্য একটি প্রসঙ্গে পরিকল্পনা করতে পারেন। যদি তাদের কোনওটির জন্য মান "ভাল" বা "খারাপ" হয় তবে এটি কোনও মিথ্যা সিদ্ধান্তের বাস্তব জীবনের পরিণতির উপর নির্ভর করে। যদি বায়োমারকার মূলত একটি ধারাবাহিক পরিমাপ দেয় তবে আরওসি-কার্ভস এবং এউসি-পরিসংখ্যান এবং সংশ্লিষ্ট নমুনা আকারের পরিকল্পনার পদ্ধতিগুলি আরও উপযুক্ত হতে পারে। তবে এই

— সমস্তগুলি

আসুন সংবেদনশীলতা (যা আমরা দ্বারা বোঝাতে হবে ) সম্পর্কে কথা বলি , নির্দিষ্টতাটি একই রকম। নীচে একটি ঘন ঘন পদ্ধতি; এটি খুব ভাল হবে যদি এখানে বায়েশিয়ানদের মধ্যে একটি বিকল্প উপায় নিয়ে আলোচনা করার জন্য অন্য উত্তর যুক্ত করতে পারে। $p$

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

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

কমপক্ষে দুটি পন্থা রয়েছে - বিশ্লেষণাত্মক এবং সিমুলেশন। pwrপ্যাকেজ Rইতিমধ্যে এই নকশা সাহায্য করার জন্য বিদ্যমান - আপনি এটি প্রথম ইনস্টল করতে হবে। এর পরে আপনার একটি প্রভাব আকারের প্রয়োজন হবে, তারপরে আপনি যে ফাংশনটি চান তা এটি 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

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

একবার আপনি আপনার ডেটা পেয়ে গেলে পরীক্ষা চালানোর উপায়টি হ'ল (আমি তর্কের খাতিরে ডেটা সিমুলেট করব)।

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

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

সম্পাদনা: আপনি যদি সিমুলেশন পদ্ধতির আরও ভাল পছন্দ করেন তবে আপনি এটি এইভাবে করতে পারেন: সেট করুন

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

এবং runTestহতে দিন

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

সুতরাং শক্তি অনুমান হয়

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