Skupinové sekvenční plány (GSD) jsou třídou adaptivních plánů pro klinické studie. V GSD není velikost vzorku předem stanovena; místo toho se provádějí předem naplánované průběžné analýzy, které umožňují včasné zastavení z důvodu účinnosti nebo neúčinnosti. To se provádí definováním hranic zastavení, které kontrolují rodinnou chybovost. gsdesign vypočítává hranice zastavení a velikosti vzorků pro průběžné analýzy pomocí testů průměrů, podílů, funkcí přežití a dokonce i metod definovaných uživatelem.

-> Sada gs ->Podívejme se, jak to funguje

Sada gs

Sada gs nabízí dva příkazy: gsbounds a gsdesign.

Příkaz gsbounds vypočítá hranice účinnosti a marnosti na základě počtu analýz, nazývaných také pohledy, požadované celkové chyby typu I a požadované síly.

Můžete si vybrat ze sedmi metod výpočtu mezí:

• Klasický O’Brien-Fleming
• Klasický Pocock
• Klasický Wang-Tsiatis
• Chybné utrácení ve stylu Pocock
• Chybné utrácení ve stylu O’Brien-Fleming
• Výdaje na chyby Kim-DeMets
• Výdaje na chyby Hwang-Shih-de Cani

Pro výpočet například O’Brien-Flemingových mezí účinnosti a marnosti pro studii s 5 pohledy, silou 0,9 a chybou typu I 0,05, typu

. gsbounds, efficacy(obfleming) futility(obfleming) nlooks(5)
  power(0.9) alpha(0.05)

Chcete si tyto hranice představit? Přidejte k výše uvedenému příkazu možnost graphbounds.

Příkaz gsdesign vypočítá hranice účinnosti a marnosti a poskytne velikosti vzorků při každém pohledu pro různé testy. gsdesign se zadává pomocí jednoho z níže uvedených dílčích příkazů v závislosti na typu testu, který má být pro zkoušku proveden.

Podívejme se, jak to funguje

Předpokládejme, že máme zájem navrhnout skupinovou sekvenční studii nové dětské vakcíny COVID-19 (naše experimentální léčba), kterou budeme porovnávat s vakcínou první generace (naše kontrolní léčba). Budeme měřit logaritmické titry neutralizačních protilátek účastníků a porovnáme průměrný logaritmický titr v experimentální skupině s kontrolní skupinou. K výpočtu hranic zastavení a potřebných velikostí vzorků pro takovou studii můžeme použít gsdesign twomeans.

Řekněme, že předpokládáme průměrný log-titr 5,5 se známou směrodatnou odchylkou 2 v kontrolní skupině a průměrný log-titr 6,5 se známou směrodatnou odchylkou 3 v experimentální skupině. Vypočítáme velikost vzorku pro jednostranný test na úrovni 2,5 % se silou 90 % a přidělíme dvakrát více účastníků do experimentální větve než do kontrolní větve.

Vypočítáme velikosti vzorků pro pět pohledů (čtyři průběžné analýzy a závěrečnou analýzu), které se mají uskutečnit s 50 %, 65 %, 80 %, 90 % a 100 % údajů. Hranice účinnosti a nezávazné marnosti počítáme pomocí aproximace chyby a výdajů klasických O’Brienových-Flemingových hranic5.

Pokud bude tato studie pokračovat až do závěrečné analýzy, bude zapotřebí 305 účastníků. Očekávaná velikost vzorku je však menší – 179 v případě, že nulová hypotéza platí, a 213 v případě, že platí alternativní hypotéza. Ekvivalentní fixní design studie, který nemá možnost předčasného ukončení, by vyžadoval 269 účastníků.

Tabulka ve spodní části výstupu uvádí hranice zastavení jako kritické z-hodnoty i p-hodnoty a také velikost vzorku požadovanou při každé analýze. První pohled nastane, jakmile jsou shromážděna data od 51 účastníků v kontrolní větvi a 102 účastníků v experimentální větvi. Pokud je z-statistika větší nebo rovna 2,96, pak je H0 zamítnuta a pokus je zastaven. Pokud je statistika z menší než 0,38, pak lze H0 přijmout a pokus ukončit pro neplodnost. Protože však hranice marnosti není závazná, i když je statistika z menší než 0,38, pokus může pokračovat, aniž by došlo k překročení rodinné chyby typu I. Pokud je statistika z při prvním pohledu mezi 0,38 a 2,96, musí pokus pokračovat ve sběru dat až do druhého pohledu.

Postup testování při druhém, třetím a čtvrtém pohledu je podobný postupu při prvním pohledu; rozdíl je v tom, že hranice účinnosti a marnosti se postupně přibližují. Při pátém a posledním pohledu, který se uskuteční po shromáždění údajů od 102 účastníků v kontrolním rameni a 203 účastníků v experimentálním rameni, se kritická hodnota účinnosti rovná kritické hodnotě marnosti a není možné pokračovat. Pokud je z-statistika při posledním pohledu větší nebo rovna 2,08, pak je H0 zamítnuta; v opačném případě je H0 přijata.

Graf vytvořený po zadání možnosti graphbounds usnadňuje vizualizaci hranic zastavení a požadovaných akcí, které je třeba provést při každém pohledu.

Pokud statistika z spadá do modré oblasti odmítnutí, je zkouška zastavena z důvodu účinnosti. Pokud statistika z spadá do červené oblasti přijetí, lze studii zastavit pro neúčinnost. Pokud statistika z spadá do zelené oblasti pokračování, pokus pokračuje dalším pohledem.