คำถามติดแท็ก clinical-trials

ลองนึกภาพการออกแบบทั่วไปต่อไปนี้: ผู้เข้าร่วม 100 คนจะถูกจัดสรรแบบสุ่มให้กับการรักษาหรือกลุ่มควบคุม ตัวแปรตามคือตัวเลขและวัดก่อนและหลังการรักษา สามตัวเลือกที่ชัดเจนสำหรับการวิเคราะห์ข้อมูลดังกล่าวคือ: ทดสอบกลุ่มตามผลการโต้ตอบเวลาใน ANOVA ผสม ทำ ANCOVA โดยมีเงื่อนไขเหมือนกับ IV และการวัดล่วงหน้าเป็น covariate และ post post เป็น DV ทำการทดสอบ t โดยมีเงื่อนไขว่าเป็น IV และโพสต์คะแนนการเปลี่ยนแปลงล่วงหน้าเป็น DV คำถาม: วิธีที่ดีที่สุดในการวิเคราะห์ข้อมูลดังกล่าวคืออะไร? มีเหตุผลที่จะชอบวิธีหนึ่งมากกว่าอีกวิธีหนึ่งหรือไม่?

53 anova  ancova  clinical-trials  change-scores 

ฉันจะอธิบายปัญหาด้วยตัวอย่าง สมมติว่าคุณต้องการที่จะทำนายรายได้ของแต่ละบุคคลที่มีคุณลักษณะบางอย่าง: {อายุ, เพศ, ประเทศ, ภูมิภาค, เมือง} คุณมีชุดข้อมูลการฝึกอบรมเช่นนั้น 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 …

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 

ปัญหาของฉัน: กลุ่มทดลองแบบสุ่มมีการแจกแจงเบ้อย่างถูกต้องของผลลัพธ์หลัก ฉันไม่ต้องการใช้กฎเกณฑ์ปกติและใช้ CIs พื้นฐาน 95% (เช่นใช้ 1.96 X SE) ฉันรู้สึกสะดวกสบายที่จะแสดงการวัดแนวโน้มกลางว่าเป็นค่ามัธยฐาน แต่คำถามของฉันคือวิธีการสร้าง 95% CI ของความแตกต่างในค่ามัธยฐานระหว่างสองกลุ่ม สิ่งแรกที่อยู่ในใจคือ bootstrapping (ลองสุ่มใหม่พร้อมการแทนที่กำหนดค่ามัธยฐานในแต่ละกลุ่มและลบหนึ่งจากกลุ่มอื่นทำซ้ำ 1,000 ครั้งและใช้ Bias ที่ได้รับการแก้ไข 95%) นี่เป็นวิธีที่ถูกต้องหรือไม่? ข้อเสนอแนะอื่น ๆ ?

27 confidence-interval  bootstrap  median  clinical-trials 

การวิเคราะห์ชั่วคราวเป็นการวิเคราะห์ข้อมูลที่จุดเวลาหนึ่งหรือหลายจุดก่อนปิดการศึกษาอย่างเป็นทางการโดยมีเจตนาเช่นอาจยุติการศึกษาก่อนเวลา อ้างอิงจากส Piantadosi, S. ( การทดลองทางคลินิก - มุมมองระเบียบวิธี ): " การประเมินผลการรักษาจะลำเอียงเมื่อการทดลองสิ้นสุดลงในระยะแรกการตัดสินใจก่อนหน้านี้มีอคติที่มากขึ้น " คุณช่วยอธิบายเรื่องนี้ให้ฉันฟังได้ไหม ฉันสามารถเข้าใจได้อย่างง่ายดายว่าความแม่นยำจะได้รับผลกระทบ แต่การเรียกร้องเกี่ยวกับอคตินั้นไม่ชัดเจนสำหรับฉัน ...

24 clinical-trials  bias 

ฉันเจอการศึกษาที่ผู้ป่วยซึ่งอายุมากกว่า 50 ปีถูกสุ่มหลอกโดยปีเกิด ถ้าปีเกิดเป็นเลขคู่ให้ดูแลเป็นปกติถ้าจำนวนคี่แทรกแซง ง่ายต่อการติดตั้งใช้งานยากกว่าที่จะล้มล้าง (ง่ายต่อการตรวจสอบสิ่งที่ผู้ป่วยควรได้รับ) รักษาความทรงจำได้ง่าย แต่ถึงกระนั้นฉันไม่ชอบมันฉันรู้สึกว่าการสุ่มที่เหมาะสมจะดีกว่า แต่ฉันไม่สามารถอธิบายได้ว่าทำไม ฉันคิดผิดหรือรู้สึกว่ามีเหตุผลที่ดีที่จะชอบการสุ่มแบบ "ของจริง" หรือไม่?

23 experiment-design  clinical-trials  random-allocation 

บริบทของคำถามนี้อยู่ในกรอบของสุขภาพคือดูที่การรักษาหนึ่งหรือหลายวิธีในการรักษาสภาพ ปรากฏว่าแม้นักวิจัยที่น่านับถือก็ยังสับสนในเรื่องประสิทธิภาพและประสิทธิผลของการใช้คำศัพท์ เราจะนึกถึงประสิทธิภาพและประสิทธิผลในวิธีที่ช่วยขจัดความสับสนได้อย่างไร การออกแบบการศึกษาแบบใดที่เหมาะสมที่สุดในการพิจารณาผลลัพธ์ทั้งสองประเภท มีวารสารสิ่งพิมพ์หนังสือหรือพจนานุกรมทางเว็บใด ๆ ที่อาจช่วยฉันได้หรือไม่

14 epidemiology  causality  clinical-trials  definition  instrumental-variables 

ปิด. คำถามนี้เป็นคำถามปิดหัวข้อ ไม่ยอมรับคำตอบในขณะนี้ ต้องการปรับปรุงคำถามนี้หรือไม่ อัปเดตคำถามเพื่อให้เป็นไปตามหัวข้อสำหรับการตรวจสอบข้าม ปิดให้บริการใน2 ปีที่ผ่านมา ฉันต้องการใช้ข้อมูลดิบเกี่ยวกับการทดลองทางคลินิกสำหรับการสอบปลายปีของนักศึกษาปริญญาโทของฉัน ข้อมูลเหล่านี้สามารถจัดการกับโมเลกุลชนิดใดก็ได้ตราบใดที่การทดลองเสร็จสมบูรณ์ (ระยะที่ 1 ถึง 4) คุณมีความคิดที่จะหาชุดข้อมูลฟรีดังกล่าวบนเว็บหรือไม่? ขอขอบคุณ.

13 dataset  teaching  clinical-trials 

ฉันมีคำถามเกี่ยวกับกลุ่มวิธีการตามลำดับ ตามที่ Wikipedia: ในการทดลองแบบสุ่มกับกลุ่มการรักษาสองกลุ่มการทดสอบตามลำดับกลุ่มแบบดั้งเดิมจะใช้ในลักษณะดังต่อไปนี้: หากมีอาสาสมัครในแต่ละกลุ่มมีการวิเคราะห์ระหว่างกาลจะดำเนินการในอาสาสมัคร 2n การวิเคราะห์ทางสถิติจะดำเนินการเพื่อเปรียบเทียบทั้งสองกลุ่มและหากยอมรับสมมติฐานทางเลือกการทดลองจะสิ้นสุดลง มิเช่นนั้นการทดลองจะดำเนินต่อไปสำหรับวิชา 2n อีกวิชาโดยมี n วิชาต่อกลุ่ม การวิเคราะห์ทางสถิติจะดำเนินการอีกครั้งในวิชา 4n หากทางเลือกได้รับการยอมรับการทดลองจะสิ้นสุดลง มิฉะนั้นจะดำเนินการประเมินเป็นระยะ ๆ จนกว่าจะมีตัวแบบ N 2 ชุดให้เลือก เมื่อมาถึงจุดนี้การทดสอบทางสถิติครั้งสุดท้ายจะดำเนินการและการทดลองจะถูกยกเลิก แต่ด้วยการทดสอบข้อมูลที่สะสมซ้ำ ๆ ในแบบนี้ระดับความผิดพลาดที่เป็นประเภทที่สูงเกินจริง ... หากตัวอย่างเป็นอิสระจากกันข้อผิดพลาดประเภท I โดยรวมจะเป็นα⋆α⋆\alpha^{\star} α⋆= 1 - ( 1 - α )kα⋆=1−(1−α)k\alpha^{\star} = 1 - (1 - \alpha)^k โดยที่คือระดับของการทดสอบแต่ละครั้งและคือจำนวนการค้นหาระหว่างกาลkαα\alphakkk แต่ตัวอย่างไม่ได้เป็นอิสระเนื่องจากทับซ้อนกัน สมมติว่าการวิเคราะห์ระหว่างกาลจะดำเนินการที่เพิ่มขึ้นของข้อมูลเท่ากันจะพบว่า (สไลด์ 6) คุณช่วยอธิบายให้ฉันฟังว่าตารางนี้ได้มาอย่างไร

12 multiple-comparisons  clinical-trials  type-i-and-ii-errors 

คุณมักจะเจอเจอกับสื่อต่าง ๆ ที่สรุปผลการวิจัยในทิศทางตรงกันข้าม สิ่งเหล่านี้อาจเกี่ยวข้องกับการทดสอบยาตามใบสั่งแพทย์ใหม่หรือประโยชน์ของสารอาหารที่เฉพาะเจาะจงหรือสิ่งอื่นใดสำหรับเรื่องนั้น เมื่อการศึกษาสองแบบนั้นมาถึงผลลัพธ์ที่ขัดแย้งกันคุณจะบอกได้อย่างไรว่าหนึ่งในสองนั้นใกล้เคียงกับความจริงมากที่สุด

11 hypothesis-testing  clinical-trials 

ฉันเป็นนักศึกษาสถิติระดับปริญญาตรีที่กำลังมองหาวิธีการวิเคราะห์การทดลองทางคลินิกที่ดี ข้อความควรครอบคลุมพื้นฐานของการออกแบบการทดลองการบล็อกการวิเคราะห์พลังงานการออกแบบละตินสี่เหลี่ยมและการออกแบบการสุ่มกลุ่มในหัวข้ออื่น ๆ ฉันมีความรู้ระดับปริญญาตรีเกี่ยวกับสถิติทางคณิตศาสตร์และการวิเคราะห์จริง แต่ถ้ามีข้อความที่ยอดเยี่ยมที่ต้องใช้สถิติหรือการวิเคราะห์ในระดับที่สูงขึ้นฉันสามารถทำงานได้

11 references  teaching  clinical-trials 

ในทวิตเตอร์สจวร์ต Nicholls ผู้วิจัยคดีวิจารณ์การศึกษาที่ตีพิมพ์เมื่อเร็ว ๆ นี้โดยกล่าวว่า: นอกจากกระดาษที่น่าสนใจมากโดย Dal-Re พวกเขาตั้งค่าสถานะตัวอย่างหลาย ๆ คำถามที่ใช้คำถามของคำในทางปฏิบัติ ขั้นตอนที่ 3, multisite, double-blind, placebo-controlled, ขนาน - แขน, การเพิ่มปริมาณการทดลองแบบสุ่มจะเรียกว่า 'ในทางปฏิบัติ' จริงหรือไม่? บทความวิจัยในคำถามมีการเชื่อมโยงที่นี่ กระดาษโดย Dal-เรื่องคือที่นี่ และแนะนำของพวกเขา "นิยม" เป็นเครื่องมือที่นี่ ฉันอาจแตกต่างกับ Nicholls เพราะความรู้สึกของฉันคือด้วยธรรมชาติของการรักษาและกับผู้ป่วย N จาก 171 คนนี่อาจเป็นการศึกษาที่ไม่ได้ผล ... แต่นั่นทำให้มันเป็นจริง ฉันรู้สึกว่าฉันขาดจุด อะไรในความเป็นจริงคือการทดลองใช้ในทางปฏิบัติ? การพิจารณาคดีเมื่อใดจะไม่สามารถใช้งานได้ในแง่ที่ว่ามันไม่มีประโยชน์และเมื่อใดจะมีการพิจารณาคดีที่ไม่เป็นจริงในแง่ที่ว่าเป็นการทดลองยืนยัน

10 definition  clinical-trials 

เอกสาร Randomized Controll Trial (RCT) จำนวนมากรายงานการทดสอบที่สำคัญเกี่ยวกับพารามิเตอร์พื้นฐานหลังจาก / ก่อนการสุ่มเพื่อแสดงให้เห็นว่ากลุ่มนั้นคล้ายกันจริง ๆ นี่มักเป็นส่วนหนึ่งของตาราง "คุณสมบัติพื้นฐาน" อย่างไรก็ตามการทดสอบนัยสำคัญวัดความน่าจะเป็นที่จะได้รับความแตกต่างที่สังเกต (หรือมากกว่า) โดยบังเอิญใช่ไหม และถ้าการทดสอบนั้นสำคัญเราก็สรุปได้ว่ามีความแตกต่างที่แท้จริงเพราะความแตกต่างแบบสุ่มของขอบเขตนั้นจะไม่น่าเป็นไปได้ การทดสอบอย่างมีนัยสำคัญทำให้เกิดความรู้สึกหลังจากสุ่มเมื่อเรารู้ว่าความแตกต่างใด ๆต้องเกิดจากโอกาสหรือไม่?

10 statistical-significance  clinical-trials 

ในการทดลองทางคลินิก - มุมมองวิธีการ , Steven Piantadosi เขียน (ch.13, p. 334): ในบทที่ 2 ฉันสังเกตเห็นการคัดค้านการสุ่มโดย Abel และ Koch (1997) และ Urbach (1993) และชี้ให้เห็นคุณค่าของการศึกษาข้อกังวลและข้อผิดพลาดที่น่าจะเกิดขึ้น พวกเขาปฏิเสธการสุ่มเป็น หมายถึงการตรวจสอบการทดสอบทางสถิติบางอย่าง พื้นฐานสำหรับการอนุมานสาเหตุ การอำนวยความสะดวกในการกำบังและ วิธีการสมดุลกลุ่มเปรียบเทียบ ตามฉัน (1) - (4) เป็นประโยชน์ของการสุ่ม ดังนั้นทำไมAbel, KochและUrbachปฏิเสธการสุ่มบนพื้นฐานของข้อโต้แย้งเหล่านั้น?

10 clinical-trials  random-allocation 

พิจารณากรณีที่อธิบายไว้ด้านล่างจาก Peacock (1972) ข้อความนี้ดูเหมือนจะบ่งบอกว่านักสถิติรุ่นเยาว์กำลังสร้างข้อความที่ฉลาดและถูกต้อง แต่เขาคือ?

9 experiment-design  clinical-trials