PharmCAT.NET

Биостатистика, фармакокинетика и клинические исследования.

Mediana: an R package for clinical trial simulations – пакет для симуляции клинических исследований

Опубликовано frozencat

Mediana is an R package which provides a general framework for clinical trial simulations based on the Clinical Scenario Evaluation approach. The package supports a broad class of data models (including clinical trials with continuous, binary, survival-type and count-type endpoints as well as multivariate outcomes that are based on combinations of different endpoints), analysis strategies and commonly used evaluation criteria.

Довольно свежий пакет для R Project. Софта для симуляции клинических исследований не много, а значит надо обязательно изучить этот пакет.

 

 

Разработка собственного синтаксиса – Writing IBM SPSS Statistics Extension Commands

Опубликовано frozencat

IBM SPSS дает возможность разработки собственных команд синтаксиса. Это средство совместно с применением Python и R Project дает очень широкие возможности применения и расширения функционала SPSS (и это действительно важно, ведь SPSS не дает, к примеру, человеческим образом получить доверительный интервал для разности пропорций).

А если вы захотите найти руководство, то задав поисковику множество запросов по типу:”SPSS syntax development”, “SPSS make syntax command”, “write SPSS syntax command”, “SPSS self syntax command”, “SPSS user defined syntax command”, “разработка команд синтаксиса SPSS”, “пользовательские команды синтаксиса SPSS” – вы получите 0.0 значимой информации (возможно со времени написания заметки ситуация изменится). Тем не менее, если вдруг стало очень надо написать собственную команду синтаксиса – есть прекрасное руководство:   Writing IBM SPSS Statistics Extension Commands.

 

Референсный код IBM SPSS для расчета доверительных интервалов в перекрестном исследовании биоэквивалентности (2X2X2 crossover)

Опубликовано frozencat

В IBM SPSS для расчтета доверительных интервалов разницы лог-преобразованных параметров используется процедура GLM.
За основу был взять код предложенный пользователем Oiinkie на форуме bebac.at

Небольшая модификация связана с явным указанием фактора для контраста: /CONTRAST(Trt)=Simple(1) – требуется с вниманием указать какой уровень фактора будет референсным.

Дополнительный участок кода использует результаты таблицы контрастов для вычисления искомых доверительных интервалов в привычной форме.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
COMPUTE LnVar=LN(Var).
EXECUTE.

GLM
LnVar BY Per Seq Trt Subj
/CONTRAST(Trt)=Simple(1)
/METHOD=SSTYPE(3)
/INTERCEPT=INCLUDE
/CRITERIA=ALPHA(.1)
/DESIGN= Subj within Seq Per Trt Seq.

BEGIN PROGRAM Python.
import SpssClient, spss
from math import exp
SpssClient.StartClient()
OutputDoc = SpssClient.GetDesignatedOutputDoc()
OutputItemList = OutputDoc.GetOutputItems()
lastTab = OutputItemList.Size() - 3
OutputItem = OutputItemList.GetItemAt(lastTab)
PivotTable = OutputItem.GetSpecificType()
SpssDataCells = PivotTable.DataCellArray()
LL = exp(float(SpssDataCells.GetUnformattedValueAt(5,0)))*100;
UL = exp(float(SpssDataCells.GetUnformattedValueAt(6,0)))*100;
print "90% CI for Trt - Upper: "+str(UL)+" Lower: "+str(LL)
SpssClient.StopClient()
END PROGRAM.

Валидация относительно референсных датасетов далее…

Читать далее →

Референсный код SAS Studio для расчета доверительных интервалов в перекрестном исследовании биоэквивалентности (2X2X2 crossover)

Опубликовано frozencat

Для того что бы бы выполнить вычисление доверительных интервалов для перекрестносго исследования биоэквиваелнтности, проведенного по конвенциальному дизайну в двух периодах с двумя последовательностями в SAS применима процедура PROC GLM.

При разработке кода необходимо быть уверенным в том, что код функционирует надлежащим образом. Что бы убедиться в этом, после создания, а затем после внесения изменений следует выполнять валидацию кода относительно референсных датасетов. Для валидации представленного кода были использованы датасеты описанные в статье Reference Datasets for 2-Treatment, 2-Sequence, 2-Period Bioequivalence Studies (Helmut Schütz, Detlew Labes, Anders Fuglsang). Указанный набор датасетов позволяет провести валидацию на широком спектре входящих данных и выявить большинство возможных ошибок.

Ядро используемого кода:

1
2
3
4
5
6
7
8
PROC GLM data=pkdata;
CLASS Period Sequence Formulation Subject;
MODEL logCMAX = Sequence Subject(Sequence) Period Formulation/CLPARM ALPHA=0.1;
RANDOM Subject(Sequence) /TEST;
LSMEANS  Formulation / PDIFF=control("R") CL  ALPHA=0.1;
ESTIMATE 'T vs R' Formulation -1 1;
ods output LSMeanDiffCL=LSMeanDiffCL;
RUN;

Читать далее →

Работа с данными в IBM SPSS: присвоение значений для категориальных переменных

Опубликовано frozencat

Допустим необходимо большому количеству переменных присвоить значения категорий. К примеру есть переменная содержащая значения 1 и 0, где 1 – да, 0 – нет.
Если таких переменных очень много и у каждой свои метки, то присвоение таких меток может занять очень длительное время, но не в том случае если информация о метках уже содержится в какой-либо таблице, к примеру:

Переменная Значение Метка
Пол 0 муж
Пол 1 жен
Курение 0 не курит
Курение 1 курит

Здесь видно, что у каждой переменной есть ряд значений, которым соответствуют метки. Их и надо нам расставить.
Доработаем код из примера “Работа с данными в IBM SPSS: присвоение меток переменным из другого источника“, добавим третий датасет с таблицей меток и выполним присвоение где это требуется.
Читать далее →

Работа с данными в IBM SPSS: присвоение меток переменным из другого источника

Опубликовано frozencat

Не редко бывает, что необходимо присвоить метки большому количеству переменных. И хорошо если эти метки где-либо уже записаны. К примеру в таблице, где в виде переменных (полей/столбцов) содержатся данные переменная->метка. Получается такого рода словарь. Делать это вручную с помощью copy/paste не хочется, да и можно сделать ошибку, а переменных может быть очень много. Хорошо, что в SPSS это можно сделать с помощью редактора синтаксиса. Код ниже:
Читать далее →

Определение объема выборки для исследований биоэквивалентности с использованием компьютерного моделирования

Опубликовано frozencat

Стандартным дизайном для исследований биоэквивалентности, который позволяет снизить внутрииндивидуальную вариабельность, является рандомизированное, перекрестное исследование (Crossover 2×2). Расчет объема выборки для исследования биоэквивалентности является важной частью планирования исследования и должен быть обоснован.  Целью данной работы является реализация и валидация алгоритма определения необходимого объема выборки для исследований биоэквивалентности с помощью компьютерной симуляции. Предлагаемый алгоритм основан на процедуре определения мощности статистического теста при известных значениях количества наблюдений, вариации и заданного значения допустимого уровня ошибки первого рода.

Читать далее →

Экзамен Certified NCA Analyst

Опубликовано frozencat

Я думаю, что каждый специалист периодически задумывается о проверке своих знаний. И вот, компания Certara предоставляет такую возможность, которая доступна в рамках Certara Professional Certification Program, стоит 299$ и при этом не обязательно проходить предварительное обучение. Стоит отметить, что уже давно Phoenix WinNonlin – большой и самодостаточный программный пакет включающий практически полный перечень необходимых функций для расчета фармакокинетических параметров и пригоден для дальнейшей статистической обработки как параметров фармакокинетики, так и любых других величин. Статистический функционал ожидаемо уступает специализированному ПО (SAS, SPSS), но легко расширяется с помощью интеграции с R Project (или SAS). Необходимо отметить, что Phoenix WinNonlin содержит необходимый для биоэквивалентности модуль статистического анализа с применением смешанных моделей (аналог PROC MIXED), который может быть полезен не только при исследовании фармакокинетических данных.

Так вот. Если у вас за плечами хороший опыт работы с Phoenix WinNonlin, вы хотите проверить знания и получить сертификат, подтверждающий ваши навыки, то этот экзамен вполне для этого подходит.

Читать далее →

Биоэквивалентность: адаптивный дизайн

Опубликовано frozencat

Определения:

Adaptive design is a trial design that allows modifications to some aspects of the trial after its initiation without undermining the validity and integrity of the trial. Adaptive design makes it possible to discover and rectify inappropriate assumptions in trial designs, lower development costs and reduce the time to market.

Mark Chang. Adaptive Design for Clinical Trials.

Adaptive design is defined as a multistage study design that uses accumulating data to decide how to modify aspects of the study without undermining the validity and integrity of the trial. To maintain study validity means providing correct statistical inference (such as adjusted P values, unbiased estimates and adjusted confidence intervals, etc.), ensuring consistency between different stages of the study, and minimizing operational bias.

Vladimir Dragalin. Adaptive Designs: Terminology and Classification. (DOI:10.1177/216847900604000408)

В регуляторной системе РФ на данный момент (2018г) отсутствует четкое определение адаптивного дизайна исследования биоэквивалентности. Эта проблема не уникальна, другие крупные регуляции также столкнулись с необходимостью определения адаптивного дизайна и формулированием подходов. Процесс определения, принятия и формирования подходов не проходил одномоментно и его нельзя назвать завершенным до сих пор.

Читать далее →