دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Jianrong Wu
سری: Chapman & Hall/CRC biostatistics series
ISBN (شابک) : 9781138033221, 1138033227
ناشر: CRC Press
سال نشر: 2018
تعداد صفحات: 275
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
کلمات کلیدی مربوط به کتاب روش های آماری برای طرح آزمایشی بقا: با کاربردهای آزمایشات بالینی سرطان با استفاده از R: کارآزمایی های بالینی -- روش های آماری، سرطان -- تحقیق -- روش شناسی، پزشکی -- تحقیق -- روش شناسی، R (زبان برنامه کامپیوتری)، کارآزمایی های بالینی به عنوان موضوع -- روش ها، نئوپلاسم ها -- درمان، طراحی پژوهش
در صورت تبدیل فایل کتاب Statistical Methods for Survival Trial Design: With Applications to Cancer Clinical Trials Using R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب روش های آماری برای طرح آزمایشی بقا: با کاربردهای آزمایشات بالینی سرطان با استفاده از R نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
روشهای آماری برای طراحی کارآزمایی بقا: با کاربرد در
آزمایشهای بالینی سرطان با استفاده از R ارائه کاملی از
اصول طراحی و نظارت بر کارآزماییهای بالینی سرطان را ارائه
میدهد که در آن زمان تا رویداد نقطه پایانی اولیه است.طراحی های
سنتی کارآزمایی سرطان با نقاط پایانی زمان تا رویداد اغلب به مدل
نمایی یا مدل خطرات متناسب محدود می شود. با این حال، در عمل، این
مفروضات مدل ممکن است برای آزمایشهای بقای طولانیمدت برآورده
نشوند.
این کتاب اولین کتابی است که به طور جامع بسیاری از روشهای جدید
توسعهیافته برای طراحی آزمایش بقا، از جمله طراحی آزمایشی را تحت
پوشش قرار میدهد. مدلهای بقای ویبول؛ گسترش محاسبات اندازه
نمونه تحت مدل های خطر متناسب. و طراحی آزمایشی تحت مدلهای درمان
مخلوط، مدلهای بقای پیچیده، مدلهای رگرسیون کاکس، و مدلهای
ریسک رقابتی. یک روش متوالی کلی بر اساس آزمون نسبت احتمال شرطی
متوالی نیز برای نظارت بر کارآزمایی بقا اجرا می شود. همه روش ها
با جزئیات کافی برای محققان علاقه مند یا دانشجویان تحصیلات
تکمیلی ارائه شده است.
Statistical Methods for Survival Trial Design: With
Applications to Cancer Clinical Trials Using Rprovides a
thorough presentation of the principles of designing and
monitoring cancer clinical trials in which time-to-event is the
primary endpoint.Traditional cancer trial designs with
time-to-event endpoints are often limited to the exponential
model or proportional hazards model. In practice, however,
those model assumptions may not be satisfied for long-term
survival trials.
This book is the first to cover comprehensively the many newly
developed methodologies for survival trial design, including
trial design under the Weibull survival models; extensions of
the sample size calculations under the proportional hazard
models; and trial design under mixture cure models, complex
survival models, Cox regression models, and competing-risk
models. A general sequential procedure based on the sequential
conditional probability ratio test is also implemented for
survival trial monitoring. All methodologies are presented with
sufficient detail for interested researchers or graduate
students.
Content: Cover
Half title
Biostatistics Series
Title
Copyrights
Contents
Preface
List of Figures
List of Tables
1. Introduction to Cancer Clinical Trials
1.1. General Aspects of Cancer Clinical Trial Design
1.1.1. Study Objectives
1.1.2. Treatment Plan
1.1.3. Eligibility Criteria
1.1.4. Statistical Considerations
1.2. Statistical Aspects of Cancer Survival Trial Design
1.2.1. Randomization
1.2.2. Strati cation
1.2.3. Blinding
1.2.4. Sample Size Calculation
2. Survival Analysis
2.1. Survival Distribution
2.1.1. Exponential Distribution
2.1.2. Weibull Distribution 2.1.3. Gamma Distribution2.1.4. Gompertz Distribution
2.1.5. Log-Normal Distribution
2.1.6. Log-Logistic Distribution
2.2. Survival Data
2.3. Fitting the Parametric Survival Distribution
2.4. Kaplan-Meier Estimates
2.5. Median Survival Time
2.6. Log-Rank Test
2.7. Cox Regression Model
3. Counting Process and Martingale
3.1. Basic Convergence Concepts
3.2. Counting Process De nition
3.3. Filtration and Martingale
3.4. Martingale Central Limit Theorem
3.5. Counting Process Formulation of Censored Survival Data . .
4. Survival Trial Design under the Parametric Model 4.1. Introduction4.2. Weibull Model
4.3. Test Statistic
4.4. Distribution of the MLE test
4.5. Sample Size Formula
4.6. Sample Size Calculation
4.7. Accrual Duration Calculation
4.8. Example and R code
5. Survival Trial Design under the Proportional Hazards Model
5.1. Introduction
5.2. Proportional Hazards Model
5.3. Asymptotic Distribution of the Log-Rank Test
5.4. Schoenfeld Formula
5.5. Rubinstein Formula
5.6. Freedman Formula
5.7. Comparison
5.8. Sample Size Calculation under Various Models
5.9. Example
5.10. Optimal Properties of the Log-Rank Test 5.10.1. Optimal Sample Size Allocation5.10.2. Optimal Power
5.11. Precise Formula
5.12. Exact Formula
6. Survival Trial Design under the Cox Regression Model
6.1. Introduction
6.2. Test Statistics
6.3. Asymptotic Distribution of the Score Test
6.4. Sample Size Formula
7. Complex Survival Trial Design
7.1. Extension of the Freedman Formula
7.1.1. Example and R code
7.2. Lakatos Formula
7.3. Markov Chain Model with Simultaneous Entry
7.4. Computation Formulae
7.5. Markov Chain Model with Staggered Entry
7.6. Examples and R code 8. Survival Trial Design under the Mixture Cure Model8.1. Introduction
8.2. Testing Di erences in Cure Rates
8.2.1. Mixture Cure Model
8.2.2. Asymptotic Distribution
8.2.3. Sample Size Formula
8.2.4. Optimal Log-Rank Test
8.2.5. Comparison
8.2.6. Example and R code
8.2.7. Conclusion
8.3. Testing Di erences in Short- and Long-Term Survival
8.3.1. Hypothesis Testing
8.3.2. Ewell and Ibrahim Formula
8.3.3. Simulation
8.3.4. Example and R code
8.3.5. Conclusion
9. A General Group Sequential Procedure
9.1. Brownian Motion
9.2. Sequential Conditional Probability Ratio Test