9.3版最新更新

nQuery 的 PLUS 层有哪些新增功能？

向 nQuery 9.3 的 Plus 层添加了 4 个新的样本大小表。

• 试点研究的样本量（3个新表）
  
• 贝叶斯等价 （1 新表）
  

---

试点研究的样本量

这是什么？
试点研究是在计划试验之前进行的小型研究，以评估主要试验的可行性和预期操作特征。例如，试点研究通常用于得出确定样本量所需的研究参数的估计值。

对于试点研究所需的规模，已经提出了一些经验法则建议，以获得合理的参数估计。然而，研究表明，对于许多现实世界的场景，这些通常是不正确的。作为回应，开发了为试点研究找到适当样本量的方法，同时考虑到试点研究估计的预期不确定性。

在 nQuery 9.3 中，实施了两个常见建议，用于在使用两个样本 t 检验的主试验之前计算试点研究所需的样本量：一个基于非中心 t 统计量，另一个基于估计的置信上限。此外，还包括试点研究中的问题检测表和直接置信上限的表。

添加的表格：

• 两个样本 t 检验试验的试点研究样本量（非中心 t 分布，置信上限）
• 试点研究中的错误检测
• 试点研究
  标准差置信上限的样本量

---

贝叶斯等价

这是什么？
等效性测试，研究人员想要确定两种治疗方法是否产生相同的结果，是仿制药开发和医疗设备等领域的共同目标。目前，大多数等价检验都是使用频率方法进行的，例如双单侧检验 （TOST） 或检查置信区间是否在等价下限和上限范围内。

已经提出了贝叶斯替代方案来检验等价性。这包括诸如“实际等效区域”（也称为 ROPE）和使用贝叶斯因子之类的建议。ROPE 方法类似于置信区间方法，只是使用最高密度 （HDI） 可信区间，同时在测试和估计阶段都具有改进的可解释性。

nQuery 9.3 实现了一个表格，该表格提供了使用贝叶斯 ROPE 方法评估等效性的双臂研究所需的样本量。

添加的表格：

• 使用实际等价区域 （ROPE） 的贝叶斯等价

nQuery 的 BASE 层中有哪些新增功能？

nQuery 9.3 的基本层添加了 18 个新的样本大小表。

• 比例（6 个新表）
• 生存 （3 张新桌子）
• 相关性/一致性/诊断/差异（9 个新表）
• 随机化列表改进
  

---

大小

这是什么？
比例（即分类数据）是一种常见的数据类型，其中最常见的感兴趣终点，特别是二分变量。临床试验中的例子包括经历受试者反应（如肿瘤消退）的患者比例。针对二进制比例提出了各种各样的设计，从精确到最大似然再到正态近似。

在 nQuery 9.3 中，在以下区域添加了样本量表，用于设计涉及比例的试验：

添加的表格：

• 逻辑回归
• 比例的置信区间

---

逻辑回归

这是什么？
逻辑回归是用于分析二元终点（如响应率）的最广泛使用的回归模型。该模型可以灵活地模拟多种类型的处理配置的影响，同时将其他变量的影响作为协变量考虑在内。

在 nQuery 9.3 中，添加了几个其他逻辑回归方案的样本数量确定，包括协变量调整分析和加互效应。

添加的表格：

• 二元变量的协变量调整分析
• 正态变量的协变量调整分析
• 队列设计的加法交互作用
• 案例控制设计的
  附加交互

---

比例的置信区间

这是什么？
置信区间是临床研究中使用最广泛的统计区间。统计区间允许评估统计估计的不确定性程度。对于比例，根据研究设计和所需的操作特性，提出了许多不同的方法来构建置信区间。

在 nQuery 9.3 中，在分层和聚类随机分层设计中为二元终结点添加了置信区间宽度的样本量确定。

添加的表格：

• 分层二元终结点的置信区间
• 聚类随机分层二元终点
  的置信区间

---

生存（事件发生时间）分析

这是什么？
生存期或事件发生时间试验是感兴趣的终点是特定事件发生的时间，例如死亡或肿瘤消退。生存分析经常出现在肿瘤学或心脏病学等领域。

在 nQuery 9.3 中，在以下区域添加了样本量表，用于设计涉及生存分析的试验：

添加的表格：

• 最大组合 （MaxCombo） 测试
• 分段生存数据的线性秩检验
• 配对生存数据
  

---

最大组合 （MaxCombo） 测试

这是什么？
组合检验代表了在比例风险 （PH） 和非比例风险 （NPH） 模式下确定未加权和加权对数秩检验的样本量的统一方法。

对数秩检验是用于比较生存曲线的最广泛使用的检验之一。但是，有许多替代的线性秩测试可用。使用替代检验的最常见原因是，对数秩检验的性能取决于比例风险假设，如果处理效果（风险比）不恒定，则可能会遭受重大功率损耗。虽然标准对数秩测试对每个事件分配同等重要性，但加权对数秩测试对每个事件应用预先指定的权重函数。然而，有许多类型的非比例风险（延迟治疗效果、递减效应、交叉生存曲线），因此如果在设计阶段治疗效果概况未知，则很难选择最合适的加权对数秩检验。

最大组合检验可用于比较多个检验统计量，并根据数据选择最合适的线性秩检验，同时通过调整由于检验统计量的相关性而产生的多重性来控制I类误差。在此版本中，将在最大组合测试区域添加一个新表。

在 nQuery 9.3 中，我们通过使用 MaxCombo Test.Table，添加用于等价检验的样本量确定表，从 nQuery 9.1 和 9.2 中添加了不等式和非劣效性 MaxCombo 样本量表。

• 使用分段生存的等价最大组合 （MaxCombo） 线性秩检验

---

分段生存
的线性秩检验（Log-Rank、Wilcoxon、Tarone-Ware、Peto-Peto、Fleming-Harrington、阈值滞后、广义线性滞后）

这是什么？
对数秩检验是用于比较生存曲线的最广泛使用的检验之一。但是，有许多替代的线性秩测试可用。使用替代检验的最常见原因是，对数秩检验的性能取决于比例风险假设，如果处理效果（风险比）不恒定，则可能会遭受重大功率损耗。虽然标准对数秩测试对每个事件分配同等重要性，但加权对数秩测试对每个事件应用预先指定的权重函数。然而，有许多类型的非比例风险（延迟治疗效果、递减效应、交叉生存曲线），因此如果在设计阶段治疗效果概况未知，则很难选择最合适的加权对数秩检验。

在 nQuery 9.3 中，基于 9.2 中添加的不等式（优劣性）和非劣效性表，为等价检验提供了七个线性秩检验的样本量确定，并具有灵活的分段生存等效性检验。

这些 nQuery 表可用于轻松比较 Log-Rank、Wilcoxon、Tarone-Ware、Peto-Peto、Fleming-Harrington、Threshold Lag 和 Generalized Linear Lag 所达到的功效或所需的样本量，并在有兴趣同时评估多个测试时补充提供的 MaxCombo 表。

添加的表格：

• 使用分段生存
  的等价线性秩检验（Log-Rank、Wilcoxon、Tarone-Ware、Peto-Peto、Fleming-Harrington、Threshold Lag、Generalized Linear Lag）
  

---

配对生存

这是什么？
配对分析是一种常用方法，通过比较两个高度相关的结局（例如来自同一个人）之间的结果来提高试验效率。在适合配对分析的情况下，忽略此配对可能会导致推理能力不足。例如，在眼科中，生存型终点（例如视力丧失/退化时间）可能发生在对每只眼睛应用不同的治疗方法，但标准对数秩测试经常被错误地使用时。

在 nQuery 9.3 中，添加了一个样本大小表，用于使用秩检验进行配对生存分析。

添加的表格：

• 测试配对生存数据
  

---

相关性/一致性/诊断/差异

这是什么？
相关性、一致性和诊断性措施都对不同环境中两个或多个变量之间的关系强度感兴趣。相关性对评估两个变量之间关系的强度感兴趣。

协议评估两个（或多个）评估者（例如两个诊断测试）能够可靠地复制其评估的程度。诊断测试比较提议的评估者与事实之间的一致程度（例如，筛查计划结果与活检等“金标准”测试）

方差用于评估测量的变异程度。比较方差的检验可用于评估组间变异量是否显著差异。

在 nQuery 9.3 中，在以下区域中添加了样本量表，以便使用这些概念设计试验：

添加的表格：

• 相关性（Pearson's、Spearman's、Kendall tau-B）
• 协议（二元 Kappa、多分类 Kappa、系数 （Cronbach） Alpha）
• 诊断（部分 ROC 分析）
• 方差（F 检验、Levene 检验、Bonett 检验）

---

相关

这是什么？
相关性度量被广泛用于总结变量之间的关联强度。常见于回归分析等领域，使用最广泛的版本是线性关系的皮尔逊相关性。

但是，其他相关性可能更适合某些上下文，例如排名相关性，例如用于处理序数排名数据的 Spearman 相关性。

在 nQuery 9.3 中，添加了 Pearson 相关性的置信区间表，并测试了 Spearman 和 Kendall tau-B 秩相关性。

添加的表格：

• 一个 （Pearson） 相关性的置信区间
• 斯皮尔曼相关性检验
• Kendall tau-B 相关性测试

---

一致性

这是什么？
在有多个评估者标准或方法可用于评估疾病或病症的领域，评估不同“评估者”的可靠性至关重要。例如，Cohen 的 Kappa 统计量是一种广泛使用的方法，用于量化多个评分者之间的一致性程度，并为评分者间可靠性的测试和估计提供了基础。

在 nQuery 9.3 中，添加了多分类（>=2 个评分者）Kappa 统计量的检验和置信区间表，以及用于比较两个系数 （Cronbach） alpha 的检验表。

添加的表格：

• Polychotomous Kappa的检测
• Polychotomous Kappa 的置信区间
• 双系数 （Cronbach） Alpha
  检验

---

诊断

这是什么？
诊断测试的统计评估是确保拟议的筛查或测试程序具有临床使用的适当准确性的重要组成部分。有大量的措施来评估诊断测试的性能，但最常见的方法之一是受试者工作特征 （ROC） 曲线分析，其中曲线下面积 （AUC） 提供了测试在整个鉴别边界范围内的表现的快照。

然而，研究人员有时可能有兴趣在更有限的结果范围内评估性能。其中一种方法是部分 ROC （pROC），它仅在真阳性率（ROC 中的 TPR - Y 轴）或假阳性率（ROC 中的 FPR - X 轴）的有限范围内评估 ROC 性能。例如，FPR 大于 0.8 的区域意味着超过 80% 的阴性受试者被错误地归类为阳性：这在许多真实案例中是不可接受的。

在 nQuery 9.3 中，添加了用于部分 ROC 分析的样本大小表，以评估一条或两条 ROC 曲线。

添加的表格：

• 测试一个部分 ROC
• 两个部分 ROC 测试

---

差异

这是什么？
方差是最常引用的统计量，用于评估度量的变化程度。研究人员通常会对评估一个或多个组之间的变异差异程度感兴趣。为此，已经提出了几种测试，包括 F 检验、Levene 检验和用于比较方差的 Bonett 检验。

在 nQuery 9.3 中，添加了一个样本数量表，用于使用 F 检验、Levene 检验或 Bonett 检验来比较两个独立方差。

添加的表格：

• 两个方差检验（F 检验、Levene 检验、Bonett 检验）

---

随机化列表

这是什么？
随机化是确保从临床试验中广泛使用的常见统计测试中获得有效统计推断的重要组成部分。随机化创建了具有可比性的治疗组，并减少了未知因素的影响。然而，在临床试验中，通常存在伦理和后勤方面的考虑，这意味着简单的随机分配可能不合适。

例如，在临床试验期间，确保在任何给定时间保持平衡以减少时变协变量或计划进行序贯分析的潜在影响通常被认为很重要。此外，性别等协变量总体上相对平衡也很重要。

nQuery 9.2 增加了随机化列表工具，该工具将允许轻松生成随机化列表，这些列表既考虑了随机化，又考虑了任何感兴趣的平衡协变量。9.2 包括以下随机化算法：

添加的表格：

• 块随机化
• 完全随机化
• 埃夫隆偏置硬币（仅限 2 组）
  

nQuery 9.3 增加了多种新的随机化算法，增加了允许的中心数量，并在我们的用户手册中完全更新了随机化列表的章节。随机化列表功能的更新摘要如下：

• 4 种新的随机化算法（Smith's、Wei's Urn、Random Sorting、Random Sorting with Maximum Allowable Deviation）
• 允许中心数量从 25 个增加到 500 个
• 改进的用户手册随机化列表章节