模型与观测数据的拟合; 使用整齐原则处理后验样本,以产生有用的 推理; 并使用现代可视化推理 ggplot图 绘图。
图书馆( 试验 )
目标 <- 0.25
骨架 <- c(c)( 0.05 , 0.15 , 0.25 , 0.4 , 0.6 )
适合1 <- 标准配置文件( 结果str = ' 2NN 3NN 4TT(2NN、3NN、4TT) ' , 骨架 = 骨架 , 目标 = 目标 , 模型 = ' 经验主义的 ' , 贝塔斯德 = 平方英尺( 1.34 ), 种子 = 123 )
适合1
# >患者剂量毒性重量
# > 1 1 2 0 1
# > 2 2 2 0 1
# > 3 3 3 0 1
# >4 4 3 0 1
# > 5 5 4 1 1
# > 6 6 4 1 1
# >
# >剂量骨架N Tox ProbTox MedianProbTox-ProbMTD
# > 1 1 0.05 0 0 0.108 0.0726 0.2140
# > 2 2 0.15 2 0 0.216 0.1900 0.2717
# > 3 3 0.25 2 0 0.310 0.2972 0.2657
# > 4 4 0.40 2 2 0.444 0.4484 0.2090
# > 5 5 0.60 0 0 0.624 0.6395 0.0395
# >
# >该模型的目标毒性水平为0.25。
# >估计毒性概率最接近目标的剂量为2。
# >最可能是MTD的剂量是2。
# >模型熵:1.49
图书馆( ggplot2 ) 图书馆( 河豚 ) 图书馆( 数字播放器 ) 适合1 % > % 扩展绘图( 问题毒素 [ 剂量 ]) % > % ggplot(aes)图( x = 剂量 , 年 = 问题毒素 )) + 统计间隔(_I)( .宽度 = c(c)( .5 , .8 , .95 )) + scale_color_brewer() + 实验室( 年 = ' 探针(DLT) ' , 标题 = ' 使用经验CRM的后剂量毒性信念 ' )
剂量 <- c(c)( 1 , 2.5 , 5 , 10 , 15 , 20 , 25 , 30 , 40 , 50 , 75 , 100 , 150 , 200 , 250 ) d星 <- 250
目标 <- 0.30
结果 <- ' 1NNN 2NNNN 3NNNN 4NNNN 7TT型 '
适合 <- 标准nbg( 结果str = 结果 , 实际剂量(_D) = 剂量 , d星 = d星 , 目标 = 目标 , 字母平均值 = 2.15 , 字母_sd = 0.84 , β_平均值 = 0.52 , 贝塔斯德 = 0.8 , 种子 = 2020 , 刷新 = 0 ) 适合
# >患者剂量毒性重量
# > 1 1 1 0 1
# > 2 2 1 0 1
# > 3 3 1 0 1
# > 4 4 2 0 1
# > 5 5 2 0 1
# > 6 6 2 0 1
# > 7 7 2 0 1
# > 8 8 3 0 1
# > 9 9 3 0 1
# > 10 10 3 0 1
# > 11 11 3 0 1
# > 12 12 4 0 1
# > 13 13 4 0 1
# > 14 14 4 0 1
# > 15 15 4 0 1
# > 16 16 7 1 1
# >17 17 7 1
# >
# >剂量N毒素ProbTox MedianProbTox-ProbMTD
# > 1 1 3 0 0.0126 0.00563 0.00025
# > 2 2 4 0 0.0325 0.01967 0.00050
# > 3 3 4 0 0.0675 0.04934 0.02250
# > 4 4 4 0 0.1385 0.11863 0.10450
# > 5 5 0 0 0.2064 0.18937 0.16775
# > 6 6 0 0 0.2692 0.25641 0.17100
# > 7 7 2 2 0.3264 0.31878 0.14425
# > 8 8 0 0 0.3780 0.37409 0.16850
# > 9 9 0 0 0.4661 0.46884 0.12475
# > 10 10 0 0 0.5371 0.54698 0.07125
# > 11 11 0 0 0.6616 0.67700 0.02000
# >12 12 0 0 0.7390 0.75753 0.00375
# > 13 13 0 0 0.8259 0.84691 0.00075
# > 14 14 0 0 0.8717 0.89297 0.00025
# > 15 15 0 0 0.8993 0.91986 0.00000
# >
# >该模型的目标毒性水平为0.3。
# >估计毒性概率最接近目标的剂量为7。
# >最可能是MTD的剂量是6。
# >模型熵:2.06
结果 <- ' 1NNE(东北)2EEB '
适合2 <- 标准偏差x偏差( 结果 , 种子 = 123 )
适合2
# >患者剂量毒性疗效
# > 1 1 1 0 0
# > 2 2 1 0 0
# > 3 3 1 0 1
# > 4 4 2 0 1
# > 5 5 2 0 1
# > 6 6 2 1 1
# >
# >剂量N ProbEff ProbTox ProbAccEf ProbAccTox实用程序可接受的ProbOBD
# >1 1 3 0.402 0.088 0.333 0.927-0.342真0.0465
# >2 2 3 0.789 0.103 0.943 0.921 0.412真0.2625
# >3 3 0 0.929 0.225 0.984 0.718 0.506真0.2077
# >4 4 0 0.955 0.315 0.983 0.617 0.420假0.0620
# >5 5 0 0.964 0.372 0.980 0.561 0.349假0.4213
# >
# >模型建议选择剂量水平3。
# >最有可能是OBD的剂量是5。
# >模型熵:1.36
适合2 $ 推荐剂量
# > [1] 3
适合2 $ 效用
# > [1] -0.3418428 0.4120858 0.5064312 0.4199298 0.3493254
efftox_contour_plot效果( 适合2 ) 标题( ' EffTox工具轮廓 ' )
适合3 <- 标准层次响应( 组_响应 = c(c)( 0 , 0 , 1 , 三 , 5 , 0 , 1 , 2 , 0 , 0 ), 组大小(_S) = c(c)( 0 , 2 , 1 , 7 , 5 , 0 , 2 , 三 , 1 , 0 ), 最小值(_M) = - 1.3863 , mu_sd(单位:天) = 平方英尺( 1 / 0.1 ), 陶阿帕 = 2 , 陶贝塔 = 20 )
适合3
# >Stan模型的推断:ThallHierarchicalBinary。
# >4条链条,每条iter=2000; 预热=1000; 薄=1;
# >每条链的预热后拉伸=1000,预热后拉伸总数=4000。
# >
# >平均se_mean sd 2.5%25%50%75%97.5%n_eff
# >亩-0.04 0.03 1.38-2.86-0.89-0.02 0.86 2.60 2295
# >西格玛2 13.22 0.59 16.18 3.45 6.44 9.56 14.77 43.41 748
# >ρ[1]-0.03 0.07 3.87-8.25-2.26 0.08 2.29 7.20 3079
# >ρ[2]-3.03 0.06 2.63-9.68-4.20-2.55-1.31 0.69 1899
# >ρ[3]2.46 0.07 2.86-1.87 0.65 2.06 3.83 9.13 1497
# >ρ[4]-0.31 0.01 0.79-1.87-0.82-0.31 0.21 1.22 4031
# >ρ[5]3.76 0.06 2.42 0.59 2.11 3.31 4.78 10.04 1448
# >ρ[6]-0.09 0.07 3.85-8.34-2.27 0.02 2.27 7.41 3092
# >ρ[7]0.06 0.03 1.53-2.90-0.92 0.09 0.99 3.05 3658
# >ρ[8]0.75 0.02 1.31-1.55-0.12 0.65 1.52 3.65 2785
# >ρ[9]-2.43 0.07 2.91-9.18-3.86-2.00-0.50 2.09 1919
# >ρ[10]0.01 0.07 3.97-7.85-2.29 0.05 2.38 7.74 2982
# >西格玛3.38 0.05 1.33 1.86 2.54 3.09 3.84 6.59 819
# >问题_响应[1]0.50 0.01 0.38 0.00 0.09 0.52 0.91 1.00 3476
# >问题_响应[2]0.15 0.00 0.18 0.00 0.01 0.07 0.21 0.67 3817
# >问题_响应[3]0.78 0.00 0.25 0.13 0.66 0.89 0.98 1.00 4141
# >问题_响应[4]0.43 0.00 0.17 0.13 0.31 0.42 0.55 0.77 4036
# >探针响应[5]0.92 0.00 0.10 0.64 0.89 0.96 0.99 1.00 3879
# >问题_响应[6]0.50 0.01 0.38 0.00 0.09 0.51 0.91 1.00 3564
# >探针响应[7]0.51 0.00 0.27 0.05 0.28 0.52 0.73 0.95 3642
# >探针响应[8]0.64 0.00 0.22 0.18 0.47 0.66 0.82 0.97 3040
# >问题_响应[9]0.23 0.00 0.26 0.00 0.02 0.12 0.38 0.89 3971
# >问题_响应[10]0.50 0.01 0.38 0.00 0.09 0.51 0.92 1.00 2970
# >lp__-34.42 0.15 3.77-43.20-36.48-33.86-31.71-28.88 611
# >拉特
# >亩
# >信号2 1
# >ρ[1]1
# >ρ[2]1
# >ρ[3]1
# >ρ[4]1
# >ρ[5]1
# >ρ[6]1
# >ρ[7]1
# >ρ[8]1
# >ρ[9]1
# >ρ[10]1
# >西格玛1
# >问题_响应[1]1
# >问题响应[2]1
# >问题_响应[3]1
# >问题_响应[4]1
# >问题_响应[5]1
# >问题响应[6]1
# >问题_响应[7]1
# >问题_响应[8]1
# >问题_响应[9]1
# >问题_响应[10]1
# >lp__ 1个
# >
# >使用NUTS(diag_e)于2020年10月15日星期四09:52:56提取样品。
# >对于每个参数,n_eff是有效样本大小的粗略度量,
# >Rhat是分裂链上的潜在标度折减系数(at
# >收敛,Rhat=1)。
图书馆( rstan公司 ) 图书馆( ggplot2 ) 绘图( 适合3 , 部分 = ' 问题_响应 ' ) + 地理vline( 辛特西普 = 0.3 , 科尔 = ' 橙色 ' , 线型 = ' 虚线 ' ) + 实验室( 标题 = ' 10种肉瘤亚型的部分聚集反应率 ' )
# install.packages(“devtools”)
开发工具 时间: 安装github( " brockk/trialr公司 " )
安装.包( " 试验 " )