- 博客(21)
- 收藏
- 关注
RSS订阅原创 样本量计算：两独立样本定量资料——平均值比法
在“Reports (结果报告)”模块中，勾选“Show Dropout-Inflated Sample Size Report (报告脱失样本量)”，在“Dropout Rate”中填写“10%”，意味着假设样本脱失率为10%，即有10%的样本可能在研究过程中退出。该案例涉及两独立样本平均值比的差异性检验样本量计算。在变异系数（CV）为0.9、真比值（φ1）为1.50的条件下，若设定检验水准为0.05、检验功效为0.80，要得出两种疫苗产生的抗体滴度不同的结论，每组至少需58例研究对象，总计116例。
2025-05-26 10:13:19
357
原创 样本量计算：两独立样本定量资料——效应大小法
小、中、大效应分别设定为0.3、0.6和0.9。在检验水准0.05、检验功效0.8的条件下，为得出两种降压药物降压效果不同的结论，小、中、大效应时分别至少需要352例（每组176例）、90例（每组45例）和42例（每组21例）研究对象。考虑10%脱落率后，小、中、大效应组最终分别需纳入392例（每组196例）、100例（每组50例）和48例（每组24例）研究对象。本研究在检测小、中、大效应时，分别至少需要352例（每组176例）、90例（每组45例）和42例（每组21例）研究对象。4、脱落率为10%。
2025-05-19 15:54:28
288
原创 样本量计算：两独立样本定量资料——方差不齐时的平均值法
试验组使用药物A，对照组使用药物B，主要观察指标为3周后收缩压的下降值。设定显著性水平α = 0.05，检验功效1 - β = 0.90，若试验组和对照组的收缩压下降值的差异至少为4mmHg才具有临床意义，计算该试验所需的样本量。在“Reports (结果报告)”模块中，勾选“Show Dropout-Inflated Sample Size Report (报告脱失样本量)”，在“Dropout Rate”中填写“10%”，意味着假设样本脱失率为10%，即有10%的样本可能在研究过程中退出。
2025-05-05 21:59:20
751
原创 样本量计算：两独立样本定量资料——方差齐性时的平均值法
在设定检验水准为0.05、检验功效为0.90的条件下，若要得出试验组与对照组收缩压下降水平存在差异的结论，至少需要98例研究对象，即每组49例。在“Reports (结果报告)”模块中，勾选“Show Dropout-Inflated Sample Size Report (报告脱失样本量)”，在“Dropout Rate”中填写“10%”，意味着假设样本脱失率为10%，即有10%的样本可能在研究过程中退出。本研究中，血压值为连续性资料，服从正态分布，且两总体方差齐性，满足方差齐性的两独立样本t检验条件。
2025-04-27 11:27:42
696
原创 影像组学4：Python实现特征筛选——t检验和LASSO回归
在影像组学中，特征筛选的核心作用是通过降维剔除冗余特征，保留与目标高度相关的关键特征，从而提升模型的预测性能及可解释性，同时减少过拟合风险，确保结果的稳定性和适用性。本次内容我们通过Python利用t检验和LASSO回归对上次内容提取的1000多个影像特征进行筛选。所筛选出的特征数量还是非常多的，所以需要进一步的筛选。接下来，我们就用LASSO回归对这225个特征做进一步的筛选。另外，LASSO回归最终选中了8个特征，剔除了217个特征。第一列就是筛选所得的特征名称，第二列就是对应的系数值。
2025-04-16 15:02:22
331
原创 影像组学3：Python实现特征提取
今天介绍的是使用 Python 进行特征提取，主要涉及形状、纹理、强度等特征。这些特征帮助分析病灶的异质性和微环境。下面我们就看Python进行特征提取的具体过程。其中每个文件夹都包含以image命名的影像文件及其对应的以mask命名的病灶分割的掩膜文件。在以results命名的Excel表格中，从X列开始包含1000多个特征。打开featureExtraction这个文件夹，里面多了一个以results命名的Excel表格。featureExtraction这个文件夹里包含了以1、2、3命名的3个文件。
2025-04-04 15:01:42
301
原创 影像组学2：病灶分割-3D Slicer
上一步中完成的三维图像不是完整连续的三维图像，是一层一层的。1.1 首先，把包含DICOM格式影像图片的文件夹直接拖到3D slicer的界面，然后点击OK。点击“Save”，弹出的对话框包含4个文件，其中2个是分割前的原始文件，另外2个是分割后的文件。首先，选中Smoothing功能，然后选择Joint smoothing，最后点击Apply。这是一个三维的图像，我们只要在一个面上勾画就可以了，另外两个面会自动显示勾画的区域。2.1 首先，点击以下图片中的下拉箭头，然后选择Segment editor。
2025-03-25 23:31:40
340
原创 影像组学1：病灶分割-MRIcroGL
图像获取主要就是把影像图片以DICOM的格式保存起来。格式转换完成之后，打开之前包含DICOM格式影像图片的文件夹，我们会发现文件夹里面多了一个nii.gz格式的文件，也就是NIfTI格式的文件。接下来是勾画感兴趣区域，矢状面、冠状面和横断面都可以勾画（示例中为随意勾画，大家在实际操作中可以请专业的医生确认感兴趣区域）。然后把包含DICOM格式影像图片的文件夹直接拖到转换的界面，这样就可以自动进行格式转换。这样图片就保存好了。打开方式也非常简单，就是把nii.gz格式的文件直接拖到MRIcroGL的界面。
2025-03-16 19:00:57
187
原创 样本量计算：配对样本定量资料——等效性检验
在“Reports (结果报告)”模块中，勾选“Show Dropout-Inflated Sample Size Report (报告脱失样本量)”，在“Dropout Rate”中填写“10%”，意味着假设样本脱失率为10%，即有10%的样本可能在研究过程中退出。采用配对设计，已知两组配对样本的平均值差为5 mmHg，等效性界值为±12 mmHg，差值标准差为16.0 mmHg。⑤δ(True Difference): 即两组的真总体平均值差，若位于等效性区间内，则认为等效，本例为“5”。
2025-03-05 20:51:04
408
原创 R语言实现正态性检验
Shapiro-Wilk检验（简称S-W检验）和Kolmogorov-Smirnov检验（简称K-S检验）是两种用于检验样本正态性的常用方法。结果显示P<0.05，因此拒绝原假设，表明样本不服从正态分布。（若P值大于0.05，则没有理由拒绝原假设，可以认为样本服从正态分布。结果显示P<0.05，拒绝原假设，认为样本不服从正态分布。（若P值大于0.05，则没有理由拒绝原假设，可以认为样本服从正态分布。相较于S-W检验，K-S检验的效能较低，通常在样本量超过5000时采用。
2025-02-08 11:35:50
360
原创 Logistic回归和Cox回归的异同
自变量包括连续变量（例如年龄）、有序分类变量（例如小、中、大）以及无序分类变量（例如黑色、棕色、红色）。时间则是一个连续变量，记录从研究开始到事件发生（如死亡）的时间，或者在未发生事件时，从开始到研究结束的总时间。①Logistic回归要求因变量为分类变量，服从二项分布，可以是二分类或多分类，多分类可以是有序或无序。①Logistic回归输出Odds Ratio（比值比），用于描述因变量改变时事件发生比的变化。②Cox回归可以处理带有删失值的自变量，有效利用截尾数据进行生存时间分析。
2025-01-31 11:18:57
634
原创 相对危险度（RR）、比值比（OR）和风险比（HR）简介
在临床和流行病学研究中，三个关键统计指标——相对危险度（Relative Risk，RR）、比值比（Odds Ratio，OR）和风险比（Hazard Ratio, HR）——用于评估暴露因素与结局（如发病或死亡）之间的关系及其强度。
2025-01-21 07:18:45
1479
原创 MedCalc绘制多组数据的生存曲线
我们之前介绍了如何使用MedCalc软件绘制单臂数据的生存曲线。有粉丝提出了关于多组数据生存曲线的绘制方法的问题。今天，我们将一起探讨如何使用MedCalc软件来实现这一点。
2025-01-14 09:50:03
373
原创 MedCalc绘制单臂数据的生存曲线
今天介绍的是MedCalc软件绘制单臂数据的生存曲线。MedCalc虽然在知名度上不及Python、SPSS、R语言等，但它也有它的优势。
2025-01-14 08:35:35
461
原创 Cox回归预测模型：变量筛选——LASSO回归
交叉验证曲线中，X轴是惩罚系数的对数logλ，Y轴是似然偏差，Y轴越小说明方差的拟合效果越好。图中有两条虚线，左边是平均误差最小时的λ值，即lambda.min，代表在该λ值下，模型拟合效果最高；右边是平均误差在一个标准差以内的最大的λ值，即lambda.1se，在该λ取值下，模型的拟合效果也很好，同时筛选的变量更少，模型更简单，临床上优先考虑使用该模型筛选出来的变量。第2列的os_status，为生存状态，0为删失，1为死亡；第1列的os_status，为生存状态，0为删失，1为死亡；
2025-01-07 02:41:27
863
1
原创 Logistic回归预测模型2：R语言实现模型的内部和外部验证
前面我们讲了logistic回归预测模型的建立，今天介绍的是模型的验证，可以在训练集和验证集中通过ROC曲线、校准曲线和决策曲线分别进行验证。
2024-12-22 22:30:10
1198
原创 Cox回归预测模型：模型的验证——决策曲线
模型使用 data 数据框，并以 os_time（生存时间）和 os_status（事件发生状态）为基础，建模 characteristic1，characteristic2 和 characteristic3 对生存时间的影响。第1列的num.为受试者编号；第2列的os_status，为生存状态，0为删失，1为死亡；临床决策曲线能够评估Cox回归模型的临床实用性及决策效益，是验证预测模型临床应用价值的重要工具。首先使用 dca 函数计算决策曲线，其中考虑的是模型在12个月时的预测风险 (pr_f12)。
2024-12-15 19:47:54
438
原创 Cox回归预测模型：模型的验证——ROC曲线
前面介绍了C-index和校准曲线对Cox回归模型的验证方法。今天将探讨利用ROC曲线来验证Cox回归模型的区分度。ROC曲线下的面积，即AUC值，范围在0至1之间。AUC值越接近1，模型的预测区分能力越强。
2024-12-10 18:41:37
942
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人