[论文解读] A hypothesis testing framework for the ratio of means of two negative binomial distributions: classifying the efficacy of anthelmintic treatment against intestinal parasites

Matthew Denwood, Giles Innocent+10 more|arXiv (Cornell University)|Oct 15, 2019

Helminth infection and control参考文献 1被引用 12

一句话总结

本文提出了一种新颖的假设检验框架，用于比较两个负二项分布均值的比值，特别针对寄生虫学中常见的过度分散计数数据（如寄生虫卵计数）评估抗蠕虫药物疗效。该方法将治疗疗效分类为四种可解释的类别：'充分'、'减弱'、'临界'或'不确定'，在100%疗效时具备经验证的I类错误控制和精确推断，相较于现有方法在稳健性和可解释性方面表现更优。

ABSTRACT

Over-dispersed count data typically pose a challenge to analysis using standard statistical methods, particularly when evaluating the efficacy of an intervention through the observed effect on the mean. We outline a novel statistical method for analysing such data, along with a statistically coherent framework within which the observed efficacy is assigned one of four easily interpretable classifications relative to a target efficacy: "adequate", "reduced", "borderline" or "inconclusive". We illustrate our approach by analysing the anthelmintic efficacy of mebendazole using a dataset of egg reduction rates relating to three intestinal parasites from a treatment arm of a randomised controlled trial involving 91 children on Pemba Island, Tanzania. Numerical validation of the type I error rates of the novel method indicate that it performs as well as the best existing computationally-simple method, but with the additional advantage of providing valid inference in the case of an observed efficacy of 100%. The framework and statistical analysis method presented also allow the required sample size of a prospective study to be determined via simulation. Both the framework and method presented have high potential utility within medical parasitology, as well as other fields where over-dispersed count datasets are commonplace. In order to facilitate the use of these methods within the wider medical community, user interfaces for both study planning and analysis of existing datasets are freely provided along with our open-source code via: http://www.fecrt.com/framework

研究动机与目标

• 为解决寄生虫学中过度分散计数数据的分析挑战，特别是抗蠕虫治疗后卵计数减少的问题。
• 开发一种统计上一致的假设检验框架，将治疗疗效分类为四种易于解释的类别：充分、减弱、临界或不确定。
• 确保有效的统计推断，特别是在极端效应量（如100%疗效）的情况下，此时许多现有方法常失效。
• 通过模拟实现前瞻性样本量确定，支持医学寄生虫学研究中高效试验设计。
• 提供开源工具和用户友好的界面，促进该方法在医学与流行病学研究社区中的应用。

提出的方法

• 该方法采用似然比检验（LRT）比较两个负二项分布均值的比值，充分考虑寄生虫卵计数数据固有的过度分散性。
• 引入基于统计显著性与预设阈值的四类疗效分类系统，提升临床与公共卫生决策的可解释性。
• 框架整合了精确推断程序，即使在观察到的疗效为100%时也能保持正确的I类错误率，这是许多传统方法的局限。
• 采用参数自展法估计检验统计量的零抽样分布，确保在小样本量和过度分散情况下的稳健性。
• 该方法支持基于模拟的统计功效与样本量计算，使研究者能够基于期望的精度与错误率规划未来研究。
• 提供开源R包和基于网络的用户界面，支持研究规划与现有数据集的分析。

实验结果

研究问题

• RQ1 在抗蠕虫药物疗效试验背景下，如何可靠地检验两个过度分散的负二项分布均值的比值？
• RQ2 何种统计框架能够实现将治疗疗效分类为四个明确类别的可解释分类：充分、减弱、临界或不确定？
• RQ3 当观察到的疗效为100%时，假设检验方法是否仍能维持有效的I类错误率？这一场景下许多标准方法会失效。
• RQ4 如何通过基于模拟的统计功效分析，准确确定在过度分散计数数据下的未来试验样本量需求？
• RQ5 在真实世界寄生虫学数据集中，该方法在统计有效性与可解释性方面相较于现有方法的优越程度如何？

主要发现

• 所提出的方法保持了适当的I类错误率，其表现与现有计算简便方法相当，且在极端效应量下表现更优。
• 即使观察到的卵减少率高达100%，该方法仍能提供有效的统计推断，这是对传统方法的重要优势。
• 四类分类系统（'充分'、'减弱'、'临界'、'不确定'）为公共卫生与临床决策提供了清晰、可操作的解释。
• 数值验证表明，该方法在多种分散度与样本量情景下均能控制I类错误，确保稳健性。
• 该框架可通过模拟实现精确的样本量估计，支持未来随机对照试验在寄生虫学研究中的高效设计。
• 开源代码与用户友好界面的提供，显著提升了该方法在医学与流行病学研究社区中的可及性与采纳率。