การค้นหาข้อมูลนำเข้าของแบบจำลองจากวรรณกรรม: เลือกค่าประมาณให้ตรงกับคำถาม

# Finding Model Inputs in the Literature: Match the Estimate to the Question
# Follow one hospital's readmission question from three candidate studies to its model input.
# ติดตามคำถามเรื่องการกลับมานอนโรงพยาบาลของโรงพยาบาลหนึ่ง จากการศึกษาสามเรื่องสู่ค่าที่แบบจำลองใช้
# Requires: R >= 4.5.2
# Tested: works in R 4.6.1
# tibble 3.3.1 (stable)
# dplyr 1.2.1 (stable)
# ggplot2 4.0.3 (stable)
# install.packages(c("tibble", "dplyr", "ggplot2"))
# update.packages(oldPkgs = c("tibble", "dplyr", "ggplot2"))
# remotes::install_version("tibble", "3.3.1")
# remotes::install_version("dplyr", "1.2.1")
# remotes::install_version("ggplot2", "4.0.3")
library(tibble)  # Write the candidate studies and the readings as explicit tables.
library(dplyr)  # Calculate the treated risk for each reading.
library(ggplot2)  # Display the readings side by side without saving files.
stopifnot(getRversion() >= "4.5.2")

#%%@note 1. Define the illustrative inputs
# Every input is synthetic and written out once, in the order the article uses it.
# ค่าตั้งต้นทั้งหมดเป็นข้อมูลสมมติ เขียนไว้ครั้งเดียวตามลำดับที่บทความใช้
discharges <- 1000
baseline_risk <- 0.20
risk_ratio <- 0.70
baselines <- c(0.20, 0.60)
effect <- 0.70
trial_control_risk <- 0.25
events <- c(treated = 8, control = 13)
patients <- c(treated = 66, control = 60)
control_survival <- 0.60
hazard_ratio <- 0.70

#%%@note 2. Rework the two foundation examples
# One trial's counts give both ratios; one survival curve turns a rate ratio into risks.
# จำนวนจากการทดลองหนึ่งให้อัตราส่วนทั้งสองแบบ และเส้นการอยู่รอดหนึ่งเส้นแปลงอัตราส่วนเป็นความเสี่ยง
risks <- events / patients
odds <- events / (patients - events)
five_year_risks <- 1 - control_survival^c(1, hazard_ratio)

#%%@note 3. Apply the matching risk ratio to the local baseline
# Treated risk is the baseline times the ratio; the gap is the absolute reduction.
# ความเสี่ยงเมื่อมีการโทรติดตามคือความเสี่ยงพื้นฐานคูณอัตราส่วน ผลต่างคือการลดลงสัมบูรณ์
treated_risk <- baseline_risk * risk_ratio
absolute_reduction <- baseline_risk - treated_risk
per_thousand <- discharges * c(baseline_risk, treated_risk, absolute_reduction)

#%%@note 4. Read the same value through odds and through the share still free
# Each reading changes a different quantity, so each gives a different treated risk.
# แต่ละวิธีอ่านเปลี่ยนปริมาณคนละตัว จึงได้ความเสี่ยงเมื่อมีการโทรติดตามต่างกัน
base_odds <- baselines / (1 - baselines)
call_odds <- effect * base_odds
readings <- tibble::tibble(reading = rep(c("risk", "odds", "hazard"), times = 2),
                           baseline = rep(baselines, each = 3)) |>
  dplyr::mutate(odds = effect * baseline / (1 - baseline),
                treated = dplyr::case_when(reading == "risk" ~ baseline * effect,
                                           reading == "odds" ~ odds / (1 + odds),
                                           TRUE ~ 1 - (1 - baseline)^effect))
treated <- matrix(readings$treated, nrow = 3, dimnames = list(c("risk", "odds", "hazard"), NULL))
stopifnot(abs(treated["odds", ] - call_odds / (1 + call_odds)) < 1e-12)
shown <- sprintf("%.2f%%", 100 * treated)

#%%@note 5. Pair the trial's ratio with each baseline
# The ratio comes from the trial; the baseline should come from the hospital's own patients.
# อัตราส่วนมาจากการทดลอง ส่วนความเสี่ยงพื้นฐานควรมาจากผู้ป่วยของโรงพยาบาลเอง
baselines_compared <- c(baseline_risk, trial_control_risk)
avoided <- discharges * baselines_compared * (1 - risk_ratio)
trial_treated <- trial_control_risk * risk_ratio

#%%@note 6. Display the readings
# Plot the treated risk for each reading at both baselines; no graphics file is saved.
# แสดงความเสี่ยงเมื่อมีการโทรติดตามของแต่ละวิธีอ่านที่ความเสี่ยงพื้นฐานทั้งสองค่า ไม่บันทึกไฟล์ภาพ
print(ggplot2::ggplot(readings, ggplot2::aes(x = reading, y = 100 * treated)) +
  ggplot2::geom_col() + ggplot2::facet_wrap(~baseline) +
  ggplot2::labs(x = "How 0.70 is read", y = "Treated risk (%)"))

#%%@note 7. Numbers the article quotes
# Print exactly the short boxes in their reading order.
# พิมพ์ผลลัพธ์ตรงกับกล่องตัวอย่างตามลำดับในบทความ
cat("Events, then patients, treated and control:", events, patients, "\n")
cat("Risk ratio and odds ratio:", sprintf("%.2f", c(risks[1] / risks[2], odds[1] / odds[2])), "\n")
cat("Five-year risks, control and treated:", sprintf("%.1f%%", 100 * five_year_risks), "\n")
cat("Five-year risk ratio:", sprintf("%.2f", five_year_risks[2] / five_year_risks[1]), "\n")
cat("Treated risk as a share:", treated_risk, "\n")
cat("Treated risk (%):", round(100 * treated_risk, 2), "\n")
cat("Absolute reduction (percentage points):", round(100 * absolute_reduction, 2), "\n")
cat("Per 1,000 discharges, usual care, programme, avoided:", round(per_thousand), "\n")
cat("Odds at 0.20: usual, calls, calls + one:", base_odds[1], call_odds[1], 1 + call_odds[1], "\n")
cat("Still free at 0.20, usual, hazard:", round(1 - c(baselines[1], treated[3, 1]), 3), "\n")
cat("Treated risk at 0.20 read as risk, odds, hazard ratio:", shown[1:3], "\n")
cat("Avoided per 1,000 at 0.20:", round(1000 * (baselines[1] - treated[, 1])), "\n")
cat("Treated risk at 0.60 read as risk, odds, hazard ratio:", shown[4:6], "\n")
cat("Treated risk with the trial baseline (%):", round(100 * trial_treated, 2), "\n")
cat("Avoided per 1,000, local and trial baseline:", round(avoided), "\n")

# Finding Model Inputs in the Literature: Match the Estimate to the Question
# Follow one hospital's readmission question from three candidate studies to its model input.
# ติดตามคำถามเรื่องการกลับมานอนโรงพยาบาลของโรงพยาบาลหนึ่ง จากการศึกษาสามเรื่องสู่ค่าที่แบบจำลองใช้
# Requires: R >= 4.5.2
# Tested: works in R 4.6.1
# tibble 3.3.1 (stable)
# dplyr 1.2.1 (stable)
# ggplot2 4.0.3 (stable)
# install.packages(c("tibble", "dplyr", "ggplot2"))
# update.packages(oldPkgs = c("tibble", "dplyr", "ggplot2"))
# remotes::install_version("tibble", "3.3.1")
# remotes::install_version("dplyr", "1.2.1")
# remotes::install_version("ggplot2", "4.0.3")
library(tibble)  # Write the candidate studies and the readings as explicit tables.
library(dplyr)  # Calculate the treated risk for each reading.
library(ggplot2)  # Display the readings side by side without saving files.
stopifnot(getRversion() >= "4.5.2")

#%%@note 1. Define the illustrative inputs
# Every input is synthetic and written out once, in the order the article uses it.
# ค่าตั้งต้นทั้งหมดเป็นข้อมูลสมมติ เขียนไว้ครั้งเดียวตามลำดับที่บทความใช้
discharges <- 1000
baseline_risk <- 0.20
risk_ratio <- 0.70
baselines <- c(0.20, 0.60)
effect <- 0.70
trial_control_risk <- 0.25
events <- c(treated = 8, control = 13)
patients <- c(treated = 66, control = 60)
control_survival <- 0.60
hazard_ratio <- 0.70

#%%@note 2. Rework the two foundation examples
# One trial's counts give both ratios; one survival curve turns a rate ratio into risks.
# จำนวนจากการทดลองหนึ่งให้อัตราส่วนทั้งสองแบบ และเส้นการอยู่รอดหนึ่งเส้นแปลงอัตราส่วนเป็นความเสี่ยง
risks <- events / patients
odds <- events / (patients - events)
five_year_risks <- 1 - control_survival^c(1, hazard_ratio)

#%%@note 3. Apply the matching risk ratio to the local baseline
# Treated risk is the baseline times the ratio; the gap is the absolute reduction.
# ความเสี่ยงเมื่อมีการโทรติดตามคือความเสี่ยงพื้นฐานคูณอัตราส่วน ผลต่างคือการลดลงสัมบูรณ์
treated_risk <- baseline_risk * risk_ratio
absolute_reduction <- baseline_risk - treated_risk
per_thousand <- discharges * c(baseline_risk, treated_risk, absolute_reduction)

#%%@note 4. Read the same value through odds and through the share still free
# Each reading changes a different quantity, so each gives a different treated risk.
# แต่ละวิธีอ่านเปลี่ยนปริมาณคนละตัว จึงได้ความเสี่ยงเมื่อมีการโทรติดตามต่างกัน
base_odds <- baselines / (1 - baselines)
call_odds <- effect * base_odds
readings <- tibble::tibble(reading = rep(c("risk", "odds", "hazard"), times = 2),
                           baseline = rep(baselines, each = 3)) |>
  dplyr::mutate(odds = effect * baseline / (1 - baseline),
                treated = dplyr::case_when(reading == "risk" ~ baseline * effect,
                                           reading == "odds" ~ odds / (1 + odds),
                                           TRUE ~ 1 - (1 - baseline)^effect))
treated <- matrix(readings$treated, nrow = 3, dimnames = list(c("risk", "odds", "hazard"), NULL))
stopifnot(abs(treated["odds", ] - call_odds / (1 + call_odds)) < 1e-12)
shown <- sprintf("%.2f%%", 100 * treated)

#%%@note 5. Pair the trial's ratio with each baseline
# The ratio comes from the trial; the baseline should come from the hospital's own patients.
# อัตราส่วนมาจากการทดลอง ส่วนความเสี่ยงพื้นฐานควรมาจากผู้ป่วยของโรงพยาบาลเอง
baselines_compared <- c(baseline_risk, trial_control_risk)
avoided <- discharges * baselines_compared * (1 - risk_ratio)
trial_treated <- trial_control_risk * risk_ratio

#%%@note 6. Display the readings
# Plot the treated risk for each reading at both baselines; no graphics file is saved.
# แสดงความเสี่ยงเมื่อมีการโทรติดตามของแต่ละวิธีอ่านที่ความเสี่ยงพื้นฐานทั้งสองค่า ไม่บันทึกไฟล์ภาพ
print(ggplot2::ggplot(readings, ggplot2::aes(x = reading, y = 100 * treated)) +
  ggplot2::geom_col() + ggplot2::facet_wrap(~baseline) +
  ggplot2::labs(x = "How 0.70 is read", y = "Treated risk (%)"))

#%%@note 7. Numbers the article quotes
# Print exactly the short boxes in their reading order.
# พิมพ์ผลลัพธ์ตรงกับกล่องตัวอย่างตามลำดับในบทความ
cat("Events, then patients, treated and control:", events, patients, "\n")
cat("Risk ratio and odds ratio:", sprintf("%.2f", c(risks[1] / risks[2], odds[1] / odds[2])), "\n")
cat("Five-year risks, control and treated:", sprintf("%.1f%%", 100 * five_year_risks), "\n")
cat("Five-year risk ratio:", sprintf("%.2f", five_year_risks[2] / five_year_risks[1]), "\n")
cat("Treated risk as a share:", treated_risk, "\n")
cat("Treated risk (%):", round(100 * treated_risk, 2), "\n")
cat("Absolute reduction (percentage points):", round(100 * absolute_reduction, 2), "\n")
cat("Per 1,000 discharges, usual care, programme, avoided:", round(per_thousand), "\n")
cat("Odds at 0.20: usual, calls, calls + one:", base_odds[1], call_odds[1], 1 + call_odds[1], "\n")
cat("Still free at 0.20, usual, hazard:", round(1 - c(baselines[1], treated[3, 1]), 3), "\n")
cat("Treated risk at 0.20 read as risk, odds, hazard ratio:", shown[1:3], "\n")
cat("Avoided per 1,000 at 0.20:", round(1000 * (baselines[1] - treated[, 1])), "\n")
cat("Treated risk at 0.60 read as risk, odds, hazard ratio:", shown[4:6], "\n")
cat("Treated risk with the trial baseline (%):", round(100 * trial_treated, 2), "\n")
cat("Avoided per 1,000, local and trial baseline:", round(avoided), "\n")

# Finding Model Inputs in the Literature: Match the Estimate to the Question
# Follow one hospital's readmission question from three candidate studies to its model input.
# ติดตามคำถามเรื่องการกลับมานอนโรงพยาบาลของโรงพยาบาลหนึ่ง จากการศึกษาสามเรื่องสู่ค่าที่แบบจำลองใช้
# Requires: R >= 4.5.2
# Tested: works in R 4.6.1
# tibble 3.3.1 (stable)
# dplyr 1.2.1 (stable)
# ggplot2 4.0.3 (stable)
# install.packages(c("tibble", "dplyr", "ggplot2"))
# update.packages(oldPkgs = c("tibble", "dplyr", "ggplot2"))
# remotes::install_version("tibble", "3.3.1")
# remotes::install_version("dplyr", "1.2.1")
# remotes::install_version("ggplot2", "4.0.3")
library(tibble)  # Write the candidate studies and the readings as explicit tables.
library(dplyr)  # Calculate the treated risk for each reading.
library(ggplot2)  # Display the readings side by side without saving files.
stopifnot(getRversion() >= "4.5.2")

#%%@note 1. Define the illustrative inputs
# Every input is synthetic and written out once, in the order the article uses it.
# ค่าตั้งต้นทั้งหมดเป็นข้อมูลสมมติ เขียนไว้ครั้งเดียวตามลำดับที่บทความใช้
discharges <- 1000
baseline_risk <- 0.20
risk_ratio <- 0.70
baselines <- c(0.20, 0.60)
effect <- 0.70
trial_control_risk <- 0.25
events <- c(treated = 8, control = 13)
patients <- c(treated = 66, control = 60)
control_survival <- 0.60
hazard_ratio <- 0.70

#%%@note 2. Rework the two foundation examples
# One trial's counts give both ratios; one survival curve turns a rate ratio into risks.
# จำนวนจากการทดลองหนึ่งให้อัตราส่วนทั้งสองแบบ และเส้นการอยู่รอดหนึ่งเส้นแปลงอัตราส่วนเป็นความเสี่ยง
risks <- events / patients
odds <- events / (patients - events)
five_year_risks <- 1 - control_survival^c(1, hazard_ratio)

#%%@note 3. Apply the matching risk ratio to the local baseline
# Treated risk is the baseline times the ratio; the gap is the absolute reduction.
# ความเสี่ยงเมื่อมีการโทรติดตามคือความเสี่ยงพื้นฐานคูณอัตราส่วน ผลต่างคือการลดลงสัมบูรณ์
treated_risk <- baseline_risk * risk_ratio
absolute_reduction <- baseline_risk - treated_risk
per_thousand <- discharges * c(baseline_risk, treated_risk, absolute_reduction)

#%%@note 4. Read the same value through odds and through the share still free
# Each reading changes a different quantity, so each gives a different treated risk.
# แต่ละวิธีอ่านเปลี่ยนปริมาณคนละตัว จึงได้ความเสี่ยงเมื่อมีการโทรติดตามต่างกัน
base_odds <- baselines / (1 - baselines)
call_odds <- effect * base_odds
readings <- tibble::tibble(reading = rep(c("risk", "odds", "hazard"), times = 2),
                           baseline = rep(baselines, each = 3)) |>
  dplyr::mutate(odds = effect * baseline / (1 - baseline),
                treated = dplyr::case_when(reading == "risk" ~ baseline * effect,
                                           reading == "odds" ~ odds / (1 + odds),
                                           TRUE ~ 1 - (1 - baseline)^effect))
treated <- matrix(readings$treated, nrow = 3, dimnames = list(c("risk", "odds", "hazard"), NULL))
stopifnot(abs(treated["odds", ] - call_odds / (1 + call_odds)) < 1e-12)
shown <- sprintf("%.2f%%", 100 * treated)

#%%@note 5. Pair the trial's ratio with each baseline
# The ratio comes from the trial; the baseline should come from the hospital's own patients.
# อัตราส่วนมาจากการทดลอง ส่วนความเสี่ยงพื้นฐานควรมาจากผู้ป่วยของโรงพยาบาลเอง
baselines_compared <- c(baseline_risk, trial_control_risk)
avoided <- discharges * baselines_compared * (1 - risk_ratio)
trial_treated <- trial_control_risk * risk_ratio

#%%@note 6. Display the readings
# Plot the treated risk for each reading at both baselines; no graphics file is saved.
# แสดงความเสี่ยงเมื่อมีการโทรติดตามของแต่ละวิธีอ่านที่ความเสี่ยงพื้นฐานทั้งสองค่า ไม่บันทึกไฟล์ภาพ
print(ggplot2::ggplot(readings, ggplot2::aes(x = reading, y = 100 * treated)) +
  ggplot2::geom_col() + ggplot2::facet_wrap(~baseline) +
  ggplot2::labs(x = "How 0.70 is read", y = "Treated risk (%)"))

#%%@note 7. Numbers the article quotes
# Print exactly the short boxes in their reading order.
# พิมพ์ผลลัพธ์ตรงกับกล่องตัวอย่างตามลำดับในบทความ
cat("Events, then patients, treated and control:", events, patients, "\n")
cat("Risk ratio and odds ratio:", sprintf("%.2f", c(risks[1] / risks[2], odds[1] / odds[2])), "\n")
cat("Five-year risks, control and treated:", sprintf("%.1f%%", 100 * five_year_risks), "\n")
cat("Five-year risk ratio:", sprintf("%.2f", five_year_risks[2] / five_year_risks[1]), "\n")
cat("Treated risk as a share:", treated_risk, "\n")
cat("Treated risk (%):", round(100 * treated_risk, 2), "\n")
cat("Absolute reduction (percentage points):", round(100 * absolute_reduction, 2), "\n")
cat("Per 1,000 discharges, usual care, programme, avoided:", round(per_thousand), "\n")
cat("Odds at 0.20: usual, calls, calls + one:", base_odds[1], call_odds[1], 1 + call_odds[1], "\n")
cat("Still free at 0.20, usual, hazard:", round(1 - c(baselines[1], treated[3, 1]), 3), "\n")
cat("Treated risk at 0.20 read as risk, odds, hazard ratio:", shown[1:3], "\n")
cat("Avoided per 1,000 at 0.20:", round(1000 * (baselines[1] - treated[, 1])), "\n")
cat("Treated risk at 0.60 read as risk, odds, hazard ratio:", shown[4:6], "\n")
cat("Treated risk with the trial baseline (%):", round(100 * trial_treated, 2), "\n")
cat("Avoided per 1,000, local and trial baseline:", round(avoided), "\n")

# Finding Model Inputs in the Literature: Match the Estimate to the Question
# Follow one hospital's readmission question from three candidate studies to its model input.
# ติดตามคำถามเรื่องการกลับมานอนโรงพยาบาลของโรงพยาบาลหนึ่ง จากการศึกษาสามเรื่องสู่ค่าที่แบบจำลองใช้
# Requires: R >= 4.5.2
# Tested: works in R 4.6.1
# tibble 3.3.1 (stable)
# dplyr 1.2.1 (stable)
# ggplot2 4.0.3 (stable)
# install.packages(c("tibble", "dplyr", "ggplot2"))
# update.packages(oldPkgs = c("tibble", "dplyr", "ggplot2"))
# remotes::install_version("tibble", "3.3.1")
# remotes::install_version("dplyr", "1.2.1")
# remotes::install_version("ggplot2", "4.0.3")
library(tibble)  # Write the candidate studies and the readings as explicit tables.
library(dplyr)  # Calculate the treated risk for each reading.
library(ggplot2)  # Display the readings side by side without saving files.
stopifnot(getRversion() >= "4.5.2")

#%%@note 1. Define the illustrative inputs
# Every input is synthetic and written out once, in the order the article uses it.
# ค่าตั้งต้นทั้งหมดเป็นข้อมูลสมมติ เขียนไว้ครั้งเดียวตามลำดับที่บทความใช้
discharges <- 1000
baseline_risk <- 0.20
risk_ratio <- 0.70
baselines <- c(0.20, 0.60)
effect <- 0.70
trial_control_risk <- 0.25
events <- c(treated = 8, control = 13)
patients <- c(treated = 66, control = 60)
control_survival <- 0.60
hazard_ratio <- 0.70

#%%@note 2. Rework the two foundation examples
# One trial's counts give both ratios; one survival curve turns a rate ratio into risks.
# จำนวนจากการทดลองหนึ่งให้อัตราส่วนทั้งสองแบบ และเส้นการอยู่รอดหนึ่งเส้นแปลงอัตราส่วนเป็นความเสี่ยง
risks <- events / patients
odds <- events / (patients - events)
five_year_risks <- 1 - control_survival^c(1, hazard_ratio)

#%%@note 3. Apply the matching risk ratio to the local baseline
# Treated risk is the baseline times the ratio; the gap is the absolute reduction.
# ความเสี่ยงเมื่อมีการโทรติดตามคือความเสี่ยงพื้นฐานคูณอัตราส่วน ผลต่างคือการลดลงสัมบูรณ์
treated_risk <- baseline_risk * risk_ratio
absolute_reduction <- baseline_risk - treated_risk
per_thousand <- discharges * c(baseline_risk, treated_risk, absolute_reduction)

#%%@note 4. Read the same value through odds and through the share still free
# Each reading changes a different quantity, so each gives a different treated risk.
# แต่ละวิธีอ่านเปลี่ยนปริมาณคนละตัว จึงได้ความเสี่ยงเมื่อมีการโทรติดตามต่างกัน
base_odds <- baselines / (1 - baselines)
call_odds <- effect * base_odds
readings <- tibble::tibble(reading = rep(c("risk", "odds", "hazard"), times = 2),
                           baseline = rep(baselines, each = 3)) |>
  dplyr::mutate(odds = effect * baseline / (1 - baseline),
                treated = dplyr::case_when(reading == "risk" ~ baseline * effect,
                                           reading == "odds" ~ odds / (1 + odds),
                                           TRUE ~ 1 - (1 - baseline)^effect))
treated <- matrix(readings$treated, nrow = 3, dimnames = list(c("risk", "odds", "hazard"), NULL))
stopifnot(abs(treated["odds", ] - call_odds / (1 + call_odds)) < 1e-12)
shown <- sprintf("%.2f%%", 100 * treated)

#%%@note 5. Pair the trial's ratio with each baseline
# The ratio comes from the trial; the baseline should come from the hospital's own patients.
# อัตราส่วนมาจากการทดลอง ส่วนความเสี่ยงพื้นฐานควรมาจากผู้ป่วยของโรงพยาบาลเอง
baselines_compared <- c(baseline_risk, trial_control_risk)
avoided <- discharges * baselines_compared * (1 - risk_ratio)
trial_treated <- trial_control_risk * risk_ratio

#%%@note 6. Display the readings
# Plot the treated risk for each reading at both baselines; no graphics file is saved.
# แสดงความเสี่ยงเมื่อมีการโทรติดตามของแต่ละวิธีอ่านที่ความเสี่ยงพื้นฐานทั้งสองค่า ไม่บันทึกไฟล์ภาพ
print(ggplot2::ggplot(readings, ggplot2::aes(x = reading, y = 100 * treated)) +
  ggplot2::geom_col() + ggplot2::facet_wrap(~baseline) +
  ggplot2::labs(x = "How 0.70 is read", y = "Treated risk (%)"))

#%%@note 7. Numbers the article quotes
# Print exactly the short boxes in their reading order.
# พิมพ์ผลลัพธ์ตรงกับกล่องตัวอย่างตามลำดับในบทความ
cat("Events, then patients, treated and control:", events, patients, "\n")
cat("Risk ratio and odds ratio:", sprintf("%.2f", c(risks[1] / risks[2], odds[1] / odds[2])), "\n")
cat("Five-year risks, control and treated:", sprintf("%.1f%%", 100 * five_year_risks), "\n")
cat("Five-year risk ratio:", sprintf("%.2f", five_year_risks[2] / five_year_risks[1]), "\n")
cat("Treated risk as a share:", treated_risk, "\n")
cat("Treated risk (%):", round(100 * treated_risk, 2), "\n")
cat("Absolute reduction (percentage points):", round(100 * absolute_reduction, 2), "\n")
cat("Per 1,000 discharges, usual care, programme, avoided:", round(per_thousand), "\n")
cat("Odds at 0.20: usual, calls, calls + one:", base_odds[1], call_odds[1], 1 + call_odds[1], "\n")
cat("Still free at 0.20, usual, hazard:", round(1 - c(baselines[1], treated[3, 1]), 3), "\n")
cat("Treated risk at 0.20 read as risk, odds, hazard ratio:", shown[1:3], "\n")
cat("Avoided per 1,000 at 0.20:", round(1000 * (baselines[1] - treated[, 1])), "\n")
cat("Treated risk at 0.60 read as risk, odds, hazard ratio:", shown[4:6], "\n")
cat("Treated risk with the trial baseline (%):", round(100 * trial_treated, 2), "\n")
cat("Avoided per 1,000, local and trial baseline:", round(avoided), "\n")