Kim jest Richard Peto?
Richard Peto (ur. 1943) to brytyjski statystyk medyczny i epidemiolog z Uniwersytetu Oksfordzkiego. Studiował nauki przyrodnicze w Cambridge i statystykę na Uniwersytecie Londyńskim, a po dwóch latach w Statistical Research Unit brytyjskiej Rady ds. Badań Medycznych (MRC) przeniósł się w 1969 r. razem z Richardem Dollem do Oksfordu. Został tam profesorem statystyki medycznej i epidemiologii oraz współdyrektorem Clinical Trial Service Unit (CTSU); dziś jest profesorem emerytowanym (King Faisal Prize, b.d.).
W 1989 r. wybrano go do Royal Society, a w 1999 r. otrzymał tytuł szlachecki (American Association for Cancer Research, b.d.). W 2005 r. dostał Nagrodę Króla Fajsala z medycyny za badania nad związkiem tytoniu z nowotworami i chorobami serca (King Faisal Prize, b.d.).
Najważniejsze pomysły
- Test log-rank i prosta analiza przeżycia (1976–1977). Peto był pierwszym autorem dwuczęściowego raportu brytyjskich i amerykańskich statystyków – wśród współautorów byli Peter Armitage, Norman Breslow, David Cox i Nathan Mantel. Druga część uczyła lekarzy bez przygotowania statystycznego analizować badania kliniczne za pomocą tablic trwania życia, testu log-rank i stratyfikacji (Peto i in., 1977).
- Zestawienia wielu badań (metaanaliza). W przeglądzie około 65 badań beta-blokerów po zawale serca Yusuf, Peto i współautorzy (1985) przekonywali, że pojedyncze badania są zwykle za małe, a decyzję trzeba opierać na zestawieniu wszystkich podobnych badań randomizowanych. Zaproponowali prostą metodę: z każdego badania bierze się różnicę między obserwowaną a oczekiwaną liczbą zdarzeń (O − E) i sumuje te różnice bez porównywania pacjentów z różnych badań. Tak powstał iloraz szans metodą Peto, dziś jedna z opcji w programach do metaanalizy. Fundacja Nagrody Króla Fajsala podkreśla jego udział we wprowadzeniu łączonych metaanaliz wyników badań klinicznych (King Faisal Prize, b.d.).
- Duże badania randomizowane. Peto pomagał organizować duże badania randomizowane w chorobach serca, udarze i raku piersi (King Faisal Prize, b.d.). Przykładem jest ISIS-2 (ISIS-2 Collaborative Group, 1988): 17 187 pacjentów z podejrzeniem zawału losowo przydzielonych do streptokinazy, aspiryny, obu leków albo żadnego.
- Tytoń i przyczyny nowotworów. Z Dollem przez ponad 30 lat badał skutki palenia, m.in. w kohorcie brytyjskich lekarzy (King Faisal Prize, b.d.). W raporcie z 1981 r. o możliwych do uniknięcia przyczynach raka w USA oszacowali, że palenie powoduje więcej zgonów nowotworowych niż wszystkie inne pewnie znane przyczyny razem (American Association for Cancer Research, b.d.). Peto prowadził też duże badania palenia m.in. w Chinach i Indiach.
Ciekawostka
Jedna z najbardziej znanych przestróg przed analizą podgrup dotyczy znaków zodiaku. Peto (2011) opisał, jak pacjentów badania ISIS-2 podzielono na 12 podgrup według astrologicznego znaku urodzenia i w każdej policzono efekt aspiryny. Gdy zebrano razem znaki z najgorszymi wynikami, okazało się, że u urodzonych pod znakiem Wagi lub Bliźniąt aspiryna „nie działa”: 150 zgonów w ciągu miesiąca w grupie aspiryny i 147 w grupie placebo. W pozostałych znakach było to 654 wobec 869, a we wszystkich razem 804 (9.4%) wobec 1016 (11.8%), czyli wyraźna korzyść.
Celem była przestroga: przypadek potrafi „wyłączyć” skuteczny lek w wybranych podgrupach, a u Koziorożców aspiryna pozornie zmniejszała śmiertelność o połowę (Peto, 2011). Właściwą miarą dla każdej podgrupy jest wynik całego badania, a wnioski z podgrup wybranych po fakcie są statystycznie tak samo słabe jak te „astrologiczne”.
Przykład na historycznych danych
Zbiór dat.yusuf1985 z pakietu metadat (ładowanego razem z metafor) zawiera według pliku pomocy tabele z przeglądu Yusufa, Peto i in. (1985). Bierzemy tabelę 10: całkowitą śmiertelność w długoterminowych badaniach beta-blokerów po zawale. Dane liczbowe ma 23 badania: 827 zgonów wśród 10 452 leczonych i 986 wśród 9860 pacjentów z grup kontrolnych.
W każdym badaniu liczymy oczekiwaną przy braku efektu liczbę zgonów w grupie leczonej (E), różnicę O − E i jej wariancję V. Suma różnic wynosi −105.17, a suma wariancji 404.42. Logarytm ilorazu szans Peto to po prostu ich iloraz, więc OR = 0.771 (95% CI [0.699, 0.850]), z = −5.23 – szansa zgonu w grupach z beta-blokerem była o około 23% mniejsza. Funkcja rma.peto() daje ten sam wynik. Statystyka heterogeniczności Peto Q = 23.28 (p = .386) nie wskazuje na wyraźne różnice między badaniami.
Estymator Mantela–Haenszela, liczony ręcznie i w rma.mh(), daje OR = 0.770 [0.699, 0.850], model odwrotności wariancji 0.771, a model efektów losowych DerSimoniana–Lairda 0.775 [0.698, 0.860] przy τ² = 0.004. Metody są praktycznie zgodne; w pojedynczych badaniach różnice rosną przy silnym efekcie: w badaniu Wilhelmssona (7/114 wobec 14/116) OR Peto wynosi 0.491, a zwykły iloraz szans 0.477.
Na rysunku
Co widać. Prace metodologiczne i wielkie badania kliniczne powstają w ciągu kilkunastu lat po przeprowadzce do Oksfordu.
Na co uważać. Na osi są tylko daty z cytowanych źródeł. Rok założenia CTSU i współtworzenia grupy badaczy raka piersi (EBCTCG) pominęliśmy, bo cytowane źródła ich nie podają albo podają tylko w przybliżeniu.
Podpis do pracy:
metadat::dat.yusuf1985, tabela 10). Obliczenia: R, pakiet metafor; rysunek: pakiety ggplot2 i patchwork (bez losowania).Co widać. W panelu A każde badanie to jeden punkt: im większa wariancja V, tym więcej informacji (zgonów) w badaniu. Większość punktów leży poniżej zera – w grupach z lekiem zmarło mniej osób, niż oczekiwano. Nachylenie prostej poprowadzonej przez początek układu to ΣO−E / ΣV, czyli logarytm ilorazu szans Peto. Panel B porównuje cztery metody.
Na co uważać. Metoda Peto zakłada jeden wspólny efekt. Zgodność z innymi metodami wynika tu z umiarkowanego efektu i małej heterogeniczności.
Podpis do pracy:
Gdzie spotkasz Richarda Peto w swojej pracy
Najczęściej w metaanalizie danych binarnych. Na co zwracać uwagę:
- przy ilorazie szans Peto napisz wprost, że to model efektu wspólnego, przy silnych efektach sprawdź zgodność z metodą Mantela–Haenszela i pokaż wykres lasu;
- gdy efekty mogą się różnić między badaniami, porównaj wynik z modelem efektów losowych i podaj I² i τ²; historię tego podejścia opisujemy w haśle o Rebecce DerSimonian i Nan Laird;
- w analizie przeżycia w badaniu klinicznym podstawowym narzędziem pozostaje test log-rank, a analizy podgrup planuj z wyprzedzeniem i interpretuj ostrożnie (więcej we wpisie Analiza podgrup – kiedy jej wierzyć).
Spory, mity i trudne strony
- Proste czy złożone metody? Yusuf i in. (1985) pisali, że sumowanie O − E z każdego badania jest odporne, czułe i zrozumiałe dla lekarzy, więc bardziej złożone metody nie są potrzebne. Rok później DerSimonian i Laird zaproponowali model efektów losowych, który dopuszcza różnice prawdziwych efektów między badaniami. Oba podejścia odpowiadają na nieco inne pytania, dlatego warto porównać ich wyniki – tak jak w przykładzie wyżej.
- „Aspiryna nie działa u Wag i Bliźniąt”. To nie wynik, tylko celowo przygotowany przykład niewiarygodnej analizy podgrup (Peto, 2011) – im więcej podgrup, tym łatwiej o przypadkowe „odkrycie”.
- Kto „wymyślił” metaanalizę? Nie Peto – łączenie wyników badań ma dłuższą historię (zob. Gene Glass, Archie Cochrane); on pomógł wprowadzić je do medycyny.
Iloraz szans metodą Peto w R
Kod wczytuje tabelę 10 z przeglądu badań beta-blokerów, liczy O − E i V w każdym badaniu, iloraz szans Peto i Mantela–Haenszela ręcznie oraz w pakiecie metafor, porównuje cztery metody i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Metoda Peto krok po kroku: rysunek 2
Kod R rysunku 2
# Richard Peto: iloraz szans metodą Peto (O − E i V) ręcznie vs Mantel–Haenszel (metadat::dat.yusuf1985, tabela 10)
suppressPackageStartupMessages({library(metafor); library(ggplot2); library(patchwork)})
kol <- c(peto = "#0072B2", mh = "#D55E00", iv = "#009E73", dl = "#CC79A7", tlo = "grey55") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(dat.yusuf1985, package = "metadat")
# Tabela 10 z przeglądu Yusufa i in. (1985): śmiertelność w długoterminowych badaniach beta-blokerów po zawale;
# ai – zgony wśród n1i leczonych, ci – zgony wśród n2i w grupie kontrolnej; badanie Ciba-Geigy nie ma danych
dat <- subset(dat.yusuf1985, table == "10" & !is.na(ai))
dat[c("ai", "n1i", "ci", "n2i")] <- lapply(dat[c("ai", "n1i", "ci", "n2i")], as.numeric) # bez przepełnienia liczb całkowitych
c(badania = nrow(dat), zgony_leczeni = sum(dat$ai), n_leczeni = sum(dat$n1i),
zgony_kontrola = sum(dat$ci), n_kontrola = sum(dat$n2i))
# 1. Metoda Peto ręcznie: w każdym badaniu obserwowane minus oczekiwane zgony (O − E) i wariancja V
N <- dat$n1i + dat$n2i; D <- dat$ai + dat$ci
dat$E <- dat$n1i * D / N # oczekiwane zgony w grupie leczonej przy H0
dat$O_E <- dat$ai - dat$E
dat$V <- dat$n1i * dat$n2i * D * (N - D) / (N^2 * (N - 1)) # wariancja hipergeometryczna
lnOR_peto <- sum(dat$O_E) / sum(dat$V); se_peto <- 1 / sqrt(sum(dat$V))
Q_peto <- sum(dat$O_E^2 / dat$V) - sum(dat$O_E)^2 / sum(dat$V)
round(c(suma_O_E = sum(dat$O_E), suma_V = sum(dat$V), z = lnOR_peto / se_peto, Q = Q_peto), 2)
round(c(OR_Peto = exp(lnOR_peto), dolna = exp(lnOR_peto - 1.96 * se_peto), gorna = exp(lnOR_peto + 1.96 * se_peto)), 3)
peto <- rma.peto(ai = ai, n1i = n1i, ci = ci, n2i = n2i, data = dat)
round(c(OR_rma_peto = exp(as.numeric(peto$beta)), dolna = exp(peto$ci.lb), gorna = exp(peto$ci.ub), Q = peto$QE, p_Q = peto$QEp), 3)
# 2. Mantel–Haenszel ręcznie i w metafor
R <- dat$ai * (dat$n2i - dat$ci) / N; S <- dat$ci * (dat$n1i - dat$ai) / N
mh <- rma.mh(ai = ai, n1i = n1i, ci = ci, n2i = n2i, data = dat)
round(c(OR_MH_recznie = sum(R) / sum(S), OR_rma_mh = exp(as.numeric(mh$beta)), dolna = exp(mh$ci.lb), gorna = exp(mh$ci.ub)), 3)
# 3. Dla porównania: model odwrotności wariancji (efekt wspólny) i efektów losowych (DL) na log OR
es <- escalc(measure = "OR", ai = ai, n1i = n1i, ci = ci, n2i = n2i, data = dat)
iv <- rma(yi, vi, data = es, method = "EE"); dl <- rma(yi, vi, data = es, method = "DL")
wyniki <- data.frame(metoda = c("Peto (O − E)", "Mantel–Haenszel", "odwrotność wariancji", "efekty losowe (DL)"),
OR = exp(c(peto$beta, mh$beta, iv$beta, dl$beta)),
dolna = exp(c(peto$ci.lb, mh$ci.lb, iv$ci.lb, dl$ci.lb)),
gorna = exp(c(peto$ci.ub, mh$ci.ub, iv$ci.ub, dl$ci.ub)))
wyniki$redukcja_szans_proc <- 100 * (1 - wyniki$OR)
print(wyniki, digits = 3, row.names = FALSE)
round(c(tau2_DL = dl$tau2, I2_proc = dl$I2), 3)
# 4. Pojedyncze badania: OR z metody Peto exp((O − E)/V) vs zwykły OR; gdzie różnią się najbardziej?
dat$OR_peto <- exp(dat$O_E / dat$V); dat$OR_zwykly <- exp(es$yi)
dat$proporcja_grup <- round(dat$n1i / dat$n2i, 2)
dat$roznica <- abs(log(dat$OR_peto) - log(dat$OR_zwykly))
print(head(dat[order(-dat$roznica), c("trial", "ai", "n1i", "ci", "n2i", "proporcja_grup", "OR_peto", "OR_zwykly")], 4),
digits = 3, row.names = FALSE)
# Rysunek: A – O − E względem V (nachylenie prostej przez zero = log OR Peto); B – OR łączny czterema metodami
dat$N <- N; dat$etykieta <- ifelse(dat$V > 40, sub(" \\(.*", "", dat$trial), "")
pA <- ggplot(dat, aes(V, O_E)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_abline(intercept = 0, slope = lnOR_peto, colour = kol[["peto"]], linewidth = 1) +
geom_point(aes(size = N), shape = 21, fill = kol[["peto"]], colour = "white", alpha = 0.85) +
geom_text(aes(label = etykieta), size = 3.2, vjust = -1.8) +
annotate("text", x = 76, y = 8, hjust = 1, vjust = 1, size = 3.4, colour = kol[["peto"]],
label = sprintf("nachylenie = ΣO−E / ΣV = %.3f\nOR = exp(%.3f) = %.2f", lnOR_peto, lnOR_peto, exp(lnOR_peto))) +
scale_size_area(max_size = 9, name = "liczba pacjentów") +
scale_x_continuous(expand = expansion(mult = c(0.03, 0.1))) +
labs(title = "A. Każde badanie: O − E i jego wariancja V", x = "V (informacja w badaniu)",
y = "O − E (zgony obserwowane − oczekiwane)") +
motyw
wyniki$metoda <- factor(wyniki$metoda, levels = rev(wyniki$metoda))
pB <- ggplot(wyniki, aes(OR, metoda, colour = metoda, shape = metoda)) +
geom_vline(xintercept = 1, colour = "grey60", linetype = "22") +
geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, linewidth = 0.8, orientation = "y") +
geom_point(size = 3.5) +
geom_text(aes(label = sprintf("%.2f [%.2f; %.2f]", OR, dolna, gorna)), vjust = -1.3, size = 3.3, show.legend = FALSE) +
scale_colour_manual(values = unname(kol[c("dl", "iv", "mh", "peto")]), guide = "none") +
scale_shape_manual(values = c(17, 15, 18, 16), guide = "none") +
scale_x_continuous(limits = c(0.6, 1.05)) +
labs(title = "B. Łączny OR zgonu (95% CI)", x = "OR (beta-bloker vs kontrola)", y = NULL) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1.2, 1))
p2Wynik w R
badania zgony_leczeni n_leczeni zgony_kontrola n_kontrola
23 827 10452 986 9860
suma_O_E suma_V z Q
-105.17 404.42 -5.23 23.28
OR_Peto dolna gorna
0.771 0.699 0.850
OR_rma_peto dolna gorna Q p_Q
0.771 0.699 0.850 23.285 0.386
OR_MH_recznie OR_rma_mh dolna gorna
0.770 0.770 0.699 0.850
metoda OR dolna gorna redukcja_szans_proc
Peto (O − E) 0.771 0.699 0.850 22.9
Mantel–Haenszel 0.770 0.699 0.850 23.0
odwrotność wariancji 0.771 0.699 0.851 22.9
efekty losowe (DL) 0.775 0.698 0.860 22.5
tau2_DL I2_proc
0.004 5.551
trial ai n1i ci n2i proporcja_grup OR_peto OR_zwykly
Wilhelmsson (2 y) 7 114 14 116 0.98 0.491 0.477
Ahlmark (2 y) 5 69 11 93 0.74 0.600 0.582
CPRG (8 wk) 6 174 3 134 1.30 1.530 1.560
Manger Cats (1 y) 9 291 16 293 0.99 0.562 0.5532. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Richard Peto (ur. 1943) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1943, 1969, 1976, 1981, 1985, 1988, 1989, 1999, 2005, 2011),
opis = c("urodził się", "z Richardem Dollem\ndo Oksfordu", "raport o badaniach\nklinicznych (log-rank)",
"Doll i Peto:\nprzyczyny raka", "przegląd badań\nbeta-blokerów", "ISIS-2: 17 187\npacjentów",
"członek Royal Society", "tytuł szlachecki", "Nagroda Króla\nFajsala", "„astrologiczne”\npodgrupy ISIS-2"),
rodzaj = c("życie", "praca", "publikacja", "publikacja", "publikacja", "publikacja",
"wyróżnienie", "wyróżnienie", "wyróżnienie", "publikacja"),
poziom = c(0.5, -0.5, 0.5, -1.3, 1.3, -0.5, 0.5, -0.5, 0.5, -0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5))
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1938, 2016), breaks = seq(1940, 2010, by = 10)) +
scale_y_continuous(limits = c(-2.3, 2.3)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (metaanaliza – funkcje rma.peto(), rma.mh(), escalc() i rma() z pakietu metafor z danymi z pakietu metadat; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- metafor (wersja 5.2.1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
- metadat (wersja 1.6.0): Viechtbauer, W., White, T., Noble, D., Senior, A., & Hamilton, W. (2026). metadat: Meta-analysis datasets [R package]. https://doi.org/10.32614/CRAN.package.metadat
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim jest Richard Peto?
Brytyjskim statystykiem medycznym i epidemiologiem (ur. 1943). Studiował w Cambridge i Londynie, w 1969 r. przeniósł się z Richardem Dollem do Oksfordu, gdzie został profesorem statystyki medycznej i epidemiologii oraz współdyrektorem Clinical Trial Service Unit. Członek Royal Society od 1989 r., w 1999 r. otrzymał tytuł szlachecki.
Na czym polega iloraz szans metodą Peto?
W każdym badaniu liczy się różnicę między obserwowaną a oczekiwaną przy braku efektu liczbą zdarzeń w grupie leczonej (O − E) i jej wariancję V. Logarytm łącznego ilorazu szans to suma O − E podzielona przez sumę V, a jego błąd standardowy to 1/√ΣV. W przykładzie z 23 badaniami beta-blokerów daje to OR = 0.771, 95% CI [0.699, 0.850].
Czym różni się metoda Peto od metody Mantela–Haenszela?
Obie są metodami efektu wspólnego dla tabel 2 × 2, ale liczą łączny iloraz szans inaczej: Peto przez O − E i wariancje hipergeometryczne, Mantel i Haenszel jako iloraz ważonych sum. Przy umiarkowanym efekcie i podobnej liczebności grup wyniki są prawie identyczne (0.771 i 0.770 w przykładzie); przy silnych efektach mogą się rozchodzić.
Dlaczego w ISIS-2 aspiryna „nie działała” u Wag i Bliźniąt?
Bo był to celowo przygotowany przykład działania przypadku. Pacjentów podzielono na 12 podgrup według znaku zodiaku i zebrano te z najgorszymi wynikami: 150 vs 147 zgonów. W całym badaniu aspiryna wyraźnie zmniejszała śmiertelność (804 vs 1016 zgonów). Peto (2011) używa tego przykładu, by pokazać, że wnioski z podgrup wybranych po fakcie są niewiarygodne.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Analiza podgrup – kiedy jej wierzyć
Ile fałszywych interakcji daje sprawdzanie wielu cech, skala addytywna a multiplikatywna, kryteria ICEMAN i opis podgrup w artykule.
Czytaj →PoradnikMetaanaliza krok po kroku
Od pytania do PRISMA 2020: g Hedgesa, model efektów losowych, heterogeniczność i przedział predykcji, moderatory, wykres lejkowy – z kodem metafor.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- American Association for Cancer Research. (b.d.). Sir Richard Peto, FRS. AACR Academy – Fellows. Pobrano 20 listopada 2026 z https://www.aacr.org/professionals/membership/aacr-academy/fellows/sir-richard-peto-frs/ ● Otwarty dostęp
- ISIS-2 (Second International Study of Infarct Survival) Collaborative Group. (1988). Randomised trial of intravenous streptokinase, oral aspirin, both, or neither among 17 187 cases of suspected acute myocardial infarction: ISIS-2. The Lancet, 332(8607), 349–360. https://doi.org/10.1016/s0140-6736(88)92833-4
- King Faisal Prize. (b.d.). Professor Sir Richard Peto. Pobrano 20 listopada 2026 z https://kingfaisalprize.org/professor-sir-richard-peto/ ● Otwarty dostęp
- Peto, R. (2011). Current misconception 3: That subgroup-specific trial mortality results often provide a good basis for individualising patient care. British Journal of Cancer, 104(7), 1057–1058. https://doi.org/10.1038/bjc.2011.79 ● Otwarty dostęp
- Peto, R., Pike, M. C., Armitage, P., Breslow, N. E., Cox, D. R., Howard, S. V., Mantel, N., McPherson, K., Peto, J., & Smith, P. G. (1977). Design and analysis of randomized clinical trials requiring prolonged observation of each patient. II. Analysis and examples. British Journal of Cancer, 35(1), 1–39. https://doi.org/10.1038/bjc.1977.1 ● Otwarty dostęp: pełny tekst
- Yusuf, S., Peto, R., Lewis, J., Collins, R., & Sleight, P. (1985). Beta blockade during and after myocardial infarction: An overview of the randomized trials. Progress in Cardiovascular Diseases, 27(5), 335–371. https://doi.org/10.1016/s0033-0620(85)80003-7
Cytowania BibTeX
@misc{aacrpeto, author={{American Association for Cancer Research}}, title={{Sir Richard Peto, FRS}}, howpublished={AACR Academy – Fellows}, url={https://www.aacr.org/professionals/membership/aacr-academy/fellows/sir-richard-peto-frs/}}@article{isis21988randomised, author={{ISIS-2 (Second International Study of Infarct Survival) Collaborative Group}}, title={{Randomised trial of intravenous streptokinase, oral aspirin, both, or neither among 17 187 cases of suspected acute myocardial infarction: ISIS-2}}, journal={The Lancet}, year={1988}, volume={332}, number={8607}, pages={349--360}, doi={10.1016/s0140-6736(88)92833-4}}@misc{kingfaisalpeto, author={{King Faisal Prize}}, title={{Professor Sir Richard Peto}}, url={https://kingfaisalprize.org/professor-sir-richard-peto/}}@article{peto2011current, author={Peto, Richard}, title={{Current misconception 3: That subgroup-specific trial mortality results often provide a good basis for individualising patient care}}, journal={British Journal of Cancer}, year={2011}, volume={104}, number={7}, pages={1057--1058}, doi={10.1038/bjc.2011.79}}@article{peto1977design, author={Peto, R. and Pike, M. C. and Armitage, P. and Breslow, N. E. and Cox, D. R. and Howard, S. V. and Mantel, N. and McPherson, K. and Peto, J. and Smith, P. G.}, title={{Design and analysis of randomized clinical trials requiring prolonged observation of each patient. II. Analysis and examples}}, journal={British Journal of Cancer}, year={1977}, volume={35}, number={1}, pages={1--39}, doi={10.1038/bjc.1977.1}}@article{yusuf1985beta, author={Yusuf, Salim and Peto, Richard and Lewis, John and Collins, Rory and Sleight, Peter}, title={{Beta blockade during and after myocardial infarction: An overview of the randomized trials}}, journal={Progress in Cardiovascular Diseases}, year={1985}, volume={27}, number={5}, pages={335--371}, doi={10.1016/s0033-0620(85)80003-7}}