sample size
1.0.0
该页面专门用于计算几项研究所需的患者数量，例如因果推断的随机临床试验（RCT）或用于构建或验证预测工具的同类。提出了R型。我们可以单击此处访问相关的用户友好计算器。一些提醒：
优越性RCT：用于证明实验治疗比标准疗法更有效。
非效率RCT：用于证明实验治疗与标准治疗一样有效。
顺序RCT：早期停止研究的中间分析。
考虑以1：1随机比的两个并联基团考虑以下RCT。预期的平均值是实验组的患者中的66个单位，而对照组中的72个单位。为了证明这种差异为6个单位，标准偏差为23个单位，两侧I级错误率为5％，功率为80％，每只手臂的最小样本量等于231（即，总计462名患者）。
library( epiR )
epi.sscompc( treat = 66 , control = 72 , sigma = 23 , n = NA , power = 0.8 ,
r = 1 , sided.test = 2 , conf.level = 1 - 0.05 )
# > $n.total
# > [1] 462
# > $n.treat
# > [1] 231
# > $n.control
# > [1] 231
# > $power
# > [1] 0.8
# > $delta
# > [1] 6输入参数：
通过使用O'Brien-Feleming方法考虑I型错误率的通货膨胀，使用两个平行组和2个计划的中间分析来考虑以下RCT。预期的平均值是实验组的患者中的66个单位，而对照组中的72个单位。为了证明这种差异为6个单位，标准偏差为23个单位，两侧I型错误率为5％，功率为80％，最终分析应对472名患者（每组236名患者）进行。第一和第二个中间分析将分别对158名患者和316名患者进行，即如果他们没有决定停止研究，则包括患者的最大数量的33％和66％。
library( " rpact " )
design <- getDesignGroupSequential(
typeOfDesign = " OF " , informationRates = c( 1 / 3 , 2 / 3 , 1 ),
alpha = 0.05 , beta = 1 - 0.8 , sided = 2 )
designPlan <- getSampleSizeMeans( design , alternative = 6 , stDev = 23 ,
allocationRatioPlanned = 1 )
summary( designPlan )
# > Stage 1 2 3
# > Planned information rate 33.3% 66.7% 100%
# > Cumulative alpha spent 0.0005 0.0143 0.0500
# > Stage levels (two-sided) 0.0005 0.0141 0.0451
# > Efficacy boundary (z-value scale) 3.471 2.454 2.004
# > Lower efficacy boundary (t) -13.012 -6.405 -4.258
# > Upper efficacy boundary (t) 13.012 6.405 4.258
# > Cumulative power 0.0329 0.4424 0.8000
# > Number of subjects 157.1 314.2 471.3
# > Expected number of subjects under H1 396.7
# > Exit probability for efficacy (under H0) 0.0005 0.0138
# > Exit probability for efficacy (under H1) 0.0329 0.4095 输入参数：
考虑以1：1随机比的两个并联基团考虑以下RCT。预期的平均值是对照组的患者66个单位，与实验组相比无差异。假设绝对的非效率边缘为7点，标准偏差为23，每只手臂的最小样本量等于134（即，总共268名患者），以达到5％的单侧I型错误率和80％的功率
library( epiR )
epi.ssninfc( treat = 66 , control = 66 , sd = 23 , delta = 7 ,
power = 0.8 , alpha = 0.05 , r = 1 , n = NA )
# > $n.total
# > [1] 268
# > $n.treat
# > [1] 134
# > $n.control
# > [1] 134
# > $delta
# > [1] 7
# > $power
# > [1] 0.8输入参数：
考虑以1：1随机比的两个并联基团考虑以下RCT。实验组的预期事件比例为35％，而对照组为28％。为了证明这种差异为7％，双面I型错误率为5％，功率为80％，每只手臂的最小样本量等于691（即，总计1382名患者）。
library( epiR )
epi.sscohortc( irexp1 = 0.35 , irexp0 = 0.28 , power = 0.80 , r = 1 ,
sided.test = 2 , conf.level = 1 - 0.05 )
# > $n.total
# > [1] 1382
# > $n.exp1
# > [1] 691
# > $n.exp0
# > [1] 691
# > $power
# > [1] 0.8
# > $irr
# > [1] 1.25
# > $or
# > [1] 1.384615输入参数：
通过使用O'Brien-Fleming方法考虑I型错误率的通货膨胀的两个平行组考虑以下RCT，并具有两个平行组和2个计划的中间分析，以实现疗效。实验组患者的预期比例为11％，而对照组中的15％单位。为了证明这种差异为4％，I型I型错误率为5％，功率为80％，最终分析应对2,256名患者（每组1,128例）进行。第一和第二个中间分析将分别对752例和1,504名患者进行，即如果他们没有决定停止研究，则包括患者的最大数量的33％和66％。
library( " rpact " )
design <- getDesignGroupSequential( typeOfDesign = " OF " ,
informationRates = c( 1 / 3 , 2 / 3 , 1 ), alpha = 0.05 ,
beta = 1 - 0.8 , sided = 2 )
designPlan <- getSampleSizeRates( design , pi1 = 0.11 , pi2 = 0.15 ,
allocationRatioPlanned = 1 )
summary( designPlan )
# > Stage 1 2 3
# > Planned information rate 33.3% 66.7% 100%
# > Cumulative alpha spent 0.0005 0.0143 0.0500
# > Stage levels (two-sided) 0.0005 0.0141 0.0451
# > Efficacy boundary (z-value scale) 3.471 2.454 2.004
# > Lower efficacy boundary (t) -0.079 -0.042 -0.029
# > Upper efficacy boundary (t) 0.101 0.048 0.031
# > Cumulative power 0.0329 0.4424 0.8000
# > Number of subjects 751.8 1503.7 2255.5
# > Expected number of subjects under H1 1898.1
# > Exit probability for efficacy (under H0) 0.0005 0.0138
# > Exit probability for efficacy (under H1) 0.0329 0.4095 输入参数：
考虑以1：1随机比的两个并联基团考虑以下RCT。对照组中患者的预期事件百分比为35％，与实验组相比无差异。假设绝对非效率边距为5％，每只手臂的最小样本量等于1,126（即，总计2,252名患者），以达到5％的单侧I型错误率和80％的功率。
epi.ssninfb( treat = 0.35 , control = 0.35 , delta = 0.05 ,
n = NA , r = 1 , power = 0.8 , alpha = 0.05 )
# > $n.total
# > [1] 2252
# > $n.treat
# > [1] 1126
# > $n.control
# > [1] 1126
# > $delta
# > [1] 0.05
# > $power
# > [1] 0.8参数 ：
对于基于34个预测变量的模型/炼金术，作为预期R2至少为0.25的候选者，预期收缩率为0.9（Riley等人的统计数据中的等式11。2019; 38：1276–1296），最小样本尺寸为1045。
34 / (( 0.9 - 1 ) * log( 1 - 0.25 / 0.9 ))
# > [1] 1044.796考虑观察到的事件与预期事件的数量之间的比率。为了达到定义为该比率（1-α）％置信区间的长度为0.2的长度，如果预期比例为50％，则所需的样本量为386（Riley等人。用于外部验证临床预测模型的最小样本量，具有二元预测模型，具有二元预测模型。使用药物统计学。2021; 19：4230-330-4230-4251）。
se <- function ( width , alpha ) # The standard error associated with the 1-alpha confidence interval
{
fun <- function ( x ) { exp( qnorm( 1 - alpha / 2 , mean = 0 , sd = 1 ) * x ) - exp( - 1 * qnorm( 1 - alpha / 2 , mean = 0 , sd = 1 ) * x ) - width }
return (uniroot( fun , lower = 0.001 , upper = 100 ) $ root )
}
size.calib <- function ( p , width , alpha ) # the minimum sample size to achieve this precision
{
( 1 - p ) / (( p * se( width = width , alpha = alpha ) ** 2 ))
}
size.calib( p = 0.5 , width = 0.2 , alpha = 0.05 )
# > [1] 385.4265输入参数：
