sample size
1.0.0
該頁面專門用於計算幾項研究所需的患者數量，例如因果推斷的隨機臨床試驗（RCT）或用於構建或驗證預測工具的同類。提出了R型。我們可以單擊此處訪問相關的用戶友好計算器。一些提醒：
優越性RCT：用於證明實驗治療比標準療法更有效。
非效率RCT：用於證明實驗治療與標準治療一樣有效。
順序RCT：早期停止研究的中間分析。
考慮以1：1隨機比的兩個並聯基團考慮以下RCT。預期的平均值是實驗組的患者中的66個單位，而對照組中的72個單位。為了證明這種差異為6個單位，標準偏差為23個單位，兩側I級錯誤率為5％，功率為80％，每隻手臂的最小樣本量等於231（即，總計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輸入參數：
通過使用O'Brien-Feleming方法考慮I型錯誤率的通貨膨脹，使用兩個平行組和2個計劃的中間分析來考慮以下RCT。預期的平均值是實驗組的患者中的66個單位，而對照組中的72個單位。為了證明這種差異為6個單位，標準偏差為23個單位，兩側I型錯誤率為5％，功率為80％，最終分析應對472名患者（每組236名患者）進行。第一和第二個中間分析將分別對158名患者和316名患者進行，即如果他們沒有決定停止研究，則包括患者的最大數量的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 輸入參數：
考慮以1：1隨機比的兩個並聯基團考慮以下RCT。預期的平均值是對照組的患者66個單位，與實驗組相比無差異。假設絕對的非效率邊緣為7點，標準偏差為23，每隻手臂的最小樣本量等於134（即，總共268名患者），以達到5％的單側I型錯誤率和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輸入參數：
考慮以1：1隨機比的兩個並聯基團考慮以下RCT。實驗組的預期事件比例為35％，而對照組為28％。為了證明這種差異為7％，雙面I型錯誤率為5％，功率為80％，每隻手臂的最小樣本量等於691（即，總計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輸入參數：
通過使用O'Brien-Fleming方法考慮I型錯誤率的通貨膨脹的兩個平行組考慮以下RCT，並具有兩個平行組和2個計劃的中間分析，以實現療效。實驗組患者的預期比例為11％，而對照組中的15％單位。為了證明這種差異為4％，I型I型錯誤率為5％，功率為80％，最終分析應對2,256名患者（每組1,128例）進行。第一和第二個中間分析將分別對752例和1,504名患者進行，即如果他們沒有決定停止研究，則包括患者的最大數量的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 輸入參數：
考慮以1：1隨機比的兩個並聯基團考慮以下RCT。對照組中患者的預期事件百分比為35％，與實驗組相比無差異。假設絕對非效率邊距為5％，每隻手臂的最小樣本量等於1,126（即，總計2,252名患者），以達到5％的單側I型錯誤率和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] 0.8參數 ：
對於基於34個預測變量的模型/煉金術，作為預期R2至少為0.25的候選者，預期收縮率為0.9（Riley等人的統計數據中的等式11。2019; 38：1276–1296），最小樣本尺寸為1045。
34 / (( 0.9 - 1 ) * log( 1 - 0.25 / 0.9 ))
# > [1] 1044.796考慮觀察到的事件與預期事件的數量之間的比率。為了達到定義為該比率（1-α）％置信區間的長度為0.2的長度，如果預期比例為50％，則所需的樣本量為386（Riley等人。用於外部驗證臨床預測模型的最小樣本量，具有二元預測模型，具有二元預測模型。使用藥物統計學。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輸入參數：
