下载文档原格式
临床试验样本含量的计算1.样本容量计算基本原理：样本容量计算的目标是要控制两种可能的误差，即假阳性误差（Type I error）和假阴性误差（Type II error）。
假阳性误差是指在实际没有效果的情况下错误地认为有效果，假阴性误差是指在实际有效果的情况下错误地认为没有效果。
通常用统计学中的显著性水平（α）和检验的功效（1-β）来控制这两种误差。
2.样本容量计算的步骤：（1）确定显著性水平（α）：通常将α值设置为0.05，对应于95%的置信水平。
（2）确定试验的效果大小：效果大小可以通过先前的研究或者临床经验来确定。
（3）确定检验的功效（1-β）：通常将检验的功效设置为0.8或0.9（4）选择合适的统计检验方法和相应的方差估计方法。
（5）根据所选择的统计检验方法和方差估计方法使用相应的公式计算样本容量。
3.常见的样本含量计算方法：（1）t检验样本容量计算方法：假设需要比较两个独立样本的均值，可以使用t检验的样本容量计算方法。
这里需要确定两个组之间的均值差异、标准差和显著性水平等参数。
（2）χ²检验样本容量计算方法：假设需要比较两个或多个分类变量的分布差异，可以使用χ²检验的样本容量计算方法。
这里需要确定所需的显著性水平、检验功效、预期的效应大小等参数。
（3）生存分析样本容量计算方法：假设需要比较两组生存曲线的差异，可以使用生存分析的样本容量计算方法。
这里需要确定两组之间的生存曲线差异、显著性水平、检验功效等参数。
4.样本容量计算的软件工具：（1）PASS软件：是一个常用的用于样本容量计算和统计功效分析的软件。
（2）G*Power软件：是一个免费的统计功效和样本容量计算软件。
（3）R语言：是一个流行的统计计算与数据可视化的编程语言，可以使用其中的各种包和函数进行样本容量计算。
总之，样本含量计算是临床试验设计的重要一步，通过合理地确定样本容量，可以提高试验结果的准确性和可靠性，并确保试验结果具有一定的代表性。
临床试验样本量的估算【1】样本量的估计涉及诸多参数的确定，最难得到的就是预期的或者已知的效应大小（计数资料的率差、计量资料的均数差值），方差（计量资料）或合并的率（计数资料各组的合并率），一般需通过预试验或者查阅历史资料和文献获得，不过很多时候很难得到或者可靠性较差。
因此样本量估计有些时候不是想做就能做的。
SFDA的规定主要是从安全性的角度出发，保证能发现多少的不良反应率；统计的计算主要是从power出发，保证有多少把握能做出显著来。
但是中国的国情？有多少厂家愿意多做？建议方案里这么写：从安全性角度出发，按照SFDA××规定，完成100对有效病例，再考虑到脱落原因，再扩大20%，即120对，240例。
或者：本研究为随机双盲、安慰剂平行对照试验，只有显示试验药优于安慰剂时才可认为试验药有效，根据预试验结果，试验组和对照组的有效率分别为65.0%和42.9%，则每个治疗组中能接受评价的病人样本数必须达到114例（总共228例），这样才能在单侧显著性水平为5%、检验功效为90%的情况下证明试验组疗效优于对照组。
假设因调整意向性治疗人群而丢失病例达10%，则需要纳入病人的总样本例数为250例。
非劣性试验（α=0.05，β=0.2）时：计数资料：平均有效率（P）等效标准（δ）N=公式：N=12.365×P(1-P)/δ2计量资料：共同标准差（S）等效标准（δ）N=公式：N=12.365× (S/δ)2等效性试验（α=0.05，β=0.2）时：计数资料：平均有效率（P）等效标准（δ）N=公式：N=17.127×P(1-P)/δ2计量资料：共同标准差（S）等效标准（δ）N=公式：N=17.127× (S/δ)2上述公式的说明：1) 该公式源于郑青山教授发表的文献。
2) N 是每组的估算例数N1=N2，N1 和N2 分别为试验药和参比药的例数；3) P 是平均有效率，4) S 是估计的共同标准差，5) δ是等效标准。
临床试验样本量估算在估算样本量时，有几个关键要素需要考虑：1. 效应大小（Effect Size）：效应大小是指在两个比较组之间预期的差异大小。
一般来说，效应大小越大，所需的样本量越小。
2. 置信度（Confidence Level）：置信度是指研究者对样本调查结果的信任程度。
常用的置信度为95%或99%。
一般来说，置信度越高，所需的样本量越大。
3. 统计显著性（Statistical Significance）：统计显著性是指试验结果的显著性水平。
常用的显著性水平为α=0.05或α=0.01、一般来说，显著性水平越低，所需的样本量越大。
4. 效应方向性（Directionality of Effect）：效应方向性是指试验是否需要检测两组间的差异。
若只需检测差异是否存在，则样本量较小；若需检测差异的方向，则样本量较大。
5. 控制变量的数量（Number of Control Variables）：增加控制变量的数量会增加结果解释的复杂度，从而需要更大的样本量。
6. 数据的可变性（Variability of Data）：数据的可变性与样本量呈反比关系。
如果数据变异性大，所需的样本量就会相对较大。
7. 可行性和资源限制（Feasibility and Resource Constraints）：实际操作中，样本量可能受到可行性和资源限制的影响。
研究者需要评估可行性因素，并根据实际情况确定样本量。
基于以上要素，常用的样本量估算方法有以下几种：1.参数估计法：通过统计分析来估计试验样本量。
研究者需要提供试验所需的显著性水平、效应大小以及控制变量的数量等参数。
常用的参数估计方法有t检验、方差分析、卡方检验等。
2. 非参数估计法：当样本不满足正态分布或总体参数未知时，可以采用非参数的方法进行样本量估算。
常用的非参数方法有Wilcoxon秩和检验、Mann-Whitney U检验、logistic回归等。
样本含量估计范文样本含量估计是统计学中的一个重要概念，它是根据总体的一些特征，如总体方差、置信水平、置信区间宽度等，来估计所需的样本数量。
样本含量的大小直接影响到研究结果的可靠性和推广性，因此选择适当的样本量对于研究设计非常重要。
在样本含量估计中，需要考虑以下几个因素：1.总体方差：总体方差是指总体数据的变异程度，它的大小将直接影响样本含量的估计。
如果总体方差较大，通常需要收集更多的样本才能准确估计总体参数；反之，如果总体方差较小，样本量可以适当减少。
2.置信水平：置信水平是指统计推断的可靠程度，一般常用的置信水平有95%和99%。
置信水平越高，所需的样本量就越大。
3.置信区间宽度：置信区间是指对总体参数的估计范围。
置信区间的宽度与样本量有关，样本量越大，置信区间的宽度越小，估计结果的准确性越高。
4.效应大小：效应大小是指总体参数与我们感兴趣的理论值之间的差异。
效应大小越大，所需的样本量就越小。
为了进行样本含量估计，通常可以采用以下方法：1.样本容量计算：根据总体方差、置信水平和置信区间宽度，使用统计软件或公式计算所需的样本量。
2.类似研究的样本规模：参考类似研究中使用的样本量，尤其是相关文献中提到的样本容量。
3. Pilot研究：通过进行小规模的试验或调查来估计总体参数的值，并根据得到的结果确定所需的样本量。
4.经验法则：根据经验法则进行样本估计，如根据总体大小估计样本比例，或使用常见的样本量规模。
总结起来，样本含量估计是在进行统计推断时所必需的，它可以帮助研究者确定所需的样本数量，以保证研究结果的准确性和可靠性。
通过考虑总体方差、置信水平、置信区间宽度和效应大小等因素，研究者可以选择合适的样本量，并根据所需的统计方法进行具体计算。
最终确定的样本量应该能够满足研究目的，并保证结果的可靠性和推广性。
无论是调查研究还是实验性研究，医学研究大都是抽样研究，最终目的在于利用实际观测得到的样本信息推断未知的总体特征，即统计推断。
抽样研究设计时需要回答一个非常关键的问题：样本中包含多少个研究对象(人、动物、生物学材料等)才能既满足统计学要求，完成有效的统计推断，又照顾研究的可行性、伦理学等实际问题，从而最大限度控制研究成本和研究风险，提高研究效率。
这就是样本含量估计(estimation of sample size)。
本章将从统计推断的目的出发，介绍样本含量估计意义及常用的计算公式，并在此基础上介绍检验效能的估计(power analysis)。
第一节样本含量估计的意义及方法一、样本含量估计的意义由于抽样研究中抽样误差不可避免，样本统计量与其所对应的总体参数间总是存在一定差异。
因此，尽量减小抽样误差是提高统计推断精度的必然要求。
在总体变异性确定的条件下，样本中所含的研究对象数越多，抽样误差必然越小，样本统计量的稳定性肯定越高，总体参数的估计精度越好，假设检验中的检验效能(power=1- )亦会越高，从而避免出现假阴性的结论。
同时在实验性研究中，只有在研究对象数量足够大时才能使随机分组更加有效，从而保证组间均衡性。
但在实际研究中，除了要考虑抽样误差外，还需考虑研究的可行性、结论的时效性、医学伦理以及非随机误差的影响等实际问题，并非研究对象数越多越好。
比如在改良肩周炎贴膏临床试验中，如果片面地追求大样本，研究中所需的人力、物力、财力等物质支持必然增大，研究的可行性下降。
由于需纳入更多病例，可能会延长产品研发周期，影响新药投产上市；若增加医院或临床实验中心参与该研究，又增加了组织协调的工作量和工作难度。
同时增加各种混杂、偏倚发生的机会，比如由于肩周炎发病、预后与季节、气候密切相关，临床病例接收时间太长，组内病例同质性差；测量仪器增多导致测量误差增大，观察疗效的医院、医生增多，研究结果的一致性降低等现实问题，使得试验结果难于分析或者难以合理解释，影响研究结论的科学性。
临床试验样本量的估算样本量的估计涉及诸多参数的确定，最难得到的就是预期的或者已知的效应大小（计数资料的率差、计量资料的均数差值），方差（计量资料）或合并的率（计数资料各组的合并率），一般需通过预试验或者查阅历史资料和文献获得，不过很多时候很难得到或者可靠性较差。
因此样本量估计有些时候不是想做就能做的。
SFDA的规定主要是从安全性的角度出发，保证能发现多少的不良反应率；统计的计算主要是从power出发，保证有多少把握能做出显著来。
但是中国的国情？有多少厂家愿意多做？建议方案里这么写：从安全性角度出发，按照SFDA××规定，完成100对有效病例，再考虑到脱落原因，再扩大20%，即120对，240例。
或者：本研究为随机双盲、安慰剂平行对照试验，只有显示试验药优于安慰剂时才可认为试验药有效，根据预试验结果，试验组和对照组的有效率分别为65.0%和42.9%，则每个治疗组中能接受评价的病人样本数必须达到114例（总共228例），这样才能在单侧显著性水平为5%、检验功效为90%的情况下证明试验组疗效优于对照组。
假设因调整意向性治疗人群而丢失病例达10%，则需要纳入病人的总样本例数为250例。
非劣性试验（α=0.05，β=0.2）时：计数资料：平均有效率（P）等效标准（δ）N=公式：N=12.365×P(1-P)/δ2计量资料：共同标准差（S）等效标准（δ）N=公式：N=12.365× (S/δ)2等效性试验（α=0.05，β=0.2）时：计数资料：平均有效率（P）等效标准（δ）N=公式：N=17.127×P(1-P)/δ2计量资料：共同标准差（S）等效标准（δ）N=公式：N=17.127× (S/δ)2上述公式的说明：1) 该公式源于郑青山教授发表的文献。
2) N 是每组的估算例数N1=N2，N1 和N2 分别为试验药和参比药的例数；3) P 是平均有效率，4) S 是估计的共同标准差，5) δ 是等效标准。
