Kalkulator Gratis Editverse
Kalkulator Ukuran Sampel Studi Akurasi Diagnostik
Hitung berapa banyak peserta yang dibutuhkan dalam studi akurasi diagnostik. Pilih presisi sensitivitas dan spesifisitas (Buderer), AUC terhadap nilai nol, atau perbandingan dua AUC yang berkorelasi.
Dalam Kata Sederhana
Suatu studi diagnostik membutuhkan jumlah partisipan yang cukup agar estimasinya bermanfaat. Untuk sensitivitas dan spesifisitas, itu berarti interval kepercayaan yang cukup sempit untuk dijadikan dasar pengambilan keputusan. Untuk kurva ROC, itu berarti jumlah kasus dan non-kasus yang cukup untuk menunjukkan bahwa AUC lebih baik daripada nilai referensi, atau bahwa satu tes lebih unggul daripada tes lainnya.
Masukkan nilai yang Anda harapkan dan presisi atau kekuatan yang Anda inginkan. Kalkulator akan menampilkan jumlah orang dengan dan tanpa kondisi tersebut, serta total yang harus Anda rekrut. Hasilnya menggunakan perkiraan normal, jadi anggaplah sebagai angka perencanaan dan konfirmasikan dengan ahli statistik untuk protokol akhir.
Kapan Menggunakan Kalkulator Ukuran Sampel Studi Diagnostik Ini?
Gunakan metode ini ketika Anda merencanakan studi tentang tes baru terhadap standar referensi dan membutuhkan ukuran sampel yang dapat dipertanggungjawabkan untuk protokol, hibah, atau permohonan etik. Pilih Buderer ketika tujuannya adalah interval kepercayaan dengan lebar tertentu di sekitar sensitivitas dan spesifisitas. Pilih AUC terhadap nilai nol ketika tes memberikan skor kontinu atau ordinal dan Anda ingin menunjukkan bahwa tes tersebut membedakan lebih baik daripada AUC yang dinyatakan. Pilih opsi AUC berkorelasi ketika peserta yang sama menerima dua tes.
Prevalensi penyakit penting karena sensitivitas hanya diperkirakan dari orang yang memiliki kondisi tersebut dan spesifisitas hanya dari orang yang tidak memilikinya. Kondisi yang langka berarti Anda harus melakukan skrining pada banyak orang untuk menemukan cukup kasus. Kalkulator ini menunjukkan total untuk setiap ukuran dan melaporkan nilai yang lebih besar sebagai angka yang Anda butuhkan.
AUC: Var(A) = [A(1−A) + (n1−1)(Q1A2) + (n0−1)(Q2A2)] / (N1n0), Q1 = A/(2−A), Q2 = 2A2/(1+A). n terkecil1 (n0 = batas atas(rasio·n)1)) dengan A−A0 ≥ z1−α/2√Var0 +zkekuasaan√Var1; hanya presisi: z1−α/2√Var(A) ≤ d. Berpasangan: Var(A1A2) = Var(A1) + Var(A2) − 2r√(Var(A1)Var(A2)).
# Ukuran sampel untuk studi akurasi diagnostik (R dasar, tanpa paket) goal <- "{goal}"; alpha <- {alpha} za <- qnorm(1 - alpha / 2) if (grepl("Buderer", goal)) { # Buderer 1996 / Flahault 2005: n = z^2 P (1 - P) / d^2, kemudian dibagi dengan prevalensi atau 1 - prevalensi se <- {se} / 100; sp <- {sp} / 100; prev <- {prev} / 100; d <- {d} / 100 n_dis <- za^2 * se * (1 - se) / d^2 # jumlah pasien yang sakit dibutuhkan untuk sensitivitas (belum dibulatkan) n_non <- za^2 * sp * (1 - sp) / d^2 # jumlah pasien yang tidak sakit dibutuhkan untuk spesifisitas (belum dibulatkan) tot_se <- ceiling(n_dis / prev); tot_sp <- ceiling(n_non / (1 - prev)) c(diseased = ceiling(n_dis), nondiseased = ceiling(n_non), total_sensitivity = tot_se, total_specificity = tot_sp, required_total = max(tot_se, tot_sp)) } else { # Varians AUC menurut Hanley & McNeil (1982); n0 = ceiling(ratio * n1) A <- {auc}; A0 <- {auc0}; A2 <- {auc2}; r <- {rho}; ratio <- {ratio} pw <- {power} / 100; dd <- {d} / 100; zb <- qnorm(pw) hmvar <- function(A, n1, n0) { Q1 <- A / (2 - A); Q2 <- 2 * A^2 / (1 + A) (A * (1 - A) + (n1 - 1) * (Q1 - A^2) + (n0 - 1) * (Q2 - A^2)) / (n1 * n0) } # Hanley & McNeil (1983): Var(A1 - A2) = Var(A1) + Var(A2) - 2 r SE1 SE2 vd <- function(A1, A2, n1, n0) { v1 <- hmvar(A1, n1, n0); v2 <- hmvar(A2, n1, n0); v1 + v2 - 2 * r * sqrt(v1 * v2) } if (grepl("correlated", goal)) { Ab <- (A + A2) / 2; D <- abs(A - A2) ok <- function(n1) { n0 <- ceiling(ratio * n1); D >= za * sqrt(vd(Ab, Ab, n1, n0)) + zb * sqrt(vd(A, A2, n1, n0)) } okp <- fungsi(n1) { n0 <- plafon(rasio * n1); za * sqrt(vd(A, A2, n1, n0)) <= dd } } else { ok <- fungsi(n1) { n0 <- plafon(rasio * n1); A - A0 >= za * sqrt(hmvar(A0, n1, n0)) + zb * sqrt(hmvar(A, n1, n0)) } okp <- fungsi(n1) { n0 <- plafon(rasio * n1); za * akar persegi(hmvar(A, n1, n0)) <= dd } } n1 <- 2; sementara (!ok(n1)) n1 <- n1 + 1 p1 <- 2; while (!okp(p1)) p1 <- p1 + 1 c(positives = n1, negatives = ceiling(ratio * n1), total = n1 + ceiling(ratio * n1), precision_only_total = p1 + ceiling(ratio * p1)) }Buku petunjuk
Kapan digunakan. Rencanakan berapa banyak peserta yang dibutuhkan dalam studi akurasi diagnostik: untuk memperkirakan sensitivitas dan spesifisitas dengan presisi yang dipilih (Buderer), untuk menunjukkan bahwa AUC melebihi nilai nol, atau untuk membandingkan AUC dari dua tes yang dibaca pada subjek yang sama.
Asumsi. Buderer: Interval Wald (pendekatan normal), jadi d harus cukup kecil sehingga interval tetap berada di dalam 0 hingga 100%; prevalensi adalah prevalensi dalam sampel yang direkrut. AUC: varians Hanley-McNeil adalah pendekatan halus yang mengasumsikan distribusi skor yang kira-kira binormal; hasilnya adalah untuk AUC empiris (Mann-Whitney) dan statistik uji normal. Perbandingan berpasangan: r adalah korelasi antara dua estimasi AUC, diambil sebagaimana dimasukkan, dan harus berasal dari data pilot atau literatur.
Kesalahan umum. Jangan membaca hasil Buderer sebagai perhitungan daya untuk uji hipotesis (hasil ini hanya menargetkan lebar interval kepercayaan). Jangan menggunakan hasil AUC untuk sampel kecil (beberapa kasus penyakit), untuk AUC parsial, atau untuk data yang dikelompokkan/dibaca oleh banyak pembaca. Untuk sensitivitas yang tepat atau sangat tinggi/rendah, gunakan perencanaan binomial eksak atau paket khusus.
Contoh yang dikerjakan
Klik Muat data contoh di atas, lalu Jalankan Analisis untuk melihat hasil lengkap dengan angka, rumus, dan interpretasi untuk pengujian ini.
Referensi
- Buderer NMF. Metodologi statistik: I. Menggabungkan prevalensi penyakit ke dalam perhitungan ukuran sampel untuk sensitivitas dan spesifisitas. Acad Emerg Med. 1996;3(9):895-900.
- Flahault A, Cadilhac M, Thomas G. Perhitungan ukuran sampel harus dilakukan untuk akurasi desain dalam studi uji diagnostik. J Clin Epidemiol. 2005;58(8):859-862.
- Hanley JA, McNeil BJ. Arti dan penggunaan area di bawah kurva karakteristik operasi penerima (ROC). Radiologi. 1982;143(1):29-36.
- Hanley JA, McNeil BJ. Metode membandingkan area di bawah kurva karakteristik operasi penerima yang diperoleh dari kasus yang sama. Radiologi. 1983;148(3):839-843.
- Obuchowski NA. Perhitungan ukuran sampel dalam studi akurasi tes. Stat Methods Med Res. 1998;7(4):371-392.
Contoh Soal yang Sudah Dikerjakan
Misalkan Anda mengharapkan sensitivitas 90% dan spesifisitas 85%, dengan prevalensi penyakit 20%. Anda menginginkan setiap interval kepercayaan memiliki lebar setengah sebesar 5 poin persentase pada tingkat signifikansi 5%.
Sensitivitas membutuhkan 139 orang dengan kondisi tersebut, yang berarti total 692 peserta pada prevalensi 20%. Spesifisitas membutuhkan 196 orang tanpa kondisi tersebut, yang berarti total 245 peserta. Angka yang lebih besar yang menentukan, sehingga sampel yang dibutuhkan adalah 692 peserta.
Pengaturan kedua menunjukkan efek prevalensi rendah: sensitivitas 80%, spesifisitas 95%, prevalensi 10%, lebar setengah 7.5 poin dan tingkat signifikansi 1%. Sensitivitas membutuhkan 189 kasus (total 1888) dan spesifisitas membutuhkan 57 bukan kasus (total 63), jadi Anda membutuhkan 1888 peserta.
Untuk uji AUC, AUC yang diharapkan sebesar 0.80 terhadap hipotesis nol 0.5, ukuran kelompok yang sama, daya uji 80%, dan tingkat signifikansi 5% membutuhkan 14 orang di setiap kelompok, total 28 orang. Jika Anda lebih suka melaporkan AUC dengan interval kepercayaan plus atau minus 0.05, input yang sama memberikan 151 orang di setiap kelompok, total 302 orang. Untuk AUC sebesar 0.70 terhadap 0.6 dengan jumlah peserta yang tidak sakit dua kali lebih banyak daripada peserta yang sakit dan daya uji 90%, jawabannya adalah 126 dan 252, total 378 orang.
Untuk dua pengujian pada peserta yang sama, AUC sebesar 0.80 dan 0.90 dengan korelasi 0.5 antara estimasi, daya 80% dan kelompok yang sama membutuhkan 61 peserta di setiap kelompok, total 122 peserta. Target presisi saja sebesar plus atau minus 0.05 pada perbedaan membutuhkan 242 peserta.
Asumsi yang Perlu Diperiksa
- Metode-metode tersebut merupakan perkiraan normal: interval Wald untuk Buderer, dan rumus varians Hanley dan McNeil untuk AUC. Metode-metode ini bekerja paling baik dengan nilai AUC sedang dan ukuran kelompok yang memadai.
- Sensitivitas dan spesifisitas mendekati 0% atau 100%, atau sampel yang sangat kecil, membuat interval Wald menjadi optimis. Jika interval tersebut melewati 0 atau 100%, kalkulator akan menambahkan catatan.
- Jumlah total untuk Buderer mengasumsikan prevalensi dalam sampel Anda sama dengan prevalensi yang Anda masukkan. Ukuran lainnya kemudian akan memiliki interval yang lebih sempit daripada target.
- Untuk dua AUC, korelasi yang dimasukkan digunakan langsung sebagai korelasi antara kedua estimasi AUC. Tabel pencarian Hanley dan McNeil yang mengubah korelasi skor menjadi nilai ini tidak diimplementasikan. Hasilnya sangat sensitif terhadap input ini.
- Tidak ada penyesuaian untuk putus sekolah, hasil yang tidak dapat dievaluasi, beberapa pembaca, data berkelompok, atau AUC parsial. Tingkatkan angka akhir untuk mengantisipasi kehilangan data.
Kesalahan Umum
Mengabaikan prevalensi
Menghitung jumlah kasus dan non-kasus tetapi lupa membaginya dengan prevalensi akan meremehkan target rekrutmen. Total di atas menunjukkan seberapa cepat pertumbuhannya ketika prevalensi rendah.
Menggunakan jumlah total yang lebih kecil
Sensitivitas dan spesifisitas masing-masing memberikan nilai total. Anda membutuhkan nilai yang lebih besar dari keduanya, jika tidak, salah satu perkiraan akan kurang tepat dari yang direncanakan.
Memasukkan korelasi skor sebagai korelasi AUC.
Korelasi antara dua estimasi AUC umumnya lebih rendah daripada korelasi antara skor mentah tes. Memasukkan korelasi skor dapat meremehkan ukuran sampel. Gunakan nilai yang lebih rendah, berdasarkan uji coba awal, untuk lebih berhati-hati.
Memperlakukan uji signifikansi sebagai target presisi.
Menunjukkan bahwa AUC berbeda dari nilai nol membutuhkan jauh lebih sedikit orang daripada memperkirakan AUC secara tepat. Dalam contoh di atas, 28 peserta dapat menunjukkan AUC 0.80 terhadap 0.5 (perkiraan tersebut kurang akurat pada ukuran sekecil itu, jadi anggap 28 sebagai batas bawah), tetapi dibutuhkan 302 peserta untuk interval plus atau minus 0.05. Tentukan pertanyaan mana yang harus dijawab oleh penelitian ini.
Pertanyaan yang Sering Diajukan
Metode penentuan ukuran sampel mana yang sebaiknya saya pilih?
Gunakan Buderer untuk sensitivitas dan spesifisitas pada ambang batas yang dipilih. Gunakan opsi AUC ketika tes menghasilkan skor dan Anda ingin menilainya di berbagai ambang batas.
Mengapa jumlah total jauh lebih besar daripada jumlah kasus?
Hanya sebagian kecil peserta yang memiliki kondisi tersebut. Dengan prevalensi 20%, 139 kasus membutuhkan total 692 peserta.
Apakah kalkulator tersebut menyertakan nilai untuk sensitivitas dan spesifisitas?
Tidak. Opsi Buderer hanya menargetkan lebar interval kepercayaan dan tidak menggunakan daya. Daya berlaku untuk opsi AUC.
Bisakah saya menggunakan angka-angka ini sebagai angka final?
Gunakan metode ini untuk perencanaan. Metode ini hanyalah perkiraan, jadi periksa angka akhirnya dengan ahli statistik, terutama untuk sampel kecil, nilai ekstrem, atau desain yang kompleks.
Apa fungsi rasio kelompok?
Ini menentukan berapa banyak peserta yang tidak sakit yang Anda daftarkan untuk setiap peserta yang sakit dalam opsi AUC. Rasio 2 menghasilkan 126 dan 252 dalam contoh di atas.
Kalkulator Terkait
Kalkulator Kurva ROC dan AUC Kalkulator Akurasi Diagnostik Kalkulator Ukuran Sampel dan Daya Kalkulator Prevalensi Kalkulator Interval Kepercayaan Studi STARD dan Akurasi Diagnostik
Referensi
- Buderer NM. Metodologi statistik: I. Menggabungkan prevalensi penyakit ke dalam perhitungan ukuran sampel untuk sensitivitas dan spesifisitas. Acad Emerg Med. 1996;3(9):895-900. PMID 8870764
- Hanley JA, McNeil BJ. Arti dan penggunaan area di bawah kurva karakteristik operasi penerima (ROC). Radiologi. 1982. PMID 7063747
- Hanley JA, McNeil BJ. Metode membandingkan area di bawah kurva karakteristik operasi penerima yang diperoleh dari kasus yang sama. Radiologi. 1983. PMID 6878708
- Flahault A, Cadilhac M, Thomas G. Perhitungan ukuran sampel harus dilakukan untuk akurasi desain dalam studi uji diagnostik. J Clin Epidemiol. 2005. PMID 16018921
Apakah Anda Membutuhkan Analisis Ini untuk Manuskrip Anda?
Apakah Anda membutuhkan bagian ukuran sampel dalam protokol Anda yang ditulis, diperiksa, atau dibenarkan untuk pemberi dana atau dewan etik? Ahli statistik Editverse dapat menyiapkan dan meninjaunya bersama Anda.
