Libreng Calculator ng Editverse

Kalkulador ng Laki ng Sample ng Pag-aaral sa Katumpakan ng Diagnostic

Alamin kung gaano karaming kalahok ang kailangan ng isang pag-aaral ng diagnostic accuracy. Pumili ng sensitivity and specificity precision (Buderer), isang AUC laban sa isang null value, o isang paghahambing ng dalawang magkaugnay na AUC.

Sa Simpleng Salita

Ang isang pag-aaral na diagnostic ay nangangailangan ng sapat na bilang ng mga kalahok upang maging kapaki-pakinabang ang mga pagtatantya nito. Para sa sensitivity at specificity, nangangahulugan ito ng isang confidence interval na sapat ang kipot upang maaksyunan. Para sa isang ROC curve, nangangahulugan ito ng sapat na mga kaso at hindi kaso upang ipakita na ang AUC ay mas mahusay kaysa sa isang reference value, o na ang isang pagsubok ay natatalo ang isa pa.

Ilagay ang iyong inaasahang mga halaga at ang katumpakan o lakas na gusto mo. Ibinabalik ng calculator ang bilang ng mga taong mayroon at walang kundisyon, at ang kabuuang bilang na dapat mong i-recruit. Gumagamit ang mga resulta ng mga normal na pagtatantya, kaya ituring ang mga ito bilang mga numero sa pagpaplano at kumpirmahin ang mga ito sa isang estadistiko para sa pangwakas na protocol.

Kailan Gagamitin ang Calculator ng Laki ng Sample na Ito para sa Diagnostic Study

Gamitin ito kapag nagpaplano ka ng isang pag-aaral ng isang bagong pagsubok laban sa isang pamantayang sanggunian at nangangailangan ng isang maipagtatanggol na laki ng sample para sa isang protocol, grant o aplikasyon sa etika. Piliin ang Buderer kapag ang layunin ay isang confidence interval na may isang ibinigay na lapad sa paligid ng sensitivity at specificity. Pumili ng AUC laban sa isang null kapag ang pagsubok ay nagbibigay ng isang tuloy-tuloy o ordinal na iskor at gusto mong ipakita na mas mahusay itong nakakapagdiskrimina kaysa sa isang nakasaad na AUC. Piliin ang opsyong correlated AUC kapag ang parehong mga kalahok ay nakatanggap ng dalawang pagsubok.

Mahalaga ang paglaganap ng sakit dahil ang sensitibidad ay tinatantya lamang mula sa mga taong may kondisyon at ang espesipisidad mula lamang sa mga taong wala nito. Ang isang bihirang kondisyon ay nangangahulugan na kailangan mong i-screen ang maraming tao upang makahanap ng sapat na mga kaso. Ipinapakita ng calculator ang kabuuan para sa bawat sukat at iniuulat ang mas malaki bilang ang numerong kailangan mo.

Laki ng Sample para sa Katumpakan ng Diagnostic Katumpakan ng sensitibidad/espesipisidad, AUC at mga laki ng sample na ipinares-AUC · napatunayan kumpara sa R 4.3.3

Ano ang gusto mong sukatin?

Inaasahang sensitibidad (%) (Buderer)Mahigpit na nasa pagitan ng 0 at 100

Inaasahang espesipisidad (%) (Buderer)Mahigpit na nasa pagitan ng 0 at 100

Inaasahang paglaganap ng sakit sa sample (%) (Buderer)Pagkalat sa mga taong aktwal mong kukunin

Ganap na katumpakan d: CI kalahating lapad (Buderer: mga puntos ng porsyento; mga layunin ng AUC: AUC × 100, hal. 5 = ± 0.05)Nagtutulak din sa mga resulta ng AUC na precision-only at sa talahanayan

Inaasahang AUC (mga layunin ng AUC; pagsubok 1 sa pares na paghahambing)Mas malaki sa 0.5 at mas mababa sa 1

Null AUC (AUC laban sa null)0.5 = walang diskriminasyon; dapat mas mababa sa inaasahang AUC

Inaasahang AUC ng pangalawang pagsubok (paghahambing na ipinares)Ang parehong pagsusulit ay binabasa sa parehong paksa

Walang sakit bawat may sakit na paksa (mga layunin ng AUC)0.05 hanggang 20; 1 = magkaparehong bilang

Korelasyon r sa pagitan ng dalawang pagtatantya ng AUC (pares na paghahambing)0 hanggang sa ibaba ng 1; gumamit ng pilot data o ng Hanley-McNeil 1983 table. Direktang ginagamit bilang r.

α (dalawang panig)

Kapangyarihan (%) (mga layunin ng AUC)50 hanggang 99.9; hindi ginagamit ng kalkulasyon ng katumpakan ng Buderer

Pagbubuhos

Pormula

Buderer: n_{may sakit} = z²·Se(1−Se)/d², N = n/prevalence (specificity: Sp, N = n/(1−prevalence)); kunin ang mas malaking N.
AUC: Var(A) = [A(1−A) + (n₁−1)(Q₁−A²) + (n₀−1)(Q₂−A²)] / (n₁n₀), Q₁ = A/(2−A), Q₂ = 2A²/(1+A). Pinakamaliit na n₁ (n₀ = kisame(ratio·n₁)) na may A−A₀ ≥ z_1−α/2√Var₀ +z_{kapangyarihan}√Var₁; katumpakan lamang: z_1−α/2√Var(A) ≤ d. Ipinares: Var(A₁−A₂) = Var(A₁) + Var(A₂) − 2r√(Var(A₁)Var(A₂)).

Output na na-cross-verify (halimbawang dataset)

Magparami sa R

# Laki ng sample para sa mga pag-aaral ng katumpakan ng diagnostic (base R, walang mga pakete) layunin <- "{goal}"; alpha <- {alpha} za <- qnorm(1 - alpha / 2) kung (grepl("Buderer", layunin)) { # Buderer 1996 / Flahault 2005: n = z^2 P (1 - P) / d^2, pagkatapos ay hatiin sa prevalence o 1 - prevalence se <- {se} / 100; sp <- {sp} / 100; prev <- {prev} / 100; d <- {d} / 100 n_dis <- za^2 * se * (1 - se) / d^2 # may sakit na kailangan para sa sensitivity (unrounded) n_non <- za^2 * sp * (1 - sp) / d^2 # walang sakit na kailangan para sa specificity (unrounded) 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 { # Hanley & McNeil (1982) variance ng isang AUC; 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 at 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) } kung (grepl("kaugnay", layunin)) { 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 <- function(n1) { n0 <- ceiling(ratio * n1); za * sqrt(vd(A, A2, n1, n0)) <= dd } } else { ok <- function(n1) { n0 <- ceiling(ratio * n1); A - A0 >= za * sqrt(hmvar(A0, n1, n0)) + zb * sqrt(hmvar(A, n1, n0)) } okp <- function(n1) { n0 <- ceiling(ratio * n1); za * sqrt(hmvar(A, n1, n0)) <= dd } } n1 <- 2; habang (!ok(n1)) n1 <- n1 + 1 p1 <- 2; habang (!okp(p1)) p1 <- p1 + 1 c(mga positibo = n1, mga negatibo = kisame(ratio * n1), kabuuan = n1 + kisame(ratio * n1), katumpakan_lamang_kabuuan = p1 + kisame(ratio * p1)) }

gabay sa paggamit

Kailan gagamitin. Planuhin kung gaano karaming kalahok ang kailangan ng isang pag-aaral ng diagnostic accuracy: upang tantyahin ang sensitivity at specificity gamit ang napiling precision (Buderer), upang ipakita na ang isang AUC ay lumampas sa isang null value, o upang ihambing ang mga AUC ng dalawang pagsubok na binasa sa parehong mga paksa.

Mga Pagpapalagay. Buderer: Wald (normal-approximation) na mga pagitan, kaya ang d ay dapat sapat na maliit upang ang pagitan ay manatili sa loob ng 0 hanggang 100%; ang prevalence ay ang prevalence sa hinirang na sample. AUC: ang Hanley-McNeil variance ay isang maayos na approximation na nagpapalagay ng halos binormal-like na mga distribusyon ng iskor; ang mga resulta ay para sa empirical (Mann-Whitney) AUC at isang normal na estadistika ng pagsubok. Paired comparison: ang r ay ang ugnayan sa pagitan ng dalawang pagtatantya ng AUC, kung kukunin ayon sa ipinasok, at dapat itong magmula sa pilot data o sa literatura.

Mga karaniwang pagkakamali. Huwag basahin ang resulta ng Buderer bilang isang kalkulasyon ng power para sa isang hypothesis test (tinatarget lamang nito ang CI width). Huwag gamitin ang mga resulta ng AUC para sa maliliit na sample (ilang kaso na may sakit), para sa bahagyang AUC, o para sa clustered/multi-reader data. Para sa eksaktong o napakataas/mababang sensitivity, gumamit ng eksaktong binomial planning o isang nakalaang pakete.

Nagtrabahong halimbawa

I-click ang Mag-load ng halimbawang datos sa itaas, pagkatapos ay ang Run Analysis upang makita ang ganap na resulta na may pigura, pormula, at interpretasyon para sa pagsusulit na ito.

Mga sanggunian

Buderer NMF. Metodolohiyang pang-estadistika: I. Pagsasama ng paglaganap ng sakit sa pagkalkula ng laki ng sample para sa sensitibidad at espesipisidad. Acad Emerg Med. 1996;3(9):895-900.
Flahault A, Cadilhac M, Thomas G. Dapat isagawa ang pagkalkula ng laki ng sample para sa katumpakan ng disenyo sa mga pag-aaral ng diagnostic test. J Clin Epidemiol. 2005;58(8):859-862.
Hanley JA, McNeil BJ. Ang kahulugan at gamit ng lugar sa ilalim ng kurba ng katangian ng pagpapatakbo ng receiver (ROC). Radiology. 1982;143(1):29-36.
Hanley JA, McNeil BJ. Isang paraan ng paghahambing ng mga lugar sa ilalim ng mga kurba ng katangian ng pagpapatakbo ng receiver na hinango mula sa parehong mga kaso. Radiology. 1983;148(3):839-843.
Obuchowski NA. Mga kalkulasyon ng laki ng sample sa mga pag-aaral ng katumpakan ng pagsubok. Stat Methods Med Res. 1998;7(4):371-392.

Pinatatakbo ng editverse.com · Na-validate ang R 4.3.3 · v3.6 Kailangan mo ba ng ekspertong pagsusuri? →

Halimbawa ng Paggawa

Ipagpalagay na inaasahan mo ang sensitivity na 90% at specificity na 85%, na may disease prevalence na 20%. Gusto mo na ang bawat confidence interval ay may half-width na 5 percentage points sa 5% significance level.

Ang sensitibidad ay nangangailangan ng 139 katao na may kondisyon, na nangangahulugang 692 kalahok sa kabuuan na may 20% na prevalence. Ang ispesipisidad naman ay nangangailangan ng 196 katao na walang kondisyon, na nangangahulugang 245 sa kabuuan. Ang mas malaking bilang ang siyang namamahala, kaya ang kinakailangang sample ay 692 kalahok.

Ang pangalawang setting ay nagpapakita ng epekto ng mababang prevalence: sensitivity 80%, specificity 95%, prevalence 10%, half-width 7.5 points at 1% significance level. Ang sensitivity ay nangangailangan ng 189 na kaso (1888 sa kabuuan) at ang specificity ay nangangailangan ng 57 na non-cases (63 sa kabuuan), kaya kailangan mo ng 1888 na kalahok.

Para sa isang pagsubok na AUC, ang inaasahang AUC na 0.80 laban sa null na 0.5, pantay na laki ng grupo, 80% power at 5% na antas ng significance ay nangangailangan ng 14 na tao sa bawat grupo, 28 sa kabuuan. Kung mas gugustuhin mong iulat ang AUC na may confidence interval na plus o minus 0.05, ang parehong input ay magbibigay ng 151 sa bawat grupo, 302 sa kabuuan. Para sa isang AUC na 0.70 laban sa 0.6 na may dobleng bilang ng mga kalahok na walang sakit kaysa sa mga may sakit at 90% power, ang sagot ay 126 at 252, na may kabuuang 378.

Para sa dalawang pagsubok sa parehong kalahok, ang mga AUC na 0.80 at 0.90 na may ugnayan na 0.5 sa pagitan ng mga pagtatantya, 80% power at pantay na grupo ay nangangailangan ng 61 sa bawat grupo, 122 sa kabuuan. Ang target na may katumpakan lamang na plus o minus 0.05 sa pagkakaiba ay nangangailangan ng 242.

Mga Pagpapalagay na Susuriin

Ang mga pamamaraan ay mga normal na pagtatantya: ang Wald interval para kay Buderer, at ang Hanley at McNeil variance formula para sa AUC. Pinakamahusay ang mga ito sa mga katamtamang halaga ng AUC at sapat na laki ng grupo.
Ang sensitibidad at espesipisidad na malapit sa 0% o 100%, o napakaliit na mga sample, ay ginagawang optimistiko ang Wald interval. Kung ang interval ay lalampas sa 0 o 100%, magdadagdag ng tala ang calculator.
Ipinapalagay ng kabuuan para kay Buderer na ang prevalence sa iyong sample ay katumbas ng prevalence na iyong inilagay. Ang isa pang panukat ay magkakaroon ng mas makitid na interval kaysa sa target.
Para sa dalawang AUC, ang korelasyon na ipinasok ay direktang ginagamit bilang korelasyon sa pagitan ng dalawang pagtatantya ng AUC. Ang Hanley at McNeil lookup table na nagko-convert ng korelasyon ng iskor sa halagang ito ay hindi ipinatupad. Ang resulta ay napakasensitibo sa input na ito.
Walang pagsasaayos para sa dropout, mga resultang hindi masusuri, maraming mambabasa, clustered data o bahagyang AUC. Lagyan ng malaking halaga ang pangwakas na numero para sa inaasahang pagkalugi.

Karaniwang Pagkakamali

Hindi pinapansin ang paglaganap

Ang pagkalkula sa bilang ng mga kaso at hindi kaso ngunit nakakalimutang hatiin sa prevalence ay nagpapababa sa target na recruitment. Ipinapakita ng mga kabuuan sa itaas kung gaano kabilis itong lumaki kapag mababa ang prevalence.

Gamit ang mas maliit na kabuuan

Ang sensitibidad at espesipisidad ay parehong nagbibigay ng kabuuan. Kailangan mo ang mas malaki sa dalawa, kung hindi, ang isa sa mga pagtatantya ay magiging hindi gaanong tumpak kaysa sa plano.

Paglalagay ng korelasyon ng iskor bilang korelasyon ng AUC

Ang ugnayan sa pagitan ng dalawang pagtatantya ng AUC ay karaniwang mas mababa kaysa sa ugnayan sa pagitan ng mga hilaw na marka ng pagsusulit. Ang paglalagay ng ugnayan ng marka ay maaaring magpababa sa laki ng sample. Gumamit ng mas mababa, batay sa pilot value upang maging konserbatibo.

Pagtrato sa isang significance test bilang isang precision target

Ang pagpapakita na ang isang AUC ay naiiba sa isang null na halaga ay nangangailangan ng mas kaunting tao kaysa sa tumpak na pagtantya sa AUC. Sa halimbawa sa itaas, 28 kalahok ang maaaring magpakita ng AUC na 0.80 laban sa 0.5 (mahina ang pagtatantya sa ganitong kaliit na sukat, kaya ituring ang 28 bilang isang mas mababang hangganan), ngunit 302 ang kailangan para sa isang pagitan na plus o minus 0.05. Magpasya kung aling tanong ang dapat sagutin ng pag-aaral.

Mga Madalas Itanong

Aling paraan ng laki ng sample ang dapat kong piliin?

Gamitin ang Buderer para sa sensitivity at specificity sa napiling threshold. Gamitin ang mga opsyon ng AUC kapag ang pagsusulit ay nagbigay ng iskor at gusto mo itong husgahan sa iba't ibang threshold.

Bakit mas malaki ang kabuuan kaysa sa bilang ng mga kaso?

Iilang bahagi lamang ng mga kalahok ang may ganitong kondisyon. Sa 20% na prevalence, 139 na kaso ang nangangailangan ng 692 kalahok sa kabuuan.

Kasama ba sa calculator ang power para sa sensitivity at specificity?

Hindi. Ang opsyong Buderer ay naka-target lamang sa lapad ng confidence interval at hindi gumagamit ng power. Ang power ay nalalapat sa mga opsyong AUC.

Maaari ko bang gamitin ang mga numerong ito bilang pangwakas?

Gamitin ang mga ito para sa pagpaplano. Ang mga pamamaraan ay mga pagtatantya lamang, kaya suriin ang pangwakas na pigura sa isang estadistiko, lalo na para sa maliliit na sample, matinding halaga o masalimuot na disenyo.

Ano ang epekto ng ratio ng grupo?

Itinatakda nito kung gaano karaming kalahok na walang sakit ang iyong ie-enroll para sa bawat kalahok na may sakit sa mga opsyon ng AUC. Ang ratio na 2 ay nagbigay ng 126 at 252 sa halimbawa sa itaas.

Mga Kaugnay na Calculator

Kalkulador ng ROC Curve at AUC Kalkulador ng Katumpakan sa Diagnostic Kalkulador ng Laki at Lakas ng Sample Kalkulador ng Pagkalat Kalkulador ng Confidence Interval Mga Pag-aaral sa STARD at Katumpakan sa Diagnostic

Mga sanggunian

Buderer NM. Metodolohiyang pang-estadistika: I. Pagsasama ng paglaganap ng sakit sa pagkalkula ng laki ng sample para sa sensitibidad at espesipisidad. Acad Emerg Med. 1996;3(9):895-900. PMID 8870764
Hanley JA, McNeil BJ. Ang kahulugan at gamit ng lugar sa ilalim ng kurba ng receiver operating characteristic (ROC). Radiology. 1982. PMID 7063747
Hanley JA, McNeil BJ. Isang paraan ng paghahambing ng mga lugar sa ilalim ng mga kurba ng katangian ng pagpapatakbo ng receiver na hinango mula sa parehong mga kaso. Radiology. 1983. PMID 6878708
Flahault A, Cadilhac M, Thomas G. Dapat isagawa ang pagkalkula ng laki ng sample para sa katumpakan ng disenyo sa mga pag-aaral ng diagnostic test. J Clin Epidemiol. 2005. PMID 16018921

Kailangan Mo Bang Gawin ang Pagsusuring Ito para sa Iyong Manuskrito?

Kailangan mo bang isulat, suriin, o bigyang-katwiran ang seksyon ng laki ng sample ng iyong protocol para sa isang tagapondo o ethics board? Maaaring ihanda at repasuhin ito ng mga istatistikal ng Editverse kasama mo.

Kumuha ng Suporta sa Laki ng Sample