Setting sample size using cost efficiency in fMRI studies
Notice bibliographique
Résumé
Background: Sample size calculations are rarely performed for functional magnetic resonance imaging studies involving clinical populations. This may be due to uncertainty as to the size of expected effect and the variance of the blood oxygenation level dependent response. Moreover, existing sample size methods ignore the costs associated with performing the proposed study. The current paper describes how cost efficiency, a recently proposed method, can be used in conjunction with existing methods to address these issues. Methods: Cost efficiency is the ratio of a study’s value to its cost, and sample size is chosen to maximize cost efficiency (ie, to maximize return on investment). It is suggested that sample size calculations begin by calculating the sample sizes required to achieve a given power, through varying the input parameters to the calculation over their plausible ranges. Cost efficiency can then help narrow the resulting range of sample sizes and help choose one sample size. The approach is illustrated through a recent functional magnetic resonance imaging study of autobiographical memory retrieval in patients with major depressive disorder. An example: Setting power to 80% and type 1 error rate to 5%, the method of Mumford and Nichols was used to calculate sample size. There were no reported effect sizes for similar studies in the literature; consequently, this parameter was varied over its plausible range (Cohen’s d varying from 0.2 to 0.8). This yielded sample sizes ranging from 50 to 800. Within these, cost efficiency gave a sample size of 88. Conclusion: Poor reporting of the input parameters to power-based methods of sample size determination results in a wide range of candidate sample sizes. The cost efficiency approach supplies a way of narrowing this range and choosing a sample size from that. Keywords: cost efficiency, sample size, power, fMRI studies
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,134 | 0,560 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».