Sample Size Calculation in Clinical Studies: Some Common Scenarios
Notice bibliographique
Résumé
Determining the optimal sample size is crucial for any scientific investigation. An optimal sample size provides adequate power to detect statistical significant difference between the comparison groups in a study and allows the researcher to control for the risk of reporting a false-negative finding (Type II error). A study with too large a sample is harder to conduct, expensive, time consuming and may expose an unnecessarily large number of subjects to potentially harmful or futile interventions. On the other hand, if the sample size is too small, a best conducted study may fail to answer a research question due to lack of sufficient power. To draw a valid and accurate conclusion, an appropriate sample size must be determined prior to start of any study. This paper covers the essentials in calculating sample size for some common study designs. Formulae along with some worked examples were demonstrated for potential applied health researchers. Although maximum power is desirable, this is not always possible given the resources available for a study. Researchers often needs to choose a sample size that makes a balance between what is desirable and what is feasible.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,225 | 0,520 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,012 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».