Calcolare un sample size per un protocollo, richiesta di un grant, o semplicemente perch\u00e9 devi rispondere a un reviewer, pu\u00f2 essere decisamente complicato nel caso tu non possegga determinate informazioni a priori e nel caso tu non possa condurre nessuna indagine pilota.<\/p>\n
Nei casi pi\u00f9 comuni le informazioni che ti servono prima di effettuare il calcolo sono:<\/p>\n
potenza (o probabilit\u00e0 di commettere errore di tipo-II, 1-beta);<\/strong><\/p>\n probabilit\u00e0 di commettere errore di tipo-I (alpha);<\/strong><\/p>\n dimensione dell\u2019effetto<\/strong> che si vuole andare ad investigare;<\/p>\n variabilit\u00e0 della misurazione.<\/strong><\/p>\n Le prime due informazioni (alpha e beta) sono una scelta che dipende da una serie di fattori come il tipo di disegno, obiettivo dello studio, eccetera, ma che comunque non rappresentano un problema; di solito si usa il 5% di significativit\u00e0 (alpha, da distribuire su una o due code del test) e una potenza minima dell\u201980% (1-beta).<\/p>\n Dimensione dell\u2019effetto e variabilit\u00e0 sono invece una brutta gatta da pelare se non hai informazioni a priori dalla letteratura scientifica.<\/strong><\/p>\n Vediamo come uscire dai pasticci.<\/p>\n In questi casi la prima cosa che devi metterti in mente \u00e8 che l\u2019approccio pi\u00f9 onesto e credibile non \u00e8 quello di fornire una stima unica del sample size ma di produrre un range di numerosit\u00e0 campionarie con valori basati su diversi scenari.<\/strong> Purtroppo il disegno di un protocollo non \u00e8 mai una scienza esatta per cui \u00e8 bene fare uno sforzo per tenere conto di tutti gli ipotetici scenari che si possono presentare per poter garantire uno studio che non sia solo una perdita di tempo e di risorse.<\/p>\n Prendiamo allora i due \u201cingredienti\u201d che devi necessariamente possedere per il calcolo del sample size: dimensione dell\u2019effetto e variabilit\u00e0 della misura.<\/p>\n Per dimensione dell\u2019effetto intendiamo l\u2019intensit\u00e0 del fenomeno che stai osservando. Ad esempio la variazione del tuo endpoint tra un gruppo sperimentale e quello di controllo (o tra un pre- e un post- trattamento, nel pi\u00f9 semplice dei casi).<\/p>\n Per essere ancora pi\u00f9 pratici facciamo un esempio: <\/strong>stai trattando un gruppo di pazienti con un antiipertensivo e ad un altro gruppo somministri placebo; la dimensione dell\u2019effetto sar\u00e0 la differenza della pressione media nel gruppo trattato con farmaco rispetto al gruppo di controllo. Qual \u00e8 il valore che ti aspetti di trovare?<\/p>\n Ho fatto l’esempio della differenza tra medie di pressioni del sangue, ma lo stesso vale per altre misure di effetto: Odds Ratio, Rischio Relativo, una coefficiente di regressione quello o che ti pare. Qual \u00e8 il valore che il tuo studio ipotizza di trovare?<\/p>\n In generale questo valore uno sperimentatore lo dovrebbe conoscere e dovrebbe essere basato su precedenti studi esplorativi o perlomeno sulla \u201csperanza\u201d dettata dalla sua pratica clinica.<\/strong><\/p>\n Alcuni sperimentatori sparano un \u201cdiverso da zero\u201d. Questa \u00e8 una pessima idea: se tu avessi un tuo genitore o figlio icoverato per una crisi ipertensiva e dicessero che il farmaco che gli stanno somministrando riduce la pressione di un valore diverso da zero tu cosa diresti? Io direi: \u201cvabb\u00e8, allora?\u201d. Ed \u00e8 quello che ti direbbe anche un reviewer che legge un tuo protocollo.<\/p>\n Nel caso in cui tu non abbia la pi\u00f9 pallida idea di quanto possa essere questo valore, quello che puoi fare \u00e8 cercare il minimo valore significativo dal punto di vista clinico (MCID, minimal clinically important difference) per la popolazione di pazienti a cui ti stai riferendo.<\/strong><\/p>\n Dove lo cerchi? Ovviamente in letteratura.<\/strong> E qua bisogna fare attenzione ad un errore che commettono in molti:<\/strong> non devi usare un effetto trovato da altri studi; devi trovare un valore che sia universalmente riconosciuto come MCID e questo MCID deve essere specifico, come dicevamo, per il tipo di soggetti di cui ti stai occupando. Se trovi che Caiosempronio et al<\/em> hanno studiato un antiipertensivo simile al tuo su pazienti dializzati e hanno visto che il loro effetto e stato 3 mm di mercurio, NON devi usare quel 3 mm di mercurio per il tuo studio (che magari \u00e8 condotto su tutt\u2019altro tipo di pazienti).<\/p>\n Devi invece trovare una bella review o una linea guida che ti indichi la tua MCID nei tuoi pazienti.<\/strong> Probabilmente troverai pi\u00f9 valori di MCID: bene, tienili da parte perch\u00e9 poi andrai a utilizzarli per creare quel pannello di ipotetici sample size.<\/p>\n Il secondo valore che ti serve necessariamente conoscere \u00e8 quello della deviazione standard della tua misura.<\/strong> Qual \u00e8 la deviazione standard della pressione misurata sui tuoi pazienti dializzati? Questa \u00e8 una misura che devi conoscere. Non puoi farne a meno. Non puoi stabilire una deviazione standard sulla base della tua \u201csperanza\u201d clinica. Mettiti davanti a pubmed e cerca un valore di deviazione standard misurata nelle condizioni pi\u00f9 simili possibile a quelle del tuo studio.<\/strong><\/p>\n Come ti dicevo, non \u00e8 necessario che siano pazienti studiati nelle tue stesse identiche condizioni, ma va bene anche un\u2019approssimazione a patto che tu, nel momento in cui scrivi il paragrafo del sample size, ti ricordi di dichiarare da dove hai preso quei valori di deviazione standard.<\/strong><\/p>\n Ora che hai individuato dei valori di dimensione dell\u2019effetto e di variabilit\u00e0 (deviazione standard) della tua misurazione, effettua pi\u00f9 calcoli di sample size tenendo conto delle diverse possibili combinazioni dei valori individuati.<\/p>\n Alla fine otterrai un elenco di ipotetiche dimensioni campionarie.<\/strong><\/p>\n A questo punto la strategia che, almeno nel mio caso, ha sempre funzionato, \u00e8 quella di usare un approccio pi\u00f9 conservativo possibile, cio\u00e8 quello di:<\/strong><\/p>\n In questo modo dimostrerai che avrai fatto tutto il possibile sforzo per garantire il livello pi\u00f9 alto di solidit\u00e0 statistica.<\/p>\n Scoperta terribile: non c\u2019e nessun articolo o documento che ti parli di differenza clinica significativa e nemmeno del pi\u00f9 lontano valore di deviazione standard ipotetica.<\/strong> A questo punto l\u2019ultima spiaggia \u00e8 quella di usare delle dimensioni di effetto standardizzate, come ad esempio i valori di Cohen’s d<\/a>.<\/p>\n Non possiamo parlarne in questo post altrimenti esso diventa troppo lungo, ma sappi che nonostante sia l\u2019approccio preferito di molti ricercatori, esso \u00e8 quasi sempre una pessima idea perch\u00e8 si basa su un effetto esclusivamente statistico e non legato alla clinica o a qualunque altra realt\u00e0 tu stia studiando.<\/p>\n","protected":false},"excerpt":{"rendered":"Se non consosci la Dimensione dell\u2019effetto (effect size)…<\/h1>\n
Se non conosci la deviazione standard delle tue misurazioni…<\/h1>\n
Usa un approccio conservativo<\/h1>\n
\n
Il peggior scenario<\/h1>\n