📐 Công thức CI, ý nghĩa và các yếu tố ảnh hưởng
3.1. Công thức tổng quát của Khoảng tin cậy
Khoảng tin cậy cho trung bình quần thể (μ) khi biết độ lệch chuẩn quần thể (σ) hoặc ước lượng từ mẫu (s) được tính theo công thức:
Công thức CI cho trung bình (khi σ đã biết):
CI = x̄ ± Z(α/2) × σ / √n
Công thức CI cho trung bình (khi σ chưa biết — dùng t):
CI = x̄ ± t(α/2, n–1) × s / √n
Ví dụ lâm sàng:
x̄ = 132 mmHg, s = 10 mmHg, n = 150, Z0.025 = 1,96
CI = 132 ± 1,96 × 10 / √150
CI = 132 ± 1,96 × 0,816
CI = 132 ± 1,60
CI = [130,4; 133,6]
Hãy chú ý: công thức trên cho thấy CI phụ thuộc vào ba yếu tố. Thứ nhất, mức độ tin cậy (thường là 95%, tương ứng Z = 1,96). Nếu bạn muốn CI 99%, Z sẽ là 2,576 và khoảng sẽ rộng hơn. Thứ hai, độ biến thiên của dữ liệu (σ hoặc s) — dữ liệu càng phân tán, CI càng rộng. Thứ ba, và quan trọng nhất đối với nhà thiết kế nghiên cứu, cỡ mẫu (n) — mẫu càng lớn, sai số chuẩn (σ/√n) càng nhỏ, CI càng hẹp. Đây là lý do tại sao các thử nghiệm lâm sàng pha III thường yêu cầu hàng trăm, thậm chí hàng ngàn bệnh nhân: để có CI đủ hẹp, cung cấp ước lượng đủ chính xác cho quyết định lâm sàng.
3.2. Ý nghĩa thực sự — Lời giải thích bằng 100 lần lấy mẫu
Hãy tưởng tượng bạn có thể lấy 100 mẫu khác nhau, mỗi mẫu 150 bệnh nhân từ cùng một quần thể. Với mỗi mẫu, bạn tính một CI 95%. Kết quả: khoảng 95 trong số 100 CI sẽ chứa giá trị μ thật của quần thể. Khoảng 5 CI sẽ "trượt" — không chứa μ. Vấn đề là, khi bạn chỉ có một mẫu duy nhất (như trong thực tế), bạn không biết CI của mình nằm trong số 95 hay số 5 đó. Đây là sự bất định cố hữu mà thống kê không thể loại bỏ — nó chỉ có thể định lượng được. Một CI 95% không phải là một lời hứa, mà là một cam kết về quy trình: nếu bạn luôn dùng CI 95%, bạn sẽ đúng 95% số lần trong dài hạn.
📚 Cửa sổ học thuật — "Sai lầm phổ biến: CI không phải là xác suất": Một khảo sát trên 407 bác sĩ nội khoa tại Mỹ (Windish et al., JAMA 2007) cho thấy chỉ 37% có thể diễn giải đúng CI. Phần lớn cho rằng "có 95% khả năng giá trị thật nằm trong CI này" — một hiểu lầm nghiêm trọng. Tại Việt Nam, tỷ lệ này có thể còn thấp hơn do việc giảng dạy thống kê y học chưa được chú trọng đúng mức. Hiểu lầm này dẫn đến hai hệ quả nguy hiểm: thứ nhất, bác sĩ đánh giá quá cao độ chắc chắn của kết quả — họ nghĩ "95%" có nghĩa là gần như chắc chắn, trong khi thực tế đó chỉ là một cam kết về quy trình; thứ hai, họ không hiểu rằng CI từ các nghiên cứu khác nhau trên cùng một vấn đề có thể khác nhau, và việc tổng hợp chúng (meta-analysis) mới cho bức tranh toàn cảnh.
3.3. Biểu đồ: So sánh CI theo cỡ mẫu
Tại sao cỡ mẫu càng lớn, CI càng hẹp? Nhìn vào biểu đồ trên, bạn thấy rõ: khi N tăng từ 50 lên 150 và lên 500, chiều dài của "râu" (CI) thu hẹp dần. Nguyên nhân nằm ở công thức: sai số chuẩn = σ/√n. Khi n tăng lên gấp 4 lần, sai số chuẩn giảm đi một nửa. Để CI hẹp bằng một nửa, bạn cần cỡ mẫu gấp 4 lần. Đây là một "luật lợi suất giảm dần" (law of diminishing returns) — tăng cỡ mẫu từ 50 lên 200 cho lợi ích lớn, nhưng từ 1000 lên 4000 thì lợi ích biên nhỏ hơn nhiều. Nhà thiết kế nghiên cứu phải cân đối giữa mong muốn có CI hẹp và nguồn lực thực tế: tuyển thêm bệnh nhân tốn kém, mất thời gian, và đôi khi không khả thi. Đây là lý do tại sao phân tích power (sức mạnh thống kê) là bước không thể thiếu trước khi tiến hành bất kỳ thử nghiệm lâm sàng nào.
