📌 Kết luận chính
- Cỡ mẫu phải được tính từ 4 yếu tố: α (thường 0.05), power (thường 0.80), effect size (MCID), và SD (từ y văn/pilot). Thiếu bất kỳ yếu tố nào → tính toán không chính xác.
- Công thức so sánh 2 trung bình: n = 2 × (Zα/2 + Zβ)² × σ² / δ². Với δ=5, σ=15, α=0.05, power=0.80 → cần 142 BN/nhóm → 284 BN.
- Điều chỉnh mất dấu 10%: 142/0.90 ≈ 158 BN/nhóm → cần 316 BN. Ngân sách 200 BN là không đủ.
- NNT = 1/ARR. Với ARR=10% → NNT=10. Cứ 10 BN điều trị, 1 BN có lợi. NNT càng thấp, can thiệp càng hiệu quả.
- Power curve là công cụ trực quan để thấy mối quan hệ giữa n, α, và power. Giúp chọn điểm tối ưu giữa nguồn lực và khả năng phát hiện khác biệt.
📚 Academic Note — Các phương pháp tính cỡ mẫu khác
Ngoài công thức cổ điển, có thể dùng phương pháp mô phỏng (simulation-based power analysis) — đặc biệt hữu ích cho các thiết kế phức tạp (mixed models, survival, SEM). Mô phỏng cho phép tính power cho bất kỳ mô hình nào, miễn là bạn có thể mô phỏng dữ liệu. Với R, gói simr hoặc pwr hỗ trợ mô phỏng. Tuy nhiên, mô phỏng đòi hỏi kỹ năng lập trình và kiến thức sâu về phân phối dữ liệu. Đối với hầu hết các thiết kế lâm sàng thông thường, công thức cổ điển và G*Power là đủ.
Một khái niệm quan trọng khác: adaptive trial design — thiết kế cho phép điều chỉnh cỡ mẫu giữa chừng dựa trên kết quả tạm thời (interim analysis). Phương pháp này đang được FDA và EMA khuyến khích vì tính linh hoạt và hiệu quả.
🩺 Lời khuyên cho nhà nghiên cứu trẻ
Đừng bao giờ bắt đầu một nghiên cứu mà không tính cỡ mẫu trước. Nếu bạn không biết cần bao nhiêu BN, bạn sẽ không biết nghiên cứu của mình có đủ power hay không. Hãy đến gặp nhà thống kê từ giai đoạn lên ý tưởng, không phải sau khi đã thu thập xong dữ liệu.
Hãy nhớ: Một nghiên cứu tốt không phải là nghiên cứu có p < 0.05 — mà là nghiên cứu được thiết kế tốt, có cỡ mẫu phù hợp, để câu trả lời (dù có ý nghĩa hay không) đều đáng tin cậy.
"Cỡ mẫu không chỉ là con số — nó là cam kết về chất lượng nghiên cứu của bạn."
