Cách tính toán cỡ mẫu trong nghiên cứu đối chứng ngẫu nhiên (Randomized Controlled Trials- RCT)

Giới thiệu

Thử nghiệm đối chứng ngẫu nhiên (RCT) được coi là tiêu chuẩn vàng để đánh giá các can thiệp hoặc chăm sóc sức khỏe. So với nghiên cứu quan sát, việc lấy mẫu ngẫu nhiên là phương pháp hiệu quả để cân bằng các yếu tố gây nhiễu giữa các nhóm điều trị và nó có thể loại bỏ ảnh hưởng của các biến gây nhiễu. Khi các nhà nghiên cứu muốn thiết kế thử nghiệm lâm sàng, điều cần cân nhắc chính yếu là phải biết có bao nhiêu đối tượng tham gia có thể đưa vào mẫu nghiên cứu để đạt được các kết quả có ý nghĩa cho nghiên cứu đó. Ngay cả các nghiên cứu được thực hiên một cách tỷ mỷ nhất cũng có thể thất bại để trả lời câu hỏi nghiên cứu nếu cỡ mẫu của nghiên cứu đó là quá nhỏ. Mặt khác, một nghiên cứu với cỡ mẫu lớn sẽ khó thực hiện và gây lãng phí.  Mục tiêu của việc ước tính cỡ mẫu là tính toán một số lượng đối tượng nghiên cứu thích hợp cho một thiết kế nghiên cứu nào đó. (1)

Bốn khái niệm thống kê về tính toán cỡ mẫu trong thiết kế thử nghiệm đối chứng ngẫu nhiên (RCT) [2]

Giả thiết không và các giả thiết thay thế (The null hypothesis and alternative hypothesis).

Trong kiểm định giả thiết thống kê, giả thiết không đặt ra ở mức kiểm định ý nghĩa nào đó và nó thường đi cùng với một giả thiết thay thế. Giả thiết không được đặt ra với mục đích sẽ bị bác bỏ, do vậy nếu chúng ta muốn so sánh hai can thiệp, thì giả thiết không sẽ là “không có sự khác biệt” ngược lại, giả thiết thay thế là “có sự khác biệt”. Tuy nhiên, không có khả năng bác bỏ giả thiết không không có nghĩa là ‘điều đó là sự thực’, mà nó chỉ có nghĩa rằng chúng ta không có đủ bằng chứng để bác bỏ giả thiết không.

Sai số loại I (α/ type I error)

Theo thuật ngữ thống kê cổ điển, sai số loại I thường liên quan đến giả thiết không. Theo quan điểm lý thuyết xác suất, không tồn tại cái gọi là “kết quả của tôi là đúng”,  mà chỉ tồn tại  bao nhiêu sai số tôi đã phạm phải. Xác suất phạm phải sai số loại I (bác bỏ giả thiết không khi điều đó là sự thật) được gọi là alpha (α). Ví dụ, chúng ta tiên định mức ý nghĩa thống kê α=0.05, một giá trị p=0.03 được phát hiện trong test kiểm định hai phía. Hai khả năng đối với sự khác biệt ý nghĩa này có thể tồn tại đồng thời (giả định rằng tất cả các sai số khác đã được kiểm soát). Lý do thứ nhất đó là sự khác biệt có thực đang tồn tại giữa hai can thiệp; và lý do thứ hai đó  là sự khác biệt này là do tình cờ hay ngẫu nhiên, nhưng chỉ có 3% cơ hội để sự khác biệt này xảy ra tình cờ hay ngẫu nhiên. Do vậy, nếu giá trị p càng tiếp cận với giá trị ‘0’ thì cơ hội của sự khác biệt xảy ra do tình cờ hay ngẫu nhiên là rất thấp. Ngược lại, test kiểm định hai phía thường được thực hiện để so sánh với test kiểm định một phía đòi hỏi cỡ mẫu nhỏ hơn. Sai số loại I thường đặt là 0.05 cho kiểm định hai phía, không phải cho tất cả các nghiên cứu, nhưng đối với một số nghiên thì điều này là ngoại lệ.

Sai số loại II (β/ type II error)

Như đã trình bày, giả thiết không liên quan đến sai số loại I, giả thiết thay thế liên quan đến sai số loại II khi chúng ta không có khả năng bác bỏ giả thiết không. Điều này thường suy ra từ lực mẫu nghiên cứu (power = 1-β): Xác suất bác bỏ giả thiết không khi nó thất bại. Thông thường, lực mẫu nghiên cứu thường được chấp nhận với giá trị 80%, nếu lực mẫu nghiên cứu cao hơn sẽ cần nhiều mẫu nghiên cứu hơn.

Chi tiết đây đủ của bài viết có thể download tại đây  sample_size_in_rctvn1.doc