サンプルサイズ計算機
文献ベースの効果量推定、検出力レベルごとの感度マトリックス、再現可能なR/Pythonコードを用いて必要なサンプルサイズを計算します（検証ガイダンス付き）。
- 研究デザイン、主要アウトカムの種類、目標とする検出力を入力してください。
- AI Run をクリックすると、サンプルサイズ計算と感度分析をチャット上で直接受け取れます。
- 仮定条件を調整し、再計算や代替シナリオとの比較を依頼してください。
このツールの概要
臨床・生物医学研究者向けのサンプルサイズ計算アシスタントです。研究デザイン、主要アウトカム、期待効果量、有意水準、目標検出力を入力すると、AIが確立された統計式を用いて必要サンプルサイズを計算し、すべての中間ステップを表示し、予想脱落率を考慮して調整します。結果には感度マトリックスが含まれ、異なる効果量と検出力の仮定の下でサンプルサイズがどのように変化するかを示します。
なぜ1つの数値ではなくマトリックスを表示するのか
事前に設定した効果量はほぼ常に不確かです。小規模研究バイアスや選択的報告により、公表された効果量は過大推定されることが多いです。感度マトリックス——合理的な効果量（例：Cohen's d = 0.3 〜 0.6）と検出力レベル（80%、85%、90%）のグリッドにわたってサンプルサイズを表示——により、現実的な計画範囲を把握できます。
文献からの効果量推定
事前の効果量推定値がない場合、AIはPubMedで類似の発表試験や観察研究を検索し、観察された効果量を抽出するよう案内します。また、公表された効果量は真の効果を過大推定している可能性があり、発表値より20〜30%小さい保守的な推定値を使用することが生物統計学者に推奨されていることを伝えます。
対応研究デザイン
2群平行RCT（優越性・非劣性・同等性）、対応デザイン（クロスオーバー、前後比較）、前向きコホート研究、症例対照研究、横断的有病率調査、診断精度研究（感度・特異度・AUC）。クラスター無作為化試験や適応型試験などの複雑なデザインについては、主要な公式パラメータの説明を提供し、最終計算には専門家への相談を推奨します。
再現可能なコード
AIはすべての計算に対して実行可能なRコード（pwr、MASS、またはsurvivalパッケージ）とPythonコード（statsmodels、pingouin）を生成し、すべてのパラメータを明示的に宣言します。独立して再実行して結果を検証できます。
検証と制限事項
サンプルサイズ計算には仮定が伴います。このツールは計画支援ツールであり、規制対応ツールではありません。G*Power、PASS、nQueryなどの検証済みソフトウェアで最終サンプルサイズを必ず確認し、規制臨床試験では資格を持つ生物統計学者に相談してください。