Kan jag lita på AI:ns beräkning av urvalsstorlek?

AI:n använder etablerade statistiska formler och visar allt arbete transparent. Men beräkningar av urvalsstorlek bygger på antaganden som måste verifieras. Bekräfta alltid med validerad mjukvara (G*Power, PASS eller R:s pwr-paket) och konsultera en biostatistiker innan du slutför ditt protokoll.

Vad händer om jag inte vet min förväntade effektstorlek?

AI:n söker i PubMed efter liknande publicerade studier och extraherar deras observerade effektstorlekar för att hjälpa dig med uppskattningen. Den kommer också att flagga för att publicerade effektstorlekar kan vara överdrivna och rekommendera användning av en konservativ uppskattning.

Vilka studiedesigner stöds?

Tvåarmade RCT:er (överlägsenhet, non-inferioritet, ekvivalens), parade designer, kohortstudier, fall-kontrollstudier, tvärsnittsundersökningar och studier av diagnostisk noggrannhet. För komplexa designer (klusterrandomisering, adaptiva studier) ger AI:n vägledning men rekommenderar konsultation med en specialist.

Varför visas en känslighetsmatris istället för ett enda nummer?

För att uppskattningen av din effektstorlek är osäker. Känslighetsmatrisen visar hur urvalsstorleken förändras över olika tänkbara effektstorlekar och power-nivåer. Detta hjälper dig att planera för realistiska scenarier istället för att satsa allt på ett enda antagande.

Ska jag klistra in faktiska patientuppgifter eller forskningsdata när jag beskriver mitt dataset?

Nej — klistra aldrig in riktiga patientjournaler, identifierbar information eller faktiska datarader. Beskriv ditt dataset strukturellt: variabelnamn (använd generiska etiketter vid behov), datatyper, urvalsstorlek och mönster för saknade värden. Om din institution eller etikkommitté har riktlinjer för AI-användning med patientrelaterade data, konsultera dem innan du fortsätter.

Kalkylator för Urvalsstorlek -- medPrompt

Användningsguide

Fyll i studiedesign, typ av primart utfall och mal for statistisk styrka.
Klicka pa AI Run och fa berakningar av urvalsstorlek med kanslighetsanalys direkt i chatten.
Justera antaganden och be om omberakningar eller jamforelser mellan alternativa scenarier.

Medicinsk Forskningsassistent

Fyll i variabler och kör direkt med AI

Wiki

Vad det här verktyget gör

Ett urvalsstorlek-kalkylatorverktyg för kliniska och biomedicinska forskare. Ange studiedesign, primärt utfall, förväntad effektstorlek, signifikansnivå och målpower — AI beräknar erforderlig urvalsstorlek med validerade statistiska formler, visar alla mellanliggande steg och justerar för förväntad bortfallsfrekvens. Resultatet innehåller en känslighetsmatris som visar hur urvalsstorleken varierar vid olika antaganden om effektstorlek och power.

Varför en matris i stället för ett enda tal

Din förhandsspecificerade effektstorlek är nästan alltid osäker. Publicerade effektstorlekar överskattas ofta på grund av small-study-bias och selektiv rapportering. Känslighetsmatrisen — som visar urvalsstorlekar över ett rutnät av rimliga effektstorlekar (t.ex. Cohen's d = 0,3 till 0,6) och powernivåer (80 %, 85 %, 90 %) — ger ett realistiskt planeringsintervall.

Uppskattning av effektstorlek från litteraturen

Om ingen tidigare uppskattning finns vägleder AI er i att söka på PubMed efter liknande publicerade studier och extrahera deras observerade effektstorlekar. AI påminner också om att publicerade effektstorlekar kan överskatta den verkliga effekten; att använda ett värde 20–30 % lägre än det publicerade är en konservativ metod som biostatistiker rekommenderar.

Studiedesigner som stöds

Tvåarmade parallella RCT:er (överlägsenhet, icke-underlägsenhet, ekvivalens), parade designer (crossover, före-efter), prospektiva kohortstudier, fall-kontrollstudier, tvärsnittsundersökningar av prevalens samt diagnostiska noggrannhetsstudier (sensitivitet, specificitet, AUC). För komplexa designer som klusterrandomiserade studier förklaras nyckelformelparametrarna och specialistrådgivning rekommenderas.

Reproducerbar kod

AI genererar körbar R-kod (paketen pwr, MASS eller survival beroende på fall) och/eller Python-kod (statsmodels, pingouin) för varje beräkning, med alla parametrar explicit deklarerade. Du kan köra om beräkningen oberoende för att verifiera resultatet.

Verifiering och begränsningar

Urvalsstorlek-beräkningar bygger på antaganden; detta verktyg är ett planeringshjälpmedel, inte ett regulatoriskt verktyg. Verifiera alltid slutliga urvalsstorlekar med validerad programvara (G*Power, PASS, nQuery) och konsultera en kvalificerad biostatistiker för reglerade kliniska prövningar.

Vanliga frågor