护理干预性研究样本量计算公式

哈喽，大家好，我是在日本就读护理学博士的小鹏同学，由于最近收到了很多的私信，就是关于咨询呢，就是论文中样本量的计算的问题啊，然后因为我跟大家口述或者打字的话也是表达不是很清楚，然后呢，今天就想着给大家录个视频，就是简单的教一下大家，嗯，如何计算样本量，像我们一般， 嗯，中华医学会底下的一些杂志，其他就会要求我们的投稿文章中要写到你的样本量，嗯，怎么来的？要写出你的具体的计算公式啊啊等等。所以的话呢，掌握样本量的计算的话啊，也是我们一段写论文的必要的一个技能啊。 然后呢，我们先从很多面研究开始吧，这也是一个常用的一个研究类型啊，我举的一个例子啊，就比如说我们这个很多面研究，大部分鉴于都是一些调查性研究，我们在调查性研究中肯定会使用到量表或者是问卷。我这个研究中，如果我这个研究中有三个量表，它分别是一般资料，还有就是自我管理量表以及生活质量量表。这三个量表的话，我们在知道它有哪些条目 是维度的情况下，是怎么计算他的样本量呢？就比如如果我在这个研究中，一般资料中设计的有包括性别，年龄，婚姻状况，这里是三个问题，我们就把它看做成三个质量量，然后自我管理量表中他肯定接受，量表中他肯定会介绍他有多少个维度，有多少个条目，对不对？ 然后呢，他这个量表有三个维度和二十个条目，这里面我们取的是维度的个数作为资本量，生活质量表也是一样的，他有四个维度和三十个条目，我们也是取他四个维度的四作为他的资本量，所以这个研究整个研究中有三个量表，三个量表中的所有的资本量相加就是三加，三加四 等于十，所以说这个研究中他的自备量就是有十个。然后再根据我们多元线性回归，样本中他的样本量至少为自备量个数的五到十倍。然后再考虑你的研究的一个 现实情况的话，我们可以选从五到十倍中，你选择一个，嗯，最接近于你理想的这个调查的那个样本量的大小。比如说我考虑了五倍，然后再考虑百分之十二十的无效益达，有些可能会写百分之十，嗯，这都是可以的。 嗯，考虑这个无效益达之后，我们的自变量是十个，所以我们又选取了五倍的话，就是十乘五，再考虑百分之二十的无效益达，再乘以的，呃，百分之一百二十，对不对？然后所以我们假设得出的样本量是一百粒， 然后我们这个研究中最终纳入的就是，嗯，只要大于他这个最小的能量一百粒都是可以允许的。不管你是大于他一一百粒啊，还是两百粒啊，只要是大于他最小的能量的话，都是可以取的。所以这就是一个很多面调查的研究，可能有些东西会混淆了，就是调木数和维度数的区分，然后去计算这个样本量的时候，不知道该选哪一个作为他的质量量，有些量表他可能是单维度的，所以他对应的质量量呢，就是一个， 那这些呢，就是很多没调查研究的他一个量本量的计算方法，还有呢，就是这个干预性研究。干预性研究呢，在我们统计学书上他有一个计划公式，叫做两样本均数比较的样本含量计算公式估计法，他这个 n 一等于 n 二，这个 n 一和 n 二呢，就是指的是，嗯，两组患者的人数。因为我们干预性研究一般情况下都是把患者随机分为两组，对吧？有干预组和 对照组，所以呢，这个 n 一 n 啊啊，一般情况下也是相等的，两组的人数一般情况是是相等的啊，然后这后面有计算公式，嗯，就是这个计算公式吧，我就不会念了哈。然后呢，这个研究呢，一般情况下，我们来看一下这几个位置的啊，位置的总共有四个，四个是位置的，一个是 tf 除以二，再加上一个 t 被的和 s 和那个。那啥我也不懂，不知道咋念。 然后呢，我们整个研究呢，一般情况下都是把这研究设计为双侧实验，然后所以呢， r 呢，就取的是零点零五，然后我们去查表，这个查表的话是同居学书上以后，一般都是最后面的几页，他会有一个表格是不需要我们计算的，你只要给他按法取值到零点零五，他能对应到 tr 是 tf 除以二，然后他就能对应到一点九六，然后被单呢取值是零点一零，然后查表呢，也可以得到他一个，这一个取值情况，所以呢，这两个，这两个数值的话是不需要我们去计算的啊，这就是统计学书上，你去查一查，都是可以得到的数值，而且大部分研究都是这两个数值，然后接下来呢，就是剩一个这个 s 和这一个 这个叫啥？符号圈圈，对吧？这个 s 为两总体标准差的工具值和这个圈圈为两均数的差值，这两个数字怎么算呢？我们两种方法。第一种方法呢，如果你就研究做了一实验的话， 我们可以用玉石宴的结果来算。还有一种方法是我这个研究，比如说我的研究还是处于开启报告，或者说是没有做玉石宴，那我就怎么计算呢？我们就去参考已经发表了的文献的啊，他这个得出来的结果啊， 怎么去选哪一种文，去选哪一篇文献呢？就是去选和你这个和你自己的研究的目的最相似的啊，就比如说你运用了嗯， a 方案对 糖尿病患者的生活质量干预，然后如果已经有 a 方案对这个糖尿病患者生活质量的干预的话，你就直接选把他的结果拿出来用。如果说没有的话，比如说他是 b 方案对糖尿病患者生活质量的呃影响的话，你也可以拿过来用啊。这句话就是优先选择跟你研究目的最相似的参考文献。然后呢，在这片文献中或者我们预实验中，我们肯定会得到一个干预前和干预后的分数， 对不对？我们一般情况下，嗯，这种计量资料都是用嗯均数加减标准叉的形式来展现的，就比如说我的这个 ppt 中，也就是在这干预前的分数，嗯， 假设成是五加五，五加减一分，然后干预后得到的是六加减二分，然后我们来算一算 s， s 是两种底标准差的估计值，标准差也就是后面那个数，对不对？就是干预前中的是一，然后干预后的是二。 两总体标准差的空气值就是用一加二除以二，这就得到了 s 的值，然后这个圈圈值呢，是两均数的差值，两均数的差值，均数就是前面那个数，干预前的前面那个数是吗？五分，干预后的前面那个数是六分， 再加起来呢？两不是加起来，所以两个差值呢，就等于多少？六减五等于一分，然后再把这两个数值带入到我们的这个样本量计算公式里头去，然后就可以得出他这个按一横按啊的啊数来了，然后再考虑一下释放率啊，百分之十或者百分之二十都可以呢，计算出你大概的一个嗯，样本量。他可能会有一些同学说啊， 如果学姐我就是把这个预实验结果或者是参考文献的那个结果带进去，就是和我预想到的，呃，要么这样的人数，嗯，偏差很大的话，这应该怎么办？ 这应该怎么办怎么办呢？当然是换一个参考文件接接着参考了。一般一般情况下，咱们干预型研究人数就得最起码两组人数加起来都得六十，是不是六十到一百二比较常见的，所以说你要把你的干预组的人数控制在这个范围内呢， 是比较正常的一个范围，如果太大，比如你可能超过两百组或者太少在十来组的话，那你想想是不是你去实验哪里不过完善或是哪有计算错误，或者是你参考文献的质量是不是不太高？等等等考虑。嗯，多一点因素，然后尽量去排除其他一些误差，然后算出我们最准确的这个样本量的一个。嗯，数值。 好，今天就是和大家分享到这了，就是因为啊，也不是特别专业，希望大家。嗯，有问题提出来大家一起交流一下，然后如果以后大家还有问题也可以给我留言。嗯，我会尽力的帮助大家。好，拜拜。

因为在当下来说啊，干预类板块中是有非常多干预方法选择的。第一条我们来去强调一个重点，干预类研究，当下的论文研究类型中啊，它的样本量、 样本量需求确实是比较少的，哪怕是你你的干预组加对照组，哪怕是你两组加一块，一共样本量有个七十七十到一百二十粒， 你只需要这么些个病例，你就能拿过来去发我们的干预类研究的，它不像调查，越像调查类的研究中，我们想要做一个调查类的核心论文，去发论文也好，发 a c i 也好的话，像你们做调查的话，样本量至少要稳定在一百五十以上，两百左右 是比较好的各案综述，他是不可能作为一个副高的晋升论文来去做的。我们如果想升一个副高的职称论文的话，都是需要去针对于一群人去做的研究。例如像调查类研究，那么一百五十例以上需要收到这个病例的， 那么第二个，如果你做干预类的话，那么样本量你只需要收到啊，七十到一百二十例，你就足够把一篇干预类的核心论文或者干预的 si 发出来了。好，就我们关于样本量的需求，先去重申一下。

大家好，我们今天来讲一下干预性研究我们怎么去计算它的样本量，这里我们可以采用两样本均数的这个计算公式来进行计算， n 一等于 n 二等于这一堆。 那么我们先来认识一下 s 和 delta， 它代表什么呢？ s 它是两个总体标准差的估计值， dearta， 它是两均数之差值。首先呢，我们需要找到和它相关的一篇文献，找到它的例数，实验组的例数均数加减标准差，以及对照组的例数均数加减标准差。 derta 是两个均数之差值，就是八点零六，减去七点二三等于零点八三。那么 s 该如何计算呢？ 有研究者他发明了一个网站去进行计算，他进入了这个网站之后呢，就是这样子的，然后第一列是输入他的隶数，第二列是均数，第三列是标准叉，然后再点击这个 mean and s d 这个，然后就可以得到它的标准差。接下来我们来实操一下，点击这个网站继续访问， 进来之后就是这样的，我们把这个输进来，例数均数加点标准差，实验组和对照组的，然后点击这个第二列的这个 s d from work groups， 点击了这个之后呢，就会出现 他总结之后的均数加减标准差，在这里呢， s 就等于一点七幺四三， 这里我们把 s 写出来， deta 也有了，然后我们再代入到这个公式来计算，就得出来它等于九十例。好的，谢谢大家。

欢迎！如果你在医疗保健领域做研究，那你肯定遇到过一个头疼的问题，我的研究到底需要多少参与者得出的结论才算靠谱？今天我们就来聊聊这个核心问题，看看怎么才能科学的确定你的样本量。 好，那咱们就直接进入主题，这次的解析会分成五个部分，我们会完全按照原论文的结构来走，先看看问题的根源在哪， 然后一步步带你了解一种更科学、更严谨的样本量计算方法，最后看看他在实际研究中到底该怎么用。 首先，咱们得搞清楚样本量这事到底有多普遍，以及为什么说一个数字没搞对，整个研究的结论可能就都站不住脚了。咱们先来看一个数字，真的有点儿惊人，百分之七十一， 这是什么概念呢？在二零一二年的一篇综述文章里，研究人员发现，在医疗保健领域的离散选择实验，也就是 dce 研究中，高达百分之七十一的论文，压根儿就没说清楚它们的样本量是怎么算出来的。 可能有人会问， dc 是 什么？简单来说啊，他是个特别厉害的工具，能帮我们量化人们对不同医疗方案的偏好。但这里有个关键前提，他的结论要想站得住脚，研究本身就必须有足够的统计功效，否则一切都是空谈， 这就带来一个巨大的风险。你想想看，如果一个研究的参与者太少，也就是我们说的统计功效不足，那他很可能就会错过一些真正重要的发现。最终呢，这可能会导致错漏的解读，甚至是糟糕的政策决策。 那么过去研究人员是怎么解决这个问题的呢？咱们接下来就看看几种传统的方法，以及他们为什么。嗯，其实都不太靠谱。以前啊，很多研究都依赖一些所谓的经验法则， 这些公式用起来是挺方便的，但问题就在于，他们的设计初衷并不是为了精确的检验某个具体的研究假设，充其量只能算是一种非常粗略的估计。 所以你看，这两种方法的根本区别一下子就出来了。老的那些方法，他们更关心的是研究能不能做，但并没有真正服务于 dce。 研究的核心目标，也就是去科学的判断某个因素是不是真的对人们的选择有显著影响。 说了这么多问题，那到底有没有更好的办法呢？当然有，这也就是这篇论文真正厉害的地方， 他提出了一种更科学、更严谨的方法，能帮你精确的计算出研究所需的最小样本量。 在使用这个新方法之前呢，有五个关键要素你必须先想清楚，他们就像做菜前的备料，缺一不可。简单来说，就是你的结论要有多高的自信度， 你想有多大把握检测到真实的效果，你准备用哪种统计模型，你对结果的初步预期是什么，以及你的实验具体是怎么设计的。这五点是所有计算的基础。 好了，公式来了，我知道看起来可能有点复杂，但你先别怕，这背后真正有意思的地方在于，它清楚地告诉我们每个部分是怎么相互影响的。 举个例子，如果你想检测一个非常微小的效果，那么你需要的样本量就会急剧增加，光说理论有点干，对吧？咱们来看个实际的例子。 论文里用了一个关于骨质疏松症药物治疗的研究，一步一步的给我们演示了到底该怎么算。你看整个过程被分成了清晰的七个步骤，非常系统， 从设定最基本的研究标准，比如显著性水平和统计功效，到定义具体的模型和参数，最后一步步算出结果，他就把一个看起来很抽象的公式变成了一个怎么可以上手操作的工具。 好计算的第一步是需要对各个因素的影响力有个大概的估计。你可能会问这些初学者从哪来，他们通常可以来自以前的研究，或者你自己先做一个小规模的预实验来获做， 然后当当当当结果就出来了。这张表可以说是整个计算的核心，你看那个加粗的一百九，它告诉我们什么呢？ 他告诉我们，如果你想有八十怕的把握检测出每四个月注射一次，这个选项是大家真的在乎的，那么你的研究至少需要一百九十个参与者。 好了，方法也学了，例子也看了，那么这些东西对咱们自己的研究，甚至是对政策制定者来说，到底意味着什么呢？这里面其实有几个非常重要的。其实 作者给我们总结了三个核心要点，简单来说就是，第一，你要为每个想检验的假设单独计算样本量。 第二，不要因为一个效果看起来很小就忽视它，它可能同样重要。但最关键的是第三点，当你看到一个不显质的结果时，千万别急着下结论，先问问自己，这个研究的样本量真的够大吗？ 说到底呀，这真的不是一个小问题，因为就像这里说的一个样本量不足的研究，他得出的结论很可能是错的。而更要命的是，这些错误的结论往往会成为制定重要医疗政策的依据。 所以最后留给大家一个问题，你可以随时问问自己，我手头的这个研究，它的统计功效真的足够吗？ 我真的能靠它发现那些有意义的结果吗？希望今天我们分享的这个框架，能让你未来在设计研究的时候，更有底气地回答这个问题，确保你的研究结论是真正经得起检验的。

在一部分要谈的就是研究设计跟统计学评价的一致性，有的人他找到公式找对了，但实际上他他自己觉得我这就是一个干预研究，那我就找干预性的研究设计的公式，但实际上他不知道干预性研究设计公式，他也有很多种， 这个公式他跟你的研究设计是息息相关的。我们看这个研究，这个研究大家都知道了，它的主要终点是心血管死亡、心梗或脑卒中，那么这是一个复合终点， 那么它采用的方法是这种前瞻性的队列研究，他要用生存分析。我们看这个队列一开始入选的时候， tiktok 和绿比格雷两个组，每一组都九千多人，那么到随访到一年的时候，每一组怎么样？就剩一半的人了， 那这一半的人是我们能说那一半的人都哪去了？都死光了吗？或者都发生了我们关心的事件，或者都施放了吗？ 绝对不是。那么这些人干嘛呢？他队列入选病人是逐渐入进来的，那有的人可能在三百五十九天进入了我这个研究的队列，他只随访了一天，结果发生的事件驱动的研究，他世界数就够了，所以我这研究就正常结束了。 那么这个人他对我这个队列贡献在哪里？他在这，他在第一天，他只做了一天的贡献，对不对？所以我们说对于这样的研究就说一万追问的，就事件驱动的这样的研究， 虽然我们也是比较两个治疗组，或者叫两个干预组，它的疗效到底有没有差距，但是我们不能用，通常我们用的比较两个绿的这样的公式来进行样本量计算，我们要用这种生存分析的事件用于事件驱动研究的这样的公式，它要算， 首先算出来我这个研究，我要观察到多少事件的时候，我就能停止由这个事件除上我的事件在人群中的发生率得到我的样本量。应该是这样来算，好吧， 不要用错了公式。这个公式通常是叫固定时间点的研究设计，虽然这两个公式都是用来比较两种干预在某一时刻它的疗效的差异，但是对于这样的研究，我们通常大家知道都做过临床实验，这个上市前的临床实验 国小局要求什么？要求每一个人入选对列以后都要随访同样的时间，假如说我至少都要随访一年，评价一年的时候。 net loss 是 多少或者 t， l f 是 多少，那么对于这样的研究，它每一个随访长度是一样的。对这种固定时长的随访，我们可以用这个公式， 但是对于那种事件驱动的，他可能不一定，有的人他进来可能随访了七百天，有的只随访了一天，他研究就发生事件数他就够了，就结束了。所以对于这种情况，我们的设计要跟我们的研究的主要的目的和研究的设计要一致，好吧。

护理科研找选择题，自己想的题目不是缺乏理论依据，就是早就成红海了。怎么找既严谨又有新颖度的题目？今天就教大家如何利用信息差找选择题。首先向外找前沿变量。举个例子，假设你是 icu 护士， 想做重症患者瞻望方向，你去帕贝麦的解锁相关内容，把时间卡在近三年。面对结果不需要通读全书， 你只要扫一眼标题和摘药，就会发现近期很多高分文章重点探讨了家属复权在摘望非药物干预中的作用，或者专门测量了护士在实习摘望评估时的感知障碍等内容。 好，这样前沿的核心变量你就拿到了。接着回知网反向排雷，带着找到的核心词加上摘望回知网一查，结果发现，国内虽然有很多 i c u 摘望的常规护理研究，但把家属复权作为核心切入点， 或者针对护士评估障碍进行深度量化测评的最新文献几乎是空白，这就说明该方向的选择题依然是蓝海，一个既有理论支撑又有新颖度的高分选择题就找到了。 最后补充一个进阶思路，如果你在用这个方法时发现某个新的量表工具，国内还没有对应的中文评估量表，可以直接去向原作者申请授权开展量表研究。这同样是一条容易发核心刊的捷径，记得点赞关注哦！