calc-sample-size

Calc-Sample-Size 技能

决策树

一次只向用户询问一个问题，引导其逐步完成此决策树；不要假设答案。读者研究、 分层和模型比较设计不在此决策树范围内：请参阅 Tests 14–17。

What is your primary outcome?
|
+-- Binary (yes/no, positive/negative)
|   |
|   +-- Paired data (same subjects, two methods)?
|   |   +-- YES --> [5] McNemar test
|   |   +-- NO  --> How many groups?
|   |       +-- 2 groups, superiority     --> [4] Two-proportion comparison (chi-square)
|   |       +-- 2 groups, non-inferiority --> [10] Non-inferiority / equivalence
|   |       +-- Multivariable model       --> single-predictor hypothesis test? --> [9] Logistic regression
|   |                                     --> clinical prediction / AI model for use?
|   |                                         +-- developing the model  --> [12] Prediction-model development (Riley)
|   |                                         +-- externally validating  --> [13] External-validation (Riley)
|   |
+-- Continuous (measurement, score)
|   |
|   +-- How many groups?
|       +-- 2 groups  --> [6] Independent t-test
|       +-- 3+ groups --> [8] One-way ANOVA
|
+-- Time-to-event (survival, recurrence)
|   |
|   +-- Two groups, unadjusted      --> [7] Log-rank test
|   +-- Multivariable / adjusted HR  --> [7] Log-rank (Schoenfeld) + [11] Cox EPV
|
+-- Agreement (inter-rater, reproducibility)
|   |
|   +-- Continuous measurements --> [2] ICC
|   +-- Categorical ratings     --> [3] Kappa
|
+-- Diagnostic accuracy (Se, Sp, AUC precision)
    |
    +--> [1] Diagnostic accuracy (precision-based)

Tests 1–11

选定检验后，阅读 ${CLAUDE_SKILL_DIR}/references/formulas.md § Test N — 参数表及其默认值、效应量解释、公式、R/Python 代码和方法学参考文献。

#	检验	适用情形
1	诊断准确性 — Se/Sp 精度	需要灵敏度或特异度的 95% CI 半宽
2	ICC 一致性（Walter 1998 检验；Bonett 2002 CI 宽度）	连续测量（肿瘤大小、角度）的评估者间／评估者内一致性
3	Kappa 一致性（Donner & Eliasziw 1992；需要特征患病率）	分类评级的一致性（BI-RADS 类别、病灶有／无）
4	两比例比较（卡方）	两个独立组（AI 与常规检测率）
5	McNemar 检验（配对比例）	配对二元结局（两名读者对相同病例进行评估、干预前后）
6	独立样本 t 检验	两个独立组的均值（病灶大小、恶性与良性）
7	生存分析／log-rank（Schoenfeld 事件数，再计算患者数）	两组间的事件发生时间
8	单因素 ANOVA	3 个或更多独立组的均值
9	Logistic 回归（Peduzzi EPV + Hsieh 1998，连续或二元预测变量）	多变量二元结局、单预测变量假设检验
10	非劣效／等效性	新方法的效果不比标准方法差超过预先设定的界值，或在该界值内等效
11	Cox 回归 EPV	多变量 Cox 模型 — 确保有足够事件数以获得稳定估计

• Test 9：Peduzzi EPV ≥ 10 仅是单预测变量假设检验的最低基准。对于拟投入使用的临床预测／医学 AI 模型，EPV-10 已过时，容易受到审稿人质疑 — 请使用 Test 12（开发）／Test 13（验证）。务必同时报告 Peduzzi 和 Hsieh 的结果，并建议采用较大的 N。
• Test 10：NI 的 alpha 为单侧（通常为 0.025）；差值的方向应设定为 > 0 表示新方法更优。等效性采用 TOST，并进行联合功效计算。界值必须有临床依据（参见 formulas.md § 界值选择）。
• Test 11：EPV 用于确保模型稳定性，不能保证针对特定 HR 的检验功效。如果有 HR，也运行 Test 7（Schoenfeld），并建议采用较大的 N。

测试 12–17（专门设计）

每项测试都有自己的参考文件（参数、方法、报告要求）；选定测试后请阅读。

• 测试 12 — 预测模型开发（Riley）。 开发用于实际应用的临床预测／分类模型（包括作为模型评估的医疗 AI 模型）。EPV-10 不适用：N 取满足所有 Riley 标准的最大值——二分类或生存时间结局有三项标准，连续型结局有四项标准（R pmsampsize）。
• 测试 13 — 外部验证（Riley）。 验证现有预测／AI 模型：根据 C 统计量、校准斜率、O:E 和（如有相关声明）净获益的 CI 宽度确定样本量（R pmvalsampsize）；≥ 100 个事件且 ≥ 100 个非事件只是最低要求。 测试 12–13 请阅读 ${CLAUDE_SKILL_DIR}/references/prediction_model_sample_size.md。
• 测试 14 — MRMC 读者研究（Obuchowski–Rockette）。 比较有无 AI 辅助的读者表现，或验证 AI 相对于读者的非劣效性。测试 1 会低估样本量，因为读者属于随机效应：根据试点研究／文献中的方差分量，确定读者数 J × 病例数（使用 RJafroc / MRMCaov / iMRMC，不要自行推导 OR 代数），并报告 J × N 的功效网格。请阅读 ${CLAUDE_SKILL_DIR}/references/mrmc_reader_study_sample_size.md。
• 测试 15 — 分割指标精度（Dice / HD95 / NSD）。 结局是每个病例的评分，而非比例：n ≈ (1.96·SD/δ)²，根据每病例 Dice 的试点研究 SD 计算样本量，并以最差结构为准；使用患者层面的 bootstrap（BCa）计算 CI。这是精度评估；比较属于测试 16。请阅读 ${CLAUDE_SKILL_DIR}/references/segmentation_metric_sample_size.md。
• 测试 16 — 模型间比较。 模型 A 优于 B、C……：根据每病例配对差值计算功效，n = ((z₁₋α/₂ + z₁₋β)·SD_Δ/Δ)²（如果 CI 仅需达到排除零值的程度，功效约为 50%），而非计算每个模型各自的精度；模型超过 2 个时，需预先指定一个主要对比，否则应进行家族错误率校正；若要声称模型排名，则需要多个随机种子。请阅读 ${CLAUDE_SKILL_DIR}/references/multi_model_comparison_sample_size.md。
• 测试 17 — 分割可用性。 临床医生能够使用该工具（可接受率、灾难性失败界限、编辑时间）：可接受率是一个比例，按结构类别计算样本量；DE ≈ 1 + (m−1)ρ 仅适用于每个病例都有各自读者的情况——若所有病例由相同读者评估（交叉设计），则会增加一个读者项，无法通过增加病例数来缩小；若要将失败率限制在 ≤ 1%，需要约 300 个无失败病例（三法则）。请阅读 ${CLAUDE_SKILL_DIR}/references/segmentation_acceptability_sample_size.md。

范围之外

不要计算自适应试验（组序贯、样本量重新估计）、整群随机试验（设计效应、基于 ICC 的膨胀）、贝叶斯样本量确定、交叉设计或多终点校正（若用户提出，可提及 Bonferroni，但不要计算校正后的样本量）。 说明该设计超出本技能范围，并推荐 G*Power（免费，https://www.psychologie.hhu.de/gpower）、PASS 或生物统计学家。

工作流

阶段 1：了解研究

1. 请用户简要描述研究（设计、主要结局、分组）。
2. 按决策树确定一项测试，并在继续前与用户确认。

阶段 2：收集参数

1. 展示所选测试的参数表。
2. 对于用户未提供数值的每个参数，解释其含义并提供默认值。
3. 根据既往文献（请用户提供参考资料）或试点数据估算效应量；仅在最后考虑使用 Cohen 的惯例，并指出基于惯例的估算精度较低。

Phase 2b：回顾性研究

如果数据集已经存在，正式的效能分析往往不切实际。请提供：

• 固定数据集：阅读 ${CLAUDE_SKILL_DIR}/references/observational_cohort.md，并报告事件预算／置信区间精度，而不是强行采用前瞻性招募式效能计算。
• 基于经验的论证（适用于 IRB 和许多期刊）：
  • 机构检查量：研究期间的检查总数 × 患病率 × (1 − 排除率) = 预期 N。询问该模态的年度检查量、研究期间、患病率和排除率，从而得出 N 的现实上限。
  • 既往研究：报告 3–5 项相近已发表研究的 N 值并引用；用户的 N 应处于相同范围或更大。
  • 两种论证方式的 IRB 模板：${CLAUDE_SKILL_DIR}/references/justification_examples.md § Retrospective。

如果回顾性研究中有一部分受试者是前瞻性纳入的、主要分析检验的是假设（而不只是估计）、期刊的作者指南要求进行效能分析，或 IRB 要求进行效能分析，则即使是回顾性研究，也应进行正式计算（Phase 3）。

Phase 3：计算并报告

1. 根据参考公式生成 R 代码（主要方案）和 Python 代码（备选方案）。
2. 通过 Bash 运行 R 代码；报告的 N 应为代码打印出的数字，而非手工计算的结果。
3. 按照下方的输出格式呈现结果。仅引用 formulas.md 或检验参考文件中的方法学来源；其他任何参考文献都需要通过 /search-lit 确认 DOI/PMID，否则标记为 [UNVERIFIED - NEEDS MANUAL CHECK]。将无法确认的效应量、临床定义或阈值标记为 [VERIFY]。
4. 在项目中，将 IRB 文本保存为 protocol/sample_size_justification.md，并将脚本保存为 protocol/sample_size_calc.R / .py：/write-protocol 和 /write-paper 会原样嵌入该文本，因此无需重新输入数字。

Phase 4：敏感性分析（可选）

如果某个参数不确定，或效应量估计较模糊，请指出并提供一张表，列出合理取值范围内对应的 N（例如，改变效应量，或将效能从 0.80 调至 0.90）。

输出格式

始终按以下格式组织最终输出：

## Sample Size Calculation Report

### Study Design
[1-2 sentence summary of the design and test selected]

### Parameters
| Parameter | Value | Source |
|-----------|-------|--------|
| ... | ... | user / literature / convention |

### Result
- **Required sample size**: N = [value]
- **With [X]% attrition adjustment**: N_adj = [value]

### R Code (Reproducible)
```r
# [complete, self-contained R script]
# Dependencies: [list packages]
# Run: Rscript sample_size_calc.R

Python 代码（备选方案）

# [complete, self-contained Python script]
# Dependencies: [list packages]
# Run: python sample_size_calc.py

IRB 论证文本

要以 [power]% 的效能在 [alpha] 的 [单侧／双侧] 显著性水平下检测出 [效应描述]，需要 [N] 名参与者。假设 [关键假设]。 考虑到预计 [X]% 的参与者流失，我们计划招募 [N_adj] 名参与者。 此计算基于 [公式／方法参考文献]。

效应量解读

[科恩效应量基准分类 + 其在本研究中的临床意义]

The IRB text must state N; name the test and its formula source; give every assumed parameter
(effect size, alpha, power); state the attrition adjustment and final enrollment target; cite the
methodological reference (e.g., "Schoenfeld, 1981"); and use formal, third-person language. Read
`${CLAUDE_SKILL_DIR}/references/justification_examples.md` for per-design exemplars when writing it.