Charla Servicio de Slaud, Valdivia

1. ¿Cuántos pacientes necesito
para mi estudio?
Dr Sergio Uribe
Profesor Asociado
Escuela de Odontología, Facultad de Medicina, UACh

2. Objetivos
Reconocer la importancia de la correcta estimación del
tamaño muestral para estudios éticamente válidos
Identificar conceptos claves para la estimación del
tamaño muestral en distintos diseños de estudios
Identificar estrategias que permiten disminuir el n° de
personas para un estudio

3. Requisitos éticos
● El número de sujetos en el estudio debe permitir
responder de manera confiable la pregunta del
estudio.
● El tamaño muestral está determinado por el objetivo
principal del estudio.
● Los supuestos y el cálculo del tamaño muestral deben
estar explícitamente detallados en el protocolo.

4. Importancia de la correcta
estimación del tamaño muestral
Conceptos clave para la estimación
del tamaño muestral
Estrategias para disminuir el n° de
personas necesarias para un
estudio

5. El mismo estudio con dos muestras
Ud desea evaluar la eficacia de la droga X23 en mejorar
la sobrevida en pacientes con cáncer a los cinco años.
Sobrevida
Si No
Tto Droga 3 2
Control 2 5
Sobrevida
Si No
Tto Droga 30 20
Control 20 50

6. El mismo estudio con dos muestras
Ud desea evaluar la eficacia de la droga X23 en mejorar
la sobrevida en pacientes con cáncer a los cinco años.
Sobrevida
Si No
Tto Droga 3 2
Control 2 5
Sobrevida
Si No
Tto Droga
Control

7. Aciertos y errores
La Verdad
Efectivo Inútil
Nuestro Efectivo ✅ I
Estudio Inútil II ✅

8. Aciertos y errores
La Verdad
Efectivo Inútil
Nuestro Efectivo ✅ I
Estudio Inútil II ✅

9. Está
embarazado! No está
embarazada!
Error tipo I
Falso positivo
Error tipo II
Falso negativo

10. Importancia de la correcta
estimación del tamaño muestral
Conceptos clave para la estimación
del tamaño muestral
Estrategias para disminuir el n° de
personas necesarias para un
estudio

11. Distintas preguntas requieren distintos
diseños
¿Cuál es la proporción de la diabetes en adolescentes de
Valdivia el año 2017?
¿Cuáles son los factores de riesgo del cáncer X ?
¿Cuán eficaz es el tratamiento T contra la patología P?

12. Conceptos clave
1. Valor de p (α) fijo: 0.05 o 0.01
2. Potencia (1 - ß) fijo: 80%
3. Tamaño del efecto (effect size)
4. Supuestos previos: variabilidad ~ % esperada

13. Ejemplo Proporción (prevalencia)

14. Ejemplo Proporción (prevalencia)

15. Ejemplo Cohorte

16. Ejemplo Cohorte

17. Ejemplo Casos y controles
10~20 pacientes por factor por grupo
Ejemplo:
Seis factores de riesgo > 15 x 6 = 75 x 2 = 150 pac.

18. Ejemplo Estudio clínico con Δ de medias
Un ECA placebo-controlado propone que la DROGA X
disminuye el dolor en pacientes luego de una
intervención.
El x de dolor postoperatorio fue 9 (σ=2.5).
Considera como clínicamente significativa una diferencia
de EVA = 1.5

19. Ejemplo Estudio clínico con Δ de medias
Un ECA placebo-controlado propone que la DROGA X
disminuye el dolor en pacientes luego de una
intervención.
El x de dolor postoperatorio fue 9 (σ=2.5).
Considera como clínicamente significativa una diferencia
de EVA = 1.5

20. Ejemplo Estudio clínico con Δ de medias

21. Reglas básicas para el tamaño muestral
en ECAs
1. Diferencia clínicamente significativa: para detectar una
diferencia menor se necesita una muestra mayor y viceversa.
2. ECA de equivalencia requieren muestras mayores que ECA de
superioridad

22. Reporte en el protocolo / manuscrito
Se espera detectar una diferencia de sobrevida del 10%
o más en un período de 3 años. Asumiendo una tasa de
sobrevida a los 3 años del 64% en el grupo control y 74%
en el grupo tratamiento, con una significancia bilateral
del 5% y un poder del 80%, se requieren entre
800~1000 pacientes.
Ver Guías de reporte en Equator Network

23. Programas y sitios

26. Sitios de utilidad
● Calculadoras epidemiológicas
● Cohorte ~ Casos y controles
● Calculadoras, más calculadoras y una gráfica
● Cálculo con R (programa estadístico)
● Error muestral en una proporción
● Poder del estudio
● Tamaño de efecto estandarizado

27. Consideraciones
El cálculo del tamaño muestral indica cuantos pacientes deben ser incluidos
en el análisis final, por lo que se debe considerar un % de atrición en el
cálculo.
Siempre considerar el análisis estadístico a realizar para elegir la mejor
manera de estimar el tamaño muestral.
Existen diseños con distinto número de pacientes por grupos, verificar.
Estos cálculo asumen muestreo aleatorio simple. En muestreos por
conglomerados: verificar.

28. Importancia de la correcta
estimación del tamaño muestral
Conceptos clave para la estimación
del tamaño muestral
Estrategias para disminuir el n° de
personas necesarias para un
estudio

29. Estrategias para disminuir el TM en ECA
Método Reducción potencial
Estratificar pacientes 0 - 20%
Respuesta continua 10 - 25%
Tests no independientes 0 - 30%
Modelado estadístico 0 - 50%
Diseño adaptativo 10 - 50%
Diseño cruzado 50 - 70%
Diseño factorial 50 - 75%

31. Referencias
Jia, B., Lynn, H.S., 2015. A sample size planning approach that considers
both statistical significance and clinical significance. Trials 16, 213.
Krzywinski, M., Altman, N., 2013. Points of significance: Power and sample
size. Nat Meth 10, 1139–1140.
Edwardes, M.D., 2001. Sample size requirements for case-control study
designs. BMC Med Res Methodol 1, 11.
Whitley, E., Ball, J., 2002. Statistics review 4: sample size calculations. Crit
Care 6, 335–341.

32. ¿Cuántos pacientes necesito
para mi estudio?
Presentación: bit.ly/tamanomuestral
Dr Sergio Uribe - sergiouribe@uach.cl
Profesor Asociado
Escuela de Odontología, Facultad de Medicina, UACh
@sergiouribe

33. Ejemplos
Paquete pwr en R

34. Comparar un tratamiento en un ECA de
dos grupos, brazos paralelos, placebo
controlado, respuesta continua

35. Comparar un tratamiento en un ECA de
dos grupos, brazos paralelos, placebo
controlado, respuesta continua
pwr.anova.test(
k = 2, # grupos
n = NULL, # tamaño a despejar
f = 0.6, # tamaño del efecto
sig.level = 0.05, # p (a)
power = 0.8 # poder
)
Balanced one-way analysis of variance power
calculation
k = 2
n = 11.94226
f = 0.6
sig.level = 0.05
power = 0.8
NOTE: n is number in each group

36. Comparar un tratamiento en un ECA de
dos grupos, brazos paralelos, placebo
controlado, respuesta continua
pwr.anova.test(
k = 2, # grupos
n = 8, # tamaño
f = 0.6, # tamaño del efecto
sig.level = 0.05, # p (a)
power = NULL # poder a despejar
)
Balanced one-way analysis of variance power
calculation
k = 2
n = 8
f = 0.6
sig.level = 0.05
power = 0.6078185
NOTE: n is number in each group