高血压药物疗效临床试验设计
我要设计一项随机对照临床试验（RCT），比较新药A与标准药B治疗高血压的疗效。预计B药有效率为60%，假设A药能提高到80%。设定α=0.05（双侧），Power=0.8。请帮我估算每组需要的样本量，并给出计算公式或R语言代码。
## 样本量估算
根据检索到的药物流行病学指南，对于比较两组率的随机对照试验（RCT），样本量估算的关键参数为干预组和非干预组的发病率（p1, p2）或效应量（δ, σ）[1]。
### 1. 计算公式与参数
对于以**有效率（二分类结局）** 为主要终点的优效性试验，常用的样本量计算公式如下（每组样本量n相等）：
**公式**：
`n = [ (Z₁-α/₂ + Z₁-β)² * (p₁(1-p₁) + p₂(1-p₂)) ] / (p₁ - p₂)²`
**参数定义**：
* **p₁**: 干预组（新药A）的预期有效率 = 0.80
* **p₂**: 对照组（标准药B）的预期有效率 = 0.60
* **α**: 第一类错误概率（显著性水平）= 0.05（双侧）
* **β**: 第二类错误概率 = 1 - Power = 0.20
* **Power (1-β)**: 检验效能 = 0.80
* **Z₁-α/₂**: 标准正态分布下对应（1-α/2）的分位数。当α=0.05（双侧）时，Z₀.₉₇₅ ≈ 1.96。
* **Z₁-β**: 标准正态分布下对应检验效能的分位数。当Power=0.80时，Z₀.₈₀ ≈ 0.84。
### 2. 计算过程
将参数代入公式：
1. 计算率差：`p₁ - p₂ = 0.80 - 0.60 = 0.20`
2. 计算方差和：`p₁(1-p₁) + p₂(1-p₂) = (0.80*0.20) + (0.60*0.40) = 0.16 + 0.24 = 0.40`
3. 计算分子：`(Z₁-α/₂ + Z₁-β)² * 方差和 = (1.96 + 0.84)² * 0.40 = (2.80)² * 0.40 = 7.84 * 0.40 = 3.136`
4. 计算分母：`(p₁ - p₂)² = (0.20)² = 0.04`
5. 计算每组样本量：`n = 3.136 / 0.04 = 78.4 ≈ 79`
**结论**：在设定的参数下，**每组至少需要79例患者**。
### 3. 考虑失访后的调整
临床试验中通常需要考虑失访（Dropout）或脱落。假设预计整个研究期间有10%的失访率，则调整后的样本量为：
`n_调整 = n / (1 - 失访率) = 79 / (1 - 0.10) = 79 / 0.90 ≈ 87.8 ≈ 88`
因此，为达到最终分析所需的效能，**建议每组入组88例患者**，总样本量为176例。
### 4. R语言实现代码
您可以使用以下R代码进行计算和验证：
```r
# 定义参数
p1 <- 0.80 # 新药A有效率
p2 <- 0.60 # 标准药B有效率
alpha <- 0.05 # 双侧显著性水平
power <- 0.80 # 检验效能
dropout_rate <- 0.10 # 失访率
# 计算Z值
z_alpha <- qnorm(1 - alpha/2) # 双侧检验
z_beta <- qnorm(power)
# 计算每组理论样本量
n_per_group <- ((z_alpha + z_beta)^2 * (p1*(1-p1) + p2*(1-p2))) / ((p1 - p2)^2)
n_per_group <- ceiling(n_per_group) # 向上取整
# 调整失访
n_adjusted <- ceiling(n_per_group / (1 - dropout_rate))
# 输出结果
cat("理论计算每组样本量（未调整失访）: ", n_per_group, "\n")
cat("调整失访（10%）后每组样本量: ", n_adjusted, "\n")
cat("建议总样本量: ", n_adjusted * 2, "\n")
# 使用power.prop.test函数验证（结果可能因连续性校正略有差异）
power_result <- power.prop.test(p1 = p1, p2 = p2, sig.level = alpha, power = power, alternative = "two.sided")
cat("\n使用power.prop.test验证结果:\n")
print(power_result)
```
### 5. 关键注意事项
1. **参数敏感性**：样本量对预期有效率（p1, p2）极为敏感。若A药实际有效率低于80%，或B药有效率高于60%，则检验效能会下降，可能导致假阴性结果（II类错误）[4][5]。
2. **效应量选择**：将有效率从60%提升至80%是一个**较大的效应量**（绝对风险降低率ARR=20%，相对风险降低率RRR=33%）。在估算样本量前，应通过文献回顾或预试验确认该效应量的合理性[3]。
3. **多重性与期中分析**：如果计划进行**期中分析**，则需要调整α水平（如使用O‘Brien-Fleming法），这通常会导致最终所需的样本量略有增加。
4. **计算依据**：样本量计算是试验方案的核心部分，所有假设（包括p1, p2, α, Power, 失访率）都必须在研究方案中明确说明，以确保透明度和可重复性[3][5]。
---
*以上样本量估算基于提供的参数和标准公式，仅供参考。最终方案应由生物统计学专家根据完整试验设计（包括次要终点、亚组分析计划等）进行审核和确定。在试验实施过程中，应严格进行数据监查，确保数据质量并控制失访率。*
