Sağlık araştırmalarında güç analizinin önemi ve temel prensipleri: Tıbbi çalışmalar üzerinde uygulamalı örnekler

Abstract

Amaç: Güç analizi ile örneklem büyüklüğü tahmini tıbbi araştırmacılar ve etik kurulu üyeleri tarafından çoğu zaman yanlış yorumlanan bir konudur. Bu çalışmada, istatistik alanı dışından olan araştırmacıların, örneklem büyüklüğü, etki büyüklüğü ve istatistiksel güç ile ilgili sorularının cevaplanması amaçlanmıştır. Yöntem: Bu kapsamda, farklı tıbbi araştırma düzenlerinde güç analizi gerçekleştirmek için kullanılacak etki büyüklüklerinin ne anlama geldiği ve nasıl hesaplandığı anlatılmıştır. Farklı etki büyüklüklerinde, farklı istatistiksel güç düzeylerinde ve %5 istatistiksel anlamlılık seviyesinde bağımsız gruplar için t-testi, tek yönlü ANOVA ve Ki-kare testleri için gerekli olan örneklem büyüklükleri GPower 3.1 programı kullanılarak hesaplanmıştır. Bulgular: Farklı istatistiksel testler için gerçekleştirilen güç analizleri, etki büyüklüğünün örneklem sayısı belirlemede ne derecede önemli rol oynadığını göstermiştir. Gereğinden az sayıda birim üzerinde deney yapılması gerçekte var olan önemli bir etkinin tespit edilememesine neden olabilirken, çok fazla sayıda örnek üzerinde test yapılması istatistiksel olarak anlamlı fakat gerçekte klinik olarak önemsiz bir etkinin tespit edilmesine yol açabilir. Sonuç: Sonuç olarak, bir araştırma kapsamında beklenen klinik anlamlılığı ortaya çıkarmak için alınması gereken etki büyüklüğü, araştırma hipotezi ile uyumlu belirlenmelidir. Çünkü araştırma sonucunda verilecek kararların niteliği ve klinik anlamlılığı örneklemin hangi etki büyüklüğüne dayanarak seçildiğine bağlıdır.Objective: Estimation of sample size by power analysis is an oft-misinterpreted topic by medical researchers and ethical committee members. This study aims to answer the questions of non-statisticians regarding sample size, effect size and statistical power. Material and Method: In this context, the meaning of the effect size used in power analysis for different medical research designs and how they were calculated are explained. Sample sizes required for independent sample t-test, one-way ANOVA and Chi-Square tests were calculated using the GPower 3.1 software at different effect sizes, different statistical power levels and at 5% statistical significance level. Results: Power analyses which were performed for different statistical tests showed the importance of effect size in determining the sample size. Conducting an experiment on an insufficient number of units may result in the undetectability of a significant effect which exists. On the other hand, applying a test on too large a sample may result in the detection of a statistically significant, but in fact, clinically insignificant effect. Conclusion: In conclusion, the effect size that should be taken in order to reveal the expected clinical significance in a study should be determined in accordance with the research hypothesis. The quality and clinical significance of the decisions to be made at the end of the research depends on the sample size, which is dependent on the effect size.