9、基于信息的设计与样本量重估计方法解析

基于信息的设计与样本量重估计方法解析

1. 基于信息的设计概述

传统的样本量计算会考虑治疗效果的大小和干扰参数的值。然而，如果对干扰参数的初始估计不准确，可能会对检测临床显著差异的统计功效产生不利影响。为了解决干扰参数的不确定性问题，可以采用基于信息的设计。

基于信息的设计和分析依赖于可用的统计信息，研究将持续进行，直到获得所需的统计信息。这种设计和分析基于统计信息或精度尺度，而非样本量尺度。

统计信息与参数估计量的标准误差成反比，即信息越多，精度越高，标准误差越小。在多阶段设计中，最大可用信息为 (I_{max}=I_{1}\times\gamma)，其中 (\gamma) 是膨胀因子，它是阶段数 (K)、误差消耗边界形式（如 O’Brien Fleming 或 Pocock）以及一类错误 (\alpha) 和二类错误 (\beta) 的函数。

不同类型的端点，统计信息的影响因素不同：
|端点类型|统计信息影响因素|
| ---- | ---- |
|连续型端点|样本量、干扰参数的大小|
|二分类端点|安慰剂反应的大小|
|时间 - 事件（生存）端点|入组率、事件发生率、随访时间长度、失访率|
|纵向研究|每个受试者观察的时间点数|

2. 基于信息设计的示例

以一个二分类端点的双臂试验为例，比较新治疗方法与标准治疗方法的疗效。假设对照组的反应率最佳猜测值为 0.15，为了在单侧 (\alpha = 0.025) 的经典设计下达到 90% 的功效，检测出 0.15 的有意义差异，需要 316 名受试者，所需信息约为 468。

以下是固定样