พุธที่ผ่านมา มีโอกาสเข้าร่วมสัมนาโครงการวิจัยของแพทย์ประจำบ้าน
พบว่า ปัญหาที่มักพบคือความเข้าใจเรื่อง sample size
ทุกคนทราบว่าสูตรคำนวณเป็นอย่างไร
แต่ ไม่ทราบว่าคำนวณแล้ว มันบอกอะไร ?
วิธีการแก้ปัญหาที่สร้างสรรค์ ความเสี่ยงต่ำ
แต่พอคำนวณ sample size ได้ 300 คน
ก็ถอดใจ ไม่คิดทำต่อแล้ว
...
แพทย์ประจำบ้าน เรียนเรื่องการคำนวณ sample size ในห้องเรียน
ต่างก็คำนวณให้ออกมาได้ถูกต้อง
แต่เมื่อเอามาใช้ในชีวิตจริง..
รู้ "How" อย่างเดียวไม่พอ 
ยังต้องการความเข้าใจจากการ  ลอง-ดู-ใคร่ครวญ "why"
...
จึงเป็นที่มาของการทดลอง..เล็กๆ
โดยใช้เวบช่วยคำนวณชื่อว่า Quesgen
ให้ลองใส่ค่าต่างๆ ที่จำเป็นต่อการคำนวณ sample size
.
เช่น เราต้องการหาว่า ต้องการอาสาสมัครกี่คน จึงจะพิสูจน์ได้ว่า คนที่กินกล้วยหอม มีรอบเอวเล็กกว่าคนที่ไม่กินกล้วยหอม
Alpha คือ โอกาสที่จะ False positive   ยอมรับกันที่ 5%
Beta   คือ โอกาสที่จะ False negative ยอมรับกันที่ 20%
Q1    ในที่นี้คือ สัดส่วนคนที่กินกล้วยหอม
Q2 ก็เป็นสัดส่วนคนที่ไม่กินกล้วยหอม ไปโดยปริยาย
E      คือ Expected effect size  ของผลลัพท์ ในที่นี้คือความแตกต่างรอบเอว ขนาดไหนที่เราจะถือว่า "ต่างอย่างสำคัญ" - ในที่นี้ เอา 0.5 นิ้ว   ถ้าต่างกันแค่ 0.2 นิ้วจะไม่สนใจ
S      คือ SD ความกระจัดกระจายของค่าผลลัพท์ 
E/S = Standardized effect size"


.
หลังจากลองเล่น ไปสักพัก ก็เกิดคำถามน่าสนใจว่า
หากเราเพิ่ม Beta จาก 0.2 เป็น 0.4
คือการลดpower of test จาก 80% เป็น 60%
จะเห็นว่า จำนวน sample size ที่ต้องการลดลง ดังภาพ
.

ก็เกิดคำถามให้ใคร่ครวญย้อนกลับ
เมื่อมีจำนวน sample น้อยลง power น้อยลง 
โอกาส False negative "มากขึ้น"  
แต่ไม่ใช่สิ่งที่ควรตัดเป็นตัดตาย อย่างคะแนนสอบตก สอบผ่าน 
...
ดังนั้น หากเราคิด sample size โดยใช้ Power 80% (ตัวเลขที่ยอมรับสืบๆ กันมา) ได้ 126 คน
แต่เราหาอาสาสมัครได้แค่ครึ่งเดียวคือ 78 คน ก็ยังมี power 60% ไม่ใช่ 0%
หากสิ่งที่ต้องการศึกษา เป็นแนวคิดใหม่ สร้างสรรค์
แม้ผลออกมา "ไม่ sig" ทางสถิติ แต่แสดงแนวโน้ม
งานวิจัยนั้นก็ยังมีคุณค่า
เพราะเป็นข้อมูลพื้นฐาน ช่วยบอกทิศทางให้กับการศึกษาในขั้นต่อไป
อย่าลืมว่า การค้นพบวิธีรักษาเบาหวานด้วย insulin
การป้องกันฝีดาษด้วยการปลูกฝี
เหล่านี้ เริ่มต้นจากการสังเกตในผู้ป่วยคนเดียว (N=1!)
...
Bacchetti และคณะ เขียนไว้ ถึง "Sample size dogma"
ตั้งคำถามถึง ประเพณี Beta =0.2 หรือ power =80%
ว่า ความมั่นใจทางสถิติที่เพิ่มขึ้น (โอกาสที่จะ false negative ลดลง)
คุ้มค่ากับ "ราคาของแต่ละชีวิต" ของจำนวนอาสาสมัครที่ต้องการเพิ่มขี้น หรือไม่ ?
คุ้มค่ากับ  โอกาส ที่จะค้นพบวิธีรักษาใหม่ๆ หรือไม่ ?