Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Lucas Vargas, médico epidemiólogo.
“¿Cuántos pacientes necesito?”
Es una de las primeras preguntas que aparecen al diseñar una investigación médica.
Sin embargo, el tamaño de muestra no puede determinarse únicamente indicando el número de personas disponibles ni utilizando una calculadora sin conocer la pregunta del estudio.
El cálculo depende del objetivo, diseño, desenlace principal y análisis previsto.
¿Qué es el tamaño de muestra?
Es el número de observaciones o participantes que se requieren para responder una pregunta con un nivel determinado de precisión o capacidad estadística.
No existe un tamaño universal adecuado para todos los estudios.
Un estudio con 80 participantes puede ser suficiente para determinada pregunta y claramente insuficiente para otra.
¿De qué depende?
Entre los principales elementos se encuentran:
- objetivo principal;
- diseño;
- tipo de desenlace;
- frecuencia esperada;
- magnitud del efecto relevante;
- variabilidad;
- nivel de confianza;
- precisión;
- nivel de significación;
- potencia;
- pérdidas esperadas;
- estrategia de análisis.
Primero define el objetivo principal
Antes del cálculo debe estar claro qué se quiere estimar o comparar.
Ejemplos:
Estimar una prevalencia
Estimar la prevalencia de hipertensión arterial.
Comparar proporciones
Comparar la frecuencia de complicaciones entre dos tratamientos.
Comparar medias
Comparar la presión arterial promedio entre dos grupos.
Estudiar asociación
Evaluar si una exposición se relaciona con mortalidad.
Cada pregunta requiere parámetros diferentes.
Tamaño de muestra para estimar una prevalencia
Suele depender principalmente de:
- prevalencia esperada;
- nivel de confianza;
- precisión deseada;
- tamaño de la población, cuando corresponde;
- pérdidas o registros incompletos.
Una precisión de ±3 puntos porcentuales exige generalmente una muestra mayor que una precisión de ±10 puntos.
¿Qué ocurre si no conozco la prevalencia esperada?
Puede utilizarse información de:
- estudios previos;
- registros;
- datos institucionales;
- estudios piloto.
La elección debe justificarse.
No es recomendable seleccionar un valor únicamente porque produce una muestra conveniente.
Tamaño de muestra para comparar dos grupos
Cuando se comparan proporciones, el cálculo puede depender de:
- frecuencia esperada en el grupo de referencia;
- diferencia mínima que se desea detectar;
- alfa;
- potencia;
- relación entre tamaños de los grupos.
Si esperamos una diferencia muy pequeña, generalmente será necesario estudiar más participantes.
Comparación de medias
Puede depender de:
- diferencia clínicamente relevante;
- desviación estándar esperada;
- alfa;
- potencia;
- número de grupos.
La desviación estándar puede obtenerse de estudios previos o información piloto.
¿Qué es alfa?
El nivel alfa representa el umbral utilizado para controlar la probabilidad de error tipo I dentro del procedimiento estadístico planteado.
Con frecuencia se utiliza:
0,05.
Pero debe definirse según el diseño y el análisis.
¿Qué es la potencia estadística?
La potencia se relaciona con la capacidad de detectar un efecto del tamaño especificado cuando este existe bajo los supuestos del cálculo.
Valores frecuentes son:
- 80 %;
- 90 %.
Una mayor potencia suele requerir una muestra mayor.
Diferencia estadística frente a diferencia clínicamente relevante
No debe utilizarse cualquier diferencia posible.
La pregunta correcta es:
¿Cuál es la diferencia mínima que sería clínicamente importante detectar?
Si se diseña un estudio para detectar diferencias extremadamente pequeñas, puede terminar requiriendo una muestra enorme aunque dichas diferencias no tengan importancia clínica.
¿Debo aumentar la muestra por pérdidas?
Frecuentemente sí.
Si se calcula que se necesitan 300 participantes analizables y se esperan pérdidas o registros incompletos, la muestra inicial puede necesitar incrementarse.
El porcentaje debe basarse en una expectativa razonable para el contexto.
Estudios de cohortes
Además del número de participantes, importa:
- frecuencia esperada del desenlace;
- duración del seguimiento;
- pérdidas;
- distribución de la exposición.
Un estudio puede incluir muchas personas pero pocos eventos, limitando determinados análisis.
Casos y controles
El cálculo depende, entre otros elementos, de:
- frecuencia esperada de exposición en controles;
- OR que se desea detectar;
- alfa;
- potencia;
- proporción entre casos y controles.
Agregar controles puede aumentar la potencia cuando el número de casos es limitado, pero el beneficio adicional disminuye progresivamente.
Estudios por conglomerados
Si los participantes están agrupados en:
- hospitales;
- escuelas;
- municipios;
- consultorios;
las observaciones dentro del mismo grupo pueden parecerse entre sí.
Esto debe incorporarse al cálculo mediante métodos específicos que consideran la correlación intraclúster.
No puede tratarse automáticamente como una muestra aleatoria simple.
Modelos predictivos
La regla de:
“10 eventos por cada variable”
no debería utilizarse como una solución universal.
Los modelos predictivos modernos requieren cálculos que consideran elementos como:
- número de parámetros candidatos;
- frecuencia del desenlace;
- desempeño esperado;
- riesgo de sobreajuste;
- tipo de modelo.
Por eso requieren una planificación específica.
¿Más muestra siempre es mejor?
Una muestra mayor puede mejorar la precisión y potencia, pero no corrige:
- sesgo;
- mala selección;
- mediciones deficientes;
- variables mal definidas;
- confusión;
- errores del diseño.
Un estudio muy grande puede producir una estimación extremadamente precisa de un resultado sesgado.
¿Puedo calcular la muestra después de recolectar los datos?
El cálculo principal debería realizarse durante la planificación.
Realizar un supuesto “cálculo de potencia post hoc” después de conocer los resultados generalmente aporta poca información adicional.
Cuando el estudio ya terminó, suele ser más útil presentar:
- estimaciones;
- tamaños del efecto;
- intervalos de confianza;
- precisión alcanzada.
¿Y si tengo una base de datos con todos los pacientes disponibles?
En estudios retrospectivos puede ocurrir que el número de registros esté previamente determinado.
En esos casos debe explicarse:
- cuántos registros existen;
- qué periodo abarcan;
- criterios de inclusión;
- número esperado de eventos;
- precisión o capacidad analítica que proporciona la muestra disponible.
No debería inventarse un cálculo simplemente para justificar un número que ya estaba definido.
Errores frecuentes
Elegir primero el número y después buscar una fórmula
El cálculo debe derivarse del objetivo.
Usar siempre 50 % como prevalencia sin explicación
Puede ser conservador en determinados cálculos, pero debe justificarse.
Ignorar las pérdidas
Puede dejar una muestra final insuficiente.
Calcular la muestra para un objetivo secundario y no para el principal
El objetivo principal debe guiar la planificación.
Utilizar una calculadora sin registrar los parámetros
Un protocolo debe permitir reproducir el cálculo.
¿Qué debe informar el protocolo?
Como mínimo:
- objetivo utilizado;
- fórmula o método;
- software;
- parámetros asumidos;
- fuente de dichos parámetros;
- alfa o nivel de confianza;
- potencia, cuando corresponde;
- ajuste por pérdidas;
- tamaño final.
Las guías STROBE solicitan explicar cómo se determinó el tamaño del estudio, mientras que los protocolos y ensayos clínicos requieren describir claramente los supuestos del cálculo.
Conclusión
El tamaño de muestra no es un número independiente del resto de la metodología.
Para calcularlo correctamente deben definirse primero:
- pregunta;
- objetivo principal;
- diseño;
- desenlace;
- medida principal;
- análisis previsto;
- supuestos clínicos y estadísticos.
Solo después tiene sentido aplicar una fórmula o software.
¿Necesitas calcular el tamaño de muestra?
En DataMedix revisamos tu pregunta, objetivos, diseño y parámetros disponibles para seleccionar el método de cálculo adecuado y documentarlo de forma reproducible en tu protocolo.
Referencias
- Naing, L., Nordin, R. B., Abdul Rahman, H., & Naing, Y. T. (2022). Sample size calculation for prevalence studies using Scalex and ScalaR calculators. BMC Medical Research Methodology, 22(1), 209.
- Hayes, R. J., & Bennett, S. (1999). Simple sample size calculation for cluster-randomized trials. International journal of epidemiology, 28(2), 319-326.
- Noah, N. (2008). The STROBE initiative STrengthening the reporting of OBservational studies in epidemiology (STROBE). Epidemiology & Infection, 136(7), 865-865.
- Hopewell, S., Chan, A. W., Collins, G. S., Hróbjartsson, A., Moher, D., Schulz, K. F., … & Boutron, I. (2025). CONSORT 2025 statement: updated guideline for reporting randomised trials. The Lancet, 405(10489), 1633-1640.
