Blog
Como calcular o tamanho amostral para um estudo transversal em saúde pública
Definir o tamanho da amostra é uma das primeiras decisões metodológicas de qualquer estudo transversal, e também uma das mais cobradas por revisores e bancas. Uma amostra pequena demais compromete a precisão das estimativas; uma amostra grande demais desperdiça recursos e, em pesquisas com seres humanos, levanta questões éticas. Este texto mostra como fazer esse cálculo para um estudo de prevalência, que é o desenho transversal mais comum em saúde pública.
O que o cálculo amostral de um estudo de prevalência precisa
Para estimar uma proporção (prevalência) com determinada precisão, você precisa definir três quantidades antes de coletar qualquer dado: a prevalência esperada do desfecho (p), a margem de erro absoluta que você aceita (d, também chamada de precisão) e o nível de confiança (geralmente 95%, o que corresponde a um valor Z de 1,96).
A fórmula clássica para uma população considerada infinita ou muito grande é:
n = Z² · p · (1 − p) / d²
Quando você não tem ideia da prevalência, o valor que maximiza o produto p·(1−p) é 0,5 — ou seja, adotar p = 0,50 gera a amostra mais conservadora (a maior possível para aquela precisão). Se há literatura prévia sugerindo uma prevalência aproximada, use-a: isso costuma reduzir bastante o n necessário.
Um exemplo numérico
Suponha que você queira estimar a prevalência de anemia em gestantes de uma região, esperando algo em torno de 30% (p = 0,30), com margem de erro de 5 pontos percentuais (d = 0,05) e 95% de confiança (Z = 1,96):
n = (1,96)² · 0,30 · 0,70 / (0,05)² = 3,8416 · 0,21 / 0,0025 ≈ 323
Você precisaria, portanto, de cerca de 323 gestantes. Se a prevalência esperada fosse desconhecida e você usasse 0,50, o n subiria para aproximadamente 385 — o preço da incerteza sobre o parâmetro.
Correção para população finita
Quando a população-alvo é pequena e conhecida (por exemplo, todos os pacientes de uma unidade), aplica-se a correção para população finita, que reduz o n calculado:
n_ajustado = n / [1 + (n − 1) / N]
onde N é o tamanho da população. Além disso, é prudente inflar a amostra para compensar perdas e recusas: se você espera 15% de não resposta, divida o n final por 0,85.
Fazendo o cálculo no R
O R resolve isso em poucas linhas. Para proporções, o pacote pwr e cálculos manuais funcionam bem:
p <- 0.30
d <- 0.05
z <- qnorm(0.975) # 1,96 para 95%
n <- (z^2 * p * (1 - p)) / d^2
ceiling(n) # arredonda para cima
Se você ainda está estruturando seus dados antes de rodar qualquer análise, vale conferir o passo a passo em como organizar e importar dados no R. E se o objetivo do estudo for comparar grupos ou testar associações — e não apenas estimar uma prevalência —, o raciocínio muda: aí entram poder estatístico e tamanho de efeito, tema tratado em poder estatístico e tamanho de amostra.
Erros comuns que revisores apontam
Três descuidos aparecem com frequência. O primeiro é não justificar a prevalência esperada com uma fonte — sempre cite de onde veio o p. O segundo é confundir margem de erro absoluta (em pontos percentuais) com relativa (em porcentagem do próprio p). O terceiro é esquecer de reportar as premissas: um cálculo amostral sem Z, p, d e a fórmula usada é irreprodutível. Descrever tudo isso no método é exigência de diretrizes de reporte como o STROBE, referência para estudos observacionais.
Para trabalhos de maior porte, esse cálculo costuma se integrar a um plano de análise mais amplo, algo que discuto em análise estatística para artigo científico.
Referências
- Lwanga SK, Lemeshow S. Sample Size Determination in Health Studies: A Practical Manual. Genebra: World Health Organization; 1991.
- Kirkwood BR, Sterne JAC. Essential Medical Statistics. 2ª ed. Oxford: Blackwell; 2003.
- von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP; STROBE Initiative. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement. Lancet. 2007;370(9596):1453-7.