组织芯片中，构建一个稳健的多指标联合预测模型所需的样本量，是否有一个通用的计算公式或明确的阈

在组织芯片（TMA）研究中，构建多指标联合预测模型所需的样本量并无一个放之四海而皆准的固定数值，其核心取决于模型的复杂度与预期效应量。一个普遍遵循的经验法则是“每个候选预测变量至少对应10到20个阳性事件”。例如，若您计划评估5个生物标志物的组合，并预期结局（如5年复发）的发生率为30%，那么所需的总样本量可估算为：5个变量 × 10个事件 / 0.3 ≈ 167例。

然而，这仅是粗略估计。更严谨的设计需借助功效分析，事先设定显著性水平、统计功效（通常为80%）及期望的效应量（如C指数或AUC的提升幅度）。模型越复杂（如纳入交互项、非线性关系），所需样本量会急剧增加，以避免过拟合。对于基于TMA的探索性研究，若采用机器学习算法，样本量通常需在200例以上；若要构建真正可进入临床实践的预测模型，则往往需要数百甚至上千例样本，并进行严格的内外部验证。因此，关键在于研究目的与模型复杂度的权衡，而非追求一个绝对的数字。