Az orvosi disszertáció statisztikája, 1. rész

A kérdés pontos megfogalmazása

Mielőtt elkezdené a doktori disszertáció adatgyűjtését, gondosan meg kell terveznie tanulmányát. Ehhez a lehető legpontosabban fogalmazza meg a kérdést. Tedd fel magadnak a kérdést: Melyik kérdésre kell válaszolnia a tanulmányodnak?

Ezután gondolja át, milyen adatokra van szüksége ahhoz, hogy válaszolni tudjon erre a kérdésre. Ez rádöbbenti,

mely mért értékeket kell összegyűjteni (pl. diagnosztikai osztályozás, nem, a tünetek súlyossága),
Mely időpontban gyűjti a mért értékeket (pl. Kezelés előtt és után, különböző progressziós szakaszok, csak egy időpont)
mely populációtól kell gyűjteni az adatokat (pl. bizonyos diagnózissal rendelkező betegek, bizonyos kockázati csoportok).

Hány esetre van szüksége?

Megtervezheti az esetek számát, hogy megbecsülhesse, hány eset szükséges a kérdés megválaszolásához az adatgyűjtés megkezdése előtt. Itt meghatározzuk azoknak az eseteknek a számát, amelyekre legalább a várt/kívánt eredmény szignifikáns bizonyításához szüksége van.

Az előzetes minta-tervezésnek van értelme:

Az elemzés után elkerülhető, hogy a minta túl kicsi legyen a kívánt különbség/összefüggés bemutatásához.
Ellenkező esetben megtakarít, ha túl sok időt, munkát és pénzt fektet be az adatok feleslegesen nagy mintából történő gyűjtésébe.

A G * power 3 egy ingyenes program, amely támogatja a különféle tanulmánytervek és elemzési módszerek mintaméretének kiszámítását (Heinrich-Heine-Universität Düsseldorf, 2013, http://www.gpower.hhu.de/).

Az adatelemzés felépítése

1. ábra: Az adatelemzés felépítése, től J. Webinger, D. Keller, B. Budrich: Hogyan írjak doktori disszertációt? Útmutató orvosi szakembereknek és fogorvosoknak. Springer 2014.

A statisztikai adatelemzés két komponensből áll: a leíró statisztikákból és az azokon alapuló statisztikákból (lásd 1. ábra).

A leíró statisztika megfelelő adatok kiszámításával írja le az adatokat. A leíró statisztikák olyan képeket is tartalmaznak, amelyeket felhasználhat az adatok ábrázolására és a lehetséges különbségek/összefüggések vizualizálására.

Ban,-ben záró statisztikák statisztikai teszteket számolunk, amelyek ellenőrzik a leíró részben leírt különbségek/összefüggések szignifikanciáját. A megfigyelt különbség vagy összefüggés csak akkor tekinthető statisztikailag szignifikánsnak, ha egy véletlenszerűen kiválasztott mintában egy ilyen megfigyelés valószínűsége (p) nagyon alacsony lenne, ha a valóságban nem volt különbség/összefüggés a teljes populációban. Tehát csak bizonyított jelentőséggel bízhat alacsony hibalehetőséggel (szignifikanciaszint, gyakran 5% -ra állítva), hogy a tanulmányban megfigyelt hatás nem véletlenül jött létre, hanem a teljes populáció tényleges különbségét/kapcsolatát tükrözi. Az effektusméretek (pl. Esélyhányados, r, d, η2) kiszámítása szintén lehetővé teszi a megfigyelt hatás nagyságának értékelését.

A megfelelő módszer kiválasztása

Leíró statisztika

A megfelelő módszer kiválasztása az adatok leírására nagyban függ a változó típusától. A következőkben röviden megemlítünk néhány, a kategorikus adatok (pl. Nem, dohányos/nemdohányzó, diagnosztikai osztályozás) és metrikus adatok (pl. Tünetek erőssége, kérdőív skála értékek) leírására szolgáló gyakran használt leíró módszereket.

A vizsgált minta kategóriás jellemzői leíró jellegűek Gyakorisági táblázatok és - több kategorikus változó kombinálásakor - a Kereszttáblák Látható. Ahogy egy kép illik ehhez oszlopdiagram vagy a csoportosított oszlopdiagram (lásd a 2. ábrát).

2. ábra: Csoportosított oszlopdiagram a kategorikus adatok megjelenítéséhez. Kategóriás változók: dohányzás (nem/igen), betegség (nem/igen). A sávok magassága az egyes kategóriák létszámát mutatja.

A minta metrikus jellemzőinek leírásához a központi tendencia mértékeit használjuk, pl. B. Átlagos és Középső, és szétszórásra, pl. B. Szórás, IQR, minimális és maximális, számított. Ezen felül használhatók átlagértékek és szórások Bizalom intervallumok számolni. Ezek leírják azt az értéktartományt, amelyben a teljes populáció átlaga z. B. 95% -os valószínűséggel.

Egyrészt jók a metrikus adatok feltérképezésére Dobozos parcellák, amelyek megmutatják a központi tendenciát (medián) és a szórást (IQR, minimum, maximum), azonosítják a kiugró értékeket és illusztrálják a csoportok összehasonlítását, vagyis a kategorikus változó szintjeinek összehasonlítását (lásd 3. ábra). Másrészt azzal Oszlopdiagramok (lásd a 4. ábrát), vagy - különösen időrendi sorrend megjelenítéséhez - a Vonaldiagramok (lásd az 5. ábrát) az átlagértékeket ábrázolja. A szórások vagy a konfidencia intervallumok Hiba sávok vizualizálható. Két metrikus változó együttes feltérképezésére alkalmas Szétszórt sávok (lásd 6. ábra).

3. ábra: Dobozdiagramok metrikus adatok megjelenítéséhez. Függő metrikus változó: a tünetek erőssége (0-tól 50-ig terjedő skála), független kategorikus változó: dohányzás (nem/igen). A dobozokon belüli elválasztó vonal a mediánt, a dobozok hossza az IQR-t, az antennák („bajuszok”) végpontjai mutatják a minimumot és a maximumot, a kör egy kiugró értéket mutat.

4. ábra: Oszlopdiagramok metrikus adatok megjelenítéséhez. Függő metrikus változó: a tünetek erőssége (0-tól 50-ig terjedő skála), független kategorikus változó: dohányzás (nem/igen). A sávok magassága a két mintacsoport átlagértékét mutatja, a hibasávok a szórásokat mutatják.

5. ábra: Vonalrajzok metrikus adatok megjelenítéséhez. Függő metrikus változó: a tünetek erőssége (0-tól 50-ig terjedő skála), független kategorikus változók: kezelés (placebo/gyógyszer), időpont (kezelés előtt/kezelés után/utólagos mérés). A pontok a két csoport háromszoros átlagértékeit mutatják, a hibasávok a szórásokat mutatják.

6. ábra: Szóródiagram metrikus adatok megjelenítéséhez. Metrikus változók: a tünetek erőssége (0-tól 50-ig terjedő skála), napi cigarettaszám (0-tól 40-ig terjedő skála). Minden pont egy-egy alanynak felel meg, és az értékeket mutatja a két metrikus skálán.