Καλώς ήρθατε στην διαδικτυακή μας κοινότητα.
Εδώ μπορείτε να συζητήσετε και να ενημερωθείτε για θέματα που αφορούν την Πρωτοβάθμια Φροντίδα Υγείας.
Για να συμμετέχετε και να μπορείτε να κατεβάσετε αρχεία και εικόνες που βρίσκονται στα μηνύματα πρέπει να εγγραφείτε.
Η εγγραφή είναι δωρεάν και θα σας αποσταλεί άμεσα ένα e-mail για την ενεργοποίηση της εγγραφής σας.
Εάν δεν το λάβετε σε λίγα λεπτά ελέγξετε το φάκελο ομαδικής αλληλογραφίας ή το φάκελο SPAM ή το φάκελο ανεπιθύμητης αλληλογραφίας καθώς μπορεί να βρεθεί εκεί από λάθος του λογισμικού ηλεκτρονικού ταχυδρομείου.
Εάν έχετε ξεχάσει τον κωδικό σας, μπορείτε να ζητήσετε να σας ξανασταλεί από εδώ.
18 Νοεμβρίου 2024, 12:31:24

Αποστολέας Θέμα: Βιοστατιστική και επιδημιολογία  (Αναγνώστηκε 54686 φορές)

0 μέλη και 3 επισκέπτες διαβάζουν αυτό το θέμα.

16 Φεβρουαρίου 2012, 11:57:09
Απάντηση #15
Αποσυνδεδεμένος

medicus


Medicus curat,
Deus sanat

16 Φεβρουαρίου 2012, 18:01:26
Απάντηση #16
Αποσυνδεδεμένος

medicus


Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος τελικού μεγέθους δείγματος για την εκτίμηση ποσοστού.

« Τελευταία τροποποίηση: 16 Φεβρουαρίου 2012, 18:09:18 από medicus »
Medicus curat,
Deus sanat

10 Απριλίου 2012, 17:00:17
Απάντηση #17
Αποσυνδεδεμένος

medicus


ΣΤΑΤΙΣΤΙΚΑ ΛΑΘΗ

Υπάρχουν προβλήματα σ’ ότι αφορά την αποτελεσματικότητα των προγραμμάτων έγκαιρης διάγνωσης;

Θα επικεντρώσουμε την προσοχή στα στατιστικά λάθη που σχετίζονται με την έγκαιρη διάγνωση. Αφορμή στάθηκε ένα επεξηγηματικό άρθρο που δημοσιεύθηκε πρόσφατα στην έγκριτη γερμανική εφημερίδα “Sueddeutshe Zeitung”. Σ’ αυτό παρουσιάζονται  τα αποτελέσματα έρευνας που έγινε στις Η.Π.Α. και έδειξε πως η πλειοψηφία των ερωτηθέντων γενικών γιατρών παρασύρεται σε λάθος εκτιμήσεις, εξαιτίας των εγγενών σφαλμάτων στη στατιστική αξιολόγηση των προγραμμάτων έγκαιρης διάγνωσης(ή πληθυσμιακού ελέγχου ή προγραμμάτων διαλογής ή – σύμφωνα με την καθιερωμένη διεθνώς ονομασία- προγραμμάτων screening).

Το πρώτο λάθος είναι ότι με τον πληθυσμιακό έλεγχο θα ανακαλυφθούν καρκίνοι που δεν επρόκειτο να δημιουργήσουν προβλήματα εφ’ όρου ζωής σ’ αυτούς που τους έχουν. Κάτι τέτοιο αποδεδειγμένα συμβαίνει αρκετά συχνά σε διάφορους καρκίνους, όπως π.χ. στον καρκίνο του προστάτη ή στον καρκίνο του μαστού(αφορά ένα ποσοστό των περιπτώσεων που χαρακτηρίζονται ως μη διηθητικοί καρκίνοι ή in situ, καθώς και ένα μικρό ποσοστό διηθητικών καρκίνων με πολύ «ήρεμα» χαρακτηριστικά). Επομένως, αν μετράμε την ποσοστιαία αναλογία των επιζώντων μετά από 5ετία ως απόδειξη επιτυχίας της έγκαιρης διάγνωσης, αυτό είναι λανθασμένο(προκύπτουν φουσκωμένες τιμές) γιατί σ’ αυτή τη μέτρηση περιλαμβάνονται και οι περιπτώσεις που έτσι και αλλιώς δεν θα ενοχλούνταν από τον καρκίνο τους. Και είναι γεγονός ότι το όριο της 5ετούς επιβίωσης αποτελεί, πράγματι, το βασικό κριτήριο με το οποίο αξιολογείται και γίνεται αποδεκτή ή όχι η αποτελεσματικότητα μίας προληπτικής παρέμβασης ή μίας θεραπείας.

Το δεύτερο λάθος είναι ότι ανακαλύπτοντας πιο γρήγορα τον καρκίνο, είναι λογικό ότι ο ασθενής θα ζήσει περισσότερο, ακόμα και αν η ζωή αυτού του ασθενή δεν είναι μακροβιότερη συνολικά από έναν άλλο συνομήλικο του στον οποίο η διάγνωση του καρκίνου έγινε πιο καθυστερημένα. Και αυτό γιατί ο αριθμός των ετών από τη διάγνωση μέχρι το θάνατο του έχει αυξηθεί, όχι γιατί αυξήθηκε η ηλικία θανάτου του, αλλά μειώθηκε η ηλικία στην οποία έγινε η διάγνωση. Δηλαδή, όπως δείχνει και ο δεύτερος πίνακας, αν σε δύο ασθενείς η διάγνωση στον ένα έγινε 5 χρόνια νωρίτερα(με την έγκαιρη διάγνωση), αλλά και οι δύο πέθαναν στην ίδια ηλικία, τότε αυτός με την έγκαιρη διάγνωση, θα φαίνεται να έχει ζήσει περισσότερα χρόνια με τον καρκίνο του(5 χρόνια περισσότερα) από ότι ο άλλος. Επομένως η επιβίωση μετά τη διάγνωση θα είναι και θα φαίνεται μεγαλύτερη, αλλά αυτό δεν σημαίνει ότι ο συγκεκριμένος ασθενής κέρδισε κάτι με την έγκαιρη διάγνωση, αφού στην ουσία θα έχει ζήσει συνολικά τα ίδια χρόνια με τον άλλο(που δεν του είχε γίνει έγκαιρη διάγνωση).

Αυτά τα λάθη αναιρούν τη χρησιμότητα της έγκαιρης διάγνωσης; Η απάντηση είναι όχι.
Αυτά τα λάθη στατιστικής αδυνατίζουν τις αποδείξεις για τη χρησιμότητα της έγκαιρης διάγνωσης.


Η έγκαιρη διάγνωση δίνει αποδεδειγμένα δυνατότητες ίασης. Θα πρέπει, όμως, να είμαστε προσεκτικοί στις εκτιμήσεις μας και να χρησιμοποιούνται πιο αξιόπιστα δεδομένα για να μετράμε την αποτελεσματικότητα των προγραμμάτων έγκαιρης διάγνωσης. Ένα τέτοιο είναι η μέτρηση της μείωσης της συνολικής θνησιμότητας σ’ έναν πληθυσμό μετά την εφαρμογή πληθυσμιακών ελέγχων. Η μείωση που προκύπτει δίνει πιο αξιόπιστη εικόνα για την αποτελεσματικότητα του πληθυσμιακού ελέγχου.

Όμως και στη δεύτερη περίπτωση που τονίζεται το λάθος στον υπολογισμό λόγω του ότι η έγκαιρη διάγνωση επιμηκύνει το συνολικό χρόνο, αφού μειώνει την ηλικία του ασθενούς κατά τη διάγνωση, βασική προϋπόθεση είναι η θεραπεία να μην έχει κάποιο αποτέλεσμα. Κάτι, όμως, που δεν συμβαίνει στην πραγματικότητα, αφού στην εποχή μας οι διάφορες θεραπείες μπορούν να επιμηκύνουν ουσιαστικά την επιβίωση(και στο παράδειγμα μας ο θάνατος του διαγνωσθέντος έγκαιρα ασθενή να μην επέλθει στα 70, αλλά στα 79).

Ο καρκίνος του μαστού είναι μία περίπτωση που αποδεδειγμένα η έγκαιρη διάγνωση οδηγεί σε καλύτερα αποτελέσματα. Και αυτό αφορά την πλειοψηφία των περιπτώσεων. Υπάρχουν, βεβαίως, καρκίνοι του μαστού που από τη γένεση τους είναι εξαιρετικά επιθετικοί(και επομένως είτε διαγνωστούν έγκαιρα, είτε καθυστερημένα η πορεία τους δεν είναι ευνοϊκή για την ασθενή). Όμως, οι υπάρχουσες μελέτες δείχνουν ότι αφενός η συνολική θνησιμότητα μειώνεται με τον προληπτικό έλεγχο για τον καρκίνο του μαστού, αφετέρου οι περιπτώσεις ίασης είναι κατά πολύ μεγαλύτερες όταν ο καρκίνος είναι σε αρχικό στάδιο.

Επιπλέον, για καλή τύχη των γυναικών, η πρόοδος που έχει επιτευχθεί στις θεραπευτικές μεθόδους είναι πολύ σημαντική και αυτό έχει ως αποτέλεσμα η πλειοψηφία των ασθενών να ζει πάρα πολλά χρόνια χωρίς προβλήματα και την ζωή τους να απειλούν άλλοι κίνδυνοι και όχι ο καρκίνος.

« Τελευταία τροποποίηση: 10 Απριλίου 2012, 17:16:12 από medicus »
Medicus curat,
Deus sanat

10 Μαΐου 2012, 12:01:32
Απάντηση #18
Αποσυνδεδεμένος

medicus


Medicus curat,
Deus sanat

15 Μαΐου 2012, 11:13:14
Απάντηση #19
Αποσυνδεδεμένος

medicus


Η ανάλυση αντιστοιχιών είναι δημοφιλής στατιστική τεχνική κατάλληλη για κατηγορικά δεδομένα. Ο βασικός σκοπός της είναι η μετατροπή ενός πίνακα δεδομένων σε μία γραφική παράσταση, έτσι ώστε να γίνονται εμφανείς οι συσχετισμοί ανάμεσα στα κελιά του πίνακα αλλά, κυρίως, ανάμεσα στα "κρυφά χαρακτηριστικά" στα οποία στηρίζεται ο πίνακας. Είναι κατά βάση περιγραφική και όχι επαγωγική μέθοδος.

« Τελευταία τροποποίηση: 15 Μαΐου 2012, 11:59:35 από medicus »
Medicus curat,
Deus sanat

29 Μαΐου 2012, 17:32:57
Απάντηση #20
Αποσυνδεδεμένος

medicus


Μέση Διαφορά του Gini(Gini’s mean difference)

Είναι ένα μέτρο σχετικής μεταβλητότητας. Ως μέση διαφορά του Gini ορίζεται η ποσότητα g. Ο δείκτης g εκφράζει τον μέσο των μεταξύ των μετρήσεων αποκλίσεων.

Παράδειγμα: Το εβδομαδιαίο εισόδημα 4 μελών μιας οικογένειας είναι 300, 250, 280, 100 ευρώ. Η τιμή του g είναι 83,3. Επομένως ο μέσος όρος των απολύτων διαφορών του μισθού κάθε μέλους της οικογένειας αυτής από τους μισθούς των υπολοίπων μελών της οικογένειας είναι 83,3 ευρώ. Η διαφορά του δείκτη g από τα άλλα μέτρα σχετικής μεταβλητότητας είναι ότι ο g αναφέρεται σε μέση απόκλιση των μετρήσεων μεταξύ τους ενώ τα άλλα μέτρα κάνουν χρήση των αποκλίσεων των μετρήσεων από το μέσο τους.


« Τελευταία τροποποίηση: 29 Μαΐου 2012, 17:44:00 από medicus »
Medicus curat,
Deus sanat

30 Μαΐου 2012, 11:19:31
Απάντηση #21
Αποσυνδεδεμένος

medicus


Καμπύλη του Lorenz

Εκτός της πυκνότητας και του κέντρου βάρους του πληθυσµού µιας περιοχής, ιδιαίτερο ενδιαφέρον παρουσιάζει η κατανοµή του πληθυσµού στη βάση της καµπύλης του Lorenz. Η κλασσική αυτή γραφική παράσταση σχηµατίζεται χρησιµοποιώντας ένα σύστηµα ορθογωνίων συντεταγµένων όπου στον άξονα των τετµηµένων έχουµε την αθροιστική σειρά της ποσοστιαίας κατανοµής του πληθυσµού και στον άξονα των τεταγµένων την αθροιστική σειρά της ποσοστιαίας κατανοµής της έκτασης. Έτσι, αν ο πληθυσµός είναι ισοκατανεµηµένος θα πρέπει να έχουµε µια γραµµή (καµπύλη του Lorenz) η οποία θα ταυτίζεται µε τη διαγώνιο ΟΒ, ενώ όσο µεγαλύτερη είναι η ένταση της ανισοκατανοµής τόσο περισσότερο θα κάµπτεται η καµπύλη προς τα κάτω και δεξιά της διαγωνίου. Η αναλογία συγκέντρωσης, που κατ΄ επέκταση µπορούµε να υπολογίζουµε, στο σχήµα µας αντιστοιχεί στην επιφάνεια µεταξύ της διαγωνίου ισοκατανοµής και της καµπύλης που σχηµατίζεται κάτω από τη διαγώνιο και είναι συµβατικά ή αναλογία του πληθυσµού που θα έπρεπε να ανακατανέµουµε για να επιτύχουµε πλήρη οµοιοµορφία του πληθυσµού στο χώρο.



Η καμπύλη του Lorenz είναι ένα πολύ ισχυρό εργαλείο της περιγραφικής στατιστικής μελέτης, τόσο της συγχρονικής όσο και της επαναλαμβανόμενης συγχρονικής. Η δημιουργία της είναι πανεύκολη και δεν απαιτείται ιδιαίτερο στατιστικό πακέτο. Μπορεί άνετα να υπολογισθεί με το Excel. Οι πληροφορίες που μας δίνει η ανάλυσή της είναι ποικίλες και δομικού χαρακτήρα σε μία έρευνα.

Στο χώρο της υγείας οι εφαρμογές της είναι απεριόριστες και ανεξάντλητες. Παρόλα αυτά στην Ελλάδα, δυστυχώς, δεν την έχω συναντήσει σε καμία εργασία, τόσο σε συνέδρια όσο και σε δημοσιεύσεις. Είναι λυπηρό να επαναλαμβάνουμε ήδη δημοσιευμένες εργασίες και ν'αναλωνόμαστε σε "κακές" και, πολλές φορές, ανούσιες επιλογές για "ερευνητικό" σκοπό.

Υπάρχουν απλά εργαλεία, που σε συνδυασμό με την φαντασία και την αγάπη για έρευνα μπορούν να παραχθούν πραγματικά "έργα τέχνης" στην  πρωτοβάθμια υγεία.   

« Τελευταία τροποποίηση: 30 Μαΐου 2012, 11:57:44 από medicus »
Medicus curat,
Deus sanat

27 Ιουνίου 2012, 22:14:44
Απάντηση #22
Αποσυνδεδεμένος

Γιώργος Κανελλόπουλος


Έχετε να προτείνετε κάποιο βιβλίο βιοστατιστικής, ελληνικό ή αγγλικό;
Business coaching για επαγγελματίες υγείας

Mentoring σε νέους ιατρούς

Balint Group Leader

Προετοιμασία Γενικού Ιατρού για εργασία στην Ιρλανδία

28 Ιουνίου 2012, 09:27:09
Απάντηση #23
Αποσυνδεδεμένος

medicus


Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος
Έχετε να προτείνετε κάποιο βιβλίο βιοστατιστικής, ελληνικό ή αγγλικό;

Καλημέρα σας. Υπάρχει ένας τεράστιος αριθμός βιβλίων για την Βιοστατιστική. Αν και δεν έχουμε συνηθίσει να βρίσκουμε αξιόλογα ελληνικά βιβλία, στον συγκεκριμένο τομέα οφείλω να ομολογήσω ότι έχω εκπλαγεί, θετικά, από το επίπεδο της ελληνικής βιβλιογραφίας. Χωρίς να θέλω να θεωρηθεί διαφήμιση, παραθέτω κάποιους τίτλους που, κατά προσωπική άποψη, έχουν άριστο επίπεδο γραφής, κατανόησης και προπάντων επιστημονικού υπόβαθρου. Η παράθεση γίνεται από το πιο απλό μέχρι το πιο εξειδικευμένο:

1. ΒΙΟΜΕΤΡΙΑ ΒΙΟΣΤΑΤΙΣΤΙΚΗ. Παναγιώτης Δημόπουλος, ΕΚΔΟΣΕΙΣ ΣΤΑΜΟΥΛΗΣ 2004
2. ΙΑΤΡΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΣΤΟΙΧΕΙΑ ΒΙΟΜΑΘΗΜΑΤΙΚΩΝ(ΤΟΜΟΣ Α', Β' ΕΚΔΟΣΗ). Τάκης Παπαϊωάννου-Κοσμάς Φερεντίνος, ΕΚΔΟΣΕΙΣ ΣΤΑΜΟΥΛΗΣ 2004
3. ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ. Ευστάθιος Δημητριάδης, ΕΚΔΟΣΕΙΣ ΚΡΙΤΙΚΗ 2002
4. ΚΟΙΝΩΝΙΚΗ ΣΤΑΤΙΣΤΙΚΗ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ ΕΡΕΥΝΑΣ ΜΕ ΤΟ SPSS. Βασίλης Δαφέρμος, ΕΚΔΟΣΕΙΣ ΖΗΤΗ 2011
5. ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ. Δημήτης Καρλής, ΕΚΔΟΣΕΙΣ ΣΤΑΜΟΥΛΗΣ 2005
6. INTRODUCTION TO META-ANALYSIS. M.Borenstein, Publisher: Wiley; 1 edition (April 27, 2009)

Καλή μελέτη............
Medicus curat,
Deus sanat

12 Ιουλίου 2012, 11:14:11
Απάντηση #24
Αποσυνδεδεμένος

medicus


Μία γρήγορη και αρκετά διασκεδαστική μέθοδος επιλογής στατιστικής δοκιμασίας, κατά τον σχεδιασμό μίας έρευνας.

Medicus curat,
Deus sanat

20 Ιουλίου 2012, 20:28:10
Απάντηση #25
Αποσυνδεδεμένος

medicus


L'Abbe plot

A scatter plot of the risk in the experimental group against the risk in the control group. Ideally the size of the plotting symbols should be proportional to the size of the trials.



Trials in which the experimental treatment had a higher risk than the control will be in the upper left of the plot, between the y axis and the line of equality. If experimental is no better than control then the point will fall on the line of equality, and if the control treatment has a higher risk than the experimental treatment then the point will be in the lower right of the plot, between the x axis and the line of equality.



Medicus curat,
Deus sanat

31 Ιουλίου 2012, 18:14:40
Απάντηση #26
Αποσυνδεδεμένος

medicus


ΠΑΡΑΔΟΞΟ ΤΩΝ  SIMPSON-YULE

Ο Edward Hugh Simpson(1922-...) Βρετανός μαθηματικός με ειδίκευση στην στατιστική  μαζί με τον  μαθηματικό George Udny Yule(1871 –1951) για να καταδείξουν ότι η παρουσίαση στατιστικών δεδομένων απαιτεί προσοχή, αλλιώς οδηγεί σε λάθος συμπεράσματα, παρουσίασαν ένα παράδοξο που φέρει το όνομα τους.

Ισχυρίστηκαν, ότι όταν έχουμε συγκεντρωτικά ποσοστά για την σύγκριση ομάδων δεδομένων που με την σειρά τους  περιέχουν επιμέρους ομάδες, μπορεί η πρώτη μάτια να οδηγήσει σε λανθασμένες εκτιμήσεις. Η συνολική παρουσίαση των δεδομένων είναι παραπλανητική.
Το φαινόμενο  αυτό είναι γνωστό  ως παράδοξο των Simpson-Yule
.


Ας δούμε ένα παράδειγμα:

Μια νεοσύστατη εταιρεία  προσφέρει 250 θέσεις εργασίας στα τμήματα πωλήσεων, εξυπηρέτησης  πελατών και λογιστηρίου. Συνολικά, παρουσιάζονται 355 άνδρες και 325 γυναίκες, από τους  οποίους προσλαμβάνονται 190 άνδρες(53,5%) και 60 γυναίκες (το 18,5%). Υποθέτουμε  ότι οι υποψήφιοι και από τα δυο φύλα  έχουν έρθει το ίδιο προετοιμασμένοι.




Μπορούμε να συμπεράνουμε  ότι έγινε διάκριση ανάμεσα στις γυναίκες;
Η απάντηση είναι όχι.


Στην πραγματικότητα, σε όλα τα τμήματα, το ποσοστό των προσληφθέντων υπήρξε μεγαλύτερο ανάμεσα τις γυναίκες. Το κλειδί  βρίσκεται στο γεγονός  ότι στο τμήμα με τις περισσότερες θέσεις παρουσιάστηκαν πολλοί άνδρες και λίγες γυναίκες, ενώ σε αυτά που προσφέρουν λίγες θέσεις  συμβαίνει το αντίθετο.

Medicus curat,
Deus sanat

22 Αυγούστου 2012, 10:19:40
Απάντηση #27
Αποσυνδεδεμένος

medicus


Κριτήρια του Hill ή κριτήρια αιτιότητας

Για να κριθεί ένα συμβάν ως αιτία μίας νόσου, πρέπει το συμβάν να προηγείται χρονικά του αποτελέσματος και να είναι από μόνο του αναγκαίο για την εκδήλωση της νόσου, ή επαρκές για την εκδήλωση της νόσου.

Πολλά νοσήματα κρίνονται πολυπαραγοντικά.  Ως τέτοια, απαιτούν συνδυασμό περιβαλλοντικών και γενετικών παραγόντων.  Πολυπαραγοντικά σημαίνει πως απαιτούνται περισσότεροι του ενός παράγοντες για την πρόκλησή τους, ή πολλοί μεμονωμένοι παράγοντες που δίνουν το ίδιο αποτέλεσμα, ενώ ένας μόνο παράγοντας δε μπορεί να τα προκαλέσει.

Τα κριτήρια αιτιότητας που θεσπίστηκαν από τον Επιδημιολόγο Bradford Hill το 1965 είναι:

1.  Ισχύς της συσχέτισης: υπάρχει το "αίτιο" σε κάθε ασθενή με την υπό μελέτη νόσο;
2.  Επαναλαμβανόμενο εύρημα σε διαφορετικές μελέτες : μπόρεσε να εντοπιστεί το "αίτιο" από ανεξάρτητα κέντρα και ερευνητές;
3.  Ειδικότητα: αφορά το "αίτιο" μόνο τους ασθενείς με την υπό μελέτη νόσο, και όχι τους ασθενείς άλλων νόσων, ή τους υγιείς;
4.  Χρονικότητα: προηγείται το "αίτιο" της νόσου;
5.  Δοσοεξαρτώμενη σχέση: ισχύει πως, όσο χειρότερο το "αίτιο", τόσο χειρότερη η νόσος, και το αντίστροφο;
6.  Βιολογική βάση: είναι παθολογικό το "αίτιο";
7.  Ερμηνευτική συνοχή(συμβατότητα με άλλες γνώσεις): υπάρχουν παρόμοιες καταστάσεις, σαν το "αίτιο", που προκαλούν επίσης προβλήματα;
8.  Πειραματική τεκμηρίωση: τί συμβαίνει όταν αποκαθιστά κανείς το "αίτιο";
9.  Αναλογία: υπάρχουν άλλα μοντέλα εξήγησης της νόσου;

Συσχέτιση δε σημαίνει αιτιότητα.  Η αιτιότητα προϋποθέτει την χρονική συσχέτιση, ενώ ακόμη και τα παραπάνω κριτήρια μεμονωμένα μπορεί να μην ισχύουν πάντα.  Το ότι δεν υπάρχει βιολογική εξήγηση, αυτό δε σημαίνει ότι δεν υπάρχει αιτιακή συσχέτιση ανάμεσα στο κάπνισμα και το έμφραγμα του μυοκαρδίου, για παράδειγμα.




Medicus curat,
Deus sanat

25 Αυγούστου 2012, 19:15:05
Απάντηση #28
Αποσυνδεδεμένος

Denominator

Moderator
Ένα απλό άρθρο που φιλοξένησε το BMJ σχετικά με το Logrank test (μέθοδος ανάλυσης καμπυλών επιβίωσης).

Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος
Μελλοθάνατε ιατρέ, οι ασθενείς σου σε χαιρετούν.

20 Νοεμβρίου 2012, 19:00:59
Απάντηση #29
Αποσυνδεδεμένος

medicus


Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος



Medicus curat,
Deus sanat

 

Σχετικά θέματα

  Τίτλος / Ξεκίνησε από Απαντήσεις Τελευταίο μήνυμα
5 Απαντήσεις
6705 Εμφανίσεις
Τελευταίο μήνυμα 23 Ιουνίου 2014, 10:13:25
από potaphkatsarida
3 Απαντήσεις
5306 Εμφανίσεις
Τελευταίο μήνυμα 31 Ιανουαρίου 2021, 18:28:23
από Δ. Κουναλάκης