Βιοστατιστική και επιδημιολογία

[medicus]

Ένα πολύ εύχρηστο και πλήρους αξιοπιστίας Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος για μεταναλύσεις. Συν τοις άλλοις παρέχεται δωρεάν.

[medicus]

ΔΗΜΟΓΡΑΦΙΚΕΣ ΕΦΑΡΜΟΓΕΣ

Μέσα από τις στατιστικές της κάθε χώρας σε βάθος χρόνου το Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος έχει προσαρμοστεί ώστε να δείχνει με ακρίβεια το τι συμβαίνει την κάθε στιγμή στον πλανήτη. Μπορούμε να παρακολουθήσουμε την αυξομείωση του πληθυσμού όπως και άλλα ενδιαφέροντα στατιστικά. Για παράδειγμα αφήνοντας τον κέρσορα επάνω σε κάποια χώρα βλέπουμε τα στατιστικά της στα αριστερά.


Welcome to Breathing Earth. This real-time simulation displays the CO2 emissions of every country in the world, as well as their birth and death rates.
Please remember that this is just a simulation. Although the CO2 emission, birth rate and death rate data used in Breathing Earth comes from reputable sources, data that measures things on such a massive scale can never be 100% accurate. Please note however that the CO2 emission levels shown here are much more likely to be too low than they are to be too high.

[medicus]

ΔΗΜΟΓΡΑΦΙΚΕΣ ΕΦΑΡΜΟΓΕΣ

Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος is a collection of world maps, where territories are re-sized on each map according to the subject of interest.
There are now nearly 700 maps. Maps 1-366 are also available as PDF posters. Use the menu to find a map of interest.

[medicus]

ΙΑΤΡΙΚΗ ΔΗΜΟΓΡΑΦΙΑ

Η ιατρική δημογραφία(βιοστατιστική), είναι μία κατ’ εξοχήν εφαρμοσμένη ανθρωπο-βιολογική επιστήμη, η οποία θεωρείται σήμερα ένας κλάδος της Υγιεινής. Χρησιμοποιεί ποιοτικού και ποσοτικού χαρακτήρα στοιχεία για την μέτρηση, περιγραφή και ανάλυση των διαφόρων χαρακτηριστικών του πληθυσμού.

Η μελέτη των πληθυσμιακών γνωρισμάτων κατευθύνεται πρωτίστως στη διαπίστωση του όγκου και της γεωγραφικής διασποράς του πληθυσμού, της κατανομής του κατά φύλο και της δομής του κατά ηλικία, της αναπαραγωγικότητας, της νοσηρότητας και της θνησιμότητάς του.

Η ιατροδημογραφική έρευνα στηρίζεται στην ύπαρξη αξιόπιστων αριθμητικών στοιχείων. Η συλλογή του πρωτογενούς στατιστικού υλικού είναι βασική προϋπόθεση για τη διεξαγωγή κάθε ιατροδημογραφικής μελέτης. Οι βασικές πηγές συλλογής των ιατροδημογραφικών στοιχείων είναι οι απογραφές του πληθυσμού, οι ληξιαρχικές πράξεις, τα βιοστατιστικά στοιχεία των υγειονομικών κέντρων, των νοσηλευτηρίων και των ασφαλιστικών οργανισμών, καθώς επίσης και οι ειδικές έρευνες.

Η ιατρική δημογραφία έχει τις ρίζες της στο 17ο αιώνα, όταν ο Άγγλος ερευνητής John Graunt, χρησιμοποίησε με επιτυχία τα δελτία θνησιμότητας των ενοριών του Λονδίνου και δημοσίευσε την πρώτη αληθινή ιατροδημογραφική μελέτη με τίτλο “Observations”. Θέμα της μελέτης ήταν τα πληθυσμιακά και υγειονομικά προβλήματα των κατοίκων του Λονδίνου, όπως αυτά πήγαζαν μέσα από τα στοιχεία της θνησιμότητας της εποχής εκείνης, σε συνδυασμό και με άλλες κοινωνικοοικονομικές παραμέτρους. Η θεμελίωση της ιατρικής δημογραφίας όμως, έγινε στα μέσα του 19ου αιώνα από τον επίσης Άγγλο γιατρό W. Farr, ο οποίος, έχοντας την ιδιότητα του υπεύθυνου του κλάδου της βιοστατιστικής του ληξιαρχείου του Λονδίνου, κατόρθωσε να επικυρώσει την αλήθεια των καταγραφών για την υγεία του πληθυσμού, χρησιμοποιώντας τα δεδομένα για να ερμηνεύσει τα προβλήματα της δημόσιας υγιεινής. Ο Farr, ταξινόμησε τις αιτίες θανάτου, κατέστρωσε πρακτικούς πίνακες επιβίωσης, χρησιμοποίησε τα στοιχεία θνησιμότητας στην αιτιολογική επιδημιολογική έρευνα, και προέβαλλε την αδιάσειστη πραγματικότητα της υψηλής βρεφικής και νηπιακής θνησιμότητας σε συνάρτηση με δυσμενείς ιατρικούς και κοινωνικούς παράγοντες.

[medicus]

ΠΑΓΚΟΣΜΙΑ ΔΗΜΟΓΡΑΦΙΚΑ ΣΤΟΙΧΕΙΑ

Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος is an information visualization software for animation of statistics that was initially developed by Hans Rosling's Gapminder Foundation in Sweden. In March 2007 it was acquired by Google Inc. The current beta version is a Flash application that is preloaded with statistical and historical data about demographic informations of the countries of the world.

The information visualization technique is an interactive bubble chart.

By default it shows five variables: Two numeric variables on the X and Y axes, bubble size and colour, and a time variable that may be manipulated with a slider.

[medicus]

ΠΩΣ ΜΠΟΡΟΥΜΕ ΝΑ ΧΡΗΣΙΜΟΠΟΙΗΣΟΥΜΕ ΤΟ GAPMINDER ΣΤΟΝ ΥΠΟΛΟΓΙΣΤΗ ΜΑΣ, ΕΚΤΟΣ ΣΥΝΔΕΣΕΩΣ.

Με περισσότερους από 600 δημογραφικούς δείκτες, παγκοσμίου κλίμακος, και με δυναμική προβολή συναρτήσει του χρόνου, θεωρώ ότι μπορούμε να μιλάμε για έναν "γίγαντα" πληροφοριών ιδιαίτερα χρήσιμων σε ερευνητικό επίπεδο. Πέρα από τις έτοιμες "παρουσιάσεις", υπάρχει η δυνατότητα να κτίσουμε καινούριες με μοναδικό όριο τη φαντασία μας. Πραγματικά απολαυστικό!

Συγχαρητήρια στους συντελεστές του όλου έργου και μπράβο τους για την δωρεά παροχή τέτοιων υπηρεσιών.    

[medicus]

Δημιουργία, στο Excel, γραφικών τύπου "φυσαλίδας" με 4 μεταβλητές(η μία υποχρεωτικά χρονική).  

[Γ.Κτιστάκης]

Αναφορά κορυφαίων αποτελεσμάτων έρευνας για ιατρούς.
Μια αναλυτική έρευνα για την ενημέρωση βασικών στοιχείων προφίλ για περίπου 40.000 ιατρούς σε 30 διαφορετικές χώρες από τις περισσότερες ηπείρους. Ακολουθεί μια σύντομη σύνοψη των κορυφαίων αποτελεσμάτων στο επισυναπτόμενο.

[Argirios Argiriou]

Αναφορά κορυφαίων αποτελεσμάτων έρευνας για ιατρούς.
Μια αναλυτική έρευνα για την ενημέρωση βασικών στοιχείων προφίλ για περίπου 40.000 ιατρούς σε 30 διαφορετικές χώρες από τις περισσότερες ηπείρους. Ακολουθεί μια σύντομη σύνοψη των κορυφαίων αποτελεσμάτων στο επισυναπτόμενο.

Πολύ ενδιαφέρουσες οι στατιστικές του LeadPhysician, στο αρχείο που παρέθεσες Γιώργο. Ιδιαίτερα αυτή που λέει ότι ο μέσος όρος ασθενών ανά μήνα που βλέπουν οι Ιατροί στην Ελλάδα είναι λίγο πάνω από τους 200 (210/μήνα τους υπολογίζω από το γράφημα).

Άρα όταν έχει δει κανείς τους 200 ασθενείς τον μήνα του ΕΟΠΥΥ ας μην περιμένει και πολύ περισσότερους...

[Γ.Κτιστάκης]

Δεν γνωρίζω το δείγμα από Ελλάδα ποιο είναι. Πάντως επειδή συμμετείχα και εγώ σε αυτήν την έρευνα συμπληρώνοντας το ερωτηματολόγιο, έχω την εντύπωση (εάν θυμάμαι καλά) ότι αφορούσε παθολόγους και γενικούς ιατρούς. Έχω την εντύπωση ότι το δείγμα ήταν πολύ μικρό από Ελλάδα. Καλό θα ήταν να μας ενημέρωναν για τον αριθμό και το είδος του δείγματος από κάθε χώρα.

Για μένα ενδιαφέρον έχει ότι η συνταγογραφία στην Ελλάδα είναι 0,9 συνταγές  ανά ασθενή , με την Γερμάνια στο 0.7 ανά ασθενή. Ή εμείς δηλώσαμε πολλούς ασθενείς  ή δηλώσαμε πολύ λιγότερες συνταγές (που δεν το πιστεύω) σε σχέση με τους ασθενείς, ή είναι το πραγματικό μέγεθος αυτό που περιγράφεται .Από ότι θυμάμαι όμως το ερωτηματολόγιο ήταν έτσι δομημένο, που δεν είχες την δυνατότητα εύκολα να δηλώσεις υπερβολικά στοιχεία, γιατί είχε διασταυρούμενες ερωτήσεις, που εάν δεν ήσουν πολύ καλά προετοιμασμένος δεν μπορούσες να υπερβάλεις.

[medicus]

Γραμμική Διμεταβλητή Συσχέτιση(Linear Bivariate Correlation) και  ένα συνηθισμένο σφάλμα

Τόσο σε ιατρικά περιοδικά όσο και σε βιβλία περιλήψεων ιατρικών συνεδρίων συναντάμε πληθώρα ερευνητικών εργασιών με βάση τη μέθοδο της Γραμμικής Διμεταβλητής Συσχέτισης(ΓΔΣ).

Σε όλες αυτές τις εργασίες τα συμπεράσματα βασίζονται στον υπολογισμό των συντελεστών συσχέτισης Pearson, Spearman και Tau-b Kendall, με επίπεδο σημαντικότητας το 5% ή το 1%. Από στατιστικής πλευράς, αυτά τα αποτελέσματα στερούνται ακρίβειας ως προς το παρατηρούμενο επίπεδο στατιστικής σημαντικότητας. Οι πιθανότητες που το στατιστικό λογισμικό υπολογίζει είναι ψευδοπιθανότητες. Ο λόγος είναι απλός. Αυτές οι πιθανότητες έχουν προέλθει από τεστ τα οποία σχεδιάστηκαν να δοκιμάσουν μία και μόνο μία συσχέτιση ως προς τη σημαντικότητα και οπωσδήποτε δεν αντανακλούν τον αριθμό των συσχετίσεων που δοκιμάζονται. Έτσι ορισμένες συσχετίσεις ίσως φανούν, αρχικά, σημαντικές ενώ δεν είναι!!!

Πώς αντιμετωπίζουμε ένα τέτοιο πρόβλημα; Έχει προταθεί η μέθοδος Bonferroni για να υπερφαλαγγιστεί το ζήτημα των ψευδοπιθανοτήτων. Ωστόσο, η μέθοδος αυτή δεν είναι μαθηματικά ορθότερη. Πρόκειται για μια συντηρητική μέθοδο που εύκολα δημιουργεί σύγχυση, ειδικά όταν υπάρχει συσχέτιση ανάμεσα σε δύο μεταβλητές.

Γι'αυτό η μέθοδος του Bonferroni θα πρέπει ν'αντικαθίσταται, σχεδόν πάντοτε, από τη μέθοδο των Larzelere και Mulaik. 

[Denominator]

Γραμμική Διμεταβλητή Συσχέτιση(Linear Bivariate Correlation) και  ένα συνηθισμένο σφάλμα

Τόσο σε ιατρικά περιοδικά όσο και σε βιβλία περιλήψεων ιατρικών συνεδρίων συναντάμε πληθώρα ερευνητικών εργασιών με βάση τη μέθοδο της Γραμμικής Διμεταβλητής Συσχέτισης(ΓΔΣ).

Σε όλες αυτές τις εργασίες τα συμπεράσματα βασίζονται στον υπολογισμό των συντελεστών συσχέτισης Pearson, Spearman και Tau-b Kendall, με επίπεδο σημαντικότητας το 5% ή το 1%. Από στατιστικής πλευράς, αυτά τα αποτελέσματα στερούνται ακρίβειας ως προς το παρατηρούμενο επίπεδο στατιστικής σημαντικότητας. Οι πιθανότητες που το στατιστικό λογισμικό υπολογίζει είναι ψευδοπιθανότητες. Ο λόγος είναι απλός. Αυτές οι πιθανότητες έχουν προέλθει από τεστ τα οποία σχεδιάστηκαν να δοκιμάσουν μία και μόνο μία συσχέτιση ως προς τη σημαντικότητα και οπωσδήποτε δεν αντανακλούν τον αριθμό των συσχετίσεων που δοκιμάζονται. Έτσι ορισμένες συσχετίσεις ίσως φανούν, αρχικά, σημαντικές ενώ δεν είναι!!!

Πώς αντιμετωπίζουμε ένα τέτοιο πρόβλημα; Έχει προταθεί η μέθοδος Bonferroni για να υπερφαλαγγιστεί το ζήτημα των ψευδοπιθανοτήτων. Ωστόσο, η μέθοδος αυτή δεν είναι μαθηματικά ορθότερη. Πρόκειται για μια συντηρητική μέθοδο που εύκολα δημιουργεί σύγχυση, ειδικά όταν υπάρχει συσχέτιση ανάμεσα σε δύο μεταβλητές.

Γι'αυτό η μέθοδος του Bonferroni θα πρέπει ν'αντικαθίσταται, σχεδόν πάντοτε, από τη μέθοδο των Larzelere και Mulaik.  

Μπορούμε, αν είναι πολλές οι υπό έλεγχο μεταβλητές, μετά από ένα πρώτο βήμα ελέγχου των πιθανών συσχετίσεων με Spearman's ή Pearson's (ανάλογα με τον έλεγχο κανονικότητας και ομοιομορφίας κατανομών), να ελέγξουμε ΜΟΝΟ τα ζεύγη μεταβλητών που αποδεικνύουν στατιστική σημαντικότητα στην αρχική δοκιμασία, ως προς τις πρωτογενείς (αληθείς) συσχετίσεις, με το mixed effect model ή την πολλαπλή παλινδρόμηση (αν είναι όλες συνεχείς); Η απάντησή σου θα είναι πολύ χρήσιμη!

[medicus]

Γραμμική Διμεταβλητή Συσχέτιση(Linear Bivariate Correlation) και  ένα συνηθισμένο σφάλμα

Τόσο σε ιατρικά περιοδικά όσο και σε βιβλία περιλήψεων ιατρικών συνεδρίων συναντάμε πληθώρα ερευνητικών εργασιών με βάση τη μέθοδο της Γραμμικής Διμεταβλητής Συσχέτισης(ΓΔΣ).

Σε όλες αυτές τις εργασίες τα συμπεράσματα βασίζονται στον υπολογισμό των συντελεστών συσχέτισης Pearson, Spearman και Tau-b Kendall, με επίπεδο σημαντικότητας το 5% ή το 1%. Από στατιστικής πλευράς, αυτά τα αποτελέσματα στερούνται ακρίβειας ως προς το παρατηρούμενο επίπεδο στατιστικής σημαντικότητας. Οι πιθανότητες που το στατιστικό λογισμικό υπολογίζει είναι ψευδοπιθανότητες. Ο λόγος είναι απλός. Αυτές οι πιθανότητες έχουν προέλθει από τεστ τα οποία σχεδιάστηκαν να δοκιμάσουν μία και μόνο μία συσχέτιση ως προς τη σημαντικότητα και οπωσδήποτε δεν αντανακλούν τον αριθμό των συσχετίσεων που δοκιμάζονται. Έτσι ορισμένες συσχετίσεις ίσως φανούν, αρχικά, σημαντικές ενώ δεν είναι!!!

Πώς αντιμετωπίζουμε ένα τέτοιο πρόβλημα; Έχει προταθεί η μέθοδος Bonferroni για να υπερφαλαγγιστεί το ζήτημα των ψευδοπιθανοτήτων. Ωστόσο, η μέθοδος αυτή δεν είναι μαθηματικά ορθότερη. Πρόκειται για μια συντηρητική μέθοδο που εύκολα δημιουργεί σύγχυση, ειδικά όταν υπάρχει συσχέτιση ανάμεσα σε δύο μεταβλητές.

Γι'αυτό η μέθοδος του Bonferroni θα πρέπει ν'αντικαθίσταται, σχεδόν πάντοτε, από τη μέθοδο των Larzelere και Mulaik.  

Μπορούμε, αν είναι πολλές οι υπό έλεγχο μεταβλητές, μετά από ένα πρώτο βήμα ελέγχου των πιθανών συσχετίσεων με Spearman's ή Pearson's (ανάλογα με τον έλεγχο κανονικότητας και ομοιομορφίας κατανομών), να ελέγξουμε ΜΟΝΟ τα ζεύγη μεταβλητών που αποδεικνύουν στατιστική σημαντικότητα στην αρχική δοκιμασία, ως προς τις πρωτογενείς (αληθείς) συσχετίσεις, με το mixed effect model ή την πολλαπλή παλινδρόμηση (αν είναι όλες συνεχείς); Η απάντησή σου θα είναι πολύ χρήσιμη!

Καλημέρα,

Βασίλη η ερώτησή σου είναι όχι μόνο εύστοχη αλλά και τεράστιας πρακτικής αξίας. Πράγματι το "mixed effect model" και η "πολλαπλή παλινδρόμηση" υπόσχονται πολλά αλλά απαιτούν ακόμη περισσότερα. Οι απαιτούμενες παραδοχές για να εκτελέσουμε μία παλινδρομική ανάλυση(όλων των τύπων) είναι αρκετά "ανυποχώρητες", σε μαθηματικό επίπεδο. Δεν μπορούμε δηλαδή να κινηθούμε με άνεση και τα αποτελέσματα των αναλύσεων επηρεάζονται δραματικά ακόμη και με την ελάχιστη αυθαιρεσία μας.

Όπως, πολύ εύστοχα, διευκρίνισες το πρώτο πράγμα που προσέχουμε είναι το είδος των υπό μελέτη μεταβλητών(συνεχείς ή μη). Αυτό όμως είναι η κορυφή του παγόβουνου. Ακολουθούν πολλές και πολύπλοκες ακόμη παραδοχές, οι οποίες απαιτούν από τον ερευνητή ιδιαίτερη προσοχή και πολλές, μα πάρα πολλές, ώρες μελέτης και ανάλυσης προκειμένου να "ισορροπήσει", αρχικά, τα δεδομένα μίας μελέτης και μετά να τ'αναλύσει. Θα αναφέρω, επιγραμματικά, μερικές από τις απαιτούμενες παραδοχές:
- είδος δεδομένων.
- Ανεξαρτησία παρατηρήσεων.
- Κανονικότητα.
- Ισότητα διασπορών.
- Γραμμικότητα.
- Ακραίες τιμές.
- Κατανομή υποπληθυσμών μεταβλητής Υ για κάθε τιμή του Χ.
- Πιθανοθεωρητική τυχαιότητα του δείγματος.
- Σχέση δείγματος-ανεξάρτητων μεταβλητών.

Το ξέρεις καλύτερα από εμένα ότι οι εργασίες που παρουσιάζονται σε συνέδρια, περιοδικά αλλά και διατριβές, στην συντριπτική τους πλειοψηφία απέχουν από το παραπάνω ερευνητικό μοντέλο. Και αυτό ακριβώς ήθελα να επισημάνω με την παράθεσή μου. Ένας που γνωρίζει τη ύπαρξη και την χρήση αναλυτικών βιοστατιστικών μεθόδων(όπως εσύ) σίγουρα "σέβεται" το έργο του και η έρευνά του καλύπτει, επιστημονικά, και τον πιο απαιτητικό αναγνώστη. Δυστυχώς, όμως, η βιασύνη τού να γίνει κάποιος "καθηγητής" ή "ακόλουθος" καθηγητή ή το να λάβει τον τίτλο του διδάκτορα ή απλά να παρουσιάσει μία εργασία σε ένα συνέδριο ή να τη δημοσιεύσει σ'ένα περιοδικό μας έχει οδηγήσει σε ένα τελείως αντιεπιστημονικό αποτέλεσμα μυριάδων εργασιών χωρίς ουσία και νόημα.

Γι'αυτό πρότεινα την μέθοδο των Larzelere και Mulaik, η οποία παρότι δεν εξαντλεί τις προαπαιτούμενες παραδοχές μίας πολυμεταβλητής ανάλυσης, λειτουργεί όμως ως τροχοπέδη στις φιλοδοξίες μας. Από εκεί και ύστερα σίγουρα ο μελετητής-αναλυτής θα μάθει να σέβεται περισσότερο το έργο του και την επιστήμη την οποία πρεσβεύει. Ή τουλάχιστον δεν θα έχει πλέον την πεποίθηση ότι με ένα SPSS ή Excel.Stats μπορεί να ολοκληρώσει μία έρευνα απλά με ένα "copy-paste".

Γιατί από το "copy" του SPSS στο "paste" του Word ή του PowerPoint υπάρχει ένα φίλτρο που αποτελείται από ατέλειωτες ώρες σκέψης, μελέτης εγχειριδίων, χαρτί και μολύβι, αλλά πάνω απ'όλα την ίδια την ψυχή του ερευνητή που δίνει ζωή στους αριθμούς. Και εκεί ακριβώς είναι η ομορφιά της έρευνας, όχι στο αποτέλεσμα ή στο χειροκρότημα ή στον εκάστοτε τίτλο.

Καλά Χριστούγεννα σε όλες και όλους...!!!

     

[Denominator]

Medicus, το ευχαριστώ είναι λίγο!
Καλά Χριστούγεννα και σε σένα!

[medicus]

Δεν είναι ορατοί οι σύνδεσμοι (links). Εγγραφή ή Είσοδος, σε παγκόσμιο επίπεδο, του αριθμού των ιατρών ανά 10.000 κατοίκους και της μέσης ετήσιας, κατά κεφαλή, δημόσιας δαπάνης υγειονομικής περίθαλψης.