Forum Πρωτοβάθμιας Φροντίδας Υγείας
ΠΦΥ -Εκπαίδευση => Συζητήσεις πάνω σε ιατρικά θέματα => Μήνυμα ξεκίνησε από: medicus στις 3 Οκτωβρίου 2011, 19:31:32
-
Eur J Epidemiol. 2011 Jun;26(6):433-8
Estimating measures of interaction on an additive scale for preventive exposures.
Knol MJ, VanderWeele TJ, Groenwold RH, Klungel OH, Rovers MM, Grobbee DE.
Source
Julius Center for Health Sciences and Primary Care, University Medical Center Utrecht, GA, Utrecht, The Netherlands. m.j.knol@umcutrecht.nl
Abstract
Measures of interaction on an additive scale (relative excess risk due to interaction (RERI), attributable proportion (AP), synergy index (S)), were developed for risk factors rather than preventive factors. It has been suggested that preventive factors should be recoded to risk factors before calculating these measures. We aimed to show that these measures are problematic with preventive factors prior to recoding, and to clarify the recoding method to be used to circumvent these problems. Recoding of preventive factors should be done such that the stratum with the lowest risk becomes the reference category when both factors are considered jointly (rather than one at a time). We used data from a case-control study on the interaction between ACE inhibitors and the ACE gene on incident diabetes. Use of ACE inhibitors was a preventive factor and DD ACE genotype was a risk factor. Before recoding, the RERI, AP and S showed inconsistent results (RERI = 0.26 [95%CI: -0.30; 0.82], AP = 0.30 [95%CI: -0.28; 0.88], S = 0.35 [95%CI: 0.02; 7.38]), with the first two measures suggesting positive interaction and the third negative interaction. After recoding the use of ACE inhibitors, they showed consistent results (RERI = -0.37 [95%CI: -1.23; 0.49], AP = -0.29 [95%CI: -0.98; 0.40], S = 0.43 [95%CI: 0.07; 2.60]), all indicating negative interaction. Preventive factors should not be used to calculate measures of interaction on an additive scale without recoding.
-
Μία γρήγορη επανάληψη των βασικών εννοιών της στατιστικής.
-
Κεντρικό Οριακό Θεώρημα: το άθροισμα και -επομένως- η μέση τιμή, μεγάλου αριθμού ανεξάρτητων παρατηρήσεων, ακολουθεί κατά προσέγγιση κανονική κατανομή, ανεξαρτήτως από το ποια κατανομή ακολουθούν οι παρατηρήσεις.
Πώς, όμως, αυτό το αποτέλεσμα ερμηνεύει τη μεγάλη εφαρμοσιμότητα της κανονικής κατανομής;
Σε πολλά φαινόμενα και πειράματα, οι τιμές διαφόρων χαρακτηριστικών (μεταβλητών), είναι αποτέλεσμα αθροιστικής επίδρασης πολλών ανεξάρτητων αιτίων-παραγόντων κανένα από τα οποία δεν υπερισχύει των άλλων. Για παράδειγμα, ο χρόνος αναμονής σε μια ουρά, είναι αποτέλεσμα πολλών παραγόντων, όπως, η ημέρα της εβδομάδας, η ώρα της ημέρας, η αποτελεσματικότητα του υπαλλήλου, το είδος της συναλλαγής που διεκπεραιώνεται, κ.ά. Επίσης, το βάρος των ζώων μιας κτηνοτροφικής μονάδας, οφείλεται σύμφωνα με τους ειδικούς, σε πληθώρα παραγόντων όπως, η ατομικότητα του ζώου, η φυλή, το γένος, οι συνθήκες διατροφής κ.ά.
Καθένας από τους παράγοντες αυτούς επιφέρει ένα θετικό ή αρνητικό αποτέλεσμα και όλοι μαζί αθροιστικά συντελούν στη διαμόρφωση του τελικού αποτελέσματος. Τέτοια χαρακτηριστικά (μεταβλητές), εμφανίζονται σε πολλά φαινόμενα και πειράματα. Το Κεντρικό Οριακό Θεώρημα λεει ότι αυτά ακριβώς τα χαρακτηριστικά περιγράφονται ικανοποιητικά από την κανονική κατανομή. Επιπλέον, το Κεντρικό Οριακό Θεώρημα συνδέει την κανονική κατανομή με οποιαδήποτε άλλη κατανομή (αφού δεν προϋποθέτει να ακολουθούν οι παρατηρήσεις την κανονική κατανομή), γεγονός το οποίο, απαντάει, επίσης, στο ερώτημα, γιατί η κανονική κατανομή βρίσκει εφαρμογή σε μεγάλο πλήθος φαινομένων και πειραμάτων.
-
Effect Size Calculators
http://www.uccs.edu/~faculty/lbecker/ (http://www.uccs.edu/~faculty/lbecker/)
-
Statistical Graphics
-
Odds ratio versus relative risk
Both the odds ratio and the relative risk compare the likelihood of an event between two groups. Consider the following data on survival of passengers on the Titanic. There were 462 female passengers: 308 survived and 154 died. There were 851 male passengers: 142 survived and 709 died (see table below).
Alive Dead Total
Female 308 154 462
Male 142 709 851
Total 450 863 1,313
Clearly, a male passenger on the Titanic was more likely to die than a female passenger. But how much more likely? You can compute the odds ratio or the relative risk to answer this question.
The odds ratio compares the relative odds of death in each group. For females, the odds were exactly 2 to 1 against dying (154/308=0.5). For males, the odds were almost 5 to 1 in favor of death (709/142=4.993). The odds ratio is 9.986 (4.993/0.5). There is a ten fold greater odds of death for males than for females.
The relative risk (sometimes called the risk ratio) compares the probability of death in each group rather than the odds. For females, the probability of death is 33% (154/462=0.3333). For males, the probability is 83% (709/851=0.8331). The relative risk of death is 2.5 (0.8331/0.3333). There is a 2.5 greater probability of death for males than for females.
There is quite a difference. Both measurements show that men were more likely to die. But the odds ratio implies that men are much worse off than the relative risk. Which number is a fairer comparison?
There are three issues here: The relative risk measures events in a way that is interpretable and consistent with the way people really think. The relative risk, though, cannot always be computed in a research design. Also, the relative risk can sometimes lead to ambiguous and confusing situations. But first, we need to remember that fractions are funny.
Fractions are funny.
Suppose you invested money in a stock. On the first day, the value of the stock decreased by 20%. On the second day it increased by 20%. You would think that you have broken even, but that's not true.
Take the value of the stock and multiply by 0.8 to get the price after the first day. Then multiply by 1.2 to get the price after the second day. The successive multiplications do not cancel out because 0.8 * 1.2 = 0.96. A 20% decrease followed by a 20% increase leaves you slightly worse off.
It turns out that to counteract a 20% decrease, you need a 25% increase. That is because 0.8 and 1.25 are reciprocal. This is easier to see if you express them as simple fractions: 4/5 and 5/4 are reciprocal fractions. Listed below is a table of common reciprocal fractions.
0.8 (4/5) 1.25 (5/4)
0.75 (3/4) 1.33 (4/3)
0.67 (2/3) 1.50 (3/2)
0.50 (1/2) 2.00 (2/1)
Sometimes when we are comparing two groups, we'll put the first group in the numerator and the other in the denominator. Sometimes we will reverse ourselves and put the second group in the numerator. The numbers may look quite different (e.g., 0.67 and 1.5) but as long as you remember what the reciprocal fraction is, you shouldn't get too confused.
For example, we computed 2.5 as the relative risk in the example above. In this calculation we divided the male probability by the female probability. If we had divided the female probability by the male probability, we would have gotten a relative risk of 0.4. This is fine because 0.4 (2/5) and 2.5 (5/2) are reciprocal fractions.
Interpretability
The most commonly cited advantage of the relative risk over the odds ratio is that the former is the more natural interpretation.
The relative risk comes closer to what most people think of when they compare the relative likelihood of events. Suppose there are two groups, one with a 25% chance of mortality and the other with a 50% chance of mortality. Most people would say that the latter group has it twice as bad. But the odds ratio is 3, which seems too big. The latter odds are even (1 to 1) and the former odds are 3 to 1 against.
Even more extreme examples are possible. A change from 25% to 75% mortality represents a relative risk of 3, but an odds ratio of 9.
A change from 10% to 90% mortality represents a relative risk of 9 but an odds ratio of 81.
There are some additional issues about interpretability that are beyond the scope of this paper. In particular, both the odds ratio and the relative risk are computed by division and are relative measures. In contrast, absolute measures, computed as a difference rather than a ratio, produce estimates with quite different interpretations (Fahey et al 1995, Naylor et al 1992).
Designs that rule out the use of the relative risk
Some research designs, particularly the case-control design, prevent you from computing a relative risk. A case-control design involves the selection of research subjects on the basis of the outcome measurement rather than on the basis of the exposure.
Consider a case-control study of prostate cancer risk and male pattern balding. The goal of this research was to examine whether men with certain hair patterns were at greater risk of prostate cancer. In that study, roughly equal numbers of prostate cancer patients and controls were selected. Among the cancer patients, 72 out of 129 had either vertex or frontal baldness compared to 82 out of 139 among the controls (see table below).
Cancer cases Controls Total
Balding 72 82 154
Hairy 55 57 112
Total 129 139 268
In this type of study, you can estimate the probability of balding for cancer patients, but you can't calculate the probability of cancer for bald patients. The prevalence of prostate cancer was artificially inflated to almost 50% by the nature of the case-control design.
So you would need additional information or a different type of research design to estimate the relative risk of prostate cancer for patients with different types of male pattern balding. Contrast this with data from a cohort study of male physicians (Lotufo et al 2000). In this study of the association between male pattern baldness and coronary heart disease, the researchers could estimate relative risks, since 1,446 physicians had coronary heart disease events during the 11-year follow-up period.
For example, among the 8,159 doctors with hair, 548 (6.7%) developed coronary heart disease during the 11 years of the study. Among the 1,351 doctors with severe vertex balding, 127 (9.4%) developed coronary heart disease (see table below). The relative risk is 1.4 = 9.4% / 6.7%.
Heart disease Healthy Total
Balding 127 (9.4%) 1,224 (90.6%) 1,351
Hairy 548 (6.7%) 7,611 (93.3%) 8,159
Total 675 8,835 9,510
You can always calculate and interpret the odds ratio in a case control study. It has a reasonable interpretation as long as the outcome event is rare (Breslow and Day 1980, page 70). The interpretation of the odds ratio in a case-control design is, however, also dependent on how the controls were recruited (Pearce 1993).
Another situation which calls for the use of odds ratio is covariate adjustment. It is easy to adjust an odds ratio for confounding variables; the adjustments for a relative risk are much trickier.
In a study on the likelihood of pregnancy among people with epilepsy (Schupf and Ottman 1994), 232 out of 586 males with idiopathic/cryptogenic epilepsy had fathered one or more children. In the control group, the respective counts were 79 out of 109 (see table below).
Children No children Total
Epilepsy 232 (40%) 354 (60%) 586
Control 79 (72%) 30 (28%) 109
Total 311 384 695
The simple relative risk is 0.55 and the simple odds ratio is 0.25. Clearly the probability of fathering a child is strongly dependent on a variety of demographic variables, especially age (the issue of marital status was dealt with by a separate analysis). The control group was 8.4 years older on average (43.5 years versus 35.1), showing the need to adjust for this variable. With a multivariate logistic regression model that included age, education, ethnicity and sibship size, the adjusted odds ratio for epilepsy status was 0.36. Although this ratio was closer to 1.0 than the crude odds ratio, it was still highly significant. A comparable adjusted relative risk would be more difficult to compute (although it can be done as in Lotufo et al 2000).
Ambiguous and confusing situations
The relative risk can sometimes produce ambiguous and confusing situations. Part of this is due to the fact that relative measurements are often counter-intuitive. Consider an interesting case of relative comparison that comes from a puzzle on the Car Talk radio show. You have a hundred pound sack of potatoes. Let's assume that these potatoes are 99% water. That means 99 parts water and 1 part potato. These are soggier potatoes than I am used to seeing, but it makes the problem more interesting.
If you dried out the potatoes completely, they would only weigh one pound. But let's suppose you only wanted to dry out the potatoes partially, until they were 98% water. How much would they weigh then?
The counter-intuitive answer is 50 pounds. 98% water means 49 parts water and 1 part potato. An alternative way of thinking about the problem is that in order to double the concentration of potato (from 1% to 2%), you have to remove about half of the water.
Relative risks have the same sort of counter-intuitive behavior. A small relative change in the probability of a common event's occurrence can be associated with a large relative change in the opposite probability (the probability of the event not occurring).
Consider a recent study on physician recommendations for patients with chest pain (Schulman et al 1999). This study found that when doctors viewed videotape of hypothetical patients, race and sex influenced their recommendations. One of the findings was that doctors were more likely to recommend cardiac catheterization for men than for women. 326 out of 360 (90.6%) doctors viewing the videotape of male hypothetical patients recommended cardiac catheterization, while only 305 out of 360 (84.7%) of the doctors who viewed tapes of female hypothetical patients made this recommendation.
No cath Cath Total
Male patient 34 (9.4%) 326 (90.6%) 360
Female patient 55 (15.3%) 305 (84.7%) 360
Total 89 631 720
The odds ratio is either 0.57 or 1.74, depending on which group you place in the numerator. The authors reported the odds ratio in the original paper and concluded that physicians make different recommendations for male patients than for female patients.
A critique of this study (Schwarz et al 1999) noted among other things that the odds ratio overstated the effect, and that the relative risk was only 0.93 (reciprocal 1.07). In this study, however, it is not entirely clear that 0.93 is the appropriate risk ratio. Since 0.93 is so much closer to 1 and 0.57, the critics claimed that the odds ratio overstated the tendency for physicians to make different recommendations for male and female patients.
Although the relative change from 90.6% to 84.7% is modest, consider the opposite perspective. The rates for recommending a less aggressive intervention than catheterization was 15.3% for doctors viewing the female patients and 9.4% for doctors viewing the male patients, a relative risk of 1.63 (reciprocal 0.61).
This is the same thing that we just saw in the Car Talk puzzler: a small relative change in the water content implies a large relative change in the potato content. In the physician recommendation study, a small relative change in the probability of a recommendation in favor of catheterization corresponds to a large relative change in the probability of recommending against catheterization.
Thus, for every problem, there are two possible ways to compute relative risk. Sometimes, it is obvious which relative risk is appropriate. For the Titanic passengers, the appropriate risk is for death rather than survival. But what about a breast feeding study. Are we trying to measure how much an intervention increases the probability of breast feeding success or are we trying to see how much the intervention decreases the probability of breast feeding failure? For example, Deeks 1998 expresses concern about an odds ratio calculation in a study aimed at increasing the duration of breast feeding. At three months, 32/51 (63%) of the mothers in the treatment group had stopped breast feeding compared to 52/57 (91%) in the control group.
Continued bf Stopped bf Total
Treatment 19 (37.3%) 32 (62.7%) 51
Control 5 (8.8%) 52 (91.2%) 57
Total 24 84 108
While the relative risk of 0.69 (reciprocal 1.45) for this data is much less extreme than the odds ratio of 0.16 (reciprocal 6.2), one has to wonder why Deeks chose to compare probabilities of breast feeding failures rather than successes. The rate of successful breast feeding at three months was 4.2 times higher in the treatment group than the control group. This is still not as extreme as the odds ratio; the odds ratio for successful breast feeding is 6.25, which is simply the inverse of the odds ratio for breast feeding failure.
One advantage of the odds ratio is that it is not dependent on whether we focus on the event's occurrence or its failure to occur. If the odds ratio for an event deviates substantially from 1.0, the odds ratio for the event's failure to occur will also deviate substantially from 1.0, though in the opposite direction.
Summary
Both the odds ratio and the relative risk compare the relative likelihood of an event occurring between two distinct groups. The relative risk is easier to interpret and consistent with the general intuition. Some designs, however, prevent the calculation of the relative risk. Also there is some ambiguity as to which relative risk you are comparing. When you are reading research that summarizes the data using odds ratios, or relative risks, you need to be aware of the limitations of both of these measures.
Bibliography
When can odds ratios mislead? Odds ratios should be used only in case-control studies and logistic regression analyses [letter]. Deeks J. British Medical Journal 1998:317(7166);1155-6; discussion 1156-7.
Evidence-based purchasing: understanding results of clinical trials and systematic reviews. Fahey T, Griffiths S and Peters TJ. British Medical Journal 1995:311(7012);1056-9; discussion 1059-60.
Interpretation and Choice of Effect Measures in Epidemiologic Analyses. Greenland S. American Journal of Epidemiology 1987:125(5);761-767.
Male Pattern Baldness and Coronary Heart Disease: The Physician's Health Study. Lotufo PA. Archives of Internal Medicine 2000:160(165-171.
Measured Enthusiasm: Does the Method of Reporting Trial Results Alter Perceptions of Therapeutic Effectiveness? Naylor C, Chen E and Strauss B. American College of Physicians 1992:117(11);916-21.
What Does the Odds Ratio Estimate in a Case-Control Study? Pearce N. Int J Epidemiol 1993:22(6);1189-92.
Likelihood of Pregnancy in Individuals with Idiopathic/Cryptogenic Epilepsy: Social and Biologic Influences. Schupf N. Epilepsia 1994:35(4);750-756.
A Haircut in Horse Town: And Other Great Car Talk Puzzlers. (1999) Tom Magliozzi, Ray Magliozzi, Douglas Berman. New York NY: Berkley Publishing Group.
-
-
-
-
Το Epi Info είναι ένα πολύ ισχυρό ηλεκτρονικό εργαλείο, για όσους ασχολούνται με επιδημιολογικές μελέτες.
-
Comparison of statistical packages
http://en.wikipedia.org/wiki/Comparison_of_statistical_packages (http://en.wikipedia.org/wiki/Comparison_of_statistical_packages)
-
Μία κατανοητή και αρκετά παραστατική παρουσίαση της ΑΝΑΛΥΣΗΣ ΣΕ ΚΥΡΙΕΣ ΣΥΝΙΣΤΩΣΕΣ(Principal Components Analysis).
Η PCA είναι μία βασική μέθοδος της Πολυμεταβλητής Στατιστικής Ανάλυσης, η οποία αποσκοπεί στην εύρεση γραμμικών συνδυασμών των αρχικών δεδομένων έτσι ώστε η πληροφορία να μη χάνεται αλλά οι νέες μεταβλητές, οι συνιστώσες, να είναι ασυσχέτιστες μεταξύ τους.
Η μέθοδος ουσιαστικά ερμηνεύει τις συσχετίσεις ανάμεσα στις αρχικές μεταβλητές, μειώνει τις διαστάσεις του αρχικού προβλήματος και επιτρέπει απλή ερμηνεία με τη δημιουργία απλών γραφημάτων, που όμως επιτρέπουν, με τη σειρά τους, την αποκάλυψη ενδιαφερουσών σχέσεων στα δεδομένα μας.
Τα περισσότερα "σοβαρά" βιοστατιστικά ηλεκτρονικά πακέτα διαθέτουν, πλέον, στη φαρέτρα τους πλήρη γκάμα γραφικών και παραλλαγών της συγκεκριμένης μεθόδου. H PCA έχει χρησιμοποιηθεί, τις προηγούμενες τρεις δεκαετίες, με απόλυτη επιτυχία στις κοινωνικές επιστήμες και ήδη έχει αρχίσει να "κατακτά" και τον ιατρικό χώρο.
Είναι αρκετά σημαντική, ίσως η πιο σημαντική, μέθοδος που "παντρεύει" την φυσιοπαθολογία με την ψυχοπαθολογία και της δίνει μαθηματική υπόσταση, έτσι ώστε να αποκαλύψει νέες διαγνωστικές, θεραπευτικές και προληπτικές μεθόδους στο χώρο της υγείας.
-
-
Measures of Effect Size of an Intervention
A key question needed to interpret the results of a clinical trial is whether the measured effect size is clinically important. Three commonly used measures of effect size are relative risk reduction (RRR), absolute risk reduction (ARR), and the number needed to treat (NNT) to prevent one bad outcome. These terms are defined below. The material in this section is adapted from Evidence-based medicine: How to practice and teach EBM by DL Sackett, WS Richardson, W Rosenberg and RB Haynes. 1997, New York: Churchill Livingston.
Consider the data from the Diabetes Control and Complications Trial (DCCT-Ann Intern Med 1995;122:561-8.). Neuropathy occurred in 9.6% of the usual care group and in 2.8% of the intensively treated group. These rates are sometimes referred to as risks by epidemiologists. For our purposes, risk can be thought of as the rate of some outcome.
Relative risk reduction
Relative risk measures how much the risk is reduced in the experimental group compared to a control group. For example, if 60% of the control group died and 30% of the treated group died, the treatment would have a relative risk reduction of 0.5 or 50% (the rate of death in the treated group is half of that in the control group).
The formula for computing relative risk reduction is: (CER - EER)/CER. CER is the control group event rate and EER is the experimental group event rate. Using the DCCT data, this would work out to (0.096 - 0.028)/0.096 = 0.71 or 71%. This means that neuropathy was reduced by 71% in the intensive treatment group compared with the usual care group.
One problem with the relative risk measure is that without knowing the level of risk in the control group, one cannot assess the effect size in the treatment group. Treatments with very large relative risk reductions may have a small effect in conditions where the control group has a very low bad outcome rate. On the other hand, modest relative risk reductions can assume major clinical importance if the baseline (control) rate of bad outcomes is large.
Absolute risk reduction
Absolute risk reduction is just the absolute difference in outcome rates between the control and treatment groups: CER - EER. The absolute risk reduction does not involve an explicit comparison to the control group as in the relative risk reduction and thus, does not confound the effect size with the baseline risk. However, it is a less intuitve measure to interpret.
For the DCCT data, the absolute risk reduction for neuropathy would be (0.096 - 0.028) = 0.068 or 6.8%. This means that for every 100 patients enrolled in the intensive treatment group, about seven bad outcomes would be averted.
Number needed to treat
The number needed to treat is basically another way to express the absolute risk reduction. It is just 1/ARR and can be thought of as the number of patients that would need to be treated to prevent one additional bad outcome. For the DCCT data, NNT = 1/.068 = 14.7. Thus, for every 15 patients treated with intensive therapy, one case of neuropathy would be prevented.
The NNT concept has been gaining in popularity because of its simplicity to compute and its ease of interpretion. NNT data are especially useful in comparing the results of multiple clinical trials in which the relative effectiveness of the treatments are readily apparent. For example, the NNT to prevent stroke by treating patients with very high blood pressures (DBP 115-129) is only 3 but rises to 128 for patients with less severe hypertension (DBP 90-109).
-
ΠΡΟΣΩΠΑ ΤΟΥ CHERNOFF
Είναι γραφήµατα που η κάθε παρατήρηση απεικονίζεται σαν πρόσωπο. Κάθε µεταβλητή καθορίζει ένα συγκεκριµένο χαρακτηριστικό του προσώπου. Είναι από τους αποτελεσματικότερους τρόπους για ν'απεικονίσει κανείς πολυμεταβλητά δεδομένα. Μπορεί να είναι στατική ή και δυναμική η απεικόνιση, δίνοντας έτσι τη δυνατότητα μελέτης και της μεταβλητής του χρόνου.
Η συγκεκριμένη μέθοδος είναι διαδεδοµένη στις κοινωνικές επιστήµες και την ψυχολογία. Από πολλούς επιδημιολόγους θεωρείται ένα πολύ σημαντικό εργαλείο γραφικής απεικόνισης, ιδιαίτερα στο χώρο της πρωτοβάθμιας υγείας και στην ιστολογική διερεύνηση της φυσιοπαθολογίας.
(http://kspark.kaist.ac.kr/Human%20Engineering.files/Chernoff/life_in_LA.jpg)
(http://www.matthewmaenner.com/blog/wp-content/uploads/2011/07/msn-chernoff-weather.png)
-
-
Υπολογισμός (http://www.raosoft.com/samplesize.html) τελικού μεγέθους δείγματος για την εκτίμηση ποσοστού.
(http://www.skstatservices.com/images/sample_size_estimation.jpg)
-
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.
(http://scm-l3.technorati.com/12/03/16/65915/medical-statistics-image.jpg?t=20120316124534)
-
-
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.
-
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.
(http://www.cdc.gov/mmwr/preview/mmwrhtml/figures/su6001a2f3.gif)
(http://upload.wikimedia.org/wikipedia/commons/thumb/0/01/Gini_since_WWII.svg/640px-Gini_since_WWII.svg.png)
-
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.
(http://www.demography-lab.prd.uth.gr/DDAoG/edu/lessons/9_flies/c_l.jpg)
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.
-
Έχετε να προτείνετε κάποιο βιβλίο βιοστατιστικής, ελληνικό ή αγγλικό;
-
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............
-
Μία γρήγορη και αρκετά διασκεδαστική μέθοδος επιλογής στατιστικής δοκιμασίας, κατά τον σχεδιασμό μίας έρευνας.
-
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.
(http://www.medicine.ox.ac.uk/bandolier/booth/glossary/labbe.jpg)
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.
(http://www.springerimages.com/img/Images/BMC/MEDIUM_1471-2253-3-1-2.jpg)
(http://www.medicine.ox.ac.uk/bandolier/booth/alternat/AT022-1.gif)
-
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.
(https://docs.google.com/drawings/pub?id=1q9P6MqQTLeXq9PlcgYeoy1j0Q9StvTzv0sUT2Ladef8&w=960&h=720)
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.
-
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.
(http://www.blacktriangle.org/blog/archives/images/mmr.jpg)
(http://4.bp.blogspot.com/-FngCaA125Sc/TafvhXxZKhI/AAAAAAAAAC8/28G9MYtbsAU/s1600/Bradford-Hill.jpg)
-
Ένα απλό άρθρο που φιλοξένησε το BMJ σχετικά με το Logrank test (μέθοδος ανάλυσης καμπυλών επιβίωσης).
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC403858/pdf/bmj32801073.pdf (http://www.ncbi.nlm.nih.gov/pmc/articles/PMC403858/pdf/bmj32801073.pdf)
-
Practical Meta-Analysis Effect Size Calculator (http://Practical Meta-Analysis Effect Size Calculator)
(http://ars.els-cdn.com/content/image/1-s2.0-S0006320705002284-gr2.jpg)
-
Ένα πολύ εύχρηστο και πλήρους αξιοπιστίας λογισμικό (http://tuftscaes.org/meta_analyst/index.html) για μεταναλύσεις. Συν τοις άλλοις παρέχεται δωρεάν.
(http://www.seekbio.com/biotech/seekbioimages/201111/seekbio911222044.jpg)
-
ΔΗΜΟΓΡΑΦΙΚΕΣ ΕΦΑΡΜΟΓΕΣ
Μέσα από τις στατιστικές της κάθε χώρας σε βάθος χρόνου το "ρολόι" γεννήσεων και θανάτου (http://www.breathingearth.net/) 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.
(http://www.designup.com.au/wp-content/uploads/2012/03/earth-simulation-450x255.jpg)
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.
-
ΔΗΜΟΓΡΑΦΙΚΕΣ ΕΦΑΡΜΟΓΕΣ
Worldmapper (http://www.worldmapper.org/index.html) 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.
(http://blog-epi.grants.cancer.gov/wp-content/uploads/2012/08/iStock_World-Map-with-Diverse-Group-of-People.jpg)
-
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.
(http://clausvistesen.squarespace.com/storage/headers-for-entries/demography.jpg)
-
ΠΑΓΚΟΣΜΙΑ ΔΗΜΟΓΡΑΦΙΚΑ ΣΤΟΙΧΕΙΑ
"Gapminder" (http://www.gapminder.org/world/#$majorMode=map$is;shi=t;ly=2003;lb=f;il=t;fs=11;al=30;stl=f;st=f;nsl=t;se=t$wst;tts=C$ts;sp=5.59290322580644;ti=2011$zpv;v=0$inc_x;mmid=XCOORDS;iid=phAwcNAVuyj1jiMAkmq1iMg;by=const$inc_y;mmid=YCOORDS;iid=phAwcNAVuyj2tPLxKvvnNPA;by=const$inc_s;uniValue=8.21;iid=phAwcNAVuyj0XOoBL_n5tAQ;by=ind$inc_c;uniValue=255;gid=CATID0;by=grp$map_s;sma=49;smi=2.65$cd;bd=0$inds=;modified=75) 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.
(http://farm1.staticflickr.com/223/497625585_70c30b8ac1.jpg)
(http://lh5.ggpht.com/digivuZA/R_kkqKPbg8I/AAAAAAAAAus/wv267x5C8Uw/s800/Gapminder+world-1.jpg)
-
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.
-
Δημιουργία, στο Excel, γραφικών τύπου "φυσαλίδας" με 4 μεταβλητές(η μία υποχρεωτικά χρονική).
-
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.
-
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...
-
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.
-
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.
-
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!
-
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...!!!
(http://scienceblogs.com/seed/wp-content/blogs.dir/373/files/2012/04/i-50679217a1899454fbaa5e77860461ef-iStock_000002162688XSmall.jpg)
-
Medicus, το ευχαριστώ είναι λίγο!
Καλά Χριστούγεννα και σε σένα!
-
Γραφική απεικόνιση (http://static.guim.co.uk/sys-images/Guardian/Pix/maps_and_graphs/2010/4/21/1271869262668/Factfile-UK-health-map-003.jpg), σε παγκόσμιο επίπεδο, του αριθμού των ιατρών ανά 10.000 κατοίκους και της μέσης ετήσιας, κατά κεφαλή, δημόσιας δαπάνης υγειονομικής περίθαλψης.
-
Σεμινάρια Εφαρμοσμένης Στατιστικής
Εκμάθηση λογισμικού προγράμματος SPSS
Ελεύθερο λογισμικό - Online στατιστικές αναλύσεις
Σημειώσεις - βιβλία στατιστικής
www.bio-statistics.gr (http://www.bio-statistics.gr)
-
Μία γρήγορη παρουσίαση ενός από τα δημοφιλέστερα και καλύτερα λογισμικά για τον υπολογισμό της στατιστικής ισχύος και του μεγέθους δείγματος. Ήδη βρίσκεται στην 3η έκδοση και μπορείτε να το "κατεβάσετε" δωρεάν από εδώ (http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3/download-and-register).
-
ΓΙΑ ΠΟΙΟ ΛΟΓΟ ΔΕΝ ΕΙΝΑΙ ΚΑΤΑΛΛΗΛΗ Η ΧΡΗΣΗ ΤΟΥ ΣΤΑΤΙΣΤΙΚΟΥ ΚΡΙΤΗΡΙΟΥ T-TEST ΣΤΗ ΣΥΓΚΡΙΣΗ ΠΕΡΙΣΣΟΤΕΡΩΝ ΤΩΝ ΔΥΟ ΜΕΣΩΝ ΟΡΩΝ, ΑΛΛΑ ΘΑ ΠΡΕΠΕΙ ΟΠΩΣΔΗΠΟΤΕ ΝΑ ΧΡΗΣΙΜΟΠΟΙΗΣΟΥΜΕ ΤΗ ΔΙΑΔΙΚΑΣΙΑ ONE-WAY-ANOVA;
Η απάντηση βασίζεται στο λεγόμενο "πρόβλημα πολλαπλών συγκρίσεων". Πρόβλημα, δηλαδή, το οποίο παρουσιάζεται όταν κάνουμε επαναληπτική χρήση του t-test, χρησιμοποιώντας τους ίδιους μέσους όρους. Γιατί τότε, η πιθανότητα αυξάνει και κάποια στιγμή, μία ή περισσότερες συγκρίσεις θα μας βγουν ψευδώς στατιστικά σημαντικές.
Από τον κίνδυνο ενός τέτοιου σφάλματος μας προστατεύουν οι "πολλαπλών συγκρίσεων διαδικασίες", οι οποίες καταφέρνουν να τροποποιήσουν, να προσαρμόσουν και τελικά να αποδώσουν με αρκετά ασφαλέστερο τρόπο το αποτέλεσμα της μελέτης.
Οι σημαντικότερες και πιο χρήσιμες, στην ιατρική έρευνα, μέθοδοι πολλαπλών συγκρίσεων είναι οι: LSD, Bonferroni, Tukey HSD, Scheffe, Dunnett, Brown-Forsythe, Welch, Hochberg's GT2, Tamhane's T2, Dunnett's T3, Dunnett's C, R-E-G-W F και R-E-G-W Q. Η χρήση κάθε μίας από τις προαναφερθείσες μεθόδους εξαρτάται από την διαφοροποιητική δύναμη(power), τα σφάλματα τύπου Ι και ΙΙ καθώς και από τα μεγέθη, την ομοιογένεια, την παραδοχή της κανονικότητας και την ισότητα των διασπορών των υπό μελέτη δειγμάτων.
-
Μία γρήγορη και ολοκληρωμένη παρουσίαση (https://www.youtube.com/watch?v=eW9KnSRDyTk) της ΑΝΑΛΥΣΗΣ ΚΑΤΑ ΣΥΣΤΑΔΕΣ(CLUSTER ANALYSIS) με το λογισμικό SPSS.
Η ΑΝΑΛΥΣΗ ΚΑΤΑ ΣΥΣΤΑΔΕΣ είναι μία υπέροχη μέθοδος πολυπαραγοντικής ανάλυσης με τεράστιες προοπτικές. Δυστυχώς, ο ιατρικός κόσμος ή δεν την γνωρίζει καθόλου ή την θεωρεί ιδιαίτερα πολύπλοκη και χρονοβόρα έως και απρόσιτη. Πίσω όμως από την αρχική της εικόνα, η ΑΝΑΛΥΣΗ ΚΑΤΑ ΣΥΣΤΑΔΕΣ, διαθέτει ιδιαίτερα ευέλικτα και εύχρηστα εργαλεία. Συνδυάζει υψηλή ταχύτητα ανάλυσης, τελειότητα γραφικής οπτικοποίησης και τεράστιο εύρος εφαρμογής σε δεδομένα που συναντούμε γύρω μας καθημερινά(ευδιάκριτα ή μη) αλλά και σε δεδομένα που πηγάζουν από προσχεδιασμένες μελέτες.
(http://www.infostat.com.ar/uploads/image/Presentaci%C3%B3n1(3).png)
-
Cluster analysis χρησιμοποιείται πολύ στην εξελικτική βιολογία, ως στοχαστικό/πιθανοθεωρητικό μοντέλο. Ποιες θα μπορούσαν να είναι οι εφαρμογές της στην ιατρική με δυο λόγια;
-
Cluster analysis χρησιμοποιείται πολύ στην εξελικτική βιολογία, ως στοχαστικό/πιθανοθεωρητικό μοντέλο. Ποιες θα μπορούσαν να είναι οι εφαρμογές της στην ιατρική με δυο λόγια;
Καλημέρα και καλή Σαρακοστή.
Όπως πολύ σωστά αναφέρεις, το πιθανοθεωρητικό μοντέλο στην cluster analysis εφαρμόζει ιδανικά για επιστήμες όπως η βιολογία, παλαιοντολογία, οικονομία κ.α. Στην ιατρική, η συγκεκριμένη μέθοδος μπορεί να έχει διάφορα και διαφορετικά πεδία εφαρμογής. Μερικά παραδείγματα, όπως μου έρχονται στο νου, είναι:
ΑΚΤΙΝΟΔΙΑΓΝΩΣΤΙΚΗ: ομαδοποίηση "βασικών" διαγνωστικών δεικτών υπερηχογραφικής ή ακτινολογικής εξέτασης.
ΜΙΚΡΟΒΙΟΛΟΓΙΑ: ελαχιστοποίηση, σε μικρότερες και πιο συμπαγείς ομάδες, αιματολογικών-βιοχημικών δεικτών διαφόρων νοσολογικών οντοτήτων.
ΠΑΘΟΛΟΓΙΚΗ ΑΝΑΤΟΜΙΚΗ-ΚΥΤΤΑΡΟΛΟΓΙΑ: ανάπτυξη προγνωστικών μοντέλων ιστοπαθολογίας. Δυστυχώς, όσο και αν θέλουμε να το αρνηθούμε, η τελευταία ΣΗΜΑΝΤΙΚΗ και χωρίς ΙΔΙΑΙΤΕΡΟ ΚΟΣΤΟΣ cluster analysis, στον συγκεκριμένο τομέα, έγινε από τον Παπανικολάου με το Pap-test.
ΠΑΘΟΛΟΓΙΑ: ομαδοποίηση μεταβλητών σε πιο "σταθμισμένες" υπερ-μεταβλητές και τοποθέτησή τους, εν συνεχεία, σε πιο ευέλικτα επιδημιολογικά μοντέλα, τόσο συγχρονικών όσο και διαχρονικών μελετών. Με αυτό τον τρόπο θα αποφύγουμε μεγάλο μέρος των προβλημάτων που δημιουργούνται κατά την εφαρμογή μετα-αναλύσεων.
ΚΑΡΔΙΟΛΟΓΙΑ: ταξινόμηση των μη γραμμικών δυναμικών συστημάτων του ηλεκτροκαρδιογραφήματος, επί παραδείγματι, σε πιο ενιαία και εφαρμόσιμα, στην καθημερινή ιατρική πράξη, συστήματα με εν συνεχεία μοντελοποίησή τους από "μη γραμμικά δυναμικά" σε "περιοδικά".
ΠΡΩΤΟΒΑΘΜΙΑ ΥΓΕΙΑ: καλύτερη και ορθότερη ταξινόμηση-ομαδοποίηση των σημείων και των συμπτωμάτων με ταυτόχρονη ανάπτυξη της φυσικής εξέτασης και επανατοποθέτησή της σε προεξάρχουσα θέση στην διαγνωστική διαδικασία.
Τα παραδείγματα που ανέφερα δεν είναι ούτε τα πιο σημαντικά ούτε τα μοναδικά. Υπάρχουν πολλά και διαφορετικά ακόμη που μπορώ να αναπτύξω, καθώς και άλλα τόσα που δεν τα έχω καν φανταστεί. Το μόνο σίγουρο είναι ότι μέθοδοι σαν την cluster analysis έχουν σαν κύριο "καύσιμο" τους την φαντασία του ερευνητή.
-
Ευχαριστούμε πολύ!
-
ΣΤΑΤΙΣΤΙΚΑ ΤΕΣΤ ΣΥΓΚΡΙΣΗΣ ΚΑΜΠΥΛΩΝ ΕΠΙΒΙΩΣΗΣ, ΣΤΟ ΠΛΑΙΣΙΟ ΤΩΝ KAPLAN-MEIER ΣΤΑΤΙΣΤΙΚΩΝ ΜΟΝΤΕΛΩΝ
Για τον έλεγχο της διαφοράς, ανάμεσα σε δύο καμπύλες επιβίωσης, υπάρχουν 3 στατιστικά κριτήρια:
- κριτήριο Log rank ή των Mantel-Cox
- κριτήριο Breslow ή γενικευμένο κριτήριο Wilcoxon
- κριτήριο των Tarone-Ware.
Όταν "τρέχουμε" μία Kaplan-Meier ανάλυση, είναι χρήσιμο να επιλέγουμε και τα 3 προαναφερόμενα τεστ, έτσι ώστε να παρακολουθούμε ενδεχόμενες αποκλίσεις ανάμεσά τους. Ωστόσο υπάρχουν συνθήκες που κάτω από τις οποίες το ένα ή το άλλο τεστ είναι πιο δυναμικό.
Το Log Rank είναι πιο δυναμικό στις περιπτώσεις που ο ρυθμός τελικού συμβάντος για μια συγκεκριμένη ομάδα, από τις συγκρινόμενες, είναι περίπου ανάλογος(σταθερό πολλαπλάσιο) με εκείνον των άλλων ομάδων.
Αν η παραπάνω συνθήκη δεν ικανοποιείται, τότε είναι καλύτερο να χρησιμοποιούμε το κριτήριο του Breslow. Προσοχή όμως, όταν το ποσοστό των περικομμένων παρατηρήσεων(censored cases) είναι μεγάλο τότε η ισχύς του κριτηρίου του Breslow είναι πολύ μικρή.
Το κριτήριο των Tarone-Ware είναι παρόμοιο με αυτό του Breslow, με την μόνη διαφορά ότι τα πρώιμα συμβάντα, σε σχέση με τα ύστερα, δεν λαμβάνουν συγκριτικά τόσο μεγάλο συντελεστή βαρύτητας, όσο στου Breslow.
(http://www.medcalc.org/manual/_help/images/kmplot3.png)
-
Ένας διαδραστικός παγκόσμιος χάρτης (http://ec.europa.eu/eurostat/statistical-atlas/gis/viewer/) με οπτικοποιημένα στατιστικά δεδομένα. Μία εξαίρετη παρουσίαση, χρήσιμη για επιδημιολογικές μελέτες.
(http://2.bp.blogspot.com/-AAGoMssQ8Eg/UHa-wbx1vuI/AAAAAAAALMA/ZWqCnJNmvhA/s640/atl.PNG)
-
Why so many Correlation Coefficients?
Quantitiative X / Quantitative Y : Pearson r
Quantitiative X / Ordinal Y : Biserial rb
Quantitiative X / Nominal Y : Point Biserial rpb
Ordinal X / Quantitative Y : Biserial rb
Ordinal X / Ordinal Y : Spearman rho, Tetrachoric rtet
Ordinal X / Nominal Y : Rank Bisereal rrb
Nominal X / Quantitative Y : Point Biserial rpb
Nominal X / Ordinal Y : Rank Biserial rrb
Nominal X / Nominal Y : Phi, L, C, Lambda
(http://upload.wikimedia.org/wikipedia/commons/thumb/e/ec/Anscombe's_quartet_3.svg/325px-Anscombe's_quartet_3.svg.png)
-
ΜΕΘΟΔΟΣ MONTE CARLO
Ο υπολογισμός των ορίων εμπιστοσύνης των παραμέτρων κατανομής(περιθώριων ή εξαρτησιακών) και παράγωγων μεγεθών(π.χ. ποσοστημορίων κατανομής) είναι κρίσιμος για την εκτίμηση της αβεβαιότητας και της διακινδύνευσης. Ο αναλυτικός υπολογισμός είναι δυνατός μόνο σε λίγες περιπτώσεις.
Η προσομοίωση Monte Carlo είναι μια αριθμητική μέθοδος που δυνητικά μπορεί να υπολογίσει όρια εμπιστοσύνης χωρίς περιορισμούς. Ωστόσο, ακόμη και αυτή η μέθοδος δεν είναι τόσο άμεση, γενική και εύκολη στην εφαρμογή όπως φαίνεται. Οι υπάρχουσες άμεσες λύσεις είναι ακριβείς μόνο σε λίγες περιπτώσεις, ενώ αν εφαρμοστούν σε άλλες περιπτώσεις μπορεί να οδηγήσουν σε μεγάλα σφάλματα.
Η μέθοδος Monte Carlo πρωτοπαρουσιάστηκε από τους von Neumann, Ulam και Metropolis στο τέλος του δευτέρου παγκοσμίου πολέμου. Η βασική ιδέα της μεθόδου είναι ότι μπορούμε να αντικαταστήσουμε ένα ντετερμινιστικό πρόβλημα με ένα πιο απλό πιθανοκρατικό αντίστοιχο. Η ανάλυση προαπαιτεί την παραγωγή τυχαίων αριθμών. Όσο πιο «τυχαίοι» είναι αυτοί οι αριθμοί, τόσο καλύτερα – πιο κοντά στην πραγματικότητα – είναι και τα αποτελέσματα της ανάλυσης.
Η πρώτη μεγάλης κλίμακας εφαρμογή Monte Carlo προσομοιώσεων σε υπολογιστή έγινε το 1953 στο Los Alamos από τους Metropolis, Rosenbluth, Teller και Teller. Αν και η τεχνολογία των υπολογιστών έχει προχωρήσει σε ασύλληπτα επίπεδα από τότε, οι βασικές αρχές της εφαρμογής της μεθόδου δεν έχουν αλλάξει και πολύ. Στα χρόνια μας η μέθοδος βρίσκει εφαρμογή οπουδήποτε προκύπτει ο σκόπελος της εκθετικής υπολογιστικής πολυπλοκότητας και το υπό ανάλυση μοντέλο υπάγεται σε διαδικασίες κανονικής κατανομής και αναλύσεις με τυχαίους αριθμούς. Με σχετικά ολιγάριθμους υπολογισμούς(εφαρμογές της μεθόδου Monte Carlo) λαμβάνονται αποτελέσματα ανάλυσης που βρίσκονται εξαιρετικά κοντά στο πραγματικό. Όσο μεγαλύτερος ο αριθμός των τυχαίων πειραμάτων Monte Carlo, τόσο περισσότερο αυθεντικό είναι και το αποτέλεσμα. Συνεπώς, αναζητείται, κατά την ανάλυση, ένας συγκερασμός μεταξύ του αριθμού των πειραμάτων και της προσδοκούμενης ακρίβειας.
(http://adcats.et.byu.edu/Publication/91-1/pics/Image482.gif)
(http://www.fda.gov/ucm/groups/fdagov-public/documents/image/ucm074753.gif)
(http://www.christian-fries.de/osx/AppleScript/Generate%20Monte%20Carlo.jpg)
(http://ej.iop.org/images/0031-9155/57/11/R99/Full/pmb411597f3_online.jpg)
-
ΧΡΟΝΟΛΟΓΙΚΕΣ ΣΕΙΡΕΣ -TIME SERIES
Με τον όρο χρονολογικές σειρές ή χρονοσειρές εννοούμε παρατηρήσεις κατανεμημένες σε ίσα διαστήματα του χρόνου. Τρία στοιχεία διαδραματίζουν σημαντικότατο ρόλο στην ανάλυσή τους: η τάση(trend), η εποχικότητα(seasonality) και οι αυτοσυσχετίσεις(autocorrelations). Παρατηρώντας και αναλύοντας τα ποσοτικά δεδομένα του παρελθόντος μπορούμε μελετήσουμε τις "εσωτερικές" δομές του υπό μελέτη συστήματος ή/και να προβλέψουμε τη μελλοντική του συμπεριφορά.
Η στοχαστική αυτή διαδικασία χαρακτηρίζεται από την αξιοπιστία των αποτελεσμάτων της και την δυνατότητα εφαρμογής της σε πάσης φύσεως ποσοτικά δεδομένα. Στον τομέα της Υγείας οι εφαρμογές είναι ποικίλες όπως η προληπτική ιατρική, η κλινική δημογραφία, η νοσολογική και θεραπευτική πορεία κατ'άτομο ή κατ'ομάδα, το ηλεκτροκαρδιογράφημα, το εγκεφαλογράφημα και πολλές ακόμη.
Τα διάφορα μοντέλα μελέτης ή/και ανάλυσης απαιτούν σχετικά μεγάλο αριθμό δεδομένων(αν και υπάρχουν ειδικά μοντέλα για μικρό αριθμό δεδομένων) αλλά και εμπειρία από τον αναλυτή, προκειμένου να εξάγονται τα σωστά συμπεράσματα σε κάθε βήμα χτισίματός του. Ακολουθώντας τις αρχές και την θεωρία που τα διέπουν, κανένα μοντέλο δεν βγαίνει λάθος, όμως κάποια είναι καλύτερα από τα άλλα και αυτό εξαρτάται από την εμπειρία και παρατηρητικότητα του αναλυτή και αυτή είναι η ειδοποιός διαφορά που κάνει την πρόβλεψη ακριβέστερη.
Παραθέτω και ένα πολύ εύχρηστο και δωρεάν λογισμικό(Zaitun Time Series (http://www.zaitunsoftware.com/home)), για όσους θέλουν να ασχοληθούν με την μελέτη-ανάλυση δεδομένων χρησιμοποιώντας τη διαδικασία των "χρονολογικών σειρών". (http://www.zaitunsoftware.com/home)
(http://vismod.media.mit.edu/tech-reports/TR-483/img8.gif)
(http://origin-ars.els-cdn.com/content/image/1-s2.0-S0933365706001023-gr4.jpg)
-
Ποιο στατιστικό τεστ να επιλέξω και να εφαρμόσω στα στατιστικά προγράμματα SAS, Stata, SPSS και R; (http://www.ats.ucla.edu/stat/mult_pkg/whatstat/)
(http://www.editsmadeeasy.com/wp-content/uploads/2009/04/statistical-analysis-services.jpg)
-
Μερικές χρήσιμες στατιστικές εξισώσεις του Excel και πως λειτουργούν.
-
Μπεν Γκολντέικερ: Ενάντια στην κακή επιστήμη (πατήστε εδώ (http://www.ted.com/talks/ben_goldacre_battling_bad_science.html?source=facebook#.UfDpzKc2dNk.facebook) για να μεταβείτε στην παρουσίαση)
Καθημερινά ακούμε στις ειδήσεις νέες συμβουλές υγείας, αλλά πώς μπορούμε να ξέρουμε αν είναι σωστές; Ο γιατρός και επιδημιολόγος Μπεν Γκολντέικερ μας δείχνει πώς μπορούν να διαστρεβλωθούν τα στοιχεία, από τους πασιφανείς ισχυρισμούς για τη διατροφή μέχρι τα ανεπαίσθητα τρικ της φαρμακευτικής βιομηχανίας.
(http://tunbridgewells.so/wp-content/uploads/2012/10/Dr-Ben-Goldacre-Photo-by-Guinevere-Poncia.jpg)
-
Κατά την στατιστική ανάλυση δεδομένων, σε όλα τα παρασκευαστικά επίπεδα εργασιών-μελετών (ανακοινώσεις συνεδρίων, δημοσιεύσεις σε ιατρικά περιοδικά, διατριβές κλπ), παρατηρείται το εξής φαινόμενο: ο ερευνητής, μόλις διαπιστώνει την μη κανονικότητα της κατανομής των δεδομένων του, εγκαταλείπει την παραμετρική μέθοδο και συνεχίζει την ανάλυσή του με μη παραμετρικές μεθόδους.
Αυτό είναι ένα από τα μεγαλύτερα σφάλματα, σε μία στατιστική ανάλυση, διότι η χρήση μη παραμετρικών δοκιμασιών συνεπάγεται, πάντα, απώλεια και ποιοτική αλλοίωση της πληροφορίας που κρύβουν τα δεδομένα. Αυτό σημαίνει ότι το τελικό συμπέρασμα είναι, στατιστικώς, μη αποδεκτό.
Τι πρέπει να κάνει, λοιπόν, ο ερευνητής; Εάν δεν διαπιστώνει κανονικότητα στην κατανομή των δεδομένων του, πρέπει οπωσδήποτε να εφαρμόσει όλους τους δυνατούς συναρτησιακούς μετασχηματισμούς (το SPSS διαθέτει περισσότερες από 70 μαθηματικές συναρτήσεις, για μετασχηματισμό δεδομένων). Εάν και τότε διαπιστώσει μη κανονικότητα, αναγκαστικά(!!!), κάνει χρήση μη παραμετρικών δοκιμασιών παράλληλα, όμως, με χρήση προσομοιωτικής μεθόδου Bootstrapping.
Επειδή, όμως, το νόημα της ρύσης "τα αγαθά κόποις κτώνται" έχει σχεδόν διαγραφεί από τον μοντέρνο "ερευνητή" που το μόνο για το οποίο κοπιάζει είναι η δόξα, η έδρα, η χρηματοδότηση και το χειροκρότημα, έχουμε κατακλυστεί από μυριάδες ανούσιες, πλήρεις λανθασμένων συμπερασμάτων, εργασίες και μελέτες.
(http://slant.investorplace.com/files/2012/10/lie-quotes-how-to-lie-with-statistics.jpg)
-
Μία ελληνική ( :o επιτέλους !!!) παρουσίαση στην εισαγωγή των βασικών εννοιών της στατιστικής.
Πρόκειται για μία αρκετά προσεγμένη εργασία, με όμορφα και απλά συνοδευτικά γραφικά που βοηθάνε έναν τελείως αρχάριο ( ??? ) να κατανοήσει εύκολα και γρήγορα τις βάσεις μίας στατιστικής ανάλυσης. Επιπλέον, μπορεί να χρησιμοποιηθεί για μία ταχεία και χαλαρή επανάληψη, από άτομα πιο προχωρημένα στην στατιστική ( 8) ). Εξάλλου, η επανάληψη δεν έβλαψε ποτέ κανέναν. ;)
-
(http://geocurrents.info/wp-content/uploads/2013/04/physician_density_GC_map.png)
-
Το Χ2 είναι ένα ευαίσθητο στατιστικό κριτήριο, ιδιαίτερα όταν εφαρμόζεται σε δείγματα μικρότερα του 25 ή μεγαλύτερα του 250. Εάν κάποιος ερευνητής εφαρμόσει το Χ2 έξω από αυτά τα όρια εισάγει μία παραμόρφωση στην ανάλυσή του.
Τι πρέπει, λοιπόν, να κάνουμε σε μία τέτοια περίπτωση; Καταφεύγουμε σε μεθόδους προσομοίωσης (Exact Tests). Οι μέθοδοι προσομοίωσης συνιστώνται, ιδιαίτερα, όταν:
- έχουμε δεδομένα "αραιά"
- έχουμε ανισοσκελή δείγματα
- όταν έχουμε δεδομένα που περιλαμβάνουν ισχυρούς δεσμούς.
Για μικρά μεγέθη δείγματος (n<25) άριστη είναι η επιλογή της μεθόδου Monte Carlo.
Για μεγάλα μεγέθη δείγματος (n>250) άριστη είναι η επιλογή της μεθόδου Random Sample, χωρίς να αποκλείουμε και την Monte Carlo.
-
EpiInfo-7 (δωρεάν λογισμικό επιδημιολογικών αναλύσεων): δημιουργία χαρτών κατά συστάδες, διπλού επιπέδου δεδομένων.
-
EpiInfo-7 (δωρεάν λογισμικό επιδημιολογικών αναλύσεων): δημιουργία στικτών χαρτών πυκνότητας.
-
EpiInfo-7 (δωρεάν λογισμικό επιδημιολογικών αναλύσεων): δημιουργία χωροπληθών χαρτών.
-
(https://fbcdn-sphotos-a-a.akamaihd.net/hphotos-ak-prn1/542229_10151828988027490_2131945594_n.png)
-
(https://fbcdn-sphotos-a-a.akamaihd.net/hphotos-ak-prn1/542229_10151828988027490_2131945594_n.png)
Μου κάνει εντύπωση ότι δείχνει Hepatitis (high ratio) στην Κεντρική Ευρώπη και την Σκανδιναβία. Είναι όντως έτσι;
-
(https://fbcdn-sphotos-a-a.akamaihd.net/hphotos-ak-prn1/542229_10151828988027490_2131945594_n.png)
Μου κάνει εντύπωση ότι δείχνει Hepatitis (high ratio) στην Κεντρική Ευρώπη και την Σκανδιναβία. Είναι όντως έτσι;
Πολύ καλή η παρατήρησή σου Αργύρη. Η απάντηση είναι πως ναι, όντως ισχύει και το πρόβλημα έχει εντοπιστεί εδώ και αρκετά χρόνια. Μάλιστα έχουν γίνει και μελέτες, επιδημιολογικού χαρακτήρα, με έμφαση στην αιτιολόγηση του φαινομένου, πέραν της καταγραφής.
Θα αναφέρω μόνο δύο από τις πάμπολλες παρόμοιες μελέτες, τόσο στις Σκανδιναβικές χώρες όσο και στην υπόλοιπη κεντρική-δυτική Ευρώπη. οι ημερομηνίες δημοσίευσης αποδεικνύουν του λόγου το αληθές.
http://www.ncbi.nlm.nih.gov/pubmed/9363020 (http://www.ncbi.nlm.nih.gov/pubmed/9363020)
http://www.ncbi.nlm.nih.gov/pubmed/8248739 (http://www.ncbi.nlm.nih.gov/pubmed/8248739)
-
(http://4.bp.blogspot.com/-aOLKFCqDMh0/T__9VubC9rI/AAAAAAAAAA4/5MAj7WqaKaQ/s1600/europe-hair0223--light-h.png)
-
Αιτίες θανάτου στην Ελλάδα. Στην παρένθεση ο απόλυτος αριθμός θανάτων, σε ετήσια βάση. Ο συνολικός αριθμός είναι 67.878, για όσους θέλουν να μελετήσουν βάσει αναλογιών. (Πηγή: WHO, 2009)
1 Stroke (15.274)
2 Coronary Heart Disease (13.075)
3 Lung Cancers (6.497)
4 Upper Respiratory (3.287)
5 Colon-Rectum Cancers (2.568)
6 Breast Cancer (2.196)
7 Lung Disease (2.089)
8 Kidney Disease (1.964)
9 Prostate Cancer (1.713)
10 Road Traffic Accidents (1.680)
11 Liver Cancer (1.605)
12 Leukemia (1.558)
13 Stomach Cancer (1.518)
14 Pancreas Cancer (1.483)
15 Hypertension (1.339)
16 Diabetes Mellitus (1.211)
17 Bladder Cancer (1.202)
18 Lymphomas (957)
19 Influenza & Pneumonia (906)
20 Liver Disease (813)
21 Endocrine Disorders (538)
22 Falls (510)
23 Ovary Cancer (509)
24 Alzheimers/Dementia (426)
25 Parkinson Disease (420)
26 Skin Cancers (392)
27 Suicide (369)
28 Drownings (355)
29 Other Injuries (332)
30 Uterin Cancer (314)
31 Peptic Ulcer Disease (314)
32 Oral Cancer (312)
33 Poisonings (293)
34 Oesophagus Cancer (221)
35 Cervical Cancer (190)
36 Congenital Anomalies (166)
37 Violence (149)
38 Low Birth Weight (125)
39 Multiple Sclerosis (99)
40 Fires (98)
41 Tuberculosis (78)
42 Hepatitis C (68)
43 Epilepsy (65)
44 Meningitis (53)
45 Inflammatory/Heart (46)
46 Alcohol (40)
47 Rheumatoid Arthritis (35)
48 Skin Disease (32)
49 Hepatitis B (26)
50 HIV/AIDS (15)
51 Birth Trauma (12)
52 Other Neoplasms (7)
53 Anaemia (4)
54 Tetanus (3)
55 Asthma (3)
56 Rheumatic Heart Disease (2)
57 Malaria (1)
58 Appendicitis (1)
-
Κάποια απο τα αίτια θανάτου που αναφέρει ο πίνακας δεν είναι «αίτια» αυτά καθαυτά αλλά παράγοντες κινδύνου για εκδήλωση θανατηφόρου αιτίας.Π.χ η υπέρταση (hypertension),σακχαρώδης διαβήτης (diabetes mellitus) που οδηγούν σε στεφανιαία νόσο (CAD) που είναι και η τελική «αιτία θανάτου»
Φαντάζομαι ότι στην συμπλήρωση του πιστοποιητικού θανάτου στο Ι.«Νόσος ή νοσηρή κατάσταση που προκάλεσε κατευθείαν τον θάνατο»
δεν μπορεί να σταθεί «Υπέρταση» αλλά π.χ «οξύ στεφανιαίο σύνδρομο» ,και η «Υπέρταση» θα αναφερθεί είτε στις «τυχόν νοσηρές καταστάσεις που συντέλεσαν στην εμφάνιση της
ανωτέρου αιτίας» είτε στις «αλλες σημαντικές παθολογικές καταστάσεις που συνέβαλαν στην επέλευση του θανάτου..»
-
Κάποια απο τα αίτια θανάτου που αναφέρει ο πίνακας δεν είναι «αίτια» αυτά καθαυτά αλλά παράγοντες κινδύνου για εκδήλωση θανατηφόρου αιτίας.Π.χ η υπέρταση (hypertension),σακχαρώδης διαβήτης (diabetes mellitus) που οδηγούν σε στεφανιαία νόσο (CAD) που είναι και η τελική «αιτία θανάτου»
Φαντάζομαι ότι στην συμπλήρωση του πιστοποιητικού θανάτου στο Ι.«Νόσος ή νοσηρή κατάσταση που προκάλεσε κατευθείαν τον θάνατο»
δεν μπορεί να σταθεί «Υπέρταση» αλλά π.χ «οξύ στεφανιαίο σύνδρομο» ,και η «Υπέρταση» θα αναφερθεί είτε στις «τυχόν νοσηρές καταστάσεις που συντέλεσαν στην εμφάνιση της
ανωτέρου αιτίας» είτε στις «αλλες σημαντικές παθολογικές καταστάσεις που συνέβαλαν στην επέλευση του θανάτου..»
Συμφωνώ απόλυτα. Γι' αυτόν τον λόγο έχω αναφέρει τόσο τις, αναφερθείσες, απόλυτες τιμές καθώς και το άθροισμά τους, προκειμένω να μελετηθούν οι αναλογίες βάσει των απαραίτητων παρεμβάσεων(σαν του κυρίου Ζαχαριάδη). Δυστυχώς, η "αδυναμία" ορθής συμπλήρωσης πιστοποιητικού θανάτου, μας οδηγεί σε σφάλματα και σε ακραία, ενίοτε, συμπεράσματα.
Παρόλα αυτά, με τις κατάλληλες θεωρητικές και μαθηματικές παρεμβάσεις, συγκρίσεις και μικρές επιδημιολογικές μελέτες "κλειστών" πληθυσμών, μπορούμε να προσεγγίσουμε την αλήθεια, ακόμη και αν δεν την αγγίζουμε.
-
Επίσης ,σύμφωνα με την ΕΛ.ΣΤΑΤ. οι θάνατοι στη χώρα το 2009 ήταν λίγο περισσότεροι από 108.000, οπότε δεν ξέρουμε τι ακριβώς καταγράφει ή τι ακριβώς στοιχεία στέλνουμε στη WHO....
-
Επίσης ,σύμφωνα με την ΕΛ.ΣΤΑΤ. οι θάνατοι στη χώρα το 2009 ήταν λίγο περισσότεροι από 108.000, οπότε δεν ξέρουμε τι ακριβώς καταγράφει ή τι ακριβώς στοιχεία στέλνουμε στη WHO....
Πολύ σωστή παρατήρηση. Για μελέτη απόλυτων τιμών σίγουρα δεν υπάρχει απόλυτη αξιοπιστία. Για μελέτη λόγων και αναλογιών, όμως, δεν υπάρχει στατιστική διαφορά είτε μελετήσουμε 68.000 δειγματοληπτικές μονάδες είτε ολόκληρο τον πληθυσμό(υποθέτω 108.000).
...οπότε δεν ξέρουμε τι ακριβώς καταγράφει ή τι ακριβώς στοιχεία στέλνουμε στη WHO....
Η WHO, καθώς και άλλοι οργανισμοί δημογραφικών και επιδημιολογικών μελετών, αναλύσουν τα δεδομένα με την μέθοδο "Exclude Cases Listwise" και όχι την "Exclude Cases Pairwise".
-
(http://s8.postimg.org/a2kmm3xcl/health_infographic_psychiatric_drugs.jpg)
-
Επειδή δεν έχω πλέον πρόσβαση σε νόμιμη άδεια του SPSS αποφάσισα να ψάξω να δω τι θα κάνω....
Εναλλακτικά του SPSS:
http://sourceforge.net/projects/pspp4windows/
Για τους πιο φανατικούς και μερακλήδες:
http://www.rstudio.com/
-
-
Σφάλμα τύπου Ι και τύπου ΙΙ, όσο πιο απλά γίνεται. :o
(http://2378nh2nfow32gm3mb25krmuyy.wpengine.netdna-cdn.com/wp-content/uploads/2014/05/Type-I-and-II-errors1-625x468.jpg)
-
καλησπέρα είμαι επί πτυχίω στο τμήμα νοσηλευτικής του πανεπιστημίου Αθηνών και αναζητώ κάποιον για ιδιαίτερα στη βιοστατιστική..αν κάποιος ενδιαφέρεται ας επικοινωνήσει μαζί μου στο 6946738439
-
(https://scontent-a-ams.xx.fbcdn.net/hphotos-xpa1/v/t1.0-9/1488119_548254111966748_5055244648889485449_n.jpg?oh=7b35b8cb5a6202b3ba3bd8f8791a662e&oe=5435F4F2)
-
Εάν ανοίξει κάποιος ένα βιβλίο περιλήψεων, οποιουδήποτε συνεδρίου, ή ξεφυλλίσει μεταπτυχιακές ή διδακτορικές εργασίες θα παρατηρήσει ότι η συντριπτική πλειοψηφία των εργασιών-μελετών στηρίζεται σε ερωτηματολόγια (οποιασδήποτε μορφής).
Το βασικό ερώτημα που τίθεται είναι η αξιοπιστία τους. Και δεν αναφέρομαι στην κατανομή των απαντήσεων, στο κάθε δείγμα. Αναφέρομαι στην ΥΠΑΡΞΗ πραγματικού δείγματος!!! Πώς μπορούμε να είμαστε σίγουροι ότι οι απαντήσεις δόθηκαν από υπαρκτά άτομα ή είναι απλά εικονικές; Η απάντηση, σε όσους δεν γνωρίζουν ή γνωρίζουν μόνο τις βασικές έννοιες της στατιστικής, φαίνεται εύκολη: "είναι αδύνατον να διακρίνεις το πραγματικό από το εικονικό". Όσοι έχουν καλές γνώσεις στατιστικής θα απαντήσουν ως εξής: "είναι, σχετικά, εύκολο να διακριθεί το πραγματικό από το εικονικό, αρκεί αυτός που κάνει την απάτη να μην γνωρίζει σε βάθος από στατιστική". Πράγματι, υπάρχουν ποικίλες μέθοδοι αναζήτησης και αποκάλυψης του εικονικού ερωτηματολογίου. Όμως, υπάρχουν και κάποιες μέθοδοι "απόκρυψης" της αλήθειας. Για ευνόητους λόγους δεν παρουσιάζω καμία προαναφερθείσα μέθοδο.
Το ζητούμενο, όμως, δεν είναι η θεωρία αλλά η πράξη. Ένας μεταπτυχιακός ή/και διδακτορικός τίτλος είναι ένα επαγγελματικό μέσο αύξησης εισοδήματος. Εάν αυτός ο τίτλος έχει ανήθικη βάση, τότε και το αποτέλεσμα είναι ανήθικο (ο νοών νοείτω...). Επειδή είναι πολιτικά και ακαδημαϊκά "δύσκολο" να αναζητήσεις σε μία μελέτη την αξιοπιστία, υπάρχει και άλλος έμμεσος τρόπος. Δημιουργείς μία σελίδα, μέσω της οποίας προσφέρεις "υπηρεσίες" δημιουργίας αληθοφανών, με την στατιστική έννοια της λέξης, ερωτηματολογίων. Αυτό και έκανα. Δημιούργησα μία τέτοια σελίδα και το μόνο που ζητούσα ήταν να μου στείλουν με e-mail το ερωτηματολόγιό τους, το μέγεθος του δείγματος και ένα ηλεκτρονικό λογαριασμό (δυνατότητα πλήρους ανωνυμίας) που θα τους έστελνα τα αποτελέσματα. Κι όλα αυτά ΔΩΡΕΑΝ. Μέσω ενός κρυφού "μετρητή" (COUNTER) έκανα την συλλογή των χωροχρονικών δεδομένων των "επισκεπτών". Επιπλέον, μέσω "διαφημιστικών-ενημερωτικών" on-line ερωτηματολογίων, συμπλήρωσα αναγραφικά δεδομένα. (Σημ: δεν απάντησα σε κανένα αίτημα, απλά χρησιμοποίησα την σελίδα για να μελετήσω την ΠΡΟΘΕΣΗ και όχι την τελική πράξη)
Το αποτέλεσμα της επεξεργασίας των δεδομένων, μου έλυσε την αρχική απορία. Είναι όλα τα ερωτηματολόγια πραγματικά; Η απάντηση είναι: ΟΧΙ !!! Δυστυχώς υπάρχουν, σε μεγάλο ποσοστό, άτομα που εκμεταλλεύονται τα πολιτικά και ακαδημαϊκά "κενά".
Θεωρώ ότι το θέμα είναι άκρως σοβαρό και χρήζει καλής ανάλυσης και ΑΜΕΣΗΣ ΠΑΡΕΜΒΑΣΗΣ.
ΣΗΜΕΙΩΣΗ: επειδή μπορεί να αμφισβητηθεί και η δική μου "μελέτη", ο έλεγχός της είναι πανεύκολος. Δοκιμάστε με δικής σας σελίδα και θα πάρετε, στατιστικά, περίπου τα ίδια αποτελέσματα με τα δικά μου.
ΣΗΜΕΙΩΣΗ 2: η παρούσα "μελέτη" μου θα παρουσιαστεί σε προσεχές συνέδριο.
(http://www.tollfreenumbers.com/images/tollfreenumber-org-promises-600-percent.jpg)
-
(https://scontent-a-ams.xx.fbcdn.net/hphotos-xpa1/v/t1.0-9/1488119_548254111966748_5055244648889485449_n.jpg?oh=7b35b8cb5a6202b3ba3bd8f8791a662e&oe=5435F4F2)
Έστειλα ηλεκτρονική επιστολή τόσο στο περιοδικό όσο και στον υπεύθυνο αλληλογραφίας του συγκεκριμένου άρθρου. Μετά από περίπου έναν μήνα έλαβα ως απάντηση από τον υπεύθυνο αλληλογραφίας:
"...Επειδή αυτόν τον καιρό έχω αρκετά βαρύ πρόγραμμα θα αργήσω λίγο. Συγχωρέστε με λοιπόν για την καθυστέρηση αλλά θα σας απαντήσω μόλις μπορέσω να συναντηθώ με τον κύριο ΧΧΧΧΧ και δω όλα τα στοιχεία των Πινάκων..." ???
Σχετικά με το ερώτημα που τους έθεσα, δεν νομίζω ότι χρειάζεται καμία συνάντηση με τον κύριο ΧΧΧΧΧ ή οποιοδήποτε άλλο άτομο. Αρκεί να δει, ο υπεύθυνος συγγραφέας του άρθρου, στην αντίστοιχη σελίδα του περιοδικού τον σχετικό πίνακα και να αποφανθεί επί της υπάρξεως, ή μη, μαθηματικού σφάλματος. Διότι εγώ, ως αναγνώστης δεν μελέτησα τα πρωτογενή δεδομένα αλλά τον τελικό πίνακα. Το ίδιο έκαναν και οι διορθωτές.
Η απορία μου, λοιπόν, επαναλαμβάνω είναι επί της εκτυπώσεως. Και αυτό ακριβώς είναι που μου προκαλεί εντύπωση, το γεγονός ότι δεν το είδαν οι διορθωτές ή/και ο υπεύθυνος συγγραφέας!!! Διότι το να υπάρχει λάθος μεταφορά από τους πρωτογενείς πίνακες προς την τελική συνοπτική μορφή ενός πίνακα το θεωρώ ανθρώπινο και κατανοητό, ως σφάλμα. Το να μην το αξιολογούν και να μην το βλέπουν οι διορθωτές ή και ο υπεύθυνος σύνταξης του άρθρου, αυτό με ενοχλεί. >:(
Πιστεύω ότι είναι θέμα 5 λεπτών η διαδικασία διαπίστωσης του σφάλματος στον, ήδη, δημοσιευμένο πίνακα. Και δεν χρειάζεται καμία βοήθεια από κάποιον ειδικό ή μαθηματικές γνώσεις υψηλού επιπέδου. Αρκεί μία απλή διαίρεση!!! :o
Ας καταλάβουν λοιπόν κάποιοι ότι τα άρθρα, εκτός από το να γεμίζουν σελίδες περιοδικών και να χρησιμοποιούνται ως μέσο επαγγελματικής αναρρίχησης, ΔΙΑΒΑΖΟΝΤΑΙ και αξιολογούνται. Δεν είμαστε όλοι υποτελείς τους. Λίγος σεβασμός και λίγη αξιοπρέπεια δεν βλάπτουν... Όποιος δημοσιεύει ένα επιστημονικό άρθρο είναι συγχρόνως και υπόλογος ή όχι; >:(
-
Έχεις δίκιο @medicus...
Αλήθεια, πόσα ελληνικά περιοδικά τυγχάνουν διεθνούς αποδοχής;
-
Είναι αλήθεια ότι, με την εφαρμογή του νέου τύπου "πλαφόν", ο μέσος όρος ανά ΑΜΚΑ και μήνα θα πρέπει να μειώνεται σε κάθε νομό και για κάθε ειδικότητα από εδώ και στο εξής.
Ο λόγος είναι απλός: Αν δεχθούμε ότι το μέγεθος αυτό (ο μέσος όρος της δαπάνης ανά ΑΜΚΑ και μήνα), όπως άλλωστε και τα περισσότερα, κατανέμεται προσεγγιστικά σύμφωνα με την κανονική κατανομή, ένα περίπου 16% των γιατρών θα βρίσκεται κάθε μήνα πάνω από το μέσο όρο αυξημένο κατά μία σταθερά απόκλιση. Το ποσοστό των γιατρών που "ξεφεύγουν" από το μέσο όρο είναι περίπου 2,5% αν ληφθεί υπόψη η υπέρβαση του μέσου όρου κατά δύο σταθερές αποκλίσεις (γεγονός που συνήθως λαμβάνεται υπόψιν και ως βάση της τεκμηρίωσης της στατιστικής σημαντικότητας). Αφού λοιπόν κάθε μήνα αναπροσαρμόζεται ο μέσος όρος, αν οι γιατροί (εκόντες ή άκοντες) που ξεφεύγουν αποσύρονται ή επαναπροσδιορίζουν τη στάση τους προς το φειδωλότερον, ο μέσος όρος θα μειώνεται συνεχώς.
Αυτό το "συνεχώς" ισχύει αφόσον πάντα θα υπάρχουν τιμωρίες/αντικίνητρα για τους (θεωρητικα, έστω) υπερσυνταγογράφους.
Υ.Γ. Το πιο πάνω είναι μία απόπειρα μαθηματικής προσέγγισης, αλλά είμαι σίγουρος ότι ανάλογα σκέφθηκαν και οι συντάκτες του εν λόγω ΦΕΚ.
-
Είναι αλήθεια ότι, με την εφαρμογή του νέου τύπου "πλαφόν", ο μέσος όρος ανά ΑΜΚΑ και μήνα θα πρέπει να μειώνεται σε κάθε νομό και για κάθε ειδικότητα από εδώ και στο εξής.
....Υ.Γ. Το πιο πάνω είναι μία απόπειρα μαθηματικής προσέγγισης, αλλά είμαι σίγουρος ότι ανάλογα σκέφθηκαν και οι συντάκτες του εν λόγω ΦΕΚ.
Συμφωνώ, είναι μια δοκιμασμένη απο αιώνες πρακτική. Κάθε χρόνο θα μειώνεται το πλαφόν μέχρι που θα έχουμε μηδενική φαρμακευτική δαπάνη. Τον τρόπο μας διδάσκει και η ιστορία με το γαϊδούρι του Χότζα (http://nonews-news.blogspot.gr/2013/09/blog-post_3074.html).
(Δυστυχώς δεν βρήκα τη γνωστή -ελπίζω- ιστορία αυτούσια. Μία σύντομη εκδοχή: Κάτι τέτοια έκανε και ο Χότζας με το γομάρι του! Είχε βρει τον τρόπο να κάνει μεγάλη οικονομία! Δεν το ταΐζε καθόλου! Μια χαρά ήταν το σύστημα, μια δυο μέρες, βδομάδες, δεν πλήρωνε τίποτε! Μέχρι που όπως καταλάβατε ο γάιδαρος ψόφησε, και τι να την κάνει την οικονομία που είχε χάσει το ζωντανό του; ).
-
Πολλοί ερευνητές, εσφαλμένα, θέλοντας να ελέγξουν την κανονικότητα μίας μεταβλητής κάνουν χρήση μόνο του Kolmogorov-Smirnov test ή του Shapiro–Wilk test.
Οι δοκιμασίες ελέγχου της κανονικότητας ποικίλουν και η χρήση τους εξαρτάται από πολλούς παράγοντες:
- Kolmogorov–Smirnov test
- Shapiro–Wilk test
- Lilliefors test
- Anderson–Darling test
- Pearson's chi-squared test
- Shapiro–Francia test
- D'Agostino's K-squared test
- Cramér–von Mises criterion
- Jarque–Bera test
Να σημειωθεί, μάλιστα, ότι το Kolmogorov-Smirnov test έχει την μικρότερη αξιοπιστία.