Prezentace se nahrává, počkejte prosím

Prezentace se nahrává, počkejte prosím

Úvod do biomedicínské statistiky Petr Waldauf KAR, FNKV.

Podobné prezentace


Prezentace na téma: "Úvod do biomedicínské statistiky Petr Waldauf KAR, FNKV."— Transkript prezentace:

1 Úvod do biomedicínské statistiky Petr Waldauf KAR, FNKV

2 Populace Průměr populace

3 Populace Průměry výběrů Výběr musí být náhodný x selection bias

4 Průměr populace Průměry výběrů

5 Populace Výběr musí být náhodný x selection bias

6

7 průměr výběru průměr výběru s 95% intervalem spolehlivosti 95% confidential interval (CI) = interval ve kterém se s 95% pravděpodobností nachází průměr populace Výběr musí být náhodný x selection bias průměr populace

8 Porovnání 2 skupin H0 = nulová hypotéza = mezi skupinama není rozdíl H1 = alternativní hypoteza = mezi skupinama je rozdíl

9 Porovnání 2 skupin Chyba 1.řádu = α = p = hladina významnosti = pravděpodobnost že platí H0, resp. chyba které se dopustíme pokud zamítneme p<0,05 = statisticky významný rozdíl p<0,01= statisticky velmi významný rodíl

10 Porovnání 2 skupin Chyba 1.řádu = α = p = hladina významnosti CAVE: statistická x klinická významnost

11 Porovnání 2 skupin Chyba 2.řádu = β = chyba které se dopustíme pokud nezamítneme H0, když platí H1 Power = 1 – β = síla testu, měla by být alespoň 80% a více

12 Porovnání 2 skupin Design studie: α < 0,05 power ≥ 0,8 jaký chce detekovat rozdíl mezi skupinami? jaký je potřeba počet pacientů?

13 Porovnání 2 skupin Design studie: jaký chce detekovat rozdíl mezi skupinami? d = effect size = (ø1-ø2)/ SD jedná se o vzdálenost hypotézy H0 a H1 malý 0,2- 0,3 střední okolo 0,5 (0,3-0,8) velký >0,8

14 Porovnání 2 skupin Design studie: jaký je potřeba počet pacientů?

15

16

17

18 Typy dat spojitá data kategorická data (ano/ne)

19 Spojitá data Normální = gaussovské rozložení Histogramy N = 5N = 10N = 40

20 Normální = gaussovské rozložení průměr, ± SD

21 Normální = gaussovské rozložení testování

22 Spojitá data Nen ormální rozložení Histogramy

23 Spojitá data Nen ormální rozložení nepoužívejte průměr a SD !!!! ale median a horní a dolní kvartil (25 a 75 percentil)

24 Maximum Minimum Dolní kvartil Horní kvartil Median Spojitá data – boxové grafy

25

26 Statistické testování hypotéz kontinuální x kategorická data kontinuální: normálně x nenormálně rozložená data nepárová x párová data 1,2 nebo více skupin

27 Statistické testování hypotéz výběr statistického testu

28 Statistické testování hypotéz příklad testů 2 nezávislé skupiny kontinuální parametr s normální distribucí nepárový Studentův t-test

29 Statistické testování hypotéz příklad testů 2 nezávislé skupiny kontinuální parametr s nenormální distribucí Mannův-Whitneyův test

30 Statistické testování hypotéz příklad testů 3 a více nezávislých skupin kontinuální parametr s normální distribucí ANOVA

31 Statistické testování hypotéz příklad testů Měření závislosti 2 spojité normálně rozložené parametry regresní analýza

32 Y X R 2 =1 Regresní analýza

33 Y X R 2 =0,8 Regresní analýza

34 Y X R 2 =0 Regresní analýza

35 Vztah mezi CVP a objemem krve Vztah mezi CVP a objemem krve Schopnost předpovězení CVP reakci na podání objemu Schopnost předpovězení CVP reakci na podání objemu Medline, Cochrane Library, Embace Library Medline, Cochrane Library, Embace Library Screening 213 článků, 24 studií (803 pacientů) bylo zařazeno do metaanalýzy Screening 213 článků, 24 studií (803 pacientů) bylo zařazeno do metaanalýzy

36 R 2 = 0,01

37  Based on the results of our systematic review, we believe that CVP should no longer be routinely measured in the ICU, operating room, or emergency department. However, measurement of the CVP may be useful in select  circumstances, such as in patients who have undergone heart transplant, or in those who have suffered a right ventricular infarction or acute pulmonary embolism. In these cases, CVP may be used as a marker of right ventricular function rather than an indicator of volume status.

38 Logistická regrese 1 0 např.: pravděpodobnost úmrtí x pohlaví, IM, DM, věk …

39 Statistické testování hypotéz příklad testů 2 skupiny kategorická data -> kontingenční tabulka 2x2 chi-square test χ²

40 Statistické testování hypotéz příklad testů chi-square test χ² Očkování proti chřipce se zúčastnilo 460 dospělých, z nichž 240 dostalo očkovací látku proti chřipce (očkovaná skupina) a 220 dostalo placebo (kontrolní skupina). Na konci experimentu onemocnělo 100 lidí chřipkou. 20 z nich bylo z očkované skupiny a 80 z kontrolní skupiny. p<0,001

41 Statistické testování hypotéz příklad testů 2 skupiny kategorická data -> kontingenční tabulka 2x2 relativní riziko a poměr šancí (odds ratio)

42 Statistické testování hypotéz příklad testů relativní riziko Odhad relativního rizika získáme jako poměr odhadů absolutních rizik vzniku onemocnění u exponovaných a neexponovaných osob

43 Statistické testování hypotéz příklad testů relativní riziko (RR) 0 až ∞ důležitá je hodnota 1 = není rozdíl mezi skupinama <1 = menší riziko >1 = větší riziko opět jsou potřeba intervaly spolehlivost (95%) ke statistické významnosti je potřeba χ² test

44 Statistické testování hypotéz příklad testů poměr šancí (odds ratio) OR = 0,57/0,09 = 6,3

45 OR RR frekvence parametru

46 . For instance, relative risk cannot be calculated for case-control studies, as they provide no incidence data Relative risk also lacks usefulness in the event that non-occurrence of disease is of equal interest to occurrence of disease. As we have seen previously, the odds ratio gives a symmetrical result, while the relative risk does not RR - Generally, when comparing an experimental group to a control group In epidemiology class, we are typically advised to use OR for case-control study and use RR for cohort study. For cross-section studies, both OR and RR may be used.

47 1<1<1 >1>1 RR±CI

48 Meta-analýza přehledné shrnutí výsledků studií týkajících se určité problematiky a souhrnné zhodnocení údajů z jednotlivých studií 1<1<1 >1>1 RR±CI studie 1 studie 2 studie 3 studie 4 výsledek metaanalýzy

49 JAMA RCTs 5051 pacientů

50

51 Conclusions: In critically ill patients, use of the PAC neither increased overall mortality or days in hospital nor conferred benefit. Despite almost 20 years of RCTs, a clear strategy leading to improved survival with the PAC has not been devised. In critically ill patients, use of the PAC neither increased overall mortality or days in hospital nor conferred benefit. Despite almost 20 years of RCTs, a clear strategy leading to improved survival with the PAC has not been devised.

52 Klinické studie průřezová studie / cross-sectional study populace náhodný výběr exponovaní s nemocí jednorázově zjišťuje prevalenci

53 Klinické studie intervenční studie primární cíl (primary endpoint) sekundární cíl(cíle) (secondary endpoints) nulová/alternativní hypotéza power analýza RANDOMIZACE = eliminace zavádějících faktorů (biases) experimentální skupina kontrolní skupina (eliminace placebo efektu) zaslepení (jednoduché/dvojité)

54 google: euromise + učebnice

55

56

57

58

59 Děkuji za pozornost…


Stáhnout ppt "Úvod do biomedicínské statistiky Petr Waldauf KAR, FNKV."

Podobné prezentace


Reklamy Google