medicinsk statistik iii l karprogrammet termin 5 ht 2013
Download
Skip this Video
Download Presentation
Medicinsk statistik III Läkarprogrammet, Termin 5 HT 2013

Loading in 2 Seconds...

play fullscreen
1 / 28

Medicinsk statistik III Läkarprogrammet, Termin 5 HT 2013 - PowerPoint PPT Presentation


  • 162 Views
  • Uploaded on

Medicinsk statistik III Läkarprogrammet, Termin 5 HT 2013. Jonas Björk E-post: [email protected] Medicinsk statistik III. Mer om statistik för binära utfall Kapitel 12 Dimensionering av studier Statistisk styrka ( power ) En grupp, två grupper Kontinuerliga och binära utfall

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Medicinsk statistik III Läkarprogrammet, Termin 5 HT 2013' - mckenzie-keller


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
medicinsk statistik iii
Medicinsk statistik III
  • Mer om statistik för binära utfall
    • Kapitel 12
  • Dimensionering av studier
    • Statistisk styrka (power)
    • En grupp, två grupper
    • Kontinuerliga och binära utfall
    • Avsnitt 6.4, 8.4 och 10.4
  • Tolkning av p-värden
    • Statistiska vs. diagnostiska test
    • Avsnitt 9.2

Kapitel 12

Avsnitt 6.4, 8.4, 9.2 och 10.4

Webbplats

bin ra utfall

1. Binära utfall

Binära utfall
  • Sjuk / frisk
  • Positiv / negativ
  • Reaktion / ingen reaktion
  • ...
  • Dikotomiseringar
dikotomiseringar

1. Binära utfall

Dikotomiseringar
  • Kontinuerliga data
    • CRP > 15
    • Systoliskt blodtryck >160 mmHg
  • Ordinaldata (data endast möjliga att rangordna)

Ex. Klassning av allergisk reaktion

+++, ++(+), ++, +(+), +, (+), ?, -

Information kastas bort – väsentlig eller ovidkommande?

bin ra utfall exempel

1. Binära utfall

Binära utfall - Exempel
  • Alarm om glutenallergi bland barn

Bland 7 207 skolbarn i åk 6 år 2005-2006 fann man att 212 (2,9%) var glutenintoleranta

1. Hur stor är den statistiska felmarginalen

2. Kan vi vara ”säkra” på att den verkliga andelen glutenintoleranta är över 2%?

konfidensintervall ki kring en uppskattad andel

1. Binära utfall

Konfidensintervall (KI) kring en uppskattad andel

Prevalens q =a / n = 0,029 = 2,9%

n = 7 207, a = 212 positiva

Om a 5 och (n – a)  5 kan konfidensintervallet beräknas

på följande sätt (asymptotisk = ungefärlig metod):

95% konfidensgrad  c = 1,96, SE = Medelfel (Standard error)

Felmarginal ± 0,4%

95% KI: 2,5 - 3,3%

uppskatta en andel hur stor ska studien vara

2. Dimensioneringsberäkningar - en grupp

Uppskatta en andelHur stor ska studien vara?
  • Anta att vi vill skatta en andel q, t.ex. en prevalens eller risk
  • Hur stor studien bör vara bestäms av
    • Andelen q (okänd för oss, men vi kan kanske gissa)
    • Önskad felmarginal F
  • Utnyttja formel för 95% KI, lös ut n:

I boken finns motsvarande formel

för ett medelvärde (formel 6.3)

j mf relse av tv andelar

1. Binära utfall

Jämförelse av två andelar

Två separata (oberoende) grupper: q1 = a1 / n1, q2= a2 / n2

  • Differens q1 – q2

-Ex. prevalensdifferens, riskdifferens

  • Kvot q1 / q2

-Ex. prevalenskvot, riskkvot (RR = relativ risk)

  • Oddskvot OR = 1 / 2

Odds1 = q1 / (1– q1), 2 = q2 / (1– q2)

j mf relser av andelar

1. Binära utfall

Jämförelser av andelar

Randomiserad studie av tamoxifen, strålbehandling och

återfall av bröstcancer under fem års uppföljning

(Overgaard et al. 1999)

Sjukdomsfri överlevnad i grupp 1:q1 = 357 / 686  0,52 = 52%

Sjukdomsfri överlevnad i grupp 1:q2 = 276 / 689  0,40 = 40%

Vad kan vi säga om skillnaden i

sjukdomsfri överlevnad (eller i återfallsrisk)?

differens mellan tv andelar

1. Binära utfall

Differens mellan två andelar

Randomiserad studie av tamoxifen, strålbehandling och

återfall av bröstcancer bland kvinnor

Riskdifferens RD (absolut riskreduktion) = 357/ 686 – 276 / 689  0,12 = 12 fler sjukdomsfria per 100 behandlade

Medelfel

Om a15, (n1 – a1)5, a2 5 och (n2 – a2)5 kan ett 95% KI för RD bildas som

7 – 17 fler per 100

antal som beh ver behandlas nnt numbers needed to treat

1. Binära utfall

Antal som behöver behandlasNNT = Numbers Needed to Treat

Från föregående problem:Riskdifferens RD = 357 / 689 – 276 / 686  0,12 = 12 fler sjukdomsfria per 100 behandlade

  • NNT = 1 / RD  1 / 0,12  8,3vilket innebär att ungefär 8 (8,3) patienter behöver behandlas med kombinationsbehandlingen för att förhindra ett återfall i genomsnitt
  • 95% KI för RD: 0,12 ± 0,052, dvs. 0,068 till 0,172
  • 95% KI för NNT: 6 till 15 patienter behöver behandlas för att förhindra ett återfall i genomsnitt

1 / RD

kvot mellan tv andelar

1. Binära utfall

Kvot mellan två andelar

Randomiserad studie av tamoxifen, strålbehandling och

återfall av bröstcancer bland kvinnor

gånger (25%) högre risk om enbart tamoxifen ges

Relativ risk RR = (413 / 689) / (329 / 686)  1,25

ln(RR) = ln(1,25)  0,223

Medelfel

95% KI för RR bildas på log-skalan som

1,08 – 1,44

gånger högre risk

oddskvot or i fall kontrollunders kningar

1. Binära utfall

Oddskvot (OR) i fall-kontrollundersökningar

Odds för exponering bland fall: 630/101  6,2

Odds för exponering bland kontroller: 573/158  3,6

70% riskökning bland rökare

95 % KI: 1,3 till 2,3 (30 till 130% riskökning)

statistisk styrka

2. Dimensioneringsberäkningar - två grupper

Statistisk styrka
  • Sannolikheten a priori att H0 kommer att förkastas, givet en viss verklig skillnad mellan de grupper som studeras
  • Sensitiviteten hos det statistiska testet (jämför sensitivitet hos diagnostiska test)
dimensioneringsber kning enl 1 tv oberoende grupper medelv rdesj mf relse

2. Dimensioneringsberäkningar

Dimensioneringsberäkning (enl. 1.)Två oberoende grupper,medelvärdesjämförelse
  • Ex. Syreupptagningsförmåga

5% signifikansgräns  k1 = 1.96

80% statistisk styrka  k2 = 0.84

Standardiserad

effektstorlek

per

grupp

dimensioneringsber kningar allm nt

2. Dimensioneringsberäkningar

Dimensioneringsberäkningar - Allmänt
  • Redovisas först och främst för primär frågeställning.
  • Minst 80% statistisk styrka är ett vanligt krav om nya data ska samlas in
  • Gör beräkningen under olika antaganden om , sStandardiserad effektstorlek =  / s avgörande
  • Ibland enklare att uppskatta variationskoefficienten (CV=Coefficient of variation, mätt i % av medelvärdet) än standardavvikelsen
  • Ta hänsyn till förväntad deltagandefrekvens
  • Utnyttja tidigare studier inom området!
  • I en överlevnadsanalys är det antal händelser (events) som avgör. Avvägning: Uppföljningstid - Antal patienter
program f r dimensioneringsber kningar

3 Statistisk styrka

2. Dimensioneringsberäkningar

Program för dimensioneringsberäkningar
    • PS Power and Sample Size Calculation
    • Enkelt, lättattanvända
    • Kanladdasned gratis via http://biostat.mc.vanderbilt.edu/twiki/bin/view/Main/PowerSampleSize
  • G*Power 3
    • Meravancerat, någotsvårareattanvända
    • Kanladdasned gratis via http://www.psycho.uni-duesseldorf.de/abteilungen/aap/gpower3
diskutera med b nkgrannen k nslighetsanalys

2. Dimensioneringsberäkningar

Diskutera med bänkgrannen...Känslighetsanalys

Vad händer med minsta gruppstorlek i exemplet på föregående bilder om

  • Man vill kunna detektera en skillnad som är hälften så stor, dvs  = 5 / 2 = 2,5 ?
  • Standardavvikelsen s är 12 istället för 8 i båda grupperna?
  • 90% statistisk styrka krävs (k2 = 1,28)?
f rklara studiens storlek

3. Statistisk styrka

2. Dimensioneringsberäkningar

Förklara studiens storlek

Randomiserad studie av tamoxifen, strålbehandling och återfall av bröstcancer

Författarna skrev så här

i metoddelen:

(Overgaard et al. 1999)

fall kontrollunders kning hur m nga fall och kontroller beh vs

2. Dimensioneringsberäkningar

Fall-kontrollundersökningHur många fall och kontroller behövs?
  • Förväntad OR =1.7 enligt tidigare studie
  • Rökprevalens i den befolkning vi studerar?
  • Utnyttja PS Power Sample Size
statistiskt vs diagnostiskt test

4. Tolkning av p-värden

3. Tolkning av p-värden

Statistiskt vs. Diagnostiskt test
  • Statistisk styrka = Sensitivitet
  • Signifikansgräns (; ofta 5%) = 1 - Specificitet

(Kursboken, s. 261)

tolkning av p v rden modernt f rh llningss tt

3. Tolkning av p-värden

Sifting the evidence –what’s wrong with significance tests?

Tolkning av p-värdenModernt förhållningssätt
  • P-värdet bör främst ses som ett index (0-1) som svarar på följande fråga:Vilka belägg mot nollhypotesen finns i insamlade data?
  • Undvik skarp signifikansgränsEx. p = 0,04 och p =0,06 är två snarlika resultat som båda ger ”måttliga” evidensmot nollhypotesen
  • P-värdet är inte sannolikheten att nollhypotesen är sann:

(Sterne & SmithBMJ 2001;322:226-231)

sannolikheten att h 0 r sann fprp false positive report probability

3. Tolkning av p-värden

Sannolikheten att H0 är sannFPRP = False Positive Report Probability

P-värde omkring 0,001

innebär i allmänhet starka

belägg för ett samband

ad