Medicinsk statistik iii l karprogrammet termin 5 ht 2013
This presentation is the property of its rightful owner.
Sponsored Links
1 / 28

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


  • 113 Views
  • Uploaded on
  • Presentation posted in: General

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

Download Presentation

Medicinsk statistik III Läkarprogrammet, Termin 5 HT 2013

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 l karprogrammet termin 5 ht 2013

Medicinsk statistik IIILäkarprogrammet, Termin 5HT 2013

Jonas Björk

E-post: [email protected]


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 behandlasför 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 kningar tv oberoende grupper medelv rdesj mf relse

2. Dimensioneringsberäkningar

Dimensioneringsberäkningar Två oberoende grupper, medelvärdesjämförelse

(Kursboken s. 156)


Dimensionering av tv oberoende grupper

2. Dimensioneringsberäkningar

Dimensionering av två oberoende grupper


Gruppstorlek vs effektstorlek

3. Statistisk styrka

2. Dimensioneringsberäkningar

Gruppstorlek vs. effektstorlek


Syreupptagningsf rm ga replikera tidigare resultat i en ny studie

2. Dimensioneringsberäkningar

SyreupptagningsförmågaReplikera tidigare resultat i en ny studie

spooled  8


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)


    Testets prediktiva v rden best ms av sjukdomsprevalensen

    3. Tolkning av p-värden

    Testets prediktiva värden bestäms av sjukdomsprevalensen


    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


  • Login