Articles

PMC (Italiano)

Posted by admin

Oggi le statistiche forniscono la base per l’inferenza nella maggior parte della ricerca medica. Eppure, per mancanza di esposizione alla teoria e alla pratica statistica, continua ad essere considerato come il tallone d’Achille da tutti gli interessati nel ciclo di ricerca e pubblicazione – i ricercatori (autori), revisori, editori e lettori.

La maggior parte di noi ha familiarità in una certa misura con misure statistiche descrittive come quelle di tendenza centrale e quelle di dispersione. Tuttavia, vacilliamo alle statistiche inferenziali., Questo non deve essere il caso, in particolare con la diffusa disponibilità di software statistico potente e allo stesso tempo user-friendly. Come abbiamo delineato di seguito, alcune considerazioni fondamentali porteranno a selezionare il test statistico appropriato per il test di ipotesi. Tuttavia, è importante che l’analisi statistica appropriata sia decisa prima di iniziare lo studio, nella fase di pianificazione stessa, e che la dimensione del campione scelta sia ottimale. Questi non possono essere decisi arbitrariamente dopo che lo studio è finito e i dati sono già stati raccolti.,

La grande maggioranza degli studi può essere affrontata attraverso un paniere di circa 30 test da oltre 100 che sono in uso. Il test da utilizzare dipende dal tipo di domanda di ricerca che viene posta. Gli altri fattori determinanti sono il tipo di dati analizzati e il numero di gruppi o insiemi di dati coinvolti nello studio. I seguenti schemi, basati su cinque domande di ricerca generiche, dovrebbero aiutare.

Domanda 1: c’è una differenza tra i gruppi che non sono accoppiati?, I gruppi o i set di dati sono considerati non accoppiati se non vi è alcuna possibilità che i valori in un set di dati siano correlati o influenzati dai valori negli altri set di dati. Sono necessari diversi test per dati quantitativi o numerici e dati qualitativi o categoriali come mostrato in Fig. 1. Per i dati numerici, è importante decidere se seguono i parametri della curva di distribuzione normale (curva gaussiana), nel qual caso vengono applicati test parametrici. Se la distribuzione dei dati non è normale o se non si è sicuri della distribuzione, è più sicuro utilizzare test non parametrici., Quando si confrontano più di due serie di dati numerici, è necessario utilizzare prima un test di confronto di più gruppi come l’analisi unidirezionale della varianza (ANOVA) o il test di Kruskal-Wallis. Se restituiscono un valore p statisticamente significativo (di solito che significa p < 0.05), solo loro dovrebbero essere seguiti da un test post hoc per determinare tra esattamente quali due set di dati si trova la differenza. L’applicazione ripetuta del test t o della sua controparte non parametrica, il test Mann-Whitney U, a una situazione di gruppo multiplo aumenta la possibilità di rifiutare erroneamente l’ipotesi nulla.,

Test per affrontare la domanda: c’è una differenza tra gruppi-situazione spaiata (gruppi paralleli e indipendenti)?

Domanda 2: c’è una differenza tra i gruppi che sono accoppiati? L’associazione significa che i set di dati sono derivati da misurazioni ripetute (ad esempio misurazioni prima-dopo o misurazioni multiple nel tempo) sullo stesso set di soggetti. L’associazione si verifica anche se i gruppi di soggetti sono diversi ma i valori in un gruppo sono in qualche modo collegati o correlati ai valori nell’altro gruppo (ad es., studi gemelli, studi fratelli e sorelle, studi genitori-figli). Un progetto di studio crossover richiede anche l’applicazione di test di gruppo accoppiati per confrontare gli effetti di diversi interventi sugli stessi soggetti. A volte i soggetti sono deliberatamente accoppiati per abbinare le caratteristiche di base come età, sesso, gravità o durata della malattia. Uno schema simile a Fig. 1è seguito nel test dei set di dati accoppiati, come descritto in Fig. 2. Ancora una volta, il confronto di più set di dati dovrebbe essere fatto attraverso appropriati test di gruppo multipli seguiti da test post hoc.,

Test per affrontare la domanda: c’è una differenza tra la situazione associata ai gruppi?

Domanda 3: esiste un’associazione tra variabili? Le varie prove applicabili sono descritte in Fig. 3. Va notato che i test pensati per i dati numerici servono a testare l’associazione tra due variabili. Questi sono test di correlazione ed esprimono la forza dell’associazione come coefficiente di correlazione. Una correlazione inversa tra due variabili è rappresentata da un segno meno., Tutti i coefficienti di correlazione variano in grandezza da 0 (nessuna correlazione) a 1 (correlazione perfetta). Una correlazione perfetta può indicare, ma non significa necessariamente causalità. Quando due variabili numeriche sono linearmente correlate tra loro, un’analisi di regressione lineare può generare un’equazione matematica, che può predire la variabile dipendente in base a un dato valore della variabile indipendente. Odds ratio e rischi relativi sono il fiocco di studi epidemiologici ed esprimono l’associazione tra i dati categoriali che possono essere riassunti come una tabella di contingenza 2 × 2., La regressione logistica è in realtà un metodo di analisi multivariata che esprime la forza dell’associazione tra una variabile dipendente binaria e due o più variabili indipendenti come rapporti di probabilità regolati.

Test per affrontare la domanda: esiste un’associazione tra variabili?

Domanda 4: esiste un accordo tra i set di dati?, Questo può essere un confronto tra una nuova tecnica di screening contro il test standard, un nuovo test diagnostico contro il gold standard disponibile o un accordo tra le valutazioni o i punteggi dati da diversi osservatori. Come si vede da Fig. 4, l’accordo tra variabili numeriche può essere espresso quantitativamente dal coefficiente di correlazione intraclasse o graficamente costruendo un diagramma Blando-Altman in cui la differenza tra due variabili x e y viene tracciata contro la media di x e y., Nel caso di dati categorici, la statistica Kappa di Cohen viene spesso utilizzata, con kappa (che varia da 0 per nessun accordo a 1 per un accordo perfetto) che indica un accordo forte quando è > 0.7. Non è opportuno dedurre un accordo dimostrando che non esiste una differenza statisticamente significativa tra le medie o calcolando un coefficiente di correlazione.

Test per affrontare la domanda: esiste un accordo tra le tecniche di valutazione (screening / valutazione / diagnostica)?,

Domanda 5: c’è una differenza tra le tendenze time-to-event o i grafici di sopravvivenza? Questa domanda è specifica per l’analisi di sopravvivenza (l’endpoint per tale analisi potrebbe essere la morte o qualsiasi evento che può verificarsi dopo un periodo di tempo) che è caratterizzato dalla censura dei dati, il che significa che una percentuale considerevole dei soggetti dello studio originale potrebbe non raggiungere l’endpoint in questione al termine dello studio. I set di dati per le tendenze di sopravvivenza sono sempre considerati non parametrici., Se ci sono due gruppi, i test applicabili sono il test di Cox-Mantel, il test di Gehan (generalizzato Wilcoxon) o il test di log-rank. In caso di più di due gruppi Peto e test di Peto o log-rank test può essere applicato per cercare una differenza significativa tra le tendenze time-to-event.

Si può apprezzare dal contorno sopra che distinguere tra dati parametrici e non parametrici è importante. I test di normalità (ad esempio il test di Kolmogorov-Smirnov o il test di bontà di Shapiro-Wilk) possono essere applicati piuttosto che fare ipotesi., Alcuni degli altri prerequisiti dei test parametrici sono che i campioni hanno la stessa varianza, cioè tratti dalla stessa popolazione, le osservazioni all’interno di un gruppo sono indipendenti e che i campioni sono stati estratti casualmente dalla popolazione.

Un test a una coda calcola la possibilità di deviazione dall’ipotesi nulla in una direzione specifica, mentre un test a due code calcola la possibilità di deviazione dall’ipotesi nulla in entrambe le direzioni., Quando l’intervento A viene confrontato con l’intervento B in un percorso clinico, l’ipotesi nulla presuppone che non vi sia alcuna differenza tra i due interventi. La deviazione da questa ipotesi può verificarsi a favore di entrambi gli interventi in un test a due code, ma in un test a una coda si presume che solo un intervento possa mostrare superiorità sull’altro. Sebbene per un dato set di dati, un test a una coda restituirà un valore p più piccolo di un test a due code, quest’ultimo è solitamente preferito a meno che non vi sia un caso a tenuta stagna per il test a una coda.,

È ovvio che non possiamo fare riferimento a tutti i test statistici in un unico editoriale. Tuttavia, gli schemi delineati copriranno le richieste di test di ipotesi della maggior parte degli studi osservazionali e interventistici. Infine bisogna ricordare che, non vi è alcun sostituto per lavorare effettivamente hands-on con set di dati fittizi o reali, e di chiedere il parere di uno statistico, al fine di imparare le sfumature di test di ipotesi statistica.

Leave A Comment