statisticile de astăzi oferă baza pentru inferență în majoritatea cercetărilor medicale. Cu toate acestea, din lipsă de expunere la teoria și practica statistică, aceasta continuă să fie considerată călcâiul lui Ahile de către toți cei interesați în bucla de cercetare și publicare – cercetătorii (autorii), recenzorii, editorii și cititorii.cei mai mulți dintre noi sunt familiarizați într-o oarecare măsură cu măsurile statistice descriptive, cum ar fi cele ale tendinței centrale și cele ale dispersiei. Cu toate acestea, ne clătinăm la statisticile inferențiale., Acest lucru nu trebuie să fie cazul, în special cu disponibilitatea pe scară largă a software-ului statistic puternic și, în același timp, ușor de utilizat. După cum am subliniat mai jos, câteva considerente fundamentale vor conduce la selectarea testului statistic adecvat pentru testarea ipotezelor. Cu toate acestea, este important ca analiza statistică adecvată să fie decisă înainte de începerea studiului, în stadiul de planificare în sine, iar dimensiunea eșantionului aleasă este optimă. Acestea nu pot fi decise arbitrar după terminarea studiului și datele au fost deja colectate.,marea majoritate a studiilor pot fi abordate printr-un coș de aproximativ 30 de teste din peste 100 care sunt în uz. Testul care urmează să fie utilizat depinde de tipul de întrebare de cercetare fiind întrebat. Ceilalți factori determinanți sunt tipul de date analizate și numărul de grupuri sau seturi de date implicate în studiu. Următoarele scheme, bazate pe cinci întrebări de cercetare generice, ar trebui să ajute.
Întrebarea 1: există o diferență între grupurile care nu sunt asociate?, Grupurile sau seturile de date sunt considerate nepereche dacă nu există posibilitatea ca valorile dintr-un set de date să fie legate sau influențate de valorile din celelalte seturi de date. Sunt necesare diferite teste pentru date cantitative sau numerice și date calitative sau categorice, așa cum se arată în Fig. 1. Pentru datele numerice, este important să se decidă dacă respectă parametrii curbei normale de distribuție (curba Gaussiană), caz în care se aplică teste parametrice. Dacă distribuția datelor nu este normală sau dacă nu sunteți sigur de distribuție, este mai sigur să utilizați teste non-parametrice., Atunci când se compară mai mult de două seturi de date numerice, trebuie utilizat mai întâi un test de comparare a mai multor grupuri, cum ar fi analiza unidirecțională a varianței (ANOVA) sau testul Kruskal-Wallis. Dacă returnează o valoare p semnificativă statistic (de obicei însemnând p < 0.05), atunci numai acestea ar trebui urmate de un test post-hoc pentru a determina între exact care două seturi de date se află diferența. Aplicarea repetată a testului t sau a omologului său neparametric, testul U Mann-Whitney, într-o situație de grup multiplu crește posibilitatea respingerii incorecte a ipotezei nule.,
teste pentru a aborda întrebarea: există o diferență între grupuri – situație nepereche (grupuri paralele și independente)?
întrebarea 2: există o diferență între grupurile care sunt asociate? Asocierea semnifică faptul că seturile de date sunt obținute prin măsurători repetate (de exemplu, măsurători înainte-după sau măsurători multiple în timp) pe același set de subiecți. Asocierea va avea loc, de asemenea, dacă grupurile de subiecți sunt diferite, dar valorile dintr-un grup sunt într-un fel legate sau legate de valorile din celălalt grup (de ex., studii gemene, studii de frate, studii părinte-urmași). Un proiect de studiu încrucișat solicită, de asemenea, aplicarea testelor de grup pereche pentru compararea efectelor diferitelor intervenții asupra acelorași subiecți. Uneori, subiecții sunt asociați în mod deliberat pentru a se potrivi cu caracteristicile de bază, cum ar fi vârsta, sexul, severitatea sau durata bolii. O schemă similară cu Fig. 1este urmat în testarea setului de date asociat, așa cum este prezentat în Fig. 2. Încă o dată, compararea mai multor seturi de date ar trebui făcută prin teste de grup multiple adecvate, urmate de teste post-hoc.,
teste pentru a aborda întrebarea: există o diferență între situația grupurilor pereche?
întrebarea 3: există vreo asociere între variabile? Diferitele teste aplicabile sunt prezentate în Fig. 3. Trebuie remarcat faptul că testele destinate datelor numerice sunt pentru testarea asocierii dintre două variabile. Acestea sunt teste de corelație și exprimă puterea asociației ca coeficient de corelație. O corelație inversă între două variabile este reprezentată de un semn minus., Toți coeficienții de corelație variază în mărime de la 0 (nicio corelație) la 1 (corelație perfectă). O corelație perfectă poate indica, dar nu înseamnă neapărat cauzalitate. Atunci când două variabile numerice sunt liniar legate între ele, o analiză de regresie liniară poate genera o ecuație matematică, care poate prezice variabila dependentă pe baza unei valori date a variabilei independente. Ratele de cote și riscurile relative reprezintă baza studiilor epidemiologice și exprimă asocierea dintre datele categorice care pot fi rezumate ca un tabel de urgență 2 × 2., Regresia logistică este de fapt o metodă de analiză multivariată care exprimă puterea asocierii dintre o variabilă dependentă binară și două sau mai multe variabile independente ca raporturi de cote ajustate.
teste pentru a aborda întrebarea: există o asociere între variabile?
întrebarea 4: există un acord între seturile de date?, Aceasta poate fi o comparație între o nouă tehnică de screening față de testul standard, un nou test de diagnostic față de standardul de aur disponibil sau un acord între ratingurile sau scorurile date de diferiți observatori. După cum se vede din Fig. 4, acordul dintre variabilele numerice poate fi exprimat cantitativ prin coeficientul de corelație intraclas sau grafic prin construirea unui complot Bland-Altman în care diferența dintre două variabile x și y este reprezentată grafic față de media lui x și Y., În cazul datelor categorice, statistica Kappa a lui Cohen este frecvent utilizată, kappa (care variază de la 0 pentru niciun acord la 1 pentru un acord perfect) indicând un acord puternic atunci când este > 0.7. Este inadecvat să se deducă acordul arătând că nu există o diferență semnificativă statistic între mijloace sau prin calcularea unui coeficient de corelație.
teste pentru a aborda întrebarea: există un acord între tehnicile de evaluare (screening / evaluare / diagnostic)?,
Întrebarea 5: există o diferență între tendințele de timp până la eveniment sau parcelele de supraviețuire? Această întrebare este specific analiza de supraviețuire(the endpoint pentru o astfel de analiză ar putea fi moartea sau orice eveniment care poate apărea după o perioadă de timp) care se caracterizează prin cenzura de date, ceea ce înseamnă că un procent considerabil din original subiecții studiului nu poate ajunge la punctul final în discuție de timp studiul se încheie. Seturile de date pentru tendințele de supraviețuire sunt întotdeauna considerate a fi non-parametrice., Dacă există două grupuri, atunci testele aplicabile sunt testul Cox-Mantel, testul lui Gehan (generalizat Wilcoxon) sau testul log-rank. În cazul a mai mult de două grupuri, Peto și Peto ‘ s test sau log-rank test pot fi aplicate pentru a căuta o diferență semnificativă între tendințele de timp până la eveniment.din schița de mai sus se poate aprecia că distincția între datele parametrice și cele neparametrice este importantă. Testele de normalitate (de exemplu, testul Kolmogorov-Smirnov sau testul Shapiro-Wilk goodness of fit) pot fi aplicate mai degrabă decât să facă presupuneri., Unele dintre celelalte premise ale testelor parametrice sunt că probele au aceeași variație, adică extrase din aceeași populație, observațiile din cadrul unui grup sunt independente și că probele au fost extrase aleatoriu din populație.
un test cu o singură coadă calculează posibilitatea abaterii de la ipoteza nulă într-o anumită direcție, în timp ce un test cu două cozi calculează posibilitatea abaterii de la ipoteza nulă în ambele direcții., Atunci când intervenția A este comparată cu intervenția B într-un traseu clinic, ipoteza nulă presupune că nu există nicio diferență între cele două intervenții. Abaterea de la această ipoteză poate apărea în favoarea oricărei intervenții într-un test cu două cozi, dar într-un test cu o singură coadă se presupune că o singură intervenție poate arăta superioritate față de cealaltă. Deși pentru un set de date dat, un test cu o singură coadă va returna o valoare p mai mică decât un test cu două cozi, acesta din urmă este de obicei preferat, cu excepția cazului în care există un caz etanș pentru testarea cu o singură coadă.,este evident că nu ne putem referi la toate testele statistice într-un singur editorial. Cu toate acestea, schemele prezentate vor acoperi cerințele de testare a ipotezelor majorității studiilor observaționale și intervenționale. În cele din urmă, trebuie să ne amintim că, nu există nici un substitut pentru a lucra efectiv hands-on cu seturi de date fictive sau reale, și să caute sfatul unui statistician, în scopul de a învăța nuanțele de testare ipoteze statistice.