Presentation laddar. Vänta.

Presentation laddar. Vänta.

Grundläggande Biostatistik Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet.

Liknande presentationer


En presentation över ämnet: "Grundläggande Biostatistik Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet."— Presentationens avskrift:

1 Grundläggande Biostatistik Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet

2 Formell analys Informell data analys Design och mätning Hur samlas data in? Mätskalor reliabilitet validitet Lär känna data, tabeller, mått, grafer Hitta misstag Hantera extremvärden Bortfall Konfidensintervall P-värden (enkla tester) Modellbaserad analys Regression Logistisk regression Överlevnadsanalys

3 Syften.. Skatta prevalens och risker för insjuknande av sjukdom Jämföra utfall av behandling tex läkemedel/rehabiliteringsmetoder Kartlägga riskfaktorer, dvs faktorer som ökar risken för sjukdom Följa förlopp – tillväxtkurvor, etc…

4 Strategi vid kliniska prövningar - Sample size beräkningar -Datainsamling -Beskrivande statistik -Statistisk analys -Inferens - Presentation/publikation

5 Mätning Variabel Kvantitativ Kategorisk Diskret Kontinuerlig OrdnadEj ordnad

6 Utfallsvariabler – primära/sekundära Behandlingsvariabler/riskfaktorer – variabler som påverkar utfallet Bakgrundsvariabler – demografiska variabler Förväxlingsvariabler – confounders/inflytelserika men ej intressanta variabler för frågeställningen Grupper av variabler

7 Datanivåer (typer av variabler) Kvalitativa variabler = kategorivariabler Kvantitativa variabler = numeriska variabler Nominala variabler Utfallen är kategorier som inte kan rangordnas Ordinala variabler Utfallen är ordnade kategorier Intervall- variabler Kan beräkna differenser men inte kvoter Kvot- variabler Kan beräkna differenser och kvoter Blodtyp Kön Yrke Rökning (ja/nej ) VAS-skalan Betyg Självskattad hälsa, smärta Rökning (nej, lite, mycket) Temperatur Mätt i C° F° K° Längd Vikt, ålder Rökning (antal cigaretter per dag)

8 VariabelKategorierTyp av variabel Datanivå ID Kön Man/KvinnaKatNominal Binär Blodgrupp O, A, B, ABKatNominal VIKT Mätt i kgKvantKontinuerlig Rökare Nej, JaKatNominal Binär Smärta Obetydlig, Måttlig, Svår, Outhärdlig KatOrdinal Vårddagar Antal vårdagarKvantDiskret

9 Orsak verkan samband? xyxy x påverkar y x är associerad med y

10 Studiedesign Experiment Klinisk prövning Observationsstudie Tvärsnitts- undersökning Longitudinell undersökning KohortstudieFall-kontroll studie

11 Randomiserad kontrollerad studie Patienter Behandling Kontroll/ Placebo Randomisering Utfall Fler armar kan förekomma

12 Kohort studie Population Exponerade Ej exponerade Utfall

13 Fall kontroll studie Fall Kontroller Exponerade Ej exponerade

14 Tvärsnitts-studie Population Urval Mätningar

15 Analys och inferens Sant medelvärde PopulationUrval Urvalsmetod Inferens Skattning av sant medelvärde

16 Inferens 2: Hypotesprövning Skiljer sig män och kvinnor åt vad avser kroppstemperatur? P-värde = Slutsats: ? Report temp_c sexMeanNStd. Deviation Man36,724865,38820 Kvinna36,885565,41305 Total36, ,40732

17 Statistisk inferens de metoder som används för att utifrån ett stickprov dra slutsatser om en hel population.

18 Hypotesprövning Vid prövning av behandlingsmetod på två grupper: H 0 : ingen skillnad mellan grupper H A : skillnad mellan grupper När väljer vi nollhypotesen och när förkastar vi den till fördel för den alternativa hypotesen?

19 Konfidensintervall Skattningar är osäkra på grund av att vi studerar en del av populationen. Skattningar kan ges med FELMARGINAL. Det kallas KONFIDENSINTERVALL. Konfidensintervallet anges med grad av osäkerhet som kallas konfidensnivå (95%, 99%, etc)

20 Konfidensintervall intervall som inkluderar det sanna medelvärdet nästan säkert (95%). Kroppstemperatur Konfidensintervallet blir – Detta intervall inkluderar populationens medelvärde nästan säkert (med 95% konfidens)

21 P-värde p-värde = sannolikheten för det erhållna utfallet eller extremare under förutsättning att nollhypotesen är sann. Om denna sannolikhet är liten tror vi att nollhypotesen är falsk. Vi förkastar nollhypotesen. Om denna sannolikhet är stor kan vi inte förkasta nollhypotesen.

22 Praxis för bedömning av p-värden p > 0.05 ingen skillnad (ej signifikant) 0.05>p>0.01 skillnad (signifikant *) 0.01>p>0.001 skillnad (signifikant **) 0.001>p skillnad (signifikant ***)

23 Typ I och II fel Null Hypothesis is true (H 0 ) Alternative Hypothesis is true (H A ) Reject Null Hypothesis -Negative Right decisionType 2 error (β) Reject Null Hypothesis -Positive Type 1 error (α)Right decision H 0 : grupp 1 =grupp 2 H A : grupp 1 ≠grupp 2 Type 1 error is referred to as false positive Type 2 error is referred to as false negative

24 Begreppet power – studiens styrka Sannolikheten att kunna påvisa en skillnad mellan grupper (tex behandlingsgrupper) om den finns där Utgör en komponent vid bestämning av studiens storlek Andra komponenter är: Den minsta skillnad vi vill kunna påvisa Risk för ett falskt positivt fynd (alfa-fel) Storleken av spridningen i utfallet Val av metod

25 Presentation av data Bild Mått Tabell Val styrs av variabeltyp

26 Lägesmått Medelvärde Median”Mittersta värdet” 36.8 gr C

27 Variationsmått Standardavvikelse Kvartilavstånd (IQR) Variationsvidd (Range) s = 4.13 år q1 = 36.56, q3 = IQR= 0.5 grC max =38.22, min = VV = 2.5

28 Grafisk beskrivning: Histogram Referens

29

30 År styrka i höger och vänster hand associerade? Grafisk bild av samband (scatter plot)

31 Grafisk beskrivning: Boxplot

32 Tabellpresentation

33 Jämförelse mellan grupper

34


Ladda ner ppt "Grundläggande Biostatistik Joacim Rocklöv, Lektor Epidemiologi och global hälsa Umeå Universitet."

Liknande presentationer


Google-annonser