Grundläggande begrepp

En presentation över ämnet: "Grundläggande begrepp"— Presentationens avskrift:

1 Grundläggande begrepp
Kurs i vetenskapligt syn- och förhållningssätt för ST-läkare CKF David Iggman, med. dr. Distriktsläkare Akademisk Vårdcentral Norslund Svärdsjö Klinisk Nutrition och Metabolism, Uppsala Universitet 66 bilder

2 Kvantitativa variabler
Kvalitativa variabler Skalor: nominal (kön, yrke), ordinal (utbidningsnivåer) intervall (grader C), kvot (K, längd i cm) Nominalskala[redigera | redigera wikitext] Det man mäter kan endast delas in i grupper utan inbördes ordning. Exempel är kön, yrke och sjukdomstyp. Variabelns olika värden kan endast beskrivas med ord, exempelvis man/kvinna, läkare/sjuksköterska/städare/säljare. För variabler som mäts enligt en nominalskala är det möjligt att beräkna typvärde, men inte median eller aritmetiskt medelvärde. Ordinalskala[redigera | redigera wikitext] Variabelns olika värden kan rangordnas, men det går inte att på något meningsfullt sätt ange skillnader eller avstånd mellan värdena. Exempel är utbildning som kan anta värdena grundskola/gymnasium/högskola/forskarutbildning. Det går att ordna värdena efter stigande utbildningsnivå, men man kan inte tilldela en viss utbildning något numeriskt värde. För en variabel mätt enligt denna skala är det möjligt att beräkna typvärde, median och percentiler, men inte aritmetiskt medelvärde. Intervallskala[redigera | redigera wikitext] I detta fall kan det man mäter tilldelas ett numeriskt värde. Ett exempel är temperatur mätt i grader Celsius. Det är här meningsfullt att ange skillnaden mellan två mätvärden. 20 grader Celsius är 10 grader varmare än 10 grader Celsius och 30 grader är ytterligare 10 grader varmare. Däremot är det inte riktigt att påstå att det en dag är dubbelt så varmt som föregående dag eftersom nollpunkten är godtycklig och det finns negativa temperaturvärden. För variabler mätta enligt denna skala är det möjligt att beräkna både typvärde, median och aritmetiskt medelvärde. Kvotskala[redigera | redigera wikitext] Det som mäts kan beskrivas med ett kontinuerligt varierande numeriskt värde, och det finns ett entydigt sätt att definiera ett nollvärde. Därmed kan man jämföra storleken mellan de olika värdena. Exempel är kroppslängd mätt i centimeter. En person kan vara dubbelt så lång som en annan. Även temperatur mätt i kelvin mäts enligt en kvotskala eftersom nollpunkten här är absolut och det inte finns några negativa temperaturvärden. Märk väl att det inte är i princip omöjligt att uppmäta negativa värden på en kvotskala. Exempelvis kan en persons samlade ekonomiska tillgångar anta ett negativt värde på en kvotskala om personens skulder överstiger dennes tillgångar. Endast för variabler som mäts enligt en kvotskala är det meningsfullt att multiplicera och dividera mätvärdena

3 Medelvärde (aritmetriskt, geometriskt)
(2+8) / 2 = 5 Medelvärde (aritmetriskt, geometriskt) Median Spridningsmått (SD, varians, CV, range, IQR)

4 Normalfördelning Positivt skev fördelning

5 Statistisk slutledning:
P-värden (en/tvåsidigt) Signifikans Konfidensintervall

6 Hypotesprövning t-test Mann Whitney U-test / Wilcoxon

7 Validitet Reliabilitet

8 Kausalitet/orsakssamband
Bias Confounding Slump Kausalitet/orsakssamband Exponering (grått hår) Utfall (cancer)  Oberoende samband Confounder(?) Bias= Metodfel, systematiska fel

9 Samband är inte alltid orsakssamband!

10 Faktorer som stärker misstanken om orsakssamband
1. Temporalt samband – exponering före insjuknande 2. Styrkan i sambandet – ett kraftfull ”riskestimat” ökar sannolikheten 3. Dos-respons förhållande – risken ökar med ökad exponering Undantag finns [ex. tröskelvärde] 4. Reproducerbarhet – har sambandet upprepats i andra studier 5. Biologisk sannolikhet – är det troligt att sambandet är kausalt, baserat på nuvarande biologisk kunskap? 6. Riskfaktoreliminering – om den observerade riskexponeringen tas bort, påverkas sjukdomsrisken? 7. Alternativa förklaringar – har man tagit hänsyn och justerat för alternativa förklaringar

11 Studietyper och evidensstyrka
Traditionell evidenspyramid Koststudier Anpassat från Harris et al., J. Nutr 2009

12 Sensitivitet Specificitet PPV NPV NNT NNH
sannolikheten för positivt testresultat när positivt resultat är det korrekta resultatet sannolikheten för negativt testresultat när negativt resultat är det korrekta resultatet andelen av dem som testas positiva för en sjukdom som verkligen är positiva. Det positiva prediktiva värdet beror på prevalensen i populationen, en hög prevalens ger högt ppv andelen av de som testas negativa för en sjukdom som verkligen är negativa. Det negativa prediktiva värdet beror på prevalensen i populationen, en hög prevalens ger ett lågt npv. the inverse of the absolute risk reduction the inverse of the attributable risk

13 Bortfall Imputering Intention to treat / Per protocol

14 Tack för uppmärksamheten!