Tag: statystyka medyczna

Badania rynku medycznego wzmacniają konkurencyjność

 

Rynek medyczny i farmaceutyczny zajmuje jedno z czołowych miejsc wśród najprężniej rozwijających się sektorów gospodarki. Wedle ekspertów, do 2021 roku roczne przychody w tej dziedzinie wzrosną aż o 5-8%. Za kulisami zmian kryje się ogromna walka o konkurencyjność oraz rozpoznawalność wśród potencjalnych klientów.  Koniecznością staje się zrozumienie pacjentów oraz kreowanie dla nich innowacyjnych rozwiązań.  Pomocne w tym zakresie są badania rynku farmaceutycznego

 

Jakie znaczenie mają pharma market research?

Konsumenci mają swoje przyzwyczajenia, ulubione apteki czy leki, po które sięgają w razie nagłego zachorowania. Dobrze przeprowadzone badania dostarczają rzetelnych danych na te tematy, prezentują zarówno dane statystyczne ukazujące przekrój społeczeństwa, jak i insighty konsumenckie będące wynikiem metod jakościowych.

 

Badania dla biznesu medycznego

 

Rolą badań rynku medycznego jest również  analiza potencjału biznesowego na nowych rynkach, polskich, jak i zagranicznych. Takie projekty są kierowane głównie do koncernów farmaceutycznych, które wprowadzają nowy produkt, ale też do nowopowstających firm, które chcą znaleźć swoją niszę. Badania pharma market research skupiają się na segmentacji rynku, analizie konkurencji i prowadzonej przez nie komunikacji, a także na tak praktycznych aspektach, jak prezentacja produktu na sklepowej półce czy obecność w aptekach lub supermarketach. 

 

Kto zajmuje się badaniami rynku medycznego?

 

Najbardziej rzetelnych danych na temat całego sektora medycznego dostarczą firmy typu CRO i agencje badawcze wyspecjalizowane w branży farmaceutycznej.  Takie firmy zatrudniają profesjonalistów z takich dziedzin jak: biotechnologia, statystyka, bioinformatyka czy matematyka stosowana, marketing i socjologia. Łączą różne kompetencje, dzięki czemu pharma market research są kompleksowe, szczegółowe oraz przydatne.

 

Badania rynku medycznego i implementacja rozwiązań

 

Analizy, insighty oraz statystyki to tylko jeden etap. Ogromne znaczenie ma interpretacja zebranych danych, a tym samym wykorzystanie ich do wprowadzenia zmian, tworzenia lepszych produktów, kampanii reklamowych i rozwiązań dla pracowników oraz pacjentów. Na szczęście wiele organizacji CRO i agencji badawczych także tutaj przychodzi z pomocą i zajmuje się identyfikacją oraz konsultingiem, realizując projekty od fazy planowania, do wdrażania.

 

Jednorazowe czy cykliczne badania?

 

To bardzo ważne pytanie, na które jest jedna odpowiedź. Rynek farmaceutyczny zmienia się w ogromnym tempie, aby za nim nadążyć należy regularnie zlecać badania statystyczne i pharma market research, a także konsultować nowe rozwiązania wraz ze specjalistami CRO.

Nowoczesna medycyna a statystyka

 

Współcześnie branża medyczna czy farmaceutyczna na wielu polach swojej działalności musi opierać się na badaniach statystycznych. Tendencją jest również fakt, iż z roku na rok poszerzają się obszary w których króluje właśnie statystyka medyczna. To właśnie statystyka daje nam możliwość na odkrycie nieoczywistych zależności, znalezienie odpowiedzi na ważne pytania oraz pozwala poznawać nowe fakty. Jej wielozadaniowość oraz szybki rozwój pozwoliły naukowcom uznać ją za specyficzną i oddzielną dziedzinę nauki.

 

Analiza danych w medycynie

Nie tylko naukowcy lub lekarze prowadzący badania ale również osoby zainteresowane ich wynikami, chętnie je wykorzystują. Dlatego też coraz częściej w różnego rodzaju publikacjach naukowych można spotkać się zarówno z klasycznymi wynikami badań statystycznych, jak i tymi bardziej zaawansowanymi (data mining). Dzieje się tak, ponieważ techniki statystyczne dostarczają wiele korzyści w badaniach rynku medycznego, ale również w optymalizacji funkcjonowania jednostek służby zdrowia. Są również w stanie pozytywnie wpłynąć na jakość oferowanej opieki nad osobami chorymi, w tym wydajność posiadanych zasobów.

 

Biostatystyka

 

Jest typową nauką pogranicza, ponieważ swój rodowód wywodzi zarówno ze statystyki oraz biologii. Najbardziej powszechnym zastosowaniem biostatystyki, to badania rynku medycznego, np. promowanie nowych leków, badania w branży farmaceutycznej, np. potrzeby i opinie pacjentów, badania na potrzeby analiz klinicznych czy biorównoważności. Tak więc, biostatystykę angażuje się w wszelkie badania, analizy czy obserwacje z zakresu medycyny, aby móc w sposób statystyczny, częściowo i opisowy, ukazać badane zjawisko.

 

CRF

 

Formularz CRF to dokument wykorzystywany w obserwacji klinicznej. Zapisuje się w nim wszelkie informacje wymagane w protokole badań klinicznych. Badań, które mają na celu wykazanie zarówno skuteczności jak i bezpieczeństwa stosowanych środków farmakologicznych. Dzięki temu maja one szanse zostać zarejestrowane jako produkt leczniczy, a w związku z tym dopuszczone do obrotu na rynku farmaceutycznym. Ponieważ badania są długotrwałe to wymagają stosowania rozległej dokumentacji. Usprawnieniem jest tutaj zastosowanie ich elektronicznej wersji zwanej ECRF.

 

Badanie satysfakcji pacjentów

 

Zmierzenie i poznanie satysfakcji pacjentów, poprzez wykorzystanie metod statystyki medycznej, z oferowanych im świadczeń zdrowotnych jest bardzo ważnym elementem zarządzania jakością w ośrodkach leczniczych. Jest on w głównej mierze uznawany za wskaźnik jakości usług realizowanych przez tę jednostkę. Wprowadzenie norm kontroli jakością w placówce medycznej, w tym badań satysfakcji pacjentów z usług, wpływa na poprawę jej konkurencyjności na rynku usług medycznych.

 

Statystyka medyczna do prac naukowych

 

Studenci oraz doktoranci przygotowujący się do obrony pracy dyplomowej powinni rozważyć możliwość skorzystania z usług statystycznych dedykowanych medycynie. Wnioski z badań statystycznych stanowią doskonałe uzupełnienie części teoretycznej doktoratu.

 

Analizy prowadzone na własną rękę są jednak obarczone sporym ryzykiem błędów oraz wymagają poświęcenia bardzo dużej ilości wolnego czasu. Dlatego też decyzja o skorzystaniu z oferty firmy badawczej może okazać się strzałem w dziesiątkę.

 

Statystyka medyczna – jakie analizy warto przeprowadzić?

 

W celu przygotowania opracowania na potrzeby pracy doktorskiej zazwyczaj wystarczające jest wykonanie podstawowych testów opisowych oraz porównawczych. Najczęściej wykonywane są w tym zakresie analizy korelacyjne oraz testy istotności statystycznej. Nie znaczy to jednak, że prowadzenie obliczeń z wykorzystaniem pozostałych testów parametrycznych oraz nieparametrycznych jest pozbawione sensu.

 

Mając na uwadze specyfikę nauk medycznych, warto rozważyć zwłaszcza możliwość zastosowania:

 

  1. Testów przeżywalności;
  2. Testów ewolucyjnych,
  3. Analiz koszykowych;
  4. Analiz z wykorzystaniem modeli regresji;
  5. Analiz wariancji.

 

Analizy danych: konsultacje i usługa korekty

 

Profesjonalne firmy badawcze, takie jak Biostat, świadczą pomoc statystyczną w zakresie analizy danych już od etapu projektowania założeń metodologicznych. Zapewniają odpowiedni dobór próby badawczej, a także metod i testów analitycznych. Poza tym oferują usługę korekty obliczeń wykonanych przez inne osoby lub podmioty, a także konsultacji dotyczących dowolnie wybranego obszaru analizy statystycznej.

 

Automatyczne obliczenia statystyk medycznych

 

Decydując się na wybór firmy zajmującej się statystyką do doktoratu czy pracy magisterskiej, warto dowiedzieć się wcześniej, czy dysponuje ona nowoczesną platformą analityczną, przystosowaną do prowadzenia obliczeń statystycznych w sposób całkowicie zautomatyzowany. Powinna być ona także wyposażona w moduł intuicyjnego kodowania danych oraz ich walidacji. Poza tym wysokiej jakości oprogramowanie statystyczne umożliwia sporządzanie cyklicznych kopii zapasowych (Date Backup), dzięki czemu udaje się zniwelować ryzyko utraty cennych danych.

 

Jak wybrać najlepszą firmę?

 

Ściśle statystyką medyczną zajmuje się jedynie kilka firm badawczych na rynku, spośród których największym doświadczeniem może się pochwalić agencja Biostat. Jest to firma specjalizująca się w wykonywaniu analiz statystycznych dla farmacji i ośrodków medycznych, która funkcjonuje już od 15 lat w branży. Co istotne, zatrudnia ona doświadczonych statystyków i analityków, którzy mieli okazję współpracować z największymi koncernami farmaceutycznymi w kraju i za granicą.

 

Podsumowanie

 

Nie warto zatem zajmować się prowadzeniem analiz statystycznych do doktoratu na własną rękę. Wówczas jesteśmy bowiem narażeni na spore ryzyko błędów, co na pewno nie zadowoli promotora ani recenzenta. Dlatego też zlecenie zadania wykonania obliczeń zewnętrznej firmie badawczej jest najbardziej optymalnym spośród wszystkich rozwiązań. 

Biostatystyka w pigułce

Od wielu lat statystyka znajduje szerokie zastosowanie w innych gałęziach nauki. Dostarcza im odpowiedzi na wiele pytań, pozwala udowadniać tezy, tworzyć prawdopodobne scenariusze na przyszłość czy szukać skutecznych rozwiązań. A jedną z tych gałęzi jest medycyna.

 

Statystyka w medycynie

Gdy statystyka na dobre zagościła w medycynie, zaczęto obserwować fuzję tych dwóch nauk, efektem której stało się powstanie statystyki medycznej, a z czasem biostatystyki. Dziś pod pojęciem tym rozumiemy obszar nauk o życiu i zdrowiu w kontekście statystycznym. Obejmują ona projekty naukowe na rzecz medycyny, weterynarii, pielęgniarstwa, genetyki oraz rolnictwa.

 

Obszar analiz

Analizy danych bez względu na to, w jakiej dziedzinie są przeprowadzane, opierają się na tych samych metodach. Nie sposób jednak nie zauważyć, że ze względu na dynamiczny charakter medycyny, statystyka medyczna  wymaga zastosowania niekiedy metod bardzo specyficznych. Przykładem może być singular vector decomposition, czyli metoda oparta na wyszukiwaniu korelacji wektora osobliwego. Istotą tej metody jet przesunięcie wektora w poziomie lub w pionie i wychwycenie elementów, które są zbliżone do elementów poprzednich.

 

Problemy statystyczne w badaniach medycznych

Ogólnie przyjmuje się, że problemy statystyczne w badaniach medycznych można podzielić na trzy główne typy. Pierwszy stanowią tak zwane problemy klasyfikacyjne. Ich istotą jest wyjaśnienie badanego zjawiska bądź poprawne zaklasyfikowanie. Drugi typ dotyczy przewidywania poziomu konkretnych parametrów. Trzeci natomiast koncentruje się na problemach, które podlegają weryfikacji, w tym na przewidywaniach.

 

Konkretne przykłady zastosowania

Dzięki analizom danych w  biostatystyce jesteśmy w stanie odpowiedzieć na wiele niezwykle ważnych pytań. Analizy te pozwalają na przykład szacować czas życia pacjentów zmagających się z konkretnymi chorobami, badać wpływ różnych czynników na występowanie chorób czy przewidywać długość gojenia się ran w sytuacji stosowania konkretnych rodzajów opatrunków.

 

Dobór metody

Trudno jest jednoznacznie powiedzieć, która metoda jest najlepsza, najskuteczniejsza. Wybór metod  to zawsze kwestia indywidualna. Metoda musi odpowiadać celom badawczym i tym samym przynosić odpowiedzi na stawiane pytania. Szczególnie, gdy bada się tak ważną dla ludzkości płaszczyznę, jaką jest medycyna, a wraz z nią życie i ludzkie zdrowie. Dlatego też badania należy zawsze zlecać osobom czy firmom trudniącym się kompleksowym badaniem rynku medycznego - wówczas uzyskane wyniki będą rzeczywiście służyły ludzkości.

Jak zaplanować medyczne badania statystyczne?

Pozyskiwanie i analiza danych jest w statystyce medycznej szczególnie wymagającym zadaniem. Należy bowiem mieć na uwadze nie tylko cele badawcze i względy metodologiczne, ale również dobro pacjenta. O to, by badanie statystyczne dało jak najlepsze rezultaty, możemy zadbać już na etapie planowania.

 

Określenie celu i rodzaju badania

 

Przede wszystkim należy jasno określić cel badania. Może to być na przykład oszacowanie pewnego parametru w populacji lub weryfikacja skutków nowej metody leczenia.

Potrzebnych do analizy danych dostarczyć może eksperyment lub obserwacja. Badania eksperymentalne (np. kliniczne, laboratoryjne) pozwalają badaczowi na większą kontrolę różnych  czynników , przez co wyniki są dokładniejsze i bardziej przekonujące. Mogą jednak wymagać zaangażowania ludzi lub zwierząt, więc nie zawsze są możliwe do przeprowadzenia. Przy badaniach obserwacyjnych (np. epidemiologicznych) badacz nie może w żaden sposób wpłynąć na wynik i chociaż dostarczają one mniej informacji, czasami są jedyną możliwą formą pozyskania danych.

 

Jaka ma być próba?

 

Skuteczność analizy danych medycznych w ogromnym stopniu zależy od doboru pacjentów. Prawdopodobieństwo trafienia do badania powinno być jednakowe dla każdego osobnika w populacji. Równie ważna jest liczność próby. Niestety, odpowiednie jej dobranie może wymagać kompromisu. Zbyt mała liczba pacjentów zwiększa szanse wyciągnięcia nieprawdziwych wniosków, a czasami uniemożliwia poprawne zastosowanie niektórych metod statystycznych. Gdy pacjentów jest za dużo, rosną koszty i wydłuża się czas badania. Ważny staje się też czynnik etyczny, gdyż możliwe jest np. pozbawienie pacjentów  skuteczniejszej metody leczenia.

 

Na co jeszcze zwrócić uwagę?

 

Nie tylko liczność próby wpływa na dokładność analizy statystycznej. Pożyteczne może okazać się również  kilkukrotne powtarzanie pomiarów. Nie są one jednak wtedy niezależne, więc należy albo uwzględnić średnią, albo odpowiednio dostosować metodę statystyczną. W niektórych przypadkach warto zgrupować badanych w bloki, np. ze względu na wiek. Czasami możliwe jest zbadanie kilku czynników w jednym badaniu, co skraca czas jego trwania i obniża koszty. Wyniki mogą być bardziej wiarygodne także wtedy, gdy pacjenci i badacze nie wiedzą, czy przyjmują placebo, czy nowy środek.

 

 

Podsumowanie

 

Przeprowadzenie badania statystycznego jest skomplikowanym i złożonym procesem. W analizie danych medycznych niejednokrotnie biorą udział wyspecjalizowane firmy. Warto rozpocząć z nimi współpracę już na etapie planowania.

Analiza statystyczna (cz. 2) - obliczanie ryzyka względnego za pomocą R

W poprzednim artykule omawialiśmy ryzyko względne, które jest wygodną wielkością stosowaną w statystyce medycznej informującą w jaki sposób czynnik ryzyka wpływa na szeroko pojmowane wystąpienie zmian patologicznych. W sieci znajdziemy bogate oprogramowanie online pozwalające liczyć interesujące relacje np.  relativeriskcalculatordostępny pod adresem:

https://www.medcalc.org/calc/relative_risk.php.

 

Jednak najczęściej istnieje potrzeba obliczenia szeregu wielkości stosowanych w badaniach klinicznych, czy medycznej analizie statystycznej - wtedy z pomocą przychodzi środowisko programistyczno-obliczeniowe R. Sam program R nie dysponuje wbudowanymi funkcjami pozwalającymi na przeprowadzanie różnorakich klinicznych testów statystycznych: należy ściągnąć odpowiedni pakiet, w tym przypadku najlepszym wyborem jest epitools dostępny między innymi na stronie https://cran.r-project.org/web/packages/epitools/index.html warto zaznaczyć, że epitools znajdziemy również w wersji mobilnej (android):

https://play.google.com/store/apps/details?id=com.epi.function

 

I. Szacowanie ryzyka względnego bez użycia pakietów.

 

1. Należy utworzyć macierz danych. W przypadku szpiczaka mnogiego i promieniowania kod będzie następujący:

 

Proba<- matrix(c(130, 1870, 70, 8000), nrow = 2)	

 

2. Aby kod był przejrzysty- warto nadać nazwy wierszom i kolumnom:

 

	
dimnames(Proba) <- list("Grupa" = c("Myelomamultiplex","Kontrolna"), "MI" = c("Nar.naprom.","Nie nar. na prom."))

 

Grupa               Nar.na prom. Nie nar. na prom.
Myelomamultiplex          130                70
Kontrolna                 1870              8000

 

3. Kolejnym krokiem jest utworzenie tabeli procentowej (np. 130 przypadków szpiczaka dla 200 obserwcji ogółem stanowi 65% -> 0,65):

 

prob.nazw<- prop.table(Proba, margin = 1)

Grupa Nar.na prom. Nie nar. na prom.
Myelomamultiplex 0.650000 0.350000
Kontrolna 0.189463 0.810537

 

4. Ostatnim z kroków pozwalających ocenić ryzykow względne jest zastosowanie poniższej procedury:

 

ryzyko.wg<- prob.nazw[1,1]/prob.nazw[2,1]
3.430749

II. Ocena ryzyka względnego za pomocą pakietu epitools:

 

1. Instalacja i uruchomienie pakietu epitools

>install.packages("epitools")
>library("epitools")	

 

W tym przypadku rozważane będą inne dane

 

2. Utworzenie macierzy danych:

dane <- matrix(c(4,16,40,168),byrow=TRUE,nrow=2)	

 

3. Wywołanie instrukcji epitab(dane_badane,metoda):

epitab (dane,method="riskratio")

 

4. Wynik:

## $dane
## Outcome
## Predictor Disease1 p0 Disease2 p1 riskratio lower upper
## Exposed1 4 0.2000000 16 0.8000000 1.000000 NA NA
## Exposed2 40 0.1923077 168 0.8076923 1.009615 0.8030206 1.269361
## Outcome
## Predictor p.value
## Exposed1 NA
## Exposed2 1

 

RR odczytujemy z kolumny riskratio (1.009615).

 

Dodatkowo można oliczyć logarytm z RR:

 

RR <- prob.nazw[1,1]/prob.nazw[2,1]
log(RR)
1.232779

 

 

III. Obliczenie ryzyka względnego w programie MS Excel 2010

Mając tabelę:

 

Narażony na promieniowanie jonizujące

Nie narażony na promieniowanie

jonizujące

Ogółem

Wystąpienie szpiczaka mnogiego (Myelomamultiplex)

130

70

200

Grupa kontrolna

1870

7930

9800

 

2000

8000

1000

 

Należy najpierw przekonwertować ją do postaci procentowej - pytamy np. ile procent zachorowań jest zależne od promieniowania.

 

Obliczenia przeprowadza się wg następującego wzorca:

 

X=130*1/200, oraz Y=1870*1/9800

 

Następnie dzieląc X/Y otrzymujemy ryzyko względne = 3,406.

 

Autor opracowania: Jeremiasz Pilarz (BioStat)

Analiza statystyczna (cz. 1) - ryzyko względne

Wielkością, która określa stosunek prawdopodobieństwa zajścia danego zdarzenia (w tym przypadku wystąpienia choroby, śmierci, lub innego przypadku patologicznego) w grupie badanej względem grupy odniesienia (grupa kontrolna) jest ryzyko względne. Ryzyko względne (RR – relativerisk) jest wielkością, która pozwala na ocenę o ile prawdopodobieństwo wystąpienia zdarzenia w grupie pacjentów ze zmianami chorobowymi jest różne (większe/mniejsze) w porównaniu z grupą kontrolną. Warto zaznaczyć, że RR należy do grupy metod biostatystycznych EBM (evidenced- basedmedicine), czyli medycyny opartej na faktach. Ocena ryzyka wystąpienia choroby w metodzie RR jest dokonywana za pomocą tzw. Tabeli czteropolowej w której dzieli się wszystkie osoby objęte obserwacją: ilość chorych, którzy byli poddani działaniu czynnika wywołującego zmiany patologiczne, ilość chorych, którzy nie mieli do czynienia z czynnikiem chorobotwórczym, narażona grupa kontrolna i nienarażona grupa kontrolna.

Należy zaznaczyć, iż ryzyko względne należy do względnych miar zależności statystycznych (obok min. Ilorazu szans, ilorazu współczynników, czy częstości).

W przypadku RR rozróżniamy trzy zasadnicze możliwości:

  • RR > 1 – dodatnia zależność- czynnik badany wywołuje dane schorzenie (bardzo często podaje się tu przykład zależności zachorowań na raka płuc względem palaczy)

- 1,1 - 1,6 - mała szkodliwość;

-1,7 - 2,5 - średnia szkodliwość;

>2,7 - duża szkodliwość;

  • RR=1 –brak zależności;
  • RR <1 –ujemna zależność- czynnik badany nie wywołuje schorzenia (w danym przypadku), co więcej powoduje jego redukcję (np. występowanie nadwagi względem zdrowego trybu życia)

- 0 - 0,3 - duży efekt ochronny;

- 0,4 - 0,5 - średni efekt ochronny;

- 0,6 - 0,9 - mały efekt ochronny;

 

W zastosowaniach analizy statystycznej w medycynie ryzyko względne jest użyteczną metodą oceny wpływu danego czynnika (np. promieniowania) na ryzyko wystąpienia choroby (tutaj: szpiczak mnogi). Jako przykład niech posłuży hipotetyczne badanie: Czy istnieje relacja pomiędzy występowaniem szpiczaka mnogiego, a wykonywaniem zawodu związanego z narażeniem pacjenta na ekspozycję promieniowania jonizującego (technicy RTG, fizycy, radiolodzy).

 

  Narażony na promieniowanie jonizujące

Nie narażony na promieniowanie

jonizujące

Ogółem
Wystąpienie szpiczaka mnogiego (Myelomamultiplex) 130 70 200
Grupa kontrolna 1870 7930 9800
  2000 8000 10000

 

Ryzyko względne obliczamy ze wzoru:

Wartość 3,4 oznacza, że ryzyko wystąpienia szpiczaka u osób narażonych na promieniowanie jest 3,4 razy większe niż u osób, które nie mają styczności z promieniowaniem.

Z tabeli można wyliczyć nie tylko ryzyko względne, ale i iloraz szans- stosunek szans wystąpienia danego zdarzenia w jednej grupie do szansy jego wystąpienia w innej:

Błąd standardowy (przybliżony) liczy się w następujący sposób:

Wzory ogólne opisujemy następująco:

 

1. Tabela wyników:

  Czynnik ryzyka Brak czynnika chorobotwórczego Ogółem
Choroba/ przypadłość A B alfa
Grupa kontrolna C D beta
SUMA: A + C B + D alfa + beta

2. Ryzyko względne:

3. Iloraz szans:

4. Błąd standardowy:

Autor opracowania: Jeremiasz Pilarz (BioStat)

Testowanie hipotez w statystyce medycznej (cz. 1)

Analityka statystyczna sprzyja weryfikacji, tj. potwierdzaniu lub obalaniu, pewnych przyjętych hipotez. Nie inaczej jest także w zakresie statystyki medycznej - tutaj również proces analiz pozwala odnosić się do brzmienia rozpatrywanych hipotez, a jego ogólny schemat przedstawić można następująco, w postaci 5 kluczowych etapów:

  • formułowanie hipotezy zerowej oraz przeciwnej do niej hipotezy alternatywnej, która podlegać będzie badaniu i weryfikacji;
  • gromadzenie danych do analizy;
  • oszacowanie wartości określonej dla hipotezy zerowej tzw. statystyki testu;
  • porównanie uzyskanej wartości statystyki testu z wartościami wykazanymi w znanych rozkładach prawdopodobieństwa;
  • interpretacja wyników i wyciagnięcie wniosków.

 

Podstawowe kwestie z dziedziny statystyki, z których to czerpie statystyka medyczna w zakresie testowania hipotez omówione zostaną pokrótce w dalszej części opracowania.

 

Definiowanie hipotez

Jak podczas typowych badań statystycznych, tak i analizy o charakterze medycznym sprowadzają się do testu hipotezy zerowej (H0), która zakłada na ogół brak oddziaływania/zachodzenia rozpatrywanego zjawiska w badanej populacji. Gdy hipoteza ta nie jest prawdziwa - siłą rzeczy zachodzi hipoteza alternatywna (H1) - odnosi się one co do zasady bezpośrednio do teorii, która zamierzamy objąć badaniem i jest przeciwieństwem hipotezy H0.

 

Uzyskiwanie statystyki testowej i wartości „p”

Weryfikacja hipotez wymaga uzyskania dla nich tzw. statystyki testu - odbywa się to w oparciu o zgromadzone dane liczbowe i podstawienie ich do wzoru zdefiniowanego dla używanego testu. Odzwierciedla on co do zasady siłę zawartego w zabranych danych dowodu statystycznego przeciwko przyjętej hipotezie zerowej (H0) - większą wartość utożsamia się zwykle z silniejszym dowodem.

 

Co istotne, dostępne statystyki testowe wpisują się w powszechnie stosowane rozkłady częstości. Pole w ogonach rozpatrywanego/rozpatrywanych rozkładów prawdopodobieństwa, łączące w swoisty sposób wartość uzyskanej ze statystyki testu z samym rozkładem, jest tzw. wartość „p”. Definiuje się ją jako prawdopodobieństwo otrzymania wyników w sytuacji, gdy założona hipoteza zerowa jest prawdziwa.

 

Z reguły im  mniejsza wartość „p”, tym silniejszy jest dowód za odrzuceniem hipotezy zerowej - za dowód wystarczający przyjmuje się wartość „p” na poziomie niższym niż 0,05, co daje wyniki o istotności rzędu 5% (wartość „p” większa lub równa 0,05 nie stanowi powodu do odrzucenia hipotezy zerowej - wyniki określamy jednak jako nieistotne na poziomie 5%). Należy jednak mieć na uwadze, że wybór pułapu 5% (0,05) uważa się za arbitralny - w sytuacji groźnych następstw odrzucenia/przyjęcia hipotezy zerowej (mowa wszak o problematyce medyczne i zdrowiu oraz życiu ludzkim), możemy domagać się by statystyka medyczna opierała się o silniejsze dowody, tj. ustalenia wartości „p” na poziomie 0,01 lub 0,001.

 

Testowanie nieparametryczne

Korzystanie z znanych rozkładów prawdopodobieństwa, któremu podlegają zebrane dane,  określa się jako testowanie parametryczne. W sytuacji, gdy zadane dane nie spełniają założeń tego typu testów, odwołać się należy do testów nieparametrycznych, które mają zastosowanie niezależnie od postaci rozkładu. Ten typ testów jest szczególnie ważny w przypadku prób mało licznych lub ujęcia danych w postaci „kategorialnej”.

 

Mając do wyboru nie tylko różne formy test, ale i same testy, warto przemyśleć, który z nich użyć - wybór uzależnia się zasadniczo o od projektu badawczego, typu zadanej me innej i samego rozkładu częstości.

 

Przedział ufności

Kolejnym ważnym zagadnieniem w testowaniu hipotez, jakie uwzględnia statystyka medyczna w procesie analiz, jest kwestia przedziału ufności. Są one nierozerwalnie złączone z testowaniem hipotez, gdyż kwantyfikują interesujące analityka wyniki i pozwalają na uzyskanie ich klinicznych aplikacji. W swoisty sposób przedziały ufności określają wiarygodność uzyskanych wyników - jeżeli hipotetyczna wartość wyniku wykracza poza przyjęty przedział ufności, świadczy to o jego niskiej wiarygodności i prowadzi do odrzucenia hipotezy zerowej H0.

 

Błędy w testowaniu hipotez

Tytułem podsumowania, nawiązując do przedziałów ufności czy przyjęcia wartości „p”, zasygnalizować należy, że przyjęcie lub odrzucenie hipotezy zerowej/alternatywnej może być błędne. Wątek ten omówiony zostanie w odrębnym opracowaniu, warto jednak wskazać, że błędy takie mogą wykazywać kilka rodzajów:

  • błąd pierwszego rodzaju to odrzucenie hipotezy zerowej, gdy w rzeczywistości jest on a prawdziwa;
  • błąd drugiego rodzaju to nieodrzucenie hipotezy zerowej w sytuacji, gdy jest ona nieprawdziwa.

 

Każdy z tych błędów wymaga odpowiedniej procedury postępowania w sytuacji jego wykrycia.

Testowanie hipotez w statystyce medycznej (cz. 2)

Z racji na poruszaną problematykę, statystyka medyczna koncentruje się na ogół na testowaniu hipotez skupiających się na porównywaniu zbiorowisk ludzi, które narażone są na różne czynniki chorobotwórcze. Hipotezy nawiązują zatem do efektów czy wyników leczenia - np. hipoteza zerowa H0 stwierdza brak efektów danej terapii, zaś przeciwna do niej hipoteza alternatywna H1 podkreśla wystąpienie pewnych efektów kuracji.

 

Jak wiadomo, testowanie hipotez to podejmowanie decyzji - odrzucimy hipotezę H0 na korzyść H1 lub nie. Każda decyzja niesie ze sobą jednak pewne ryzyko omyłki, nawet mimo zachowania dokładności procedury testowej czy doboru optymalnych parametrów testu. Każdy taki błąd niesie pewne następstwa - analityka statystyki medycznej nawiązuje wszak do, jak akcentowano na wstępie, problematyki zdrowia czy życia ludzkiego.

 

Wyróżnia się dwa rodzaje błędów, jakie popełnić może analityk:

  • błąd pierwszego rodzaju - jest to sytuacja odrzucenia prawdziwej hipotezy H0;
  • błąd drugiego rodzaju - nieodrzucenie nieprawdziwej hipotezy H0.

 

 

Odrzuć  H0

Nie odrzucaj H0

H0 prawdziwa

Błąd I rodzaju

Brak błędu

H0 fałszywa

Brak błędu

Błąd II rodzaju

 

Błąd pierwszego rodzaju

Błąd pierwszego rodzaju to taki, który wiąże się z odrzucenie hipotezy zerowej (H0) w sytuacji, gdy tak naprawdę jest ona prawdziwa - przyjęta zostaje wtedy nieprawdziwa hipoteza alternatywna H1.

Maksymalne prawdopodobieństwo omyłki pierwszego rodzaju określa się symbolem alfa, tj. poziomem istotności testu.

 

Statystyka medyczna, jak każda inno formuła analityki statystycznej, zakłada przyjęcie wielkości alfa jeszcze przed zgromadzeniem danych - z reguły jest to wartość na poziomie 0,05 (bardziej restrykcyjne są wartości niższe, a mniej - niższe).

 

Co istotne, odwołując się do zasad testowania hipotez zauważyć należy, że odrzucenie hipotezy H0 następuje gdy wartość „p” naszego testu jest niższa niż przyjęty poziom istotności ów testu - tylko ta sytuacja stwarza zatem szanse na popełnienie błędu pierwszego rodzaju.

 

Błąd drugiego rodzaju

Błąd drugiego rodzaju to z kolei taki, który wiąże się z nie odrzuceniem hipotezy zerowej (H0) w sytuacji, gdy tak naprawdę jest ona fałszywa - odrzucona zostaje wtedy prawdziwa hipoteza alternatywna H1.

 

Maksymalne prawdopodobieństwo omyłki pierwszego rodzaju określa się symbolem beta, które powiązane jest z tzw. mocą testu. Moc testu, określana jako 1 - beta, stanowi prawdopodobieństwo odrzucenia fałszywej hipotezy H0 i rzadko przyjmuje wartość 100%.

 

Moc testu

Moc testu jest wielkością, którą silnie powiązana jest z problematyką testowania hipotez, a którą można kontrolować - statystyka medyczna wyróżnia bowiem czynniki, które kształtują moc stosowanych w niej testów.

 

Zwiększanie mocy testu warto rozpocząć od ustalenia jej poziomu  już na etapie planowania samej analizy statystycznej - uważa się, ze warto podjąć się, gdy wiemy, ze moc testu jest duża (80%), gdyż za nieodpowiedzialne i nieekonomiczne uznaje się podejmowanie kuracji w sytuacji, gdy sama szansa na wykrycie jego efektów jest nikła.

 

Czynniki warunkujące moc testu, a zatem zasadność samej analizy, to w szczególności:

  • wielkość badanej próby - szacuje się, ze moc testu rośnie wraz z liczebnością próby, tj. dostępnością danych do analizy;
  • zmienność obserwacji - przyjmuje się, że moc testu wzrasta, gdy zmienność obserwacji maleje, tj. gdy obserwacje wykazują stosunkowo stały charakter;
  • wielkość pożądanego efektu - test ma większe szanse wykrycia większych efektów, zatem przyjmuje się,  że im większy jest efekt, którego oczekujemy tym większa jest tez moc testu;
  • poziom istotności - moc testu wzrasta wraz z poziomem jego istotności, przy czym większe szanse na wykrycie poszukiwanego efektu daje przyjęcie w realizowanej statystyce medycznej jako znaczącej wartości „p” na poziomie 0,05 niż 0,01.

 

Ocena czy dana moc testu jest wystarczająca odbywa się poprzez badanie przedziałów ufności dla rozpatrywanych wyników - niewielka wielkość próby i/lub duża zmienność obserwacji sprzyjają poszerzeniu przedziałów ufności, tj. obniżeniu mocy testu.

 

Wielokrotność testów

Niejednokrotnie na jednym zbiorze danych prowadzi się większą liczbę testów istotności. Przyjmuje się, że liczba porównań zwiększa szanse na popełnienie błędu pierwszego stopnia - zaleca się zatem, by skupić się na realizacji niewielkiej liczby testów, odnoszących się do pierwotnych i ustalonych „a priori” celów.

Miejsce statystyki medycznej w procesach badawczych

Rozwój nauki pozwala na przeprowadzanie skomplikowanych procesów badawczych, które mają na celu polepszyć ogólną sytuację człowieka – jego zdrowia i odczuwanej jakości życia. W tym celu badacze często odnoszą się do statystyki, która w swoim zakresie skupia się na pozyskiwaniu, analizie danych oraz zaprezentowaniu ostatecznych wniosków. Statystyka w swoim działaniu może także odnosić się do zjawisk masowych.

 

Bez statystyki ani rusz…

Dzięki rozwojowi statystyki jako nauki, badacze zyskują innowacyjne narzędzie i metody, które pozwalają na przeprowadzanie procesów badawczych na dużych zbiorach danych. Przy czym jednocześnie ułatwiają analizę i interpretację zyskanych danych. W szczególności rozwój nauki odbija się w pozytywny sposób na skuteczności statystyki medycznej, którą stosuje się m.in. w:

  • epidemiologii;
  • badaniach usług zdrowotnych;
  • badaniach klinicznych, obserwacyjnych.

 

Uważaj na dane!

Podejmując się jednak zrealizowania procesu badawczego czerpiącego z danych medycznych należy pamiętać, iż określane są one jako „dane wrażliwe”, przez co rozumienie się, że mogą one odnosić się do stanu zdrowia, kodu genetycznego czy nałogów. Stąd przetwarzanie danych medycznych jest dopuszczalne tylko wtedy, gdy służy ochronie stanu zdrowia, świadczenia usług medycznych czy leczenia pacjentów. Przy czym można wyróżnić dane:

  • prospektywne – odnoszą się do danych zbieranych od dnia rozpoczęcia badania, aż do dnia, który kończy proces badawczy;
  • retrospektywne – skupiają się na przeszłości i oparte są na takich dokumentach jak historia choroby pacjenta.

 

Za co odpowiada statystyka?

Korzystanie w procesach badawczych w dziedzinie medycyny ze statystyki ma umożliwić:

  • wyciągnięcie jak największej ilości informacji ze zgromadzonych danych w odniesieniu do postawionego celu;
  • opisanie występujących tendencji i wskazanie powiązań oraz korelacji występujących pomiędzy poszczególnymi zmiennymi.

Jednak decydując się na wykorzystanie statystyki w procesie należy pamiętać, że zbiera ona informacje tylko na ten temat, którym objęte jest podejmowane działanie badawcze, a tym samym pominięte zostaną wszystkie te dane, które nie mają znaczenia z punktu widzenia statystyki.

 

Statystyka, która spotkała się z medycyną

Łącząc statystykę z medycyną zyskuje się specyficzne narzędzie, które dzięki wykorzystaniu metod statystycznych może przyczynić się do usprawnienia działań w takich dziedzinach jak: biologia, fizjologia, a także medycyna. Każde badanie, w którym statystyka medyczna została wykorzystana do pozyskania informacji, cieszy się wysoką wiarygodnością oraz efektywnością, jeśli chodzi o wprowadzenie nowych rozwiązań lub udoskonalenie tych istniejących.

Analizy statystyczne w każdej branży

Dedykowane usługi statystyczne

Każda firma i instytucja, niezależnie od tego czy reprezentująca sektor FMCG, świat nauki, czy też medycynę i farmację walczy o najlepszą pozycję wśród konkurencji. Profesjonalne analizy statystyczne umożliwiają wyciągnięcie wniosków, na podstawie których można wdrażać nowe produkty i usługi na rynek, rozwijać innowacyjność nauki, odpowiadać na zapotrzebowanie klientów, a także zyskiwać pozycję lidera w konkretnej branży.
 

Czy prowadzić badania statystyczne samodzielnie?

Samodzielne prowadzenie wysoko zaawanasowanych statystyk, z uwzględnieniem wszystkich możliwych metod analiz, nie jest rzeczą łatwą. Jeśli nie posiada się doświadczenia i odpowiednich narzędzi badawczych do przeprowadzenia tego typu badań, samodzielne analizy statystyczne mogą zniszczyć dotychczasowy dorobek badawczy, ponieważ nie będą wolne od przypadkowych błędów. Brak znajomości narzędzi i posługiwanie się nieodpowiednim oprogramowaniem badawczym sprawia, że prawidłowość i poziom rzetelności analiz maleje.

Cześć etapu badawczego, której celem jest przeprowadzenie ilościowych analiz statystycznych warto powierzyć profesjonalistom. Posługiwanie się wysokiej jakości pakietami statystycznymi, typu R oraz SPSS, a także dobór odpowiedniej metody analizy statystycznej – adekwatnej do celu badawczego wymaga praktyki oraz orientacji w tym temacie. Centrum statystyki BioStat® posiada 15 lat doświadczenia w prowadzeniu badań dla:

  • Branży medyczno-farmaceutycznej, 
  • Instytucji państwowych,
  • Wiodących ośrodków naukowych,
  • Firm FMCG.
     

Samodzielne analizy statystyczne, poza możliwością popełnienia wielu błędów, pochłoną wiele czasu i energii. Badacz może spożytkować ten etap prac na inne istotne działania. Współpracując z profesjonalistami, można ponadto przygotować się do publikacji badań w renomowanych czasopismach obecnych na liście filadelfijskiej. To kolejny atut powierzenia badań agencji badawczej.
 

Liczby i co dalej?

Zakładając, że badacze prowadzący eksploracje statystyczne nie popełnią błędów, warto wziąć pod uwagę, że w badaniach statystycznych otrzymają wyniki liczbowe, z których należy opracować jasny i zrozumiały raport, często z elementami graficznymi. Nie jest to zadaniem łatwym. Dopiero na podstawie klarownego raportu można przygotować wnioski płynące z badań oraz sporządzić publikacje do naukowych czasopism czy też zmienić strategię działań firmy. Ten etap jest także opracowywany przez specjalistów z BioStat®. Warto powierzyć analizy statystyczne ekspertom, aby móc odnieść sukces, niezależnie od reprezentowanej branży.

 

 

Biostat. More than statistics.

ul. Kowalczyka 17
44-206 Rybnik

Tel: (+48) 32 42 21 707
Tel. kom.: (+48) 668 300 664
e-mail: biuro@biostat.com.pl

Sondaże Analizy danych