Biostatistik 3 Flashcards
Förtydligande
Oberoende observationer
versus
Oberoende variabel
Oberoende observationer: Datapunkter
versus
Oberoende variabel: X
(Y är beroende variabel)
Testprestanda
* före kliniken, _________ ___________
X och X
* Nu går vi ut på kliniken: …….
- Före kliniken, under utvecklingsfas: sensitivitet och specificitet (SE, SP)
- Nu går vi ut på kliniken: hur korrekt testet är i att klassificera ett prov som positivt eller negativt.
Vad har vi med oss
* P-värde
* Statistisk signifikans: lågt p-värde
* Statistisk styrka: en studies chans att få ett lågt p-värde om det
verkligen är skillnad mellan grupperna.
* Statistisk styrka: Urvalsstorleken är viktig.
* Storleken på effekten är viktig dvs är det en större skillnad mellan A och B är det enklare att få statistisk styrka i testet
* Men är statistisk signifikans samma sak som biologisk relevans?
* Guldstandard (facitmetoden)
ja
Konfidensintevall (uppskattar ett värde, men vet inte vårt sanna värde)
* Runt ett medelvärde, ett medianvärde, en proportion – när du beskriver variabeln
* Exempel: från tabell 2 ur ”Evidence of longer life; a cohort of 39 labradorretrievers”: 89.7% levde längre än medelvärdet, med 95% ki 74.8-96-7%
* Presenteras vanligen runt en jämförande parameter (sambandsmått) – en risk ratio (=relativ risk), en odds ratio (=oddskvot), en skillnad före och efter en behandling – när du beskriver intervallet där skillnaden/punktestimatet troligen ligger
* Exempel: tabell 1 i ”Risk factors for equine fractures in Thoroughbred flat racing in North America”: visar tex punktskattningen för odds ratio för att vara
I USA jämfört med Kanada: OR=1.360 (punktestimat), 95%ki= 1.191–1.554 (hyftast snäft och inte 1), dvs ökad risk
för USA jämfört med Kanada
Punktvärde ex medelvärde/median. Det närmsta man kommer.
Man använder punktestimat för att räkna KI. i KI finns det sanna värdet, men man vet inte exakt vad det är.
Association - korrelation
* – undersöker….
* Ofta används….
- Korrelation – undersöker associationen mellan två eller fler variabler,
ett mått PÅ HUR STARKT SAMBANDET ÄR MELLAN TVÅ ELLER FLER VÄRDEN VILKET MÄTS MED EN KORRELATIONSKOEFFICIENT - Oftast används korrelation för linjära samband medan association syftar till vilket samband som helst (oavsett om den är sann eller inte)
Definitioner RR
* vilken studie
* risk att nått händer….
>1
<1
KOHORT
* RR: risk att något händer i en grupp jämfört med risken att något händer i en annan grupp. Tex risk hos rökare (rökning=exponering) att få lungcancer jämfört med risk hos icke-rökare att få lungcancer
* “the probability of an outcome in an exposed group to the probability of an outcome in an unexposed group.”
* Risk hos de exponerade att de har sjukdom: A/(A+C)
* Risk hos de oexponerade att de har sjukdom: B/(B+D)
Dividera de två riskerna för att få ration
______________
RR : Rexp delat på Roexp
Blir det större än ett -> större risk hos exp
Blir det mindre än 1 -> större risk hos oexp
Definitioner OR
Fallkontroll
(håller oss till rutorna i mitten, vi kan inte använda summeringarna)
* OR= odds ratio: se om högre odds för exponering hos fallen (A/B) jämfört med exponeringen hos de friska (C/D)
* Exponerade fall (=A) /oexponerade fall (=B)
Dividerat med
Exponerade icke-fall (=C) / oexponerade icke-fall (=D)
_______
Se om högre odds för exponering hos fallen- sjuka (A/B) jämfört med exponeringen hos de friska (C/D). Som ex. exponerade fall-sjuk (A)/ oexponerade fall-sjuka (B) delat med Exponerade icke fall- friska (C)/ oexponerade ickefall -friska (D).
_______
* Alternativt uttryck: Odds att ett fall var exponerat (A/B)
dividerat med odds att en kontroll var exponerat (C/D)
Tolkning av relativ risk och oddsrat
1 <1 >1
- 1: ingen skillnad mellan grupperna (samma mellan täljare och nämnare, ser ingen skillnad mellan exp & oexp)
_____________________ - <1: LÄGRE risk hos exponerade (om man jämfört exp mot oexp), vilket betyder att exponering är skyddande (dvs exponeringen är förknippad med en lägre risk för sjukdom)
_______________________________ - > 1: HÖGRE risk hos exponerade (om man jämfört exp mot oexp) (vaccin?)
_________________ - Because it is a ratio and expresses how many times more probable the outcome is in the exposed group, the simplest solution is to incorporate the words “times the risk” or “times as high as” in your interpretation.
Exempel: A KOHORT study examined the association between
smoking and lung cancer after following 400 smokers and 600 non-
smokers for 15 years. At the conclusion of the study the
investigators found a risk ratio = 17. Which of the following would
be the best interpretation of this risk ratio?
a. There were 17 more cases of lung cancer in the smokers.
b. Smokers had 17% more lung cancers compared to non-smokers.
c. Smokers had 17 times the risk of lung cancer compared to non-
smokers.
d. 17% of the lung cancers in smokers were due to smoking.
C, 17 gånger mer
Exempel: Exempel från ”Antibiotics to prevent infection in
pateints with dog bite wounds: A meta-analysis of randomized trials”
* The relative risk for infection in patients given antibiotics compared with controls was 0.56 (95% confidence interval, 0.38 to 0.82).
* Sammanfattning: Prophylactic antibiotics reduce the incidence of infection in patients with dog bite wounds. The full costs and benefits of antibiotics in this situation are not known. It may be reasonable to limit prophylactic antibiotics to patients with wounds that are at high risk for infection.
R antibiotika / R inte antibiotika
Relativ risk jämför antalet sjuka som är exponerade med
antalet sjuka som inte är exponerade
ja
tabell
Exempel RR: Låt oss säga att du har en KOHORT där 60 hundar är exponerade för X, varav 20 sjuka.
100 hundar är inte exponerade för x, och där är 10 sjuka
- Risk hos exponerade: dvs av 60 är 20 sjuka=20/60=1/3
- Risk hos oexponerade: av 100 är 10 sjuka=10/100=0.1
- Riskratio: risk hos exponerade dividerat med risk hos oexponerade: 1/3 / 0.1= 0.33 / 0.1 = 3.3 (RR), dvs 3.3 ggr högre risk att vara sjuk om man är exponerad
bild
Confounding
* En faktor som påverkar både exponeringen och utfallet
Confonder (viktgt att ta hänsyn till)
↕ (association)_____________ ↓ (riskfaktor)
X ____förhållande till_______→ Y
bild
Confounding
* är ex
* “verktyg”
_________________________
2* “olika”
- Confounders (sammanblandande faktorer) är tex ålder, kön, utbildningsnivå, rökningsstatus, etc
- KAUSALA DIAGRAM är ett verktyg för att se relationerna mellan variablerna
- Exempel: hur alkoholkonsumtion påverkar risken för lungcancer.
__________________________
Confounding -> stratifiera (Dela upp. allvarliga mot inte lika allvarliga)
eller
-> regeritionsanalys (alla datapunkter, kontrollerar confounder)
IDENTIFIERING av confounding
* man tittar på…
* man ritar….
* I analysstadiet kan man genom…
- Man tittar på sina data – om man ser att det verkar vara fler i en viss subgrupp som får ett utfall
- Man ritar ett kausalt diagram där man illustrerar sambanden mellan variablerna
- I ANALYSSTADIET kan man genom olika analyser, se om det finns confounding genom att analysera med respektive utan att confoundern är med och se om/hur sambandet mellan exponering och utfall ändras
Se upp!
In a study where the independent variable is ice cream sales and the dependent variable is shark attacks, a researcher sees that increased sales go hand-in-hand with shark attacks. The confounding variable is the heat index. When it’s hotter, more people buy ice cream and more people go swimming in (shark-infested) waters. There’s no causal relationship
between people buying ice cream and getting attacked by sharks.
!!!* Samband (Correlation) är inte samma sak som kausalitet
(orsakssamband)!
* Titta här för exempel på korrelation&/samband som inte är kausala:
http://www.tylervigen.com/spurious-correlations
!!!* Samband (tycka om glass)(Correlation) är inte samma sak som kausalitet
(orsakssamband)! (att man badar bland hajarna för det är varmt och för att man tycker om glass
