short videos Flashcards
experimental studies not always necessary becaus
Bij bijwerkingen is er geen rnadomisatie nodig want er is geen link met keuze voor wel of niet behandelen. Ook lifestyle: roken en longkanker.
Soms ook niet nodig om experimentele studie te doen als de effecten zo overweldigend zijn: keizersnedes, bloedtransfusies, appendiciti.s
Cohort advantages
- can show that exposure precedes the outcome
- examine effects on multiple outcomes
- examine effects of both commn and rare exposures
- estimate absolute risks
Cohort disadvantages
- Expensive and time-consuming
- Cannot examine rare outcomes
- Loss to follow up
CC advantages
- study rare outcome
- examine outcomes which take long time to develop
- examine multiple exposures
- cost-time-effective compared to cohort studies
CC disadvantages
- temporal sequence unclear: (exposure c/ disease vs disease c/ exposure)
- cnnot determine absolute risk (only Rel Risk)
- Inefficient for rare exposure
Case selection in CC. important (3 things)
- case definition duidelijk (region timeframe, manner of diagnosis
- use incident cases (inclusion at diagnosis). prevalent cases –> incidence-prevalence bias
- source: huisarts, zkh, specifiek geografisch gebied
Control selection: 2 important things
- sampling should be independent of exposure
- source of controls appropriate: relatives, zkh populatie, deur-tot-deur
Wat is bias
Bias is systemathic error leading to an incorrect interpretation of an epidemiological measure
Wat is selectiebias
SB: Selectiebias is de bias die wordt geïntroduceerd door de selectie van individuen, groepen of gegevens voor analyse op een zodanige manier dat er geen juiste randomisatie wordt bereikt, waardoor de verkregen steekproef niet representatief is voor de populatie die moet worden geanalyseerd.
selectiebias bij CC studies
relatie tussen inclusie kans en exposure status (MOET ONAFHANKELIJK ZIJN)
selectie bias bij cohort studies
differntial los to follow up. kans om lost to follow up te worden is groter in de ene groep tov de andere (door bv dood)
information bias:
Informatiebias is een systematische vertekening van de determinant-uitkomstrelatie door het gebruik van onjuiste informatie over de determinant of over de uitkomst (of beide). Het duidelijkste voorbeeld is het verkeerd meten van de determinant of uitkomst.
observer bias
Met observer bias wordt binnen de wetenschap de neiging van een observator om alleen de dingen te zien die de observator wil of verwacht te zien bedoeld. doel van double blind
recall bias
moeders met kinderen met aangeboren afwijkingen herinneren zich alle possible exposures heel anders dan meoders met gezonde babies
Confounding
Als exposure en outcome een gedeelde factor hebben: grijs haar en dood (confounding door leeftijd)
Hoe kan je confounding tegen gaan (3 manieren)
- restrictie: groepen specifiek maken
- matching: matchen op gedeelde determinanten (niet bruikbaar in CC
- randomisatie: vermijd verschil in ongemeten determinanten van de uitkoms
Contole op confounding tijdens data-analyse 4 (methodes)
- stratificatie
- standardiseren
- multivariable regression
- propensity score matching
Hoe werkt propensity score matching:
eerste kans berekenen dat iemand een bepaalde xposure of treatment gegeven hun karakteristieken. In theorie: pt met gelijke scores zullen overeenkomen in gemeten confounders.
Centrale limiet stelling
Als je vaak genoeg een sqample herhaald dan zal er een normale verdeling rond je point estimate onstaan.
type 1 error
in realiteit nulhypothese correct, onterecht verworpen (fout positief). in onderzoek alpha = 0.05
type 2 error
in realiteit zou nulhypothese verworpen moeten worden, maar toch wordt niet verworpen (ten onrechte niet verworpen, fout negatief)
Power:
1 - type 2 error (beta): de kans dat als er een verschil is tussen twee groepen deze wordt aangetoond. Doel: 80-90%.
Benodigheden sample size calculaion
- signifcance level (alpha)
- power (beta - 1, doel 80-90%)
- relevant effect wat je wilt bewijzen (obv kliniek)
2 redenen voor fout positieve bevindingen van studies ( 2 p’s)
- P hacking
- Publication biasw)
wat is publication bias
Alpha is 0.05: daarmee garanderen we dat slechts 5 % fals positief is vanwege random variatie. Echter hiermee heb je dus automatisch dat
1 op de 20 studies fout positieve resultaten geeft
Lezers zien alleen maar de publicaties met een positief resutlaat. Zij zien dus meer dan slechts deze 5 procent
Teken de your decision vs truth tabel (alpha, beta, power)
Your desc (H0 not rejected| Correct | Type 2 error (beta)
Your desc (H1 rejected) | type 1 error (alpha) | correct
Power = 1 - B
Truth (H0 true) | Truth (H1 False)|
