Week 12 Flashcards
Wat is wetenschap?
- kennis
- een methode om belangrijke kennis te verkrijgen, dit gaat via de klassieke methode: vroeger gebaseerd op discussies met argumenten, nu o.b.v. observaties en experimenten
Wetenschap levert een waarheid op, niet de waarheid; het is het meest aannemelijke, want het is vastgesteld door een betrouwbare methode, echter kan dit altijd weerlegd worden door een betere theorie
Wat zijn de 3 belangrijke aspecten in de wetenschap?
- Emperisch bewijs: proefondervindelijk, gebaseerd op eigen ervaring (direct of indirect), het is waarneembaar, herhaalbaar, meetbaar, etc. Uitzondering voor autoriteitsbewijs (als iemand met autoriteit iets verteld mag je aannemen dat dit waar is)
- Logisch redeneren: emotioneel denken is mens-eigen (hopen, willen, voelen), maar logisch redeneren moet je leren
- Kritische houding: afvragen of alles wel waar is en open staan voor nieuwe ideeën, constant onderzoeken of ergens bewijs/argumentatie/redeneringen voor zijn
Wat is de opbouw van een wetenschappelijke methode?
- Zinvolle vraag/belangrijk probleem: idee, verband, serendipiteit, dit wordt beïnvloed door culturele, sociale, politieke en economische factoren (kijken of deze aspecten de betrouwbaarheid niet schaden)
- Informatie verzamelen: is de vraag zinvol, logisch, meetbaar, herhaalbaar en is het onderzoek nog niet gedaan
- Vraag/hypothese formuleren: in PICOS (Patient Intervention Comparrison Outcome Study) die weerlegbaar is, het is voorspelbaar en toetsbaar (dus een voorstel voor een mogelijk antwoord/oplossing, maar deze moet wel weerlegbaar zijn)
- Testen (verifiëren): m.b.v. een test (experiment/interventie) of door te observeren
- Hypothese accepteren, afwijzen, wijzigen: andere verklaringen zoeken voor je antwoord
- Publiceren: zorgen dat andere kritiek kunnen geven en het evt. zouden kunnen herhalen
Waarom is de geneeskunde consensus wetenschap?
Wetenschap is ook maar een mening, maaaar wel van een grote groep experts!
–> ook geld dat niet alles hoeft te berusten op bewijs, soms wordt bewijs aangeleverd door logisch te redeneren (bijv. dat een parachute nodig is voordat je uit een vliegtuig springt)
Hoe kun je omgaan met nieuw bewijs?
- het onderzoek had niet gedaan moeten worden
- het onderzoek had op een andere manier gedaan moeten worden
- we nemen ook het ‘a priori’ geloof mee: elke studie draagt bij aan de totale kennis (Bayesiaanse manier), bijdrage is afhankelijk van de vooraf waarschijnlijkheid
- al het onderzoek samen is het bewijs: een SR of een meta-analyse
Wat zijn de 3 denomen van de wetenschap?
- dataduivel: data is slecht gearchiveerd (data verzamelen / meetkwaliteit / meetniveau)
- replicatie probleem: studieresultaten moeten door andere studies gecheckt worden (populatie tegenover steekproef (betrouwbaarheidsinterval))
- verificatie kramp: te hard proberen het gewenste resultaat te krijgen (toetsen van hypothesen (mogelijke fouten))
Wat is belangrijk bij het verzamelen van gegevens en de meetkwaliteit?q
Je kunt patiëntgegevens verzamelen voor wetenschappelijk onderzoek maar daarvoor is belangrijk:
- compleetheid
- nauwkeurigheid: meetprotocollen en gegevens over 1 observer en kijken naar inter-observervariatie
- reproduceerbaarheid
- validiteit: wordt er gemeten wat men wilt weten
–> daarnaast moet er betrouwbaar om worden gegaan met deze gegevens
Wat voor fouten moet je proberen te vermijden bij het verzamelen van gegevens?
- toevallige meetfouten: door meetonnauwkeurigheid van instrument/waarnemer die onnodige ruis veroorzaken, zo klein mogelijk maken door alles zo nauwkeurig mogelijk uit te voeren
- systematische meetfouten: door fouten in meetinstrumenten (bijv. verkeerd geijkte weegschaal), vormen een probleem in reproduceerbaarheid
- differentiële systematische meetfouten: in de ene groep een andere systematische fout dan in de andere groep, hierdoor is er een verschil wat er eigenlijk helemaal niet is
Wat is het meetniveau van variabelen?
Numerieke variabelen: de grote van een score betekent echt iets, kunnen het volgende zijn:
- Discreet: alleen gehele getallen (aantal mensen, aantal dagen ziek)
- Continu: de variabele kan elke waarde (met decimalen) aannemen (gewicht, inkomen, bloeddruk), dus reële getallen
Categorische variabelen: gaat om groepen, waarden die elkaar uitsluiten en wel/niet geordend kunnen zijn, kunnen het volgende zijn:
- Nominaal: ene groep is niet meer/beter dan de andere groep, geen orde (geslacht, klacht, beroepsgroep)
- Ordinaal: er is sprake van rangorde (ernst ziekte, stagering tumor)
Hoe worden numerieke en categorische variabelen gepresenteerd en geanalyseerd?
Numerieke variabelen:
- Presentatie: gemiddelde of mediaan, standaarddeviatie (spreidingsmaat) of interkwartielafstand (afstand van middelste 50%), m.b.v. histogram en een boxplot weergegeven
- Analyse: bij continue variabele een T-test voor onafhankelijke groepen (kijken naar het verschil tussen behandeling A en -B), als je wilt weten welke factoren een daling bepalen kan dit d.m.v. een lineaire regressie analyse (corrigeren voor bijv. leeftijd (numeriek) of bloedgroep (categorisch))
Categorische variabelen:
- Presentatie: percentages in de categorieën, m.b.v. een taartdiagram weergegeven
- Analyse: zijn vaak dichotoom (2 waarden, dus bijv. vaker hypertensie tijdens zwangerschap bij mensen met een Westerse achtergrond), m.b.v. een chi-kwadraat toets, je kunt ook een logistische regressieanalyse doen (risicofactoren voor iets onderzoeken –> een dichotome uitkomstvariabele kan aan 1/meer predictoren gerelateerd worden (uitkomst is 0 of 1 en voorspelling wat deze is))
Waarom is statistiek nodig?
- omdat gegevens spreiding/variabiliteit bevatten
- omdat fysieke/medische/psychologische eigenschappen van mensen niet vast liggen in natuurkundige wetten
doen we omdat we graag willen weten wat de werkelijkheid is (populatieparameters = onbekende numerieke karakteristieken van een populatie), bijv.;
- μ = gemiddelden
- π = proporties (tussen 0 en 1)
- δ = verschillen tussen gemiddelden
- β = regressiecoëfficiënt (hoeveel neemt iets toe bij 1 jaar in stijging van x)
- RR = relatieve risico (kans op x bij mensen zonder- vs. mensen met risicofactor)
Wat is de standaarddeviatie (SD)?
Geeft aan hoe ver de individuele waarden van het gemiddelde af liggen
Berekenen met de variantie (zie afbeelding voor formule!): je neemt de som van elk individu t.o.v. het gemiddelde en deze kwadrateer je (zodat er geen negatieve waarden zijn), hierna deel je door het aantal personen -1
Door de wortel van de variantie te nemen krijg je de SD
Hoe doen we een parameterschatting om te bepalen wat de waardes van de populatieparameters zijn?
Met een steekproef (statistische assumptie); het doel is aselect (random sampling) dus iedereen heeft evenveel kans om in de steekproef te komen
In de praktijk hoop je dat je studiegroep even goed is als een echte aselecte steekproef (zonder systematische vertekeningen (selectie bias)), maar dit is bijna nooit het geval omdat je altijd wel ergens mensen niet bereikt
- je moet rekening houden met toevallige fouten (door steekproefvariabiliteit)
- je moet systematische fouten voorkomen (fouten/gebreken in steekproef, meetmethodes)
Wat is inferentiële statistiek en hoe kun je hiermee de SD en de SE berekenen?
Voor het schatten van steekproefgrootheden en hun betrouwbaarheid en dus om te kijken of de steekproef te gebruiken is om iets te zeggen voor de hele populatie, hiervoor is belangrijk:
- Verdeling van het steekproefgemiddelde: er is een bepaald aantal steekproeven uit de populatie mogelijk, deze heeft een normale verdeling met gemiddelde (μ), populatiestandaarddeviatie (σ) en steekproefgrootte (n)
- Bij een normale verdeling is de standaardafwijking: (σ) / (wortel n) –> bij meer mensen dus een kleinere standaardafwijking omdat je een representatievere groep hebt
- Hiermee kun je de standaardfout/standard error (SE) berekenen: (SD) / (wortel n) –> dit geeft een maat voor de betrouwbaarheid
Hoe bereken je het betrouwbaarheidsinterval?
Bijna altijd is er een 95% betrouwbaarheidsinterval; 95% van alle steekproeven bevat het enige echte populatiegemiddelde (μ) (dus we weten met 95% zekerheid dat het populatiegemiddelde binnen het gevonden interval ligt)
- het is gebaseerd op een (bij benadering) normale verdeling
- bij echt normaal verdeelde parameters is de T-verdeling nog nauwkeuriger dan de normale verdeling –> hoe groter de steekproef, hoe meer de T-verdeling gaat lijken op de standaard normale (z) verdeling
- bij sommige parameters (bijv. OR, RR, HR) heeft alleen de log(parameter) een normale verdeling –> dus dan SE van de log en BI van de log bepalen en hierna terug-transformeren naar de oorspronkelijke schaal (m.b.v. e-macht)
Als je het gemiddelde, de SD en de SE weet kun je het 95% betrouwbaarheidsinterval uitrekenen met:
BI = gemiddelde - 1,96 * SE < μ < gemiddelde + 1,96 * SE
- bij een 90% BI hoort een factor van 1,64, bij een 99% BI een factor van 2,58
Wat is de SEM (standard error of the mean)?
Als de nulhypothese waar is en steekproefgrootte n, dan kan het volgende steekproef gemiddelde verwacht worden (SEM –> zie afbeelding!) met een gemiddelde verdeling (zie afbeelding!)
Als de standaarddeviatie (SD) onbekend is, neem dan de SD uit de steekproef, het gemiddelde van steekproeven zal gelijk zijn aan het populatie gemiddelde
Wat is een meta-analyse?
Effecten van verschillende studies met elkaar vergelijken
Hierbij kan een dichotome uitkomst zijn: per studie meestal een 2 x 2 tabel beschikbaar (zie afbeelding!) –> deze resultaten kun je poolen (samenvoegen) in een forest plot en je kunt er ook effectmaten van bepalen (zie afbeelding!)
Hoe kom je aan een forest plot en wat zegt het?
Zie afbeelding voor een forest plot –> hoe langer de lijntjes aan het punt, hoe groter de betrouwbaarheidsintervallen (hoe kleiner de studie waarschijnlijk was), hoe minder overlap tussen de intervallen, hoe meer heterogeniteit er was (variatie tussen verschillende studies) –> hiervan wordt 1 gemiddelde met betrouwbaarheidsinterval gemaakt (oranje ruitje)
Is te verkrijgen door van bijv. een odds ratio (OR) de log(OR) te bepalen –> samengevatte gewogen log(OR) te bepalen en daarna terug om te zetten in de samengevatte gewogen OR
Wat is het verschil tussen een fixed effect model en een random effect model?
- Fixed effects modellen (A): alle studies hebben eigenlijk hetzelfde gemiddelde (rondje), maar er is sprake van toevalsfluctuatie (geeft andere geobserveerde waarden (vierkant)), komt volgens dit alleen door steekproefvariatie –> hierdoor minder eerlijk, maar eerder een significant verschil
- Random effects modellen (B): verschillen kunnen ook ontstaan door bijv. verschillende onderzochte populaties, definities van ziekten, variaties in behandeling, omgevingsfactoren, natuurlijk random variatie, etc. –> hierbij is er tussen studies variatie mogelijk (tussenstudievariatie) die ook een waarde en een normale verdeling weergeeft, MAAR met een groter BI waardoor het minder snel significant is en eerlijker
