Samenvatting Farmaceutische data-analyse

DATA-ANALYSE
DEEL 1: INTRODUCTION, MOTIVATION & EXAMPLE

1.Introductory material

 Statistiek: overal nodig  thesis, correct interpreteren van data…

2.Homeopathy: the test

 Belangrijk concept: blindering  onderzoeker mag niet weten welke stalen onderzocht
worden door random codes aan te brengen op de stalen
 Dubbele blindering: noch onderzoeker, noch patiënt mag weten wat placebo & GM is
 Placebo/controlegroep altijd nodig om werking nieuw GM aan te tonen
 2x2 tabel om resultaten weer te geven
 Wat we onderzoeken: Hoe groot is de KANS dat dit resultaat toeval is?  variabiliteit


DEEL 2: BASIC PRINCIPLES OF STATISTICAL METHODOLOGY


3.What is statistics?


 Vb. ziekteverzuim:
 Bestaat er een correlatie tussen geslacht en ziekteverzuim?
 Hoe groot is de kans dat er door puur toeval toch verschillen zijn tussen man en
vrouw in de steekproef terwijl er in werkelijkheid geen verschillen zijn?
 Vb. Cervix kanker:
 Hoe groot is de kans dat de geobserveerde correlatie tussen de leeftijd & kanker
toeval is?
 Vb. overlevingskans bij kanker patiënten: kleine dataset
 Is er een correlatie tussen soort kanker & overlevingskans?
 Hoe groot is de kans dan gemiddeld #dagen overleven & soort kanker berust op puur
toeval?
 Vb. BD & GM
 Gemiddelde BD daalt, maar verschil per patiënt  variabiliteit is reden voor twijfel,
daarom weten wat de kans is dat dit gebeurt door puur toeval
 Vb. verkoudheid & leeftijd: continue data > binaire data (ja/nee)
 Conclusie:
 Discriptive/beschrijvende statistiek: samenvatten & beschrijven van data opdat de
relevante aspecten duidelijk zijn  beperkt zich tot steekproef
Vb. tabellen, grafieken, gemiddelden…
 Inferentieele statistiek: bestuderen hoe geobserveerde trends zich vertalen naar een
algemene populatie  vanuit steekproef uitspraken doen op de populatie
(interferentie tss steekproef en populatie)

, 4.Population vs. sample


 Populatiecriteria gebaseerd op inclusie- & exclusie criteria
 Inclusie moet voldaan zijn vb. bepaalde aandoening
 Exclusie mag niet voldaan zijn vb zwangerschap
 Objectieve criteria om verwarring/ discussie te vermijden
 Vb. niet: mensen met minstens 90 dagen overleving
 Steekproef vb: verpleegkundigen met rugpijn
 Je kan nooit een exacte representatie geven van de verpleegkundigen populatie
(#mannen, academische ziekenhuizen, leeftijd…)
 Daarom: random steekproef = moeilijk in praktijk (o.a. door variabiliteit)


Steekproef Populatie statistiek
Kansrekenen

 statistiek wil conclusies trekken over de populatie gebaseerd op wat geobserveerd is in het experiment


5. Causality and randomization

 Causaal effect: samenstelling homeopathie-&controlegroep moet =zijn, anders zouden
uitkomsten hieraan toegeschreven kunnen worden
 2 groepen zullen nooit helemaal = zijn, maar ze dienen wel gerandomiseerd te
worden (willekeurige opdeling)
 Vb. computer bepaalt welke patiënt behandeling A of B krijgt
 Randomisatie niet altijd mogelijk:
 Ethische redenen vb. evolutie van baby met/zonder chemo onderzoeken + groepen
kunnen niet gerandomiseerd worden
 Case-control study: verband tussen roken & longkanker adhv ondervraging over
rookgeschiedenis bij kanker patiënten vs niet-kankenr patiënten  je kan niet
aantonen dat dit een causaal verband is (mss ook genetische factor….)


DEEL 3: DESCRIBING AND SUMMARIZING DATA


6. Types of outcomes


 Kwalitatieve data: niet gekarakteriseerd door waarde van nummers
 Dichotoom: 2 mogelijke waarden (vb overleving)
 Nominaal: geen ordening (vb haarkleur)
 Ordinaal: ordening (vb pijnschaal van nooit tot altijd, medailles  volgorde heeft
betekenis)
 Kwantitatieve data: waarde van nummers
 Discreet: waarden zijn vast & gescheiden (vb hartritme)