Instuderingsfrågor medicinsk vetenskap

I kvantitativ forskning samlar man in och analyserar mätbara data som kan uttryckas med hjälp av siffror. Ofta använder man statistiska metoder för att uppskatta resultatens storlek.

Kvantitativ forskning svarar på frågor som: vad, hur många, hur ofta, och hur mycket.

I kvalitativ forskning samlar man in och tolkar löpande text och andra icke-numeriska data. Exempelvis genom att analysera intervjuer eller andra textkällor.

Kvalitativ forskning svarar på frågor som: hur och varför.

• Kohortstudie:
  En prospektiv* observationsstudie där en grupp individer med en gemensam egenskap följs över tid. Används till exempel för att studera effekten av en viss exponering.
• Randomiserad kontrollerad studie (RCT):
  Ett vetenskapligt experiment där interventionsgrupp(er) jämförs med kontrollgrupp(er) och där studieobjekten lottas/randomiseras till någon av respektivegrupp. Golden standard för kliniska studier.
• Fall-kontrollstudie:
  En retrospektiv observationsstudie där en grupp med ett visst utfall (till exempel sjukdom) jämförs med en grupp utan detta utfall. Vad har respektive grupp varit exponerad för som kan förklara?
• Fallstudie:
  En beskrivning av ett enda eller ett fåtal kliniska fall av stort intresse.

* Prospektiv: framåtblickande; man följer individer/forskningspersoner med/utan riskfaktorer framåt i tiden.

En studie där vi observerar verkligheten utan att försöka påverka den.

• Systematisk översiktsartikel:
  En systematisk genomgång och granskning av publicerad forskning inom ett visst område.
• Metaanalys:
  En systematisk översiktsartikel där resultaten från de ingående studierna sammanställs och analyseras statistiskt.

Kausalitet = orsakssamband

Vanliga kriterier för att fastställa orsakssamband är:

• Konsekvent association, dvs att den är bevisad i många olika studier.
• Sambandets styrka (studiedesign).
• Dos-responssamband
• Tidssekvens
• Biologisk rimlighet
• Experimentellt befästande av sambandet / reversibilitet.

Vilka upplevelser har diabetessjuksköterskan i primärvården av obesitasbehandling hos personer med samtidig typ 2 diabetes och obesitas?

Antalet individer i en population som har en given sjukdom eller ett givet tillstånd vid en viss tidpunkt (punktprevalens) eller under en viss period (periodprevalens).

Antalet händelser (till exempel nyinsjuknade) i en viss population under en avgränsad tid.

​En egenskap eller faktor som kan anta olika värden: variera från individ till individ, eller inom en individ vid olika tidpunkter, exempelvis ålder, BMI, blodtryck, sjukdom. Jfr med parameter.

En oberoende variabel är den faktor som antas påverka ett utfall och fungerar som orsak, exponering eller intervention i en studie. En beroende variabel är det resultat som mäts och som antas påverkas av den oberoende variabeln. Till exempel kan typ av behandling vara den oberoende variabeln och blodtryck efter behandling den beroende variabeln i en läkemedelsstudie.

En storhet som är konstant (men kan anta andra värden under andra förhållanden), till exempel medellängden i Skåne. I den räta linjens ekvation, y = kx + m, är x en variabel, y är ett funktionsvärde och k och m är parametrar.

Studiepopulationen är dina slutgiltiga studiedeltagare efter att du har exkluderat dem som inte kan eller vill vara med av olika skäl.

Det kan jämföras med totalpopulationen som omfattar samtliga personer som uppfyller dina inklusionskriterier.

Systematiska fel som kan leda till skeva tolkningar av resultat.

• Selektionsbias uppstår när de som deltar i studien inte är representativa för målpopulationen och kan minskas genom tydliga inklusionskriterier och randomisering.
• Informationsbias beror på systematiska mätfel och kan minskas genom standardiserade mätmetoder och blindning.
• Bortfallsbias uppstår när många deltagare avbryter studien och kan minskas genom god uppföljning och analys enligt intention-to-treat.

Fler typer av bias hittar du i Catalogue of Bias, Oxford University:
The Catalogue of Bias (catalogofbias.org)

Svar: En confounder (förväxlingsfaktor) är en faktor som påverkar både den oberoende och beroende variabeln, och därmed förklarar hela eller delar av sambandet mellan dem. Detta snedvrider resultatet.

Exempel: I en studie såg man en överdrivet stor effekt av träning på blodtryckssänkning eftersom man inte har tagit hänsyn till åldern på deltagarna. De yngre deltagarna tränade mer och hade även lägre blodtryck än de äldre. Åldern påverkade i det här fallet båda variablerna.

Intervall som med en viss sannolikhet (till exempel 95 procents sannolikhet) täcker över det sanna värdet (t.ex. medelvärdet) för någonting i vår studerade population.

En hypotes är ett antagande/påstående som man vill undersöka.

När man prövar sin hypotes statistiskt så brukar man formulera en nollhypotes [H0] som ställs mot en mothypotes/alternativhypotes [H1].

Nollhypotesen säger att det inte finns någon skillnad i medelvärdet mellan grupperna för den variabel som undersöks (t.ex. att ett läkemedel inte har någon effekt)

Mothypotesen/alternativhypotesen säger att det finns en skillnad.

P står i det här fallet för probability. Ett p-värde är sannolikheten att få ett resultat lika extremt eller mer extremt än det observerade givet att nollhypotesen är sann. Det är alltså ett mått på hur sannolika resultaten är ifall det inte finns någon verklig effekt.

I medicinsk vetenskap brukar p <0,05 betraktas som statistisk signifikans, det vill säga att man förkastar nollhypotesen. Men i slutändan handlar p-värdet om vilken felrisk man är beredd att acceptera. Notera att p-värdet inte ger någon information om effektstorleken på resultatet eller huruvida resultatet är kliniskt relevant.

Ett p-värde strax över 0,05 kan fortfarande vara förenligt med en kliniskt relevant effekt, särskilt i små studier med låg statistisk styrka, eftersom små studier ger större osäkerhet och lättare missar verkliga effekter.

Resultatet bör därför alltid tolkas utifrån effektstorlek, studiedesign och klinisk rimlighet – inte enbart utifrån en fast p-gräns, även om det är en vägledning.

Sannolikheten att kunna visa statistiskt signifikant skillnad mellan undersökningsgrupper om en sådan existerar. Baserat på vissa antaganden, exempelvis förmodad skillnad mellan grupperna och variation räknar du ut hur många studiedeltagare du behöver för att uppnå tillräcklig statistisk styrka.

Exempel: En studie som rekryterat för få deltagare missar att uppnå statistisk signifikans, trots att det föreligger en verklig, underliggande skillnad mellan grupperna. Studien har för låg styrka (power).

En siffra som uttrycker hur många som måste behandlas för att en individ ska dra nytta av behandlingen.

Det innebär att observationerna i en undersökning fördelar sig symmetriskt runt medelvärdet i en klocklik kurva som kallas normalfördelning.

Risken är sannolikheten för en oönskad händelse. I tärningsspelet ”100” så gäller det att komma först till 100 med en sexsidig tärning. Varje gång man slår en etta så nollas ens poäng och man får börja från början.

Risken att man slår en etta med en sexsidig tärning (och får börja om ifall man spelar ”100”) = 1/6.

Oddset innebär kvoten mellan sannolikheten att något inträffar och att det inte inträffar.

Oddset att slå en etta med en sexsidig tärning (och få börja om från början om man spelar ”100”, se risk ovan) = (1/6)/(5/6) = 1/5.

Kvoten mellan två risker. RR > 1,0 indikerar en ökad sannolikhet för utfallet och RR < 1,0 indikerar en minskad sannolikhet för utfallet.

Exempel: Risken att ST-läkaren slänger ut datorn genom fönstret under det vetenskapliga arbetet är 9/10. Risken under semestern är däremot bara 1/10. Relativa risken = 0,9/0,1 = 9.

Kvoten mellan två odds. OR > 1,0 indikerar en ökad sannolikhet för utfallet ochOR < 1,0 indikerar en minskad sannolikhet för utfallet.

Exempel: Oddset att samma ST-läkare slänger ut datorn genom fönstret en dag under det vetenskapliga arbetet är 9/1 (9). Oddset att samma ST-läkare slänger ut datorn under semestern är 1/9 (0.11). Oddskvoten = (9/1)/(1/9) = 81.

Oddskvoter är vanligare än relativ risk inom medicinsk forskning eftersom de går att beräkna i fler typer av studiedesign. Exempelvis i fall-kontrollstudier kan man inte beräkna risk eller riskkvot eftersom man inte känner till den sanna incidensen, men man kan räkna odds – därför används oddskvot. Dessutom är oddskvoten effektmåttet i logistisk regression, som är en av de vanligaste statistiska analysmetoderna i medicinsk forskning.

När utfallet är ovanligt (ett par procent) är oddskvoten en bra approximation av relativ risk. När utfallet är vanligt tenderar oddskvoten att överskatta effektens storlek jämfört med relativ risk, som i vårt lite fåniga datorexempel.

• P = patient, population, problem
• I = intervention
• C = control/comparison
• O = outcome

PICO lämpar sig för behandlings- och interventionsinriktade frågeställningar.

• P = patient, population, problem
• E = exposure
• O = outcome

PEO lämpar sig för studier där samband och korrelation studeras.