Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
7. Назовите виды медицинских данных и приведите примеры. Назовите особенности медицинских
данных. Как эти особенности учитываются в медицинской практике?
Мат.статистика – универсальный инструмент для анализа любых данных, в том числе экспериментальных клинических и биомедицинских.
2 основных типа данных: количественный и качественный.
Качественные данные подразделяются на порядковые, или ранговые (напр., тяжесть проявлений заболевания), и классификационные, или номинальные (напр., перенесенные заболевания, классы ксенобиотиков).
При обработке данных часто приходится переводить качественные данные в количественные.
В клинической и экспериментальной медицинской практике исследователь реже употребляет слово «данные», но чаще – «параметры» или «переменные», ставя между этими понятиями знак равенства.
Нужно отличать понятие «переменная» от понятия «признак»: температура тела – параметр(переменная), температура тела >37 – признак (человек нездоров).
Особый тип данных – даты. Бывает, что по смыслу работы с ними приходится производить действия (напр., определять, сколько времени прошло между соседними исследованиями), поэтому нужно следить, чтобы они записывались в определенном формате.
Особенности мед.данных:
1) В описательной статистике при работе с мед.данными необходимо поступать следующим образом: с одной стороны, не допускать потерь исходной информации, с другой стороны, при представлении результатов статистической обработки данных не приводить избыточной информации.
2) В мат.статистике выводы основаны на допущении: то, что верно на случайной выборке, верно и для генеральной совокупности, из которой она получена.
Генеральная совокупность – набор данных, описывающих нечто всеобъемлющее, напр., все дети, живущие на Земле, вся совокупность пациентов, которые могли бы получать определенный препарат.
Выборка – часть генеральной совокупности, описывающая её с той или иной долей погрешности.
8. Приведите примеры аналоговых сигналов, используемых для диагностики состояния пациента. Чем аналоговый сигнал отличается от цифрового? Дайте понятие дискретизации аналогового сигнала, времени и частоты дискретизации. Рекомендуемая для дискретизации ЭКГ частота. Какие устройства используются для преобразования аналогового сигнала в цифровой?
Автоматизированные системы обработки кривых и изображений являются самыми многочисленными среди разработанных систем.
При регистрации кривых и изображений осуществляется преобразование физических характеристик организма в электрические сигналы. Получаемые кривые (электрокардиограмма, реограмма) являются аналоговыми (непрерывными) сигналами. Современная вычислительная машина (аналого-цифровой преобразователь) может обрабатывать информацию, представленную только в цифровом формате.
Суть аналого-цифрового преобразования сводится к многократным, сделанным с определенной частотой, измерениям напряжения вводимого аналогового сигнала. Частота, с которой осуществляется преобразование, называется частотой дискретизации сигнала, которая измеряется в герцах.
Любой периодический сигнал можно представить набором синусоид. Чем чаще изменяется сигнал, тем больше синусоид нужно для его описания. Представление сигнала как набора синусоид называется его спектром. Чтобы получить представление сигнала в цифровой форме, достаточное для выявления характерных точек, которые необходимы для обработки сигнала, частота дискретизации должна вдвое превышать максимальную частоту его спектра.
Для оцифровки кардиологических кривых используется бОльшая частота дискретизации, чем для респираторных: напр., для сигнала ЭКГ используется частота дискретизации 500Гц, реографического сигнала – 100Гц.
9. Подготовка, предварительный анализ информации и выбор методов обработки данных:
Данные для статистического анализа принято готовить в виде таблицы.
В строки таблицы вносятся объекты исследования (например, пациенты), а в столбцы - параметры. Таблицы данных включают в себя столбец группирующих параметров(например, номер группы, исход заболевания, если именно по нему будут исследоваться пациенты, и т.д.).
После занесения данных в таблицу необходимо проверить их: просматривают значения параметров, выявляют те из них, которые сильно отличаются от остальных. Это могут быть как реальные «выпадающие» значения, так и ошибки ввода, которые необходимо устранить.
Современные статистические пакеты дают возможность управлять данными: часто при решении задач возникает необходимость объединения или разделения файлов (содержащих таблицы) по условию.
Предварительный анализ данных начинают с определения характера их распределения. Распределение элементов выборки по значениям параметра - совокупность частот встречаемости интервалов его значений в данной выборке. Может быть колоколообразным (нормальное, гауссово), полимодальным, равномерным и т.д.
К основным характеристикам распределения относятся: среднее арифметическое (М), медиана, квантили, квартили, мода, асимметрия.
В медицинских публикациях часто встречается запись значений в виде M +(-) m, где m - стандартная ошибка среднего, но лучше указывать само выборочное стандартное отклонение (s), которое характеризует ширин нормального распределения.
Параметрические методы. Для решения многих клинико-научных задач необходимо формулировать статистические гипотезы. Среди них можно назвать анализ соответствия распределения значений параметра определенному закону, сравнение групп по характеристикам распределения параметров и др.
Статистическая гипотеза — это формально строго сформулированное предположение.
Нулевой (Но) называют гипотезу, которую исследователь предполагает отклонить (например, об отсутствии различий между группами).
Альтернативная гипотеза (H1) противоположна нулевой (например, о наличии различий между группами).
Уровень статистической значимости (а) — это пороговое значение для ошибочного отклонения верной нулевой гипотезы (ошибки первого рода). В медицине принято выбирать а = 0,05 или а = 0,01.
Ошибка второго рода — это ошибочное принятие ложной нулевой гипотезы.
В настоящее время в публикациях принято указывать реальное значение р (вероятность ошибки первого рода). Если значение р меньше 0,05, говорят о наличии статистически значимых отличий между выборками параметра.
Статистически значимые различия следует отличать от клинически значимых. Встречаются результаты, значимые статистически, но не значимые с клинической точки зрения, бывает и наоборот. Клинически значимые, но статистически незначимые результаты обычно получаются на малых выборках, а при увеличении выборок они, как правило, подтверждаются и статистически.
Чем распределения отличаются с практической точки зрения? Тем, что наиболее распространенные методы параметрической статистики (например, t-критерий Стьюдента) можно применять только для нормально распределенных величин (колоколообразных распределений). Неправомочное использование t-критерия Стьюдента — самая часто встречающаяся ошибка статистической обработки данных клинических исследований, приводящая к ошибочным выводам.
Непараметрические методы. В клинической медицине и при обработке данных медико-биологических экспериментов в большинстве случаев необходимо пользоваться непараметрическими методами статистического анализа. Они являются менее мощными, чем параметрические, но применимы для любых видов распределений.
Анализ характера распределения данных (его еще называют проверкой на нормальность распределения) осуществляется по каждому параметру. Для проверки на нормальность используют как визуализирующие методы (метод построения гистограмм), так и статистические (например, тест Колмогорова —Смирнова, критерий Шапиро —Уилкса). Для того чтобы уверенно судить о соответствии распределения параметра нормальному закону, необходимо, чтобы выборка была достаточно многочисленной (не менее 50 значений).
Кроме разделения по уже описанному важнейшему статистическому подходу (параметрические, непараметрические) методы статистического анализа данных принято классифицировать несколькими способами:
3) зависимости/независимости выборок.
Независимыми считаются, например, группы пациентов, которые были рандомизированы (случайным образом отобраны). Зависимыми являются, например, данные одной и той же группы больных до и после лечения.
Таким образом, для решения задач используют ряд параметрических и непараметрических статистических методов.