Что использовать?, стат обработка в клинике Опции

[fattymouse]

Уважаемые форумчане, посоветуйте, пожалста, какие виды стат обработки можно провести:
а) в случае сравнения групп больных (с одинаковой нозологией), которым выполнены различные виды вмешательств? И соответственно мы сравниваем исходы, продолжительность п/о койко-дня, п/о осложнения, наличие осложнений и пр.
б) в случае, когда имеется одна большая выборка - к примеру, больные с острой задержкой мочи (ОЗМ), и соответственно - разная этиология, разные тактические подходы, разные прогноз у больных (при опухолевой и неопухолевой этиологии - что ИЗНАЧАЛЬНО влияет на выбор оперативного вмешательства), разный вид проводимого вмешательства (иногда одномоментное(радикальное или паллиативное), иногда этапное (радикальное, паллиативное), иногда различные паллиативные в несколько этапов? ДА, еще есть осложнения той самой ОЗМ (к примеру), влияние которых надо оценить и на выбор первичного вмешательства, и на ранний послеоперационный период, и на на исход.
С уважением, Александр

[leo_biostat]

Уважаемые форумчане, посоветуйте, пожалста, какие виды стат обработки можно провести:
а) в случае сравнения групп больных (с одинаковой нозологией), которым выполнены различные виды вмешательств? И соответственно мы сравниваем исходы, продолжительность п/о койко-дня, п/о осложнения, наличие осложнений и пр.
б) в случае, когда имеется одна большая выборка - к примеру, больные с острой задержкой мочи (ОЗМ), и соответственно - разная этиология, разные тактические подходы, разные прогноз у больных (при опухолевой и неопухолевой этиологии - что ИЗНАЧАЛЬНО влияет на выбор оперативного вмешательства), разный вид проводимого вмешательства (иногда одномоментное(радикальное или паллиативное), иногда этапное (радикальное, паллиативное), иногда различные паллиативные в несколько этапов? ДА, еще есть осложнения той самой ОЗМ (к примеру), влияние которых надо оценить и на выбор первичного вмешательства, и на ранний послеоперационный период, и на на исход
С уважением, Александр

Привет, коллега Александр!

Если Вы желаете получить более конкретные пожелания по методам стат. анализа при сравнении этих групп, то следует уточнить вот какие детали:
1) объёмы наблюдений (пациентов) в каждой из групп сравнения;
2) число количественных признаков, и число качественных (группирующих) признаков, типа пол, анамнез, и т.п.
Это необходимо потому, что при определённых соотношениях этих параметров, одни методы целесообразно использовать, а другие - нет.

Кстати, было бы неплохо и уточнить ЦЕЛЬ исследования. Т.е объяснить, зачем нужны результаты этих сравнений, и для чего планируется их использовать.
Это тоже помогает конкретизировать предлагаемые методы. В качестве примера почитайте статью по адресу http://www.biometrica.tomsk.ru/comp_aver.htm
Там описывается, какие методы кроме сравнения групповых средних, также рационально использовать.

Итак, уточняем информацию по анализируемой базе данных.

Сообщение отредактировал leo_biostat - 22.12.2016 - 13:44

[fattymouse]

Привет, коллега Александр!

Если Вы желаете получить более конкретные пожелания по методам стат. анализа при сравнении этих групп, то следует уточнить вот какие детали:
1) объёмы наблюдений (пациентов) в каждой из групп сравнения;
2) число количественных признаков, и число качественных (группирующих) признаков, типа пол, анамнез, и т.п.
Это необходимо потому, что при определённых соотношениях этих параметров, одни методы целесообразно использовать, а другие - нет.

Кстати, было бы неплохо и уточнить ЦЕЛЬ исследования. Т.е объяснить, зачем нужны результаты этих сравнений, и для чего планируется их использовать.
Это тоже помогает конкретизировать предлагаемые методы. В качестве примера почитайте статью по адресу http://www.biometrica.tomsk.ru/comp_aver.htm
Там описывается, какие методы кроме сравнения групповых средних, также рационально использовать.

Итак, уточняем информацию по анализируемой базе данных.

Спасибо, leo_biostat
А.
1) 64 и 153; 350 и 1700; 1800 и 800
2) качественные признаки: возраст, пол, сопутствующая патология, вид осложнения, характер осложнения и др. А вот с количественными признаками вопрос: если брать x- мужчин и y - женщин или g- пациенты до 50-ти лет, h - пациенты 50-70 лет, j - пациенты старше 70-ти лет, то в сумме будет и 64, и 153, и 350 и тд. А если брать под количественными признаками вид осложнения (например 2 кровотечения, 2 нагноения и т.д.) - это будет в сумме 64, которые из 1700 - но каким стат методом их соотнести? Или (если количественный метод вид операции) - 20 дренирований, 20 стентирований и т.д., сумма которых будет превышать общее количество больных (например 56 операций у 40 больных) - какие методы к этой выборке лучше приложить?

Б.
цель:
а) оценить риск развития осложнений в зависимости от вида вмешательства; в зависимости от исходной тяжести состояния больных; в зависимости от ... (любые качественные факторы, пол, анамнез, длительность заболевания и пр.)
б) описать вероятность развития того или иного вида исхода (кровотечение, нагноение, смерть) в зависимости от ..... (см выше)
в) структурировать проведенные вмешательства, полученные исходы - методами статистики, а не голыми процентами

С уважением

[nokh]

цель:
а) оценить риск развития осложнений в зависимости от вида вмешательства; в зависимости от исходной тяжести состояния больных; в зависимости от ... (любые качественные факторы, пол, анамнез, длительность заболевания и пр.)
б) описать вероятность развития того или иного вида исхода (кровотечение, нагноение, смерть) в зависимости от ..... (см выше)
в) структурировать проведенные вмешательства, полученные исходы - методами статистики, а не голыми процентами

Ни один нормальный метод не выдаст вам сразу результата на таких неудобных данных: много показателей, мало людей. Всё должно быть наоборот. Поэтому так или иначе придётся сначала прореживать показатели для выбора наиболее информативных, а уже далее работать с ними. Этот отбор можно организовать по-разному: неклассические методы дискриминантного анализа, ординационные (проекционные) техники с ограничением (constrained ordination), деревья классификации и др. Современной, рациональной и с учётом информации на этом форуме представляется такая схема.

Этап 1. Отбор наиболее информативных переменных на основе случайного леса (random forest) деревьев классификации. Собственно, это и есть вариант машинного обучения, уже рекомендованного в предыдущем посте. Поищите на форуме поиском пакет boruta - в одном из постов р2004r достаточно подробно и с кодом на R описывал использование этого пакета. В boruta случайный лес - метод по умолчанию + есть другие. В принципе, random forest есть и в последних версиях Statistica, но пока только видел, не пробовал. В результате получите набор не только самых сильных, но и устойчивых предикторов, устойчивых к изменениям в наборе данных.

Этап 2. Отобранные показатели использовать в модели множественной логистической регрессии. Здесь получите более знакомые врачам отношения шансов для предикторов и чувствительность и специфичность всей модели целиком. По такой модели можно будет напрямую считать вероятности исхода для конкретного пациента.