Я хочу провести ретроспективное исследование по методу случай-контроль

Методы и ход исследования
Проспективное, многоцентровое, обсервационное исследование SOAP (Sepsis Occurrence in Acutely Ill Patients) было выполнено рабочей группой Европейского Общества Интенсивной Терапии (ESICM, Брюссель, Бельгия), под руководством Jean-Louis Vincent. Исследование планировалось для того, чтобы оценить эпидемиологию сепсиса и другие характеристики пациентов в ОРИТ, изучить различные аспекты текущей практики ведения пациентов, включая переливание крови. В исследование включались все взрослые пациенты, поступавшие в участвовавшие в исследовании центры с 1 по 15 мая 2002 года. Больных наблюдали в течение 60 дней, либо до выписки из стационара или смерти. Больные, которые находились в ОРИТ менее 24 часов, исключались из исследования.
У больных при поступлении и в динамике изучался широкий спектр клинико-лабораторных показателей, интегральные показатели тяжести и органной дисфункции по шкалам и SOFA. Для того, чтобы определить относительный риск смерти, связанный с гемотрансфузией, использовалась многофакторная модель пропорционального риска Кокса.
Результаты
Из 3 147 пациентов, включенных в исследование, 1 040 (33,0 %) проводилось переливание крови, а 2 107 (67,0 %) не проводилось. Пациенты, которым была выполнена гемотрансфузия, были несколько старше (средний возраст, 62 против 60 лет; P = 0.035), среди них было больше больных с гемобластозами и циррозом печени, больных хирургического профиля, а также у них чаще встречались инфекции и сепсис. Больные, которым проводилась гемотрансфузия, были в целом исходно более тяжелыми, чем те, которым она не проводилась, о чем свидетельствуют более высокая оценка по шкале SAPS II (40.2 против 34.7; P = 0.001) и более высокие средние показатели по шкале SOFA (6.5 против 4.5; P = 0.001) при поступлении. Пациенты, которым проводилось переливание крови, имели в среднем большую продолжительность пребывания в ОРИТ (5.9 против 2.5 дней; P = 0.001). Как и предполагалось, имелась прямая корреляция между числом гемотрансфузий и уровнем смертности.
Тем не менее, при проведении многофакторного регрессионного анализа с учетом таких показателей возраста пациентов, типа поступления, анамнеза (злокачественные новообразования, цирроз, хронические заболевания легких), баланса жидкости, оценки тяжести состояния по шкалам SAPS II и SOFA при поступлении, не было выявлено связи переливания эритроцитов с повышением относительного риска смерти в течение 30 дней (относительный риск = 0.89; 95% доверительный интервал [ДИ] = 0.76?1.05; P = 0.159).
Были также подобраны 821 пар соответствия со схожими основными общими характеристиками и показателями тяжести состояния. В данном анализе в группе больных, которым была выполнена гемотрансфузия, относительный риск смерти был ниже, по сравнению с теми, кому она не проводилась (отношение рисков = 0,73; 95% доверительный интервал, ДИ = 0.59 ? 0.90; P = 0.004).
Расширенный анализ пропорциональных рисков, с поправкой на переливание эритроцитарной массы как зависимой от времени переменной выявил, что переливание было связано со снижением относительного риска смерти к 30 дню во всей популяции (относительный риск = 0.69; 95% ДИ = 0.48 ?1.01; P = 0.055).
Выводы.
Авторы исследования делают заключение, что переливание крови не связано с повышением уровня летальности у больных ОРИТ и даже может быть ассоциировано с повышением выживаемости. Необходимо отметить, что в отличие от предыдущих исследований, 76% принимавших участие в SOAP центров использовали кровь, очищенную от лейкоцитов. Как известно, именно лейкоциты ответственны за основные осложнения переливания крови.
Исследование было обсервационным, поэтому полученные результаты имеют ограниченную ценность. Для того, чтобы подтвердить полученные в ходе исследования данные, необходимо проведение рандомизированного контролируемого исследования.
Источник.
Jean-Louis Vincent et al.. Are Blood Transfusions Associated with Greater Mortality Rates?
Results of the Sepsis Occurrence in Acutely Ill Patients Study. Anesthesiology 2008; 108:31?9

является или не является независимым предиктором летальности или более длительного пребывания в ОРИТ

Вопрос не совсем понятен. Очевидно, нужно в новом посте сформулировать, что вы хотите сделать, или хотя бы, какую регрессию вы сделали? Если у вас есть количественные показатели, то используя ROC можно найти наиболее точное разделение показателя на две альтернативные группы. На основе этого разделения, вы кодируете «1», если фактор риска присутствует, и «0», если отсутствует. Если после этого вы создадите регрессионную модель вероятности наступления неблагоприятного события, используя логистическую регрессию только с бинарными признаками, то если фактор риска присутствует, то exp(b) будет иметь значение OR, которое можно получить, в том числе и из таблицы 2х2.

Уважаемые коллеги! Помогите, пожалуйста решить вопрос. В исследовании был проведен регрессионный анализ, как затем определить велишину относительного риска и отношения шансов для независимых величин, спомощью кросстаблиц? но как кодировать количественные признаки, если их перевести в бинарные как предложила уважаемая DrgLena спомощью cut-off из ROC кривых это будет правильно? Заранее благодарю!!!

Обратите только внимание, что логистическая регрессия НЕ позволяет рассчитывать RR (это можно делать только при помощи пуассоновой регрессии).

Вычисление RR для логистической регрессии тут http://aje.oxfordjournals.org/cgi/reprint/157/10/940.

Понятно. Спасибо.

Еще бы где-то пример посмотреть практического использования Пуассоновой регрессии.

У нас была статья в Российском семейном враче, использовавшая пуассонову регрессию, но его в on-line нет.

Журнал редкий. Даже оглавление трудно доступно.
Статью можно заказать по МБА. Если можно, пожалуйста, сообщите название работы, год, номер и страницы журнала.

Плавинская С.И., Плавинский С.Л., Шестов Д.Б. Прогностическая значимость основных факторов риска у женщин по данным популяционного исследования и шкала риска смерти от ССЗ// Российский семейный врач.-2006.- № 4.- с.4-9

2. Относительный риск вычисляется по формуле: p=1/(1+exp[-z]) (1)
3. Отношение шансов вычисляется по формуле: OR=exp[+z]) (2)
4. Вычисление доверительных интервалов. В программе SPSS для логистической регрессии в таблице Variables in Equation даются стандартные отклонения для коэффициентов В ? S.E. Используйте их и формулы (1) и (2) для получения доверительных интервалов для p и OR.

Очень интересная статья.
Так понял, для показателей (табл. 1 и 2) были построены не множественные логистические регрессии, а логистическая регрессия для каждого показателя?

Уважаемые коллеги! Все-таки я не поняла как можно вычислить доверительный интервал с помощью коэф. В и S.E? Объясните для особо одаренных, пожалуйста.
Есть ли в SPSS пуасонова регрессия? Заранее благодарю!!!

Нижняя граница: exp(beta-1.96*SE)
Верхняя граница: exp(beta+1.96*SE)
Еслит надол сравнивать факторы риска, то рассчитайте стандартизованные ОШ, а не на единицу измерения:
Нижняя граница: exp([beta-1.96*SE]*SD)
Верхняя граница: exp([beta+1.96*SE]*SD)
Все то же, только логарифм границы умножается на стандратное отклонения для фактора риска

Огромное спасибо за отзывчивость!!! Первую часть Вашего сообщения поняла. В моем исследовании OR=exp[+z]? значит для данного ОШ вычисляю по первым формулам ДИ, Эти отношения я получены дя факторов риска, правильно ли я Вас поняла, что ОШ=OR=exp[+z]? Только ДИ необходимо пересчитать по вторым формулам?
Простите за непонятливость, но перечитав 5 книг по статистике, в голове все смешалось, нет ничего налядного. Спасибо большое!!!

Уважаемый учитель! Коллеги! Спасибо за помощь! Но где взять SD? Я знаю только, что это стандартное отклонение, других значений не знаю, и в таблице результаов по регрессии не нашла. Огромная просьба, разъясните. Спасибо! Посчитав бинарную логистическую регрессию, получила следующие результаты: возможно ли, что признаки, котоые имели меньшее процентное соотношение в группе имели exp(b) больше, или возможно надо посчитать имено стандартизированное ОШ как Вы предложили для сравнения факторов риска???
Спасибо!

Уважаемая DrgLena!
Подскажите, пожалуйста, после определения факторов в бинарной логистичекой регрессии, можно ли вычислить отношение шансов для них отдельно с помощью кросс-таблиц? Будет ли это корректно?
Спасибо!

Не могу согласиться с уважаемым учителем, что для трактовни результатов логистической регрессии необходимо получить стандартизованные оценки рисков. Их трактовать еще труднее. Если в качестве предиктора используется номинальня переменная, например, клеточной тит опухоли в трех категориях, то SD вообще не имеет смысла, впрочем и для курящих и не курящих также. Куда важнее описать, что повышение веса на 1 кг (причем еще нужно знать относительно какого веса !) риск чего то, повышается в 1,03 раза (exp(b), а у курящих в 3,83 раза относительно некурящих.

Statistical analyses
Bivariate tests were initially used to compare the characteristics of patients who did or did not receive epidural anaesthesia or analgesia (t test, Mann-Whitney U test, χ² test, Fisher?s exact test).
We used propensity-score matched-pairs analyses to determine the adjusted association of perioperative epidural anaesthesia with the primary outcome (30-day mortality). The rationale and methods underlying the use of propensity scores for proposed causal exposure variables have been previously described.26,27 We developed a non-parsimonious multivariable logistic regression model to estimate a propensity score for perioperative
epidural anaesthesia, irrespective of outcome. Clinical signifi cance guided the initial choice of covariates in this model: age, sex, year, surgical procedure, hospital-type (teaching, low-volume nonteaching, mid-volume non-teaching, high-volume nonteaching), comorbid disease, specialist consultations (general internal medicine, cardiology, anaesthesiology), cardiac testing (echo cardiogram, non-invasive myocardial per fusion test, coronary angiogram), intraoperative invasive monitoring, and income. We used previously described methods to categorise non-teaching hospitals
into terciles28 on the basis of the annual volume of included procedures.
We considered comorbid conditions that were present in at least 1% of the study cohort: ischaemic heart disease, congestive heart failure, cerebrovascular disease, hypertension, diabetes, pulmonary disease, renal disease, and malignancy. As suggested by recent statistical research on propensity score development, we used a structured iterative approach to refi ne this model, with the goal of achieving covariate balance within the
matched-pairs.29 Covariate balance was measured using the standardised diff erence, where an absolute standardised diff erence greater than 10% is suggested to represent meaningful covariate imbalance.29 We matched epidural patients to no-epidural patients using a greedy-matching algorithm with a calliper width of 0·2 SD of the log odds of the estimated propensity score. This method involved sampling without replacement, and has been shown to remove 98% of the bias from measured covariates.30 Within the matched pairs, we used the methods of Agresti and Min31 to compare
mortality rates.32
Prespecifi ed subgroup analyses were based on procedure (abdominal, orthopaedic, thoracic, or vascular surgery), hospital (teaching or high-volume hospital versus mid-volume or low-volume hospital), and anatomic location of the epidural catheter (thoracic versus lumbar). We did a subgroup analysis based on the level of the epidural catheter because thoracic epidural analgesia, by selectively blocking cardiac sympathetic innervation,2 might better prevent mortality and cardiac complications.8,33 In these subgroup analyses, we repeated the same propensity-score matching process while forcing an exact match on the subgroup characteristics. The 30-day mortality rates were then compared within the subgroup-specifi c matched-pairs. For each subgroup analysis, we assessed the heterogeneity of treatment eff ects by using a test of interaction in a conditional logistic regression model.
In a sensitivity analysis, we used multivariable logistic regression to determine the adjusted association of epidural anaesthesia with 30-day mortality in the entire sample (N=259 037). These results were similar to the propensity-score analysis, and are therefore not reported. Analyses were done using SAS version 9.1 and R 2.4.1.34 All p values were two-tailed, with statistical significance defined by p<0·05.

Уважаевый доктор Плав! При подсчете стандартизированных отношений шансов получается, что переменные, которые имеют интервальную или порядковую шкалу всегда будут иметь большие значения, чем категориальные (дихотомические)? Спасибо!

Уважаемый доктор Плав! Коллеги! спасибо за помощь. При подсчете стандартизированных ОШ, имея SD 3-значные цифры, у меня получились тоже 3-значные цифры, которых я не встречала доселе в публикациях, обычно цифры 1,2; 3,4 и т.д., Значит все используют обычные ОШ, рассчитанные на единицу измерения? И еще вопрос, скажите, пожалуйста: в бинарной регрессии логистичксой я получила независимый предиктор, но по ROC анализу он не явялется значимым фактором , такое возможно, или эта особенность методик или ошибка? Спасибо!