Medizinstatistik für den beruflichen Alltag E-Book

Christoph Thiele

• Herausgeber: epubli
• Kategorie: Wissenschaft und neue Technologien
• Sprache: Deutsch

Seitenzahl: 92

Veröffentlichungsjahr: 2021

Beschreibung

Statistik - ein Buch mit sieben Siegeln? In diesem Werk werden Begriffe der Statistik anschaulich erläutert und einem näher gebracht. Anschauliche Beispiele aus der Praxis runden das Bild ab. Zur Interpretation und zum "Lesen" von Studien ist das Wissen von statistischen Formeln unwichtig. Wichtig ist jedoch, die einzelnen Begriffe der Statistik richtig einordnen und interpretieren zu können.

Leseprobe

Medizinstatistik für den beruflichen Alltag

1. Vorwort2. Stichwortverzeichnis3. Ereignis4. Nullhypothese/Alternativhypothese5. Randomisierung6. Endpunkt7. Hierarchische Testung8. Testungen9. Media/Arithmetisches Mittel10. Effektstärke11. Relatives und absolutes Risiko/Hazard Ratio12. Analysezeitpunkt13. Data Set14. Signifikanz15. Power16. Zusammenhang zwischen α- und β-Fehler17. Einflussgrößen auf α- und β-Fehler18. Konfidenzintervall19. Einseitige Testung (One Sided)20. Zweiseitige Testung (Two Sided)21. Patientenzahl/Fallzahl22. Proportional Hazards23. Zensierte Patienten24. Kaplan-Meier-Methode25. Störfaktoren (Confounder)26. Subgruppenanalyse27. Adjustieren28. Univariat/Multivariat29. Bias/Verzerrung30. Interaktionstest31. Statistische Testverfahren32. Abkürzungsverzeichnis33. Quellenverzeichnis

1. Vorwort

Vorwort

Medizinische Studien enthalten eine Vielzahl von Fachausdrücken zur Statistik. Viele hantieren mit diesen Ausdrücken, haben eine ungefähre Ahnung, was sich dahinter verbirgt. Aber wissen sie es wirklich?

Man könnte meinen, dass manches Statistiklehrbuch Abhilfe schaffen könnte. Doch ein Blick in diese Bücher erweist sich häufig als Trugschluss. Sie wurden von Mathematikern mit ihrem Blick auf die Statistik geschrieben und werden nicht den Menschen gerecht, die sich mit medizinischen Studien beschäftigen. Sie sind kompliziert geschrieben und sind für die Interpretation der Studien mit zu viel mathematischem Wissen überladen.

Um eine Studie interpretieren zu können, muss man nicht die hinter den einzelnen Ausdrücken stehende Statistik beherrschen, man braucht keine komplizierten Formeln zu verstehen – dies erledigen die Computer für uns. Es ist nur wichtig, zu wissen, welche Bedeutung sich hinter den einzelnen Fachausdrücken verbirgt und wie sie einzuordnen sind.

Dieses Buch soll dazu beitragen, die einzelnen Begriffe der Statistik, die studienrelevant sind, praxisnah zu erläutern und ein Verständnis für deren Zusammenhänge zu liefern. Somit wird eine Einordnung der Daten erleichtert.

Sie vermissen in diesem Buch einen Begriff aus der Statistik? Dann bitte ich Sie, mir diesen Begriff zu mailen, damit ich ihn in einer neuen Auflage einarbeiten kann.

Für einen besseren Lesefluss wird in diesem Buch das generische Maskulinum verwendet. Es sind in jedem Fall alle Geschlechter und Identitäten gemeint (z. B.:Der Arzt behandelt seinen Patienten und verabreicht ihm seine MedizinbedeutetDer Arzt/die Ärztin behandelt seinen/ihren Patienten/Patientin und verabreicht ihm seine/ihr ihre Medizin).

Köln, September 2021 Christoph Thiele

2. Stichwortverzeichnis

Die angegebenen Stichwörter sind im dem Kapitel, das hinter dem Pfeil steht, zu finden.

2x2-Feldertafel → 30. Interaktionstest

α-Fehler → 14. Signifikanz

α-Fehler, Adjustierung → 27. Adjustieren

α-Fehler, Einfluss auf β-Fehler → 17. Einflussgrößen auf α- und β-Fehler

α-Fehler, Patientenzahl → 21. Patientenzahl/Fallzahl

β-Fehler → 15. Power

β-Fehler, Einfluss auf α-Fehler → 17. Einflussgrößen auf α- und β-Fehler

β-Fehler, Patientenzahl → 21. Patientenzahl/Fallzahl

A priori → 8. Testungen

Absolute Risikoreduktion → 11. Relatives und absolutes Risiko

Absolutes Risiko → 11. Relatives und absolutes Risiko

According to Protocol Set → 13. Data Set

Adaptive Randomisierung → 5. Randomisierung

Adjustieren → 27. Adjustieren

Affix → 30. Interaktionstest

Alpha-Fehler → 14. Signifikanz

Alphafehlerinflation → 27. Adjustieren

Alphafehlerkumulierung → 27. Adjustieren

Allocation-Bias → 29. Bias/Verzerrung

Alternativhypothese → 4. Nullhypothese/Alternativhypothese

Analysezeitpunkt →  12. Analysezeitpunkt

Äquivalenzbereich → 20. Zweiseitige Testung

Äquivalenzstudie → 20. Zweiseitige Testung

Arithmetisches Mittel → 9. Median/Arithmetisches Mittel

As Treated Set → 13. Data Set

AT → 13. Data Set

ATP → 13. Data Set

Attrition-Bias → 29. Bias/Verzerrung

Baseline Adaptive Randomisierung → 5. Randomisierung

Basket-Studie → 13. Data Set

Benjamin-Hochberg-Prozedur → 27. Adjustieren

Benjamin-Yekutieli-Prozedur → 27. Adjustieren

Beobachter-Bias → 29. Bias/Verzerrung

Beta-Fehler → 15. Power

Bias → 29. Bias/Verzerrung

Bioäquivalenz → 20. Zweiseitige Testung

Bivariat → 28. Univariat/Multivariat

Blockrandomisierung → 5. Randomisierung

Boferroni-Holm-Prozedur → 27. Adjustieren

Bonferroni-Korrektur → 27. Adjustieren

Bootstrapping-Verfahren → 31. Statistische Testverfahren

Chancenverhältnis → 11. Relatives und absolutes Risiko

Ceteris paribus → 5. Randomisierung

Chi-Quadrat-Test → 31. Statistische Testverfahren

Cohen → 10. Effektstärke

Co-primäre Endpunkte → 6. Endpunkt

Confounder → 25. Störfaktoren

Contergan-Skandal → 6. Endpunkt

Cox-Regression → 31. Statistische Testverfahren

Data Set → 13. Data Set

Detection-Bias → 29. Bias/Verzerrung

Disordinale Interaktion → 30. Interaktionstest

Dissemination-Bias → 29. Bias/Verzerrung

Drei-Wege-Interaktion → 30. Interaktionstest

Dunett-Prozedur → 27. Adjustieren

Effektstärke → 10. Effektstärke

Effektunterschied, Einfluss auf den α- und β-Fehler → 17. Einflussgrößen auf α- und β-Fehler

Effektunterschied, Einfluss auf die Patientenzahl → 21. Patienzahl/Fallzahl

Efron's Method → 31. Statistische Testverfahren

Einfache Randomisierung → 5. Randomisierung

Einflussgrößen auf α- und β-Fehler → 17. Einflussgrößen auf α- und β-Fehler

Einseitige Testung → 19. Einseitige Testung

Endpunkt → 6. Endpunkt

Ereignis → 3. Ereignis

Exakter Chi-Quadrat-Test → 31. Statistische Testverfahren

Explorativ → 8. Testungen

Fallzahl → 21. Patientenzahl/Fallzahl

FAS → 13. Data Set

Fisher-Yates-Test → 31. Statistische Testverfahren

Fisher's Exact Test → 31. Statistische Testverfahren

Frühe Zensur → 23. Zensierte Patienten

Full Analysis Set → 13. Data Set

Gallup-Umfrage → 29. Bias/Verzerrung

Gegenereignis → 3. Ereignis

Gleichheitsstudie → 20. Zweiseitige Testung

Hazard → 11. Relatives und absolutes Risiko

Hazard Ratio → 11. Relatives und absolutes Risiko

Hierarchische Testung → 7. Hierarchische Testung

Hochsignifikant → 14. Signifikanz

Hommel-Prozedur → 27. Adjustieren

Infarct Survival Collaborative Group → 26. Subgruppenanalyse

Information-Bias → 29. Bias/Verzerrung

Intention to Treat Set → 13. Data Set

Interaktion 1. Ordnung → 30. Interaktionstest

Interaktion 2. Ordnung → 30. Interaktionstest

Interaktionstest → 30. Interaktionstest

Interimsanalyse → 12. Analysezeitpunkt

Intervallzensiert → 23. Zensierte Patienten

ITT → 13. Data Set

Kaplan-Meier-Methode → 24.Kaplan-Meier-Methode

Kaplan-Meier-Schätzer, Berechnung → 24. Kaplan-Meier-Methode

Kleine Patientenzahlen → 23. Zensierte Patienten

Konfidenzbereich → 18. Konfidenzintervall

Konfidenzintervall → 18. Konfidenzintervall

Konfirmatorisch → 8. Testungen

Konfundierung → 25. Störfaktoren

Linkszenisert → 23. Zensierte Patienten

Log-Rank-Test → 31. Statistische Testverfahren

Mann-Whitney U-Test → 31. Statistische Testverfahren

Marmeladenbrotexperiment → 4. Nullhypothese/Alternativhypothese

Matching → 25. Störfaktoren

Median → 9. Median/Arithmetisches Mittel

Methode von Cohen → 10. Effektstärke

Miasma-Theorie → 25. Störfaktoren

Modalwert → 9. Median/Arithmetisches Mittel

Modus → 9. Median/Arithmetisches Mittel

Multivariat → 28. Univariat/Multivariat

Nichtüberlegenheit → 19.Einseitige Testung

Nichtunterlegenheit → 19.Einseitige Testung

Nichtunterlegenheitsstudie → 19.Einseitige Testung

Non-inferiority trial → 19.Einseitige Testung

Nullhypothese → 4. Nullhypothese/Alternativhypothese

NNT → 11. Relatives und absolutes Risiko

Number needed to treat → 11. Relatives und absolutes Risiko

Obere Konfidenzgrenze → 18. Konfidenzintervall

Obermedian → 9. Median/Arithmetisches Mittel

Observer-Bias → 29. Bias/Verzerrung

Odds Ratio → 11. Relatives und absolutes Risiko

One Sided → 19. Einseitige Testung

Ordinale Interaktion → 30. Interaktionstest

Patienten unter Risiko → 24. Kaplan-Meier-Methode

Patientenzahl → 21. Patientenzahl/Fallzahl

Patientenzahl, Einfluss auf den α- und β-Fehler → 17. Einflussgrößen auf α- und β-Fehler

Per Protocol Set → 13. Data Set

Performance-Bias → 29. Bias/Verzerrung

Pharmazeutische Äquivalenz → 20. Zweiseitige Testung

Pivotal → 8. Testungen

Play the winner-Randomisierung → 5. Randomisierung

Post hoc → 8. Testungen

Power → 15. Power

PP → 13. Data Set

Präfix → 30. Interaktionstest

Präspezifiziert → 8. Testungen

Pre-planned → 8. Testungen

Primärer Endpunkt → 6. Endpunkt

Porportional Hazard Model → 31. Statistische Testverfahren

Proportional Hazards → 22. Proportional Hazards

Prozent → 24. Kaplan-Meier-Methode

Prozentpunkt → 24. Kaplan-Meier-Methode

Publication-Bias → 29. Bias/Verzerrung

Quasi-Randomisierung → 5. Randomisierung

Randomisierung → 5. Randomisierung

Randomisierungsliste → 5. Randomisierung

Rechtszensiert → 23. Zensierte Patienten

Relative Risikoreduktion → 11. Relatives und absolutes Risiko

Relatives Risiko → 11. Relatives und absolutes Risiko

Reporting-Bias → 29. Bias/Verzerrung

SAF → 13. Data Set

Safety Set → 13. Data Set

Sample-Bias → 29. Bias/Verzerrung

Sekundärer Endpunkt → 6. Endpunkt

Selektions-Bias → 29. Bias/Verzerrung

Sensitivität → 16. Zusammenhang zwischen α- und β-Fehler

Sicheres Ereignis → 3. Ereignis

Signifikanz → 14. Signifikanz

Skorpion → 26. Subgruppenanalyse

Späte Zensur → 23. Zensierte Patienten

Spezifität → 16. Zusammenhang zwischen α- und β-Fehler

Sponsor → 21. Patientenzahl/Fallzahl

Statistische Signifikanz → 14. Signifikanz

Statistische Testverfahren → 31. Statistische Testverfahren

Sternzeichen → 26. Subgruppenanalyse

Störfaktor → 25.Störfaktoren

Student-Test → 31. Statistische Testverfahren

Student's t-Test → 31. Statistische Testverfahren

Subgruppenanalyse → 26. Subgruppenanalyse

Suffix → 30. Interaktionstest

Superioritiy trial → 19.Einseitige Testung

Surrogat-Endpunkt → 6. Endpunkt

Stratifizierte Randomisierung → 5. Randomisierung

T-Test → 31. Statistische Testverfahren

Tertiärer Endpunkt → 6. Endpunkt

Teststärke → 15. Power

Testungen → 8. Testungen

Trennschärfe → 15. Power

Two Sided → 20. Zweiseitige Testung

U-Test → 31. Statistische Testverfahren

Überlegenheit → 19.Einseitige Testung

Überlegenheitsstudie → 19.Einseitige Testung

Umbrella-Studie → 13. Data Set

Univariat → 28. Univariat/Multivariat

Unmögliches Ereignis → 3. Ereignis

Untere Konfidenzgrenze → 18. Konfidenzintervall

Unterlegenheit → 19.Einseitige Testung

Untermedian → 9. Median/Arithmetisches Mittel

Variat → 28. Univariat/Multivariat

Verzerrung  → 29. Bias/Verzerrung

Wilcoxon-Mann-Whithey-Test → 31.Statistische Testverfahren

Wilcoxon-Test → 31. Statistische Testverfahren

Zensierte Patienten → 23. Zensierte Patienten

Zentralwert → 9. Median/Arithmetisches Mittel

Zusammenhang α- und β-Fehler → 16. Zusammenhang zwischen α- und β-Fehler

Zweiseitige Testung → 20. Zweiseitige Testung

Zwei-Wege-Interaktion → 30. Interaktionstest

3. Ereignis

Ereignis

In einem Experiment wird ein normaler Würfel geworfen. Es können sechst mögliche Augenzahlen (1, 2, 3, 4, 5 oder 6) erscheinen. Die gewürfelte Zahl ist das Ergebnis des Experiments. Wenn nun vorher festgelegt wurde, dass nur die geraden Zahlen (2, 4, 6) betrachtet werden sollen, spricht man beim Auftreten eines Wurfs, der eine gerade Zahl zeigt, von einem Ereignis. Beim Wurf einer ungeraden Zahl spricht man von einem Gegenereignis.

In Studien bezieht sich das Ereignis immer auf den Endpunkt, der jeweils betrachtet werden soll. Ist der zu betrachtende Endpunkt z. B. in einer onkologischen Studie das Overall Survival (OS), können nur zwei Ergebnisse auftreten – entweder der Patient lebt noch oder der Patient ist verstorben. Der Tod des Patienten wäre in diesem Fall das Ereignis. Solange der Patient noch lebt, besteht das Gegenereignis fort.

© caro_oe92 (via pixabay.com),Pixabaylizenz

Nice to know

Neben dem Ereignis und Gegenereignis gibt es noch das sichere und das unmögliche Ereignis. Auf das obige Würfelexperiment angewendet wäre ein sicheres Ereignis, dass das Ergebnis eine Zahl zwischen 1 und 6 ist. Da der Würfel auf jeden Fall eine dieser sechs Zahlen zeigen wird, tritt bei jedem Wurf ein Ereignis auf. Ein unmögliches Ereignis wäre, dass das Ergebnis eine 7 ist. Da der Würfel nur Zahlen von 1 bis 6 zeigen kann, wird die 7 niemals auftreten und deren Erscheinen wäre somit unmöglich.

4. Nullhypothese/Alternativhypothese

Eine Hypothese ist eine Annahme, deren Gültigkeit noch nicht bewiesen ist. Eine Überprüfung der Hypothese kann sie bestätigen bzw. widerlegen und sie kann somit verworfen werden. Streng genommen besteht noch eine dritte Möglichkeit: Nämlich, dass anhand der Überprüfung keine Aussage über die Richtigkeit oder Nicht-Richtigkeit der Hypothese getroffen werden kann.

In der Statistik jedoch kann nur bewiesen werden, dass etwasnichtzutrifft, man kann nicht beweisen, dass etwas zutrifft.

Ich stelle z. B. die Hypothese “Ein Marmeladenbrot, das vom Tisch herunterfällt, landet öfter auf der Marmeladenseite als auf der Rückseite“. Anschließend führe ich ein Experiment durch und lasse 100 Mal ein Marmeladenbrot vom Tisch fallen. Es landet 70 Mal auf der Marmeladenseite und 30 Mal auf der Rückseite. Damit habe ich meine Hypothese nicht bewiesen, da sich womöglich bei 1000 Fallversuchen das Verhältnis der gelandeten Seiten vertauscht hätte und das Marmeladenbrot häufiger auf der Rückseite gelandet wäre.

Ist dagegen das Ergebnis meines Experiments, dass nach den 100 Fallversuchen das Marmeladenbrot 70 Mal auf der Rückseite und nur 30 Mal auf der Marmeladenseite gelandet wäre, müsste ich meine Hypothese (dass das Marmeladenbrot öfter auf der Marmeladenseite landet) verwerfen, da ich gerade in dem Experiment nachgewiesen hätte, dass dem nicht so wäre.

©Pexels (via pixabay.com),Pixabaylizenz

Um dieses Dilemma zu umgehen, behilft man sich in der Statistik mit dem Konstrukt der Nullhypothese und der Alternativhypothese.

Dabei besagt die Nullhypothese genau das Gegenteil dessen, was man beweisen will und die Alternativhypothese das, was man beweisen will. Wenn das Ergebnis einer Studie zeigt, dass die Nullhypothese nicht zutrifft (also verworfen oder abgelehnt werden muss), muss die Alternativhypothese richtig sein. Sollte jedoch die Nullhypothese zutreffen, kann daraus nicht geschlossen werden, dass die Alternativhypothese falsch ist. Die Nullhypothese wird üblicherweise mit H0und die Alternativhypothese mit HAbezeichnet.

Auf das obige Marmeladenbrotbeispiel angewendet, wäre die Nullhypothese “Ein Marmeladenbrot, das vom Tisch fällt, landet gleich oft oder weniger oft auf der Marmeladenseite als auf der Rückseite“ (somit genau das Gegenteil dessen, was ich beweisen möchte) und die Alternativhypothese wäre meine ursprüngliche Aussage “Ein Marmeladenbrot, das vom Tisch fällt, landet öfter auf der Marmeladenseite als auf der Rückseite“.