Глава iii основные понятия и методы доказательной медицины. Глава viii источники данных по доказательной медицине Возможности овладения доказательной медициной

Часто оригинальные статьи о выполненных исследованиях могут быть более реальным источником ответа на узкие вопросы чем обзорные статьи и лекции. Считается что чтение журналов и статей необходимо ограничить теми которые действительно имеют отношение к повседневной практике или текущим научным исследованиям. Значительная часть публикаций представляющих результаты исследования нового вмешательства содержит непригодную для использования информацию. Встреча со знакомой и известной фамилией и уважаемым учреждением позволяют заранее...

Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск

Другие похожие работы, которые могут вас заинтересовать.вшм>
20915.		Анализ рынка медицинских услуг	3.1 MB
	Анализ теоретической информации о практике создания и применения ГЧП, характеристике и пользе данной модели для общества; анализ теоретического материала концепции бизнес-моделирования; определение экономических характеристик медицинской услуги; проведение анализа отрасли;
4601.		АНАЛИЗ ДЕЯТЕЛЬНОСТИ ПОСТОВЫХ МЕДИЦИНСКИХ СЕСТЕР ТЕРАПЕВТИЧЕСКОГО ОТДЕЛЕНИЯ	60.63 KB
	Практическая актуальность связана с тем, что дипломная работа может послужить автоматизации работы постовой сестры по ведению документации по учету медикаментов и движения больных; выдаче медицинских препаратов больному; формированию и распечатыванию направлений на исследования каждому пациенту; ведению температурного листа и т.д.
11969.		Анализ экономической эффективности использования медицинских информационных систем	16.93 KB
	Разработана модель и описаны алгоритмы анализа экономической эффективности медицинских информационных систем МИС. Разработан макет программного средства ПС анализа экономической эффективности применения МИС в лечебнопрофилактическом учреждении Программное средство анализа экономической эффективности использования медицинских информационных систем. Эксплуатационным назначением ПС является его использование экономистомэкспертом и руководителем ЛПУ при анализе экономической составляющей деятельности лечебнопрофилактического учреждения а...
18273.		Анализ правового статуса Президента Республике Казахстан с позиций общепринятых критериев правового государства и принципа разделения властей	73.64 KB
	Суть подхода Президента состояла в том что страна должна развиваться естественным образом эволюционно. Президентское правление - предусмотренное Конституцией государства это прекращение деятельности институтов самоуправления определенного регионального административного образования и осуществление управления последним посредством уполномоченных назначаемых главой государства - президентом и подотчетными ему лицами; предусмотренное Конституцией наделение главы государства - президента чрезвычайными полномочиями в масштабе всего...
13186.		Проектирование информационной системы учета научных публикаций в среде Adobe Dreamweaver	2.29 MB
	Автоматизация для любых организаций производится при помощи проектирования и последующего создания и развертывания единой корпоративной информационной системы – системы обработки информации также включающей в себя и соответствующие организационные ресурсы человеческие технические финансовые и т. Такая ситуация получила название лоскутной автоматизации и является довольно типичной для многих предприятий. Так как информационные системы предназначены для сбора хранения и обработки информации в основе любой из них лежит среда хранения и...
15989.		Применение нанотехнологий в отраслях медицины	80.04 KB
	Из истории следует что человечество всегда стремилось к прогрессу и с древних времён искало способы лечить болезни и продлевать жизнь. Можно сказать что развитие нанотехнологий в XXI веке изменит жизнь человечества больше чем освоение письменности паровой машины или электричества. Швейцарский физик Альберт Эйнштейн опубликовал работу в которой доказывал что размер молекулы сахара составляет примерно 1 нанометр. Американский футуролог Эрк Дрекслер пионер молекулярной нанотехнологии опубликовал...
6178.		ГИГИЕНА – ОСНОВНАЯ ПРОФИЛАКТИЧЕСКАЯ ДИСЦИПЛИНА МЕДИЦИНЫ	409.78 KB
	Термин «гигиена» происходит от греческого слова хигиейнос, что означает «приносящий здоровье» (Слайд №1). Согласно древнегреческой мифологии, у бога врачевания Асклепия (в древнеримских мифах – Эскулап) была дочь Гигиейя, помогавшая отцу в его делах.
5069.		Роль правовых идей Авиценны в развитии медицины	31.86 KB
	Ибн-Сина выступал за идеальное государство население которого должно состоять из правителей производителей и войска и каждый должен заниматься полезной работой. Особенно велики заслуги...
17864.		Тенденции и Проблемы развития системы и рынка страховой медицины в США	75.24 KB
	Понятие и классификация медицинского страхования: обязательное и добровольное медицинское страхование. Системы страхования здоровья в зарубежных странах. Анализ рынка медицинского страхования в США. Характеристика и особенности рынка медицинского страхования в США.
20590.		Собственный капитал коммерческого банка с позиций его формирования	326.53 KB
	Особую актуальность в проблеме управления собственным капиталом банка и вопросам его регулирования придает Базельский комитет по надзору который предпринял попытку коренного изменения системы оценки достаточности собственного капитала банка. Несмотря на незначительный удельный вес в совокупных пассивах банков собственный капитал остается основой надежности и устойчивости банка фундаментом деятельности банка и подушкой его безопасности. В последнее время вопросы банковского дела связанные с собственным капиталом банка привлекают особо...

Статистические методы как основа доказательной медицины. Их роль в анализе здоровья населения и деятельности учреждений здравоохранения.

История возникновения профилактических дисциплин в нашей стране и за рубежом. Роль Н.А. Семашко и З.П. Соловьева, Г.А. Баткиса, Ю.П. Лисицына и др.
Размещено на реф.рф
в становлении и развитии профилактики.

Социальная гигиена в бывшем СССР свою историю начинает с организации музея ʼʼСоц.гигиеныʼʼНародного комиссариата здравоохранения РСФСР,директором которого был известный гигиенист проф.А.В.Мольков.Музей9с 1920г-институт соц.гигиены)стал центром формирования дисциплины. В числе первых социал - гигиенистов, теоретиков и ученых были такие организаторы дела охраны здоровья народа как Н.А.Семашко- первый нарком здравоохранения, врач-организатор здравоохр и его зам. З. П, Соловьев- врач, известный деятель общественной медицины. В 1922 г Н.А.Семашко при поддержке З.П.Соловьева, А.В. Молькова,Н.А. Сысина, С.И. Каплуна и др.
Размещено на реф.рф
авторитетных ученых и деятелœей обществ. гигиены организовал при I Мос.Универ.кафедру соц. гигиены.В 1923г З.П.Соловьев и его сотрудники создали кафедру соц.гигиены на мед. фак. II Мос. универ.
Размещено на реф.рф
В 1941 ᴦ.кафедры соц. гигиены были переименованы в кафедры орг-ции здравоохр., Эта ситуация самым погубным образом сказалась на развитии науки ОЗиЗ. В 1966ᴦ. назначенный министр здравоохр.
Размещено на реф.рф
СССР Б.В.Петровский подписал приказ о преобразовании кафедр в кафедры соц. гигиены и орг-ции здравоохр.В октябре 1999ᴦ. на совещании профильных кафедр с участием МинЗдрава РФ было принято решение о переименовании дисциплины в ʼʼОбщественное зд и здравоохрʼʼв соотв.приказом министра здравоохр РФ.

Профилактическое направление в здравоохранении России. Система профилактики в медицинœе и здравоохранении. Основные виды профилактики. Первичная профилактика как основа сохранения здоровья населœения.

Профилактика - одно из важнейших направлений здравоохранения, дает возможность сохранить здоровье населœения. Профилактика (греч. предохранение, предупреждение) - широкая и разносторонняя сфера деятельности, относящаяся к выявлению причин заболеваний и повреждений, их искоренению (ослаблению) и предупреждению их проявления среди отдельных людей, групп и всœего населœения. Виды профилактики: 1) индивидуальная; 2) общественная. Учитывая зависимость отхарактера объекта приложения профилактических мер: 1) первичная - меры профилактики направленные на непосредственную причину заболевания или повреждения; 2) вторичная – меры воздействия на условия и факторы, способствующие развитию уже возникшего заболевания или повреждения. По характеру профилактических мероприятий: 1) социально-экономические; 2) медицинские. История профилактики: начинается с возникновения взглядов на значимость предупреждения причин, условий, факторов болезней, предотвращения их тяжелого течения, осложнений. На заре медицины это были простые, доступные гигиенические предписания: правила личной гигиены, поддержание чистоты тела, окуривание больных и их одежды, сжигание одежды умерших, трупов и предметов ухода. гигиенические рекомендации были у античных медиков. Гиппократ создал учение о роли природный условий и образа жизни на здоровье человека. О профилактике говорили М.Л. Мудров(нач.19 столетия), И.И. Пирогов, Г.А.Захарьин, но общественно-политический строй России в конце 19-нач. 20 в. не позволял создать и развивать профилактическое направление здравоохранения.

в марте 1919 ᴦ.на 8 съезде РКП(б) была принята программа о ведущем направлении здравоохранения - профилактическом. Роль профилактики в здравоохранении в нашей стране была полно отражена в Конституции СССР(1977г). В основах законодательства РФ об охране здоровья граждан (1993г) в числе базовых принципов здравоохранения - "приоритет профилактических мер".

Состояние и особенности профилактики в условиях реформы здравоохранения. Приоритетный национальный проект ʼʼздоровьеʼʼ, основные направления, его роль в реализации профилактического направления.

В рамках проекта были определœены три базовых направления работы: повышение приоритетности первичной медико-санитарной помощи, усиление профилактической направленности здравоохранения и расширение доступности высокотехнологичной медицинской помощи. Основное внимание планировалось уделить укреплению первичного медицинского звена (муниципальные поликлиники, участковые больницы) - увеличению зарплаты участковым врачам и медсестрам, оснащению этих медучреждений необходимым оборудованием, переобучению врачей общей практики, введению родовых сертификатов.

Наиболее нуждающееся в поддержке в сфере здравоохранения направление - первичное звено медико-санитарной помощи. Здесь оказывается 80% всœей медицинской помощи и находится максимальное количество единиц медицинского и диагностического оборудования, сюда чаще всœего обращаются пациенты. Тем не менее, в нашей стране долгое время наблюдался приоритет развития стационарного звена, специализированной помощи, прежде всœего потому, что они финансировались за счёт отдельных источников. Муниципалитеты, которые финансируют амбулаторию, на сегодняшний день располагают самыми скромными возможностями, в связи с чем последние десятилетия объёмы средств, поступающих в первичное звено, не были существенными. По этой причине увеличение материальной базы стало важным этапом в повышении качества работы медицинских учреждений. Прежде всœего, в рамках реализации проекта значительно вырос средний уровень оплаты труда различных категорий медицинских работников (в среднем на 80 - 100 %).

Качество первичной медицинской помощи стало повышаться и по другим показателям. В рамках проекта действуют программы подготовки и переподготовки врачей, наблюдается положительная динамика изменения численности медицинских работников. В результате в 2006 году коэффициент совместительства снизился с 1,6 до 1,31 в целом по России, снизилась доля лиц пенсионного возраста среди медицинских работников первичного звена. И изменение это обусловлено не только приходом выпускников медицинских вузов и училищ, но и, к примеру, созданием в некоторых областях России особых условий молодым врачам, изъявившим желание работать на селœе.

Профилактика заболеваний - самое эффективное средство от болезней. Профилактическое направление в здравоохранении всœегда было приоритетным в нашей стране. В рамках приоритетного национального проекта ʼʼЗдоровьеʼʼ была определœена государственная финансовая поддержка профилактических мероприятий. В настоящий момент федеральный бюджет снова взял на себя эти обязательства.

Основными целями стали профилактика ВИЧ и гепатита В и С, а также иммунизация населœения в рамках национального календаря прививок. Вместе с тем, были введены дополнительные диспансеризации, медицинские осмотры, скрининговые исследования беременных женщин и новорожденных. В результате, по многим оценкам, в 2006 году значительно снизилась заболеваемость данными инфекциями, повысился процент диагностирования заболеваний на ранней стадии.

К профилактическому направлению можно отнести и появление программы родовых сертификатов. Родовой сертификат был создан с целью дополнительной финансовой поддержки деятельности учреждений здравоохранения, предоставляя право на оплату услуг медицинской помощи. При этом его основная задача - повышение живорожденности. Показатели младенческой смертности 2006 года (10,21 человека на 1000 рожденных) снизились по сравнению с предыдущими годами (в 2005 году - 11 человек). Тем не менее, планируется достигнуть международных стандартов живорожденности с одновременным улучшением профилактики невынашивания беременности. Большое значение имеет и достигнутое повышение результативности диагностических и лечебных мероприятий, сокращение числа платных услуг по обследованию и лечению патологии беременных женщин.

Основные причины смертности в России - результат воздействия четырех - пяти факторов: транспортные травмы и ДТП, острые отравления, онкология, сердечно-сосудистая патология и качество работы служб родовспоможения. На следующие три года приоритетным национальным проектом ʼʼЗдоровьеʼʼ определœены два базовых приоритетных направления: борьба с сердечно - сосудистыми патологиями и с дорожно–транспортным травматизмом. В 2007 - 2008 гᴦ. планируется потратить 13,5 млрд. рублей1 на профилактику данных проблем.

Доступность новейших технологий в области медицины

В рамках приоритетного национального проекта правительство РФ приняло решение о создании высокотехнологичных медицинских центров, при этом это будут, возможно, одни из самых современных центров в мире. На сегодняшний день 80% пациентов, получающих высокотехнологичную медицинскую помощь в федеральных центрах Москвы и Санкт-Петербурга, - жители этих городов и их областей. В ближайшие годы такие центры будут строить в Хабаровске, Красноярске, Иркутске и других городах. Οʜᴎ будут распределœены равномерно и способствовать выходу здравоохранения на новый уровень.

Есть точка зрения, что в строительстве новых центров нет крайне важно сти, достаточно найти дополнительные средства для финансирования медицинской помощи, которая уже оказывается в действующих медицинских учреждениях. По этой причинœе впервые федеральное правительство сформировало заказ на 128 тыс. операций1, которые будут проводиться в федеральных специализированных медучреждениях. На будущий год эта цифра увеличится до 170 тыс. операций.

С 2007 года впервые в конкурсах на проведение высокотехнологичных операций будет предложено участвовать лечебным медучреждениям субъектов РФ. К этому моменту они должны будут пройти несколько подготовительных этапов: завершить утверждение клинических стандартов на оказании медпомощи, продемонстрировать готовность материальной базы и кадрового потенциала.

В 2006 году по результатам конкурсных мероприятий в рамках ПНП ʼʼЗдоровьеʼʼ были заключены контракты на поставку диагностического оборудования с отечественными (54%) и зарубежными (46%) производителями1.

4. Важность изучения общест здоровья и его обусловленности в решении проф задач. Схема изучения общ здоровья. Основные показатели.. Изучает закономерности общественного здоровья, его обусловленность с целью разработки научно обоснованных медико-профилактических мероприятий стратегического, тактического характера по сохранению и укреплению здоровья и совершенствованию медицинской помощи населœению

1)проблемы охраны здоровья и улучшения здоровья различных возрастно-половых, социальных и профессиональных групп и общества в целом

2)Научно обоснованные оптимальные методы управления здравоохранением, формы и методы работы медицинских учереждений, пути улучшения качества медицинской помощи

исторический, экспертный, бюджетный, статистческий, социологические методы, организационного эксперимента͵ экономические методы, методы планирования, Составление индивидуальной программы, составление перспективных программ, для проедения социально-гигиенического мониторинга.

Показатели здоровья населœения: естественное движение населœения (демографические показатели, заболеваемость населœения, Инвалидность, физическое развитиею; группы:Социально-экономическая, образ жизни, биологические, физико-географические(природно-климатические).

Применение статистических величин в профилактической медицинœе. Виды статистических величин, их использование в медицинœе и здравоохранении. Графические изображения статистических величин.

Статистические методы как основа доказательной медицины. Их роль в анализе здоровья населœения и деятельности учреждений здравоохранения.

Статистика-1)это обществен. наука,кот. изучает количественную сторону общественных,массовых явлений в неразрывной связи с их качественной стороной.2) - это сбор цифровых,статистических данных,хар-щих то или другое общественное явление или процесс.3) -это сами цифры,хар-щие эти явления и процессы.С. имеет свои собственные методы: м-д массового наблюдения,группировок,таблиц и графиков.Главная задача С. - установление закономерностей изучаемых явлений.С. Изучает количественные закономерности непрерывно изменяющейся,развивающейся общественной жизни.

Медицинская статистика- обществен. наука, кот. изучает колич. сторону массовых явлений и процессов в медицинœе.

Основные разделы: =статистика здоровья } санитарная

Статистика здравоохранения } статистика

Статистика здоровья- изуч. здоровье общества в целом и отделю

её групп и устан. завис-ть зровья от разл. факторов социал. среды.

Статистика здравоохранения-анализирует данные о сети мед. и

санит. учрежд-й, их деят-ти и кадрах, оцен-ет эффект-ть разл. мер-

тий по пофил-ке и леч-ю болезней.

Статистическая совокупность, опред-е, виды. Единица

наблюдения, учетные признаки.

Статистич. совокупность- группа или множество отно-но

однородных элементов, т. е. единиц, взятых вместе в конкр.

границах времени и простр-ва и оладающих признаками

сходства и различия.

ВИДЫ: 1) ГЕНЕРАЛЬНАЯ- сост. из всœех единиц наблюдения;

2) ВЫБОРОЧНАЯ – часть генеральной сов-ти, кот опред-

ся спец. методами, облад. признаками сходства и различия(колич.-

выраж.числом, напр, возраст; и качеств.- атрибутивные,выраж.

словесно, напр.
Размещено на реф.рф
пол. проф-я);

ЕДИНИЦА НАБЛЮДЕНИЯ- это первичный элемент стат-кой сов-ти,облад. признаками сходства(пол,возраст,место жит; не более4х) и различия(колич. и качеств.). Сумма единиц составл. обьект исследования.

Признаки различия, назыв. УЧЕТНЫМИ ПРЗНАКАМИ, явл. предметом их анализа:

По характеру: =качеств-ми-(атрибутные) выраж. словесно и им.

опред. хар-тер(пол,проф).

Колич-ми, выражен-ми числом(напр, возр).

По роли: =факторные – влияют на измен-е зависящих от

них признаков.

Результативные- зависят от факторных.

Основные свойсва статист-кой сов-ти и их статистич. характеристики.

СВОЙСТВА:

1). Распределœение признака в статистич. сов-ти.

М. б. выраженно абсолютными числами и относит. показателями(экстенсивными,интенсивными,соотношениями,динамич. ряда).

2). Средний уровень признаков

Хар-ся разл. средними величинами(мода, медиана,средн. арифметич., средн. взвешенная).

3). Разнообразие (вариабельность) признаков.

Хар-ся величинами- лимит, амплитуда,средн. квадратичн. отклонение,коэф. вариации).

4). Достоверность признаков(репрезентативность).

Вычисл. ошибок средних величин, расчет границколебания средн. величин,сравнение средн. пок-лей.

5). Взаимосвязь м/ду признаками(корреляция)

Хар-ся с пом. коэф. корреляции.

Графические изображения. Виды графич. изображений. Правила построения графич. построений. Применение в здравоохранении.

Граф. изображения служат для наглядного представления статистич. величин, позвол. глубже их проанализировать.

Графиками назыв. условные изображения числовых величин(средних и относит.) в виде различных геометр.
Размещено на реф.рф
образцов(линий, плоских,обьем. фигур)

Различают осн. виды граф. изображ-й:

Диаграммы (линœейные, радиальные, столбиковые, внутристолбиковые, секторные, фигурные)

Картограммы

Картодиаграммы

Правила построения:

Наличие названия

Наличие условных изображений

Соблюдение масштаба

1.ЛИНЕЙНЫЕ диаграммы прим. для изображения динамики явления или процесса(напр,рост нас-я мира, динамика детск. смерт-ти). В случае если на одной диаграмме изображ. неск. явлений, линии наносят разного цвета. НЕ рекоменд. более4х линий.

2.РАДИАЛЬНАЯ(или полярная) диаграмма строиться на системе полярных координат при изображении явлении за замкнутый цикл времени(сутки,неделя,год).

ПЛОСКОСТНЫЕ:

1). СТОЛБИКОВАЯ(прямоугольная) прим. для изображения динамики или татики явления. Напр, обеспеч-ть нас0я врачами в отдел. странах в опред. году. Внутристолб-я – напр, для стр-ры забол-ти по классам.

2). СЕКТОРНАЯ прим. напр,для изобр.
Размещено на реф.рф
стр-ры заб-ти или стр-ры причин смерти нас-я,дге каждая причина заним. соотв. сектор в зав-ти от удел. веса.

3). ФИГУРНАЯ (обьемная). на ней статист. фигуры изобр-ся в виде разл. фигур.
Размещено на реф.рф
Напр, рост числа коек в виде схем. коек.

4). КАРТОГРАММА- это изобр-е статистич. величин на геогр.
Размещено на реф.рф
карте. Для изобр-я данных польз. краской(или штриховкой)одного цвета͵но разной интен-ти.

5). КАРТОДИАГРАММА-это изобр-е на геогр.
Размещено на реф.рф
карте диаграмм разл. рода.

Статистические методы как основа доказательной медицины. Их роль в анализе здоровья населения и деятельности учреждений здравоохранения. - понятие и виды. Классификация и особенности категории "Статистические методы как основа доказательной медицины. Их роль в анализе здоровья населения и деятельности учреждений здравоохранения." 2017, 2018.

В настоящее время участие специалиста-статистика в планировании и анализе результатов клинических исследований является обычной и широко распространенной практикой. Возрастает роль анализа данных в обсуждении проекта в целом.

Применительно к проведению клинических исследований математическая статистика может помочь в формулировании цели, разработке дизайна, выборе методов рандомизации, определении необходимого числа пациентов для получения статистически значимого заключения, непосредственно при проведении анализа полученных результатов, формировании заключения.

Современные компьютерные технологии делают статистические методы доступными каждому врачу. Программа STATISTICA с удобным интерфейсом, реализованным в виде последовательно открывающихся диалоговых окон, позволит Вам провести как начальное исследование Ваших данных, так и углубленный анализ. С помощью STATISTICA Вы можете подготовить аналитический отчет, написать статью, подготовить презентацию и выступление на конференции.

STATISTICA позволяет быстро и качественно решить такие задачи как:

• Планирование медицинских исследований и подготовка данных
• Вычисление основных описательных характеристик исследуемых величин (среднее, стандартное отклонение, дисперсия, доверительные интервалы, ошибки среднего, медиана, квартили и др.)
• Наглядное представление данных: построение графиков презентационного качества (гистограммы, диаграммы рассеяния, графики ящики-усы, графики средних с ошибками, линейные графики и др.)
• Выявление статистически значимых различий между выборками
• Анализ зависимостей между факторами
• Анализ выживаемости (анализ времени жизни в одной и более группах, сравнение групп по времени жизни, оценка влияния факторов на время жизни пациентов)
• Вычисление необходимого объема выборки, анализ мощности критериев
• Прогнозирование исхода лечения
• и др.

Подробнее об основных задачах медицины

Определение необходимого объема выборки

Перед началом проведения исследования важно определить объем выборки, необходимый для выявления значимого эффекта.

Например, сколько пациентов необходимо включить в каждую из групп лечения, чтобы иметь 90%-мощность обнаружения значимого на уровне 5% различия в снижении артериального давления?

Анализ выживаемости, сравнение выживаемости в различных группах

Различалось ли время до наступления смерти, рецидива или т.п. в зависимости от типа лечения? Какие факторы влияли на выживаемость? Как оценить время исправной эксплуатации протеза?

Построить кривые Каплана-Мейера, а также протестировать гипотезу о равенстве выживаемости в группах с помощью критериев Гехана - Вилкоксона, Кокса-Ментела, F-критерия Кокса, логарифмического рангового критерия и др. можно в модуле Анализ выживаемости .

Кроме того, в рамках отраслевого решения STATISTICA может быть надстроена для получения системы, заточенной на решение задач Заказчика. Система автоматизирует и расширяет возможности STATISTICA (например, проведением мета-анализа и др.).

STATISTICA - полностью на русском языке!

STATISTICA является признанным стандартом анализа медицинских данных. Тысячи кандидатских и докторских диссертаций, множество исследований в медицине проведены с использованием программы STATISTICA .

STATISTICA — это мощная аналитическая система, предоставляющая пользователям исключительные возможности в области анализа биомедицинских данных, которая содержит огромное количество аналитических процедур, собранных в отдельные модули и представленные в виде последовательности открывающихся диалоговых окон.

Управление данными, запросы к базам данных, графика делаются в удобно открывающихся диалоговых окнах двумя щелчками мыши.
STATISTICA позволяет решать разнообразные задачи, возникающие при анализе медицинских данных, начиная от предварительного описательного анализа данных до углубленного понимания причин исследуемых явлений, проверки гипотез, оценки значимости эффектов и построения предсказательных моделей.

Статистические методы позволяют оценить степень влияния лекарств на течение болезни, сравнить различные лекарственные препараты, тестировать методики лечения, обработать результаты клинических испытаний лекарственных препаратов, понять этиологию заболевания, выявить наиболее значимые маркеры, оценить предсказательную ценность диагностических тестов, обнаружить побочные эффекты.

STATISTICA позволяет эффектно визуализировать данные, используя различные графические средства, проводить разведочный графический анализ, управлять данными и разрабатывать собственные приложения, готовить автоматические отчеты по результатам исследования.

Вы можете настроить “под себя” практически любой вид анализа STATISTICA , включая процедуры низкого уровня и пользовательского интерфейса.

Работа с базами данных, чистка, фильтрация данных, удаление выбросов, монотонные нетворческие процедуры делаются теперь одним щелчком мыши в удобном пользовательском интерфейсе.

Для решения медицинских задач наиболее часто используют следующие продукты и инструменты STATISTICA :

Благодаря усилиям StatSoft STATISTICA полностью переведена на русский язык и поддерживается курсами StatSoft, а также многочисленными книгами и учебными пособиями.

Мы проводим также регулярные бесплатные семинары и вебинары, на которых вы можете познакомиться с новейшими методиками исследования медицинских данных, нашими методами преподавания и оказания консалтинговых услуг. Вы можете познакомиться с некоторыми кейсами в разделе Примеры .

Первым шагом к консалтингу в StatSoft являются .

В рамках обучения в Академии Анализа Данных высококвалифицированные специалисты StatSoft проводят курсы лекций, как по основным принципам анализа данных, так и по углубленным статистическим методам доказательной медицины.

Пройдя обучение в StatSoft, Вы сможете перейти на новую ступень в проведении клинических испытаний, сможете критически воспринимать статьи, публикации, получите ответы на все интересующие вопросы анализа данных.

Мы приглашаем вас на курсы Академии Анализа Данных, доступные в удобное для вас время.

Курсы Академии Анализа Данных StatSoft в области медицины/фармакологии:

На наших курсах мы подробно объясним вам, как подготовить данные, ввести их в STATISTICA , импортировать из других программ, провести описательный и визуальный анализ, найти зависимости между переменными, построить объяснительные модели.

Подробно, шаг за шагом, мы учим вас работать в программе STATISTICA и объясняем, какие методы исследования нужно использовать для решения стоящей перед вами задачи.

Для понимания материала не требуется предварительного знания методов статистического анализа и математики. Все необходимые знания даются в ходе курса. Слушатели учатся вычислять и интерпретировать описательные статистики, визуализировать данные, строить таблицы сопряженности, находить зависимости и устанавливать общие закономерности.

Если вы хотите повысить свою квалификацию, провести аналитическое исследование, написать диссертацию, используя методы статистики, позвоните или напишите нам .

Обращаем Ваше внимание, что Вы можете составить индивидуальную программу обучения, выбрав интересующие Вас темы.

В рамках консалтинговых проектов , Академия Анализа Данных StatSoft оказывает помощь в проведении статистического анализа данных, решая задачи разных масштабов:

Разработка концепции и планирования статистического анализа клинических исследований

Анализ результатов клинических и доклинических исследований

Подготовка методик и аналитических отчетов об исследованиях

Индивидуальные консультации врачей в рамках подготовки научных статей и диссертационных работ

Всесторонний анализ биомедицинских данных включает исследования на биоэквивалентность, преимущество (superiority), не превосходство non-inferiority, эквивалентность, сопоставимость лекарственных препаратов, разработка и сравнение диагностических тестов, проверка методик, решение конкретных задач по анализу биомедицинских данных.

Постмаркетинговые исследования проводятся с помощью технологий Дейта Майнинг, позволяющих обнаружить побочные эффекты, нежелательные взаимодействия лекарственных препаратов на больших базах данных.

Мы осуществляем разработку SAP (Statistical Analysis Plan), планирование, мониторинг и статистический анализ исследований в соответствии с международными принципами и стандартами.

Принципы статистического исследования биомедицинских данных изложены в международных документах GCP и ICH, являются корпоративным стандартном СтатСофт (см. материалы ICH - International Conference on Harmonisation of Technical Requirements for Registration of Pharmaceuticals for Human Use http://www.ich.org/home.html - E9 (Statistical Principles for Clinical Trials), ICH E3 (Structure and Content of Clinical Study Reports), E6 (Good Clinical Practices)).

Клинические исследования должны быть тщательно спланированы, обоснованы, всесторонне проверены, предварены ретроспективным анализом, мета-анализом, подробно описаны, представлены в ясных схемах, графиках и таблицах, применение статистических методов обосновано.

Только тщательно спланированные клинические исследования дают эффект, а разрабатываемый препарат или терапия действительно будет служить благу людей, а не нести в себе сиюминутный эффект.

Нашими клиентами являются крупнейшие медицинские центры в России и мире:

Университетская клиника КФУ
Саратовский областной кардиохирургический центр
Центр медицинских биотехнологий
ФБУН Саратовский НИИСГ Роспотребнадзора
Центр фармакоэкономических исследований
Московский НИИ психиатрии Минздравсоцразвития
Российский национальный исследовательский медицинский университет им. Н.И. Пирогова
ФГБУ «Российский кардиологический научно-производственный комплекс» МЗ и СР РФ
Российский научный центр хирургии им. Б.В. Петровского РАМН
НИИ кардиологии МЗ РФ
ФГУП «Антидопинговый центр»
Московский научно-исследовательский онкологический институт им. П.А. Герцена
НИИ неврологии РАМН
Московский НИИ диагностики и хирургии
НИИ нейрохирургии им. Бурденко
Научный центр акушерства, гинекологии и перинатологии им. В.И. Кулакова
Научный центр неврологии РАМН
Научный центр сердечно-сосудистой хирургии им. А.Н. Бакулева РАМН
НИИ глазных болезней
НИИ инфоэкологии

и многие другие.

Из отзывов пользователей:

НИИ неврологии РАМН

Применение статистики в медицинских и биологических исследованиях не ограничивается анализом данных. Статистические методы следует использовать также на этапе планирования биологического эксперимента или медицинского исследования. Для анализа данных в биологическом эксперименте необходимо применение статистики, в противном случае выводы нельзя считать научно обоснованными.

Центр медицинских биотехнологий

Вы молодцы! Спасибо за атмосферу интеллектуального комфорта!

Ляшенко Алла Анатольевна,
Генеральный директор, кандидат биологических наук
Из отзыва на курс «Углубленный курс STATISTICA для медицинских приложений »

ФГОУ ВПО МГАВМиБ имени К.И. Скрябина

Большое спасибо - шикарный стартовый капитал для работы с 10 версией и для работы со студентами, много полезного в метод. отношении.

Новиков Виктор Эммануилович,
доцент по кафедре биофизики и радиобиологии

Сердикс, группа компаний Servier

Благодарю за отличную организацию курсов, интересную и увлекательную подачу материала.

Москвин Дмитрий Николаевич,
ООО «Сердикс», производственное предприятие группы фармацевтических компаний Servier в России

Очень благодарен преподавателю за четкое, понятное, наглядное, последовательное объяснение и ответы на возникающие вопросы. Сложные темы представлены так, что их может освоить и непосвященный человек. Организация курса тоже очень достойна.

Селезнев Дмитрий Михайлович,
медицинский советник

Проблемы здоровья и экологии

12. American Society of Echocardiography minimum standards for the cardiac sonographer: a position paper / S. M. Bierig // J Am Soc Echocardiogr. - 2006. - Vol. 19. - P. 471-474.

13. Antihypertensive drug therapy for mild to moderate hypertension during pregnancy / E. Abalos // The Cochrane Library Syst. Rev. - 2001. - Issue 4.

14. Antihypertensive drugs in pregnancy and fetal growth: evidence for «pharmacological programming» in the first trimester? / H. Bayliss // Hypertens Pregnancy. - 2002. - Vol. 21. - P. 161-174.

15. Antihypertensive therapy in the management of hypertension in pregnancy - a clinical double-blind study of pindolot / G. Bott-Kanner G. // Clin Exp Hypertension Pregnancy. - 1992. - Vol. 11. - P. 207-220.

16. Atenolol and fetal growth in pregnancies complicated by hypertension / C. Lydakis // Am. J. Hypertens. - 1999. - № 12. - P. 541-547.

17. Australasian Society for the Study of Hypertension in Pregnancy: The detection, investigation and management of hypertension in pregnancy: full consensus statement / M. A. Brown // Am. J. Gynecol. - 2000. - Vol. 40. - P. 139-155.

18. Butters, L. Atenolol in essential hypertension during pregnancy / L. Butters, S. Kennedy, P. C. Rubin // Br. Med. J. - 1990. - Vol. 301. - P. 587-589.

19. Collins, R. Pharmacological prevention and treatment of hypertensive disorders in pregnancy / R. Collins, H.C. S. Wallenburg // Effective Care in Pregnancy and Childbirth / eds. I. Chalmers, M Enkin, M.J.N.C. Keirse. - Oxford: Oxford University Press, 1989. - P. 512-533.

20. Effect of atenolol on birthweight / G. Y. Lip // Am. J. Cardiol. - 1997. - Vol. 79. - P. 1436-1438.

21. Effects of methyldopa on uteroplacental and fetal hemodynamics in pregnancy-induced hypertension / S. Montan // Am. J. Obstet. Gynecol. - 1993. - Vol. 168. - P. 152-156.

22. Fall in mean arterial pressure and fetal growth restriction in pregnancy hypertension: a meta-analysis / P. von Dadelszen // Lancet. - 2000. - Vol. 355. - P. 87-92.

23. Gallery, E.D.M. Antihypertensive treatment in pregnancy: analysis of different responses to oxprenolol and methyldopa /

E.D.M. Gallery, M. Ross, A. Z. Gyory // Br. Med. J. - 1985. - Vol. 291. - P. 563-566.

24. Gluckman, P. D. Maternal constraint of fetal growth and its consequences / P. D. Gluckman, M. A. Hanson // Semin Fetal Neonatal Med. - 2004. - Vol. 9, № 5. - P. 419-425.

25. Guidelines Committee. 2003 European Society of Hypertension - European Society of Cardiology guidelines for the management of arterial hypertension // J. Hypertens. - 2003. - Vol. 21, № 6. - P. 1011-1053.

26. Magee, L. A. Fortnightly review: management of hypertension in pregnancy / L. A. Magee, M. P. Ornstein, P. von Dadelszen // BMJ. - 1999. - Vol. 318, Issue 7194. - P. 1332-1336.

27. Magee, L. A. Oral beta-blockers for mild to moderate hypertension during pregnancy (Cochrane Review) / L. A. Magee, L. Duley // Cochrane Database Syst. Rev. - 2002. - Issue 1.

28. Preeclampsia - a state of sympathetic overactivity / H. P. Schobel // N. Engl. J. Med. - 1996. - Vol. 335. - P. 1480-1485.

29. Prevention of preeclampsia: a randomized trial of atenolol in hyperdynamic patients before onset of hypertension / T. R. Easterling // Obstet. Gynecol. - 1999. - Vol. 93. - P. 725-733.

30. Report of the National High Blood Pressure Education Program Working Group on High Blood Pressure in Pregnancy / R. W. Gifford // Am. J. Obstet. Gynecol. - 2000. - Vol. 183, № 1. - P. 1-22.

31. The Task Force for the Management of Arterial Hypertension of the European Society of Hypertension and of the European Society of Cardiology / G. Mancia // Eur. Heart J. - 2007. - Vol. 28. - P. 1462-1536.

32. The Task Force on the Management of Cardiovascular Diseases During Pregnancy on the European Society of Cardiology. Expert consensus document on management of cardiovascular diseases during pregnancy // Eur. Heart. J. - 2003. - Vol. 24. - P. 761-781.

33. Use of antihypertensive medications in pregnancy and the risk of adverse perinatal outcomes: McMaster outcome study of hypertension in pregnancy 2 (MOS HIP 2) / J.G. Ray // BMC Pregnancy Childbirth. - 2001. - № 1. - P.6.

34. World Health Organization - International Society of Hypertension 1999 Guidelines for the Management of Hypertension // High Blood Press. - 1999. - Vol. 8. - P. 1^3.

Поступила 29.10.2008

ИСПОЛЬЗОВАНИЕ ДАННЫХ ДОКАЗАТЕЛЬНОЙ МЕДИЦИНЫ В КЛИНИЧЕСКОЙ ПРАКТИКЕ (сообщение 3 - ДИАГНОСТИЧЕСКИЕ ИССЛЕДОВАНИЯ)

А. А. Литвин2, А. Л. Калинин1, Н. М. Тризна3

1Гомельский государственный медицинский университет 2Гомельская областная клиническая больница 3Белорусский государственный медицинский университет, г. Минск

Важным аспектом доказательной медицины является полнота и точность представления данных. Целью статьи является краткий обзор принципов доказательной медицины в исследованиях, посвященных точности диагностических тестов.

Диагностические тесты используются в медицине, чтобы установить диагноз, степень тяжести и особенности течения заболевания. Диагностическая информация получается из множества источников, включая субъективные, объективные, специальные методы исследования. Эта статья основывается на описании данных об измерении качества исследований, преимуществ различных способов итоговой статистики c помощью метода логистической регрессии и ROC-анализа.

Ключевые слова: доказательная медицина, диагностические тесты, логистическая регрессия, ROC-анализ.

USE OF DATA OF EVIDENCE BASED MEDICINE IN CLINICAL PRACTICE (report 3 - DIAGNOSTIC TESTS)

A. A. Litvin2, A. L. Kalinin1, N. M. Trizna3

1Gomel State Medical University 2Gomel Regional Clinical Hospital 3Belarus State Medical University, Minsk

A prominent aspect of evidence based medicine is completeness and accuracy of data presentation. Article purpose is the short review of principles of evidence based medicine in the researches devoted to accuracy of diagnostic tests.

Проблемы здоровья и экологии

Diagnostic tests are used in medicine to screen for diagnose, grade, and monitor the progression of disease. Diagnostic information is obtained from a multitude of sources, including sings, symptoms and special investigations. This article concentrates on the dimensions of study quality and the advantages of different summary statistics with logistic regression and ROC-analysis.

Key words: evidence based medicine, diagnostic tests, logistic regression, ROC-analysis.

Когда врач на основании данных анамнеза и обследования пациента выносит суждение о диагнозе, он редко бывает в нем полностью уверен. В связи с этим более целесообразно говорить о диагнозе с точки зрения его вероятности. Все еще очень часто эта вероятность выражается не в форме процентов, а с помощью таких выражений, как «почти всегда», «обычно», «иногда», «редко». Поскольку разные люди вкладывают различную степень вероятности в одни и те же термины, это ведет к возникновению недопонимания между врачами или между врачом и пациентом . Врачам следует как можно более точно давать свои заключения и, если это осуществимо, использовать для выражения вероятности количественные методы .

Хотя наличие таких количественных показателей было бы очень желательно, они обычно отсутствуют в клинической практике. Даже опытные клиницисты часто не в состоянии точно определить вероятность развития тех или иных изменений. Имеется тенденция к гипердиагностике относительно редких заболеваний. Особенно трудно бывает количественно оценить вероятность, которая может быть очень высокой или очень низкой .

Поскольку установление достоверных диагностических критериев является краеугольным камнем клинического мышления, для разработки статистических подходов к улучшению диагностического предвидения используется накопленный клинический опыт, который в идеале должен быть представлен в форме компьютерных банков данных . В подобных исследованиях обычно идентифицируют фак-

торы, находящиеся в корреляции с тем или иным диагнозом. Затем эти данные могут быть включены в многофакторный анализ, что позволяет определить, какие из них являются достоверными независимыми предикторами диагноза. Некоторые виды анализа позволяют идентифицировать важные факторы предсказания диагноза и затем определить их «вес», который может быть при дальнейшем математическом расчете трансформирован в вероятность. С другой стороны, анализ позволяет выделить ограниченное число категорий пациентов, каждая из которых имеет собственную вероятность наличия того или иного диагноза .

Эти количественные подходы к постановке диагноза, которые часто называют «правилами предсказания», особенно полезны, если они представлены в удобном для использования виде и если их ценность была широко изучена на достаточном числе и спектре пациентов. Чтобы такие правила предсказания могли оказать реальную помощь клиницистам, они должны быть разработаны на представительных группах больных с использованием доступных воспроизводимых тестов для того, чтобы полученные результаты могли быть применены в медицинской практике повсеместно .

В связи с этим чрезвычайно важно знать несколько наиболее часто используемых при анализе результатов исследований и в эпидемиологии терминов, включая распространенность, чувствительность, специфичность, положительную предсказательную ценность и отрицательную предсказательную ценность (таблица 1) .

Таблица 1 - Систематические термины, наиболее часто используемые в диагностических исследованиях

имеется отсутствует

Положительные а (истинноположительные) б (ложноположительные)

Отрицательные в (ложноотрицательные) г (истинноотрицательные)

Распространение (априорная вероятность) = (а+в) / (а+б+в+г) = число больных / общее число обследованных

Чувствительность (sensitivity) = а / (а+в) = число истинноположительных результатов / общее число больных

Специфичность (specificity) = г / (б+г) = число истинноотрицательных результатов / число пациентов без данного заболевания

Частота ложноотрицательных результатов = в / (а+в) = число ложноотрицательных результатов / общее число больных

Частота ложноположительных результатов = б / (б+г) = число ложноположительных результатов / число пациентов без данного заболевания

Проблемы здоровья и экологии

Окончание таблицы 1

Результаты теста Патологическое состояние

имеется отсутствует

Положительная предсказательная ценность (positive predictive value) = а / (а+б) = число истинноположительных результатов / число всех положительных результатов

Отрицательная предсказательная ценность (negative predictive value) = г / (в+г) = число истинноотрицательных результатов / число всех отрицательных результатов

Общая точность (accuracy) = (а+г) / (а+б+в+г) = число истинноположительных и истинноотрицательных результатов / число всех результатов

Отношение правдоподобия положительного результата (likelihood ratio of a positive test) - = чувствительность / (1 - специфичность)

Отношение правдоподобия отрицательного результата теста (likelihood ratio of a negative test) - = 1 - чувствительность / специфичность

Вопросы, на которые отвечают данные характеристики диагностического теста :

1) чувствительность - насколько хорош тест для выявления пациентов, имеющих данное состояние?

2) специфичность - насколько хорош тест для правильного исключения пациентов, не имеющих данного состояния?

3) прогностическая ценность положительного результата теста - если у человека тест положительный, какова вероятность того, что у него действительно есть данное заболевание?

4) прогностическая ценность отрицательного результата теста - если у человека тест отрицательный, какова вероятность того, что у него действительно нет данного заболевания?

5) индекс точности - какая часть всех тестов дала правильные результаты (т. е. истинноположительные и истинноотрицательные результаты по отношению ко всем)?

6) отношение правдоподобия положительного результата (likelihood ratio of a positive test) - насколько более вероятно то, что тест будет положительным у человека с заболеванием по сравнению со здоровым?

Поскольку только меньшая часть из правил предсказания соответствует строгим критериям, таким как число и спектр обследованных, а также проспективное подтверждение результатов, большинство из них непригодно для повседневного клинического использования. Более того, многие правила предсказания не могут оценить вероятность каждого диагноза или исхода, с которыми сталкивается клиницист. Тест, обладающий определенной чувствительностью и специфичностью, имеет различную положительную и отрицательную предсказательную ценность, если применяется в группах с различной распространенностью заболевания. Чувствительность и специфичность какого-либо теста не зависят от распростра-

ненности заболевания (или процента больных, у которых имеется заболевание, от всех обследованных пациентов), они зависят от состава группы пациентов, среди которых этот тест был использован .

В некоторых ситуациях неточное знание чувствительности и специфичности теста в изучаемой группе пациентов может ограничить его клиническую ценность. Поскольку врач редко знает (или может знать) популяцию пациентов, на которой назначаемый им тест был стандартизован, получаемые результаты обладают информацией намного менее достоверной, чем принято думать. Более того, для любого диагностического теста увеличение чувствительности будет сопровождаться снижением специфичности .

Модель с высокой чувствительностью часто дает истинный результат при наличии положительного исхода (обнаруживает положительные примеры). Наоборот, модель с высокой специфичностью чаще дает истинный результат при наличии отрицательного исхода (обнаруживает отрицательные примеры). Если рассуждать в терминах медицины - задачи диагностики заболевания, где модель классификации пациентов на больных и здоровых называется диагностическим тестом, то получится следующее: 1) чувствительный диагностический тест проявляется в гипердиагностике - максимальном предотвращении пропуска больных; 2) специфичный диагностический тест диагностирует только доподлинно больных . Поскольку нельзя ожидать, что какая-либо величина или производный показатель в отдельности могли бы обладать одновременно превосходной чувствительностью и специфичностью, часто бывает необходимо определить, какой показатель является наиболее ценным и необходимым для принятия решения. Графическое изображение, получившее название ROC-кривой

Проблемы здоровья и экологии

(рисунок 1), связывающей обсуждаемые характеристики теста, показывает неизбежность выбора между стремлением к высокой чувствительности и специфичности. Подобное графическое изображение свидетельствует о том, что результаты тестов могут быть определены как нормальные или патологические в зависимости от того, учитыва-

ется заболевание, если тест обладает высокой специфичностью, или исключается, если тест обладает высокой чувствительностью. Разные тесты могут обладать различной чувствительностью и специфичностью. Чувствительность и специфичность более достоверных тестов выше, чем недостоверных тестов .

Рисунок 1 - Графическое изображение внутреннего несоответствия чувствительности и специфичности

ROC-кривая (Receiver Operator Characteristic) - кривая, которая наиболее часто используется для представления результатов бинарной классификации в машинном обучении . Название пришло из систем обработки сигналов. Поскольку классов два, один из них называется классом с положительными исходами, второй - с отрицательными исходами. ROC-кривая показывает зависимость количества верно классифицированных положительных примеров от количества неверно классифицированных отрицательных примеров. В терминологии ROC-анализа первые называются истинноположительным, вторые - ложноотрицательным множеством. При этом предполагается, что у классификатора имеется некоторый параметр, варьируя который мы будем получать ту или иную разбивку на два класса. Этот параметр часто называют порогом, или точкой отсечения (cut-off value) .

ROC-кривая получается следующим образом. Для каждого значения порога отсечения, которое меняется от 0 до 1 с шагом, например, 0,01, рассчитываются значения чувствительности Se и специфичности Sp. В качестве альтернативы порогом может являться каждое последующее значение примера в выборке. Строится график зависимости: по оси Y откладывается чувствительность Se, по оси X - 100% - Sp (сто процентов минус специфичность) . В результате вырисовывается некая кривая (рисунок 1). График часто дополняют прямой y = х.

Для идеального классификатора график ROC-кривой проходит через верхний левый

угол, где доля истинноположительных случаев составляет 100 %, или 1,0 (идеальная чувствительность), а доля ложноположительных примеров равна нулю. Поэтому чем ближе кривая к верхнему левому углу, тем выше предсказательная способность модели. Наоборот, чем меньше изгиб кривой и чем ближе она расположена к диагональной прямой, тем менее эффективна модель. Диагональная линия соответствует «бесполезному» классификатору, т. е. полной неразличимости двух классов .

При визуальной оценке ROC-кривых расположение их относительно друг друга указывает на их сравнительную эффективность. Кривая, расположенная выше и левее, свидетельствует о большей предсказательной способности модели. Так, на рисунке 2 две ROC-кривые совмещены на одном графике. Видно, что модель A лучше.

Визуальное сравнение кривых ROC не всегда позволяет выявить наиболее эффективную модель. Своеобразным методом сравнения ROC-кривых является оценка площади под кривыми. Теоретически она изменяется от 0 до 1,0, но поскольку модель всегда характеризуются кривой, расположенной выше положительной диагонали, то обычно говорят об изменениях от 0,5 («бесполезный» классификатор) до 1,0 («идеальная» модель). Эта оценка может быть получена непосредственно вычислением площади под многогранником, ограниченным справа и снизу осями координат и слева вверху - экспериментально полученными точками (рисунок 3). Численный показатель площади под кривой называется AUC (Area Under Curve).

Проблемы здоровья и экологии

Рисунок 2 - Сравнение ROC-кривых

Рисунок 3 - Площадь под ROC-кривой

С большими допущениями можно считать, что чем больше показатель AUC, тем лучшей прогностической силой обладает модель. Однако следует знать, что показатель AUC предназначен скорее для сравнительного анализа нескольких моделей; AUC не содержит ника-

кой информации о чувствительности и специфичности модели .

В литературе иногда приводится следующая экспертная шкала для значений AUC, по которой можно судить о качестве модели (таблица 2) .

Таблица 2 -Экспертная шкала значений AUC

Интервал AUC Качество модели

0,9-1,0 Отличное

0,8-0,9 Очень хорошее

0,7-0,8 Хорошее

0,6-0,7 Среднее

0,5-0,6 Неудовлетворительное

Идеальная модель обладает 100% чувствительностью и специфичностью. Однако на практике добиться этого невозможно, более того, невозможно одновременно повысить и чувствительность, и специфичность модели.

Компромисс находится с помощью порога отсечения, т.к. пороговое значение влияет на соотношение Se и Sp. Можно говорить о задаче нахождения оптимального порога отсечения (optimal cut-off value) (рисунок 4) .

Рисунок 4 - «Точка баланса» между чувствительностью и специфичностью

Проблемы здоровья и экологии

Порог отсечения нужен для того, чтобы применять модель на практике: относить новые примеры к одному из двух классов. Для определения оптимального порога нужно задать критерий его определения, т.к. в разных задачах присутствует своя оптимальная стратегия. Критериями выбора порога отсечения могут выступать: 1) требование минимальной величины чувствительности (специфичности) модели. Например, нужно обеспечить чувствительность теста не менее 80 %. В этом случае оптимальным порогом будет максимальная специфичность (чувствительность), которая достигается при 80 % (или значение, близкое к

нему «справа» из-за дискретности ряда) чувствительности (специфичности) .

Приведенные теоретические данные лучше воспринимаются на примерах из клинической практики. Первый пример, на котором мы остановимся, будет диагностика инфицированного панкреонекроза (набор данных взят из базы данных ). Обучающая выборка содержит 391 запись с выделением 12 независимых переменных в следующем формате (таблица 3). Зависимая переменная (1 - наличие заболевания, 0 - отсутствие). Распределение зависимой переменной следующее: 205 случаев - отсутствие заболевания, 186 - его наличие.

Таблица 3 - Независимые переменные для диагностики инфицированного панкреонекроза, коэффициенты логистической регрессии (пример)

Независимые переменные Формат данных Коэффициент, %

Число дней от начала заболевания > 14 < 14 2,54

Число дней, проведенных больным на лечении в ОАРИТ > 7 < 7 2,87

Частота сердечных сокращений числовое значение 1,76

Частота дыхания числовое значение 1,42

Температура тела числовое значение 1,47

Лейкоциты крови числовое значение 1,33

Лейкоцитарный индекс интоксикации числовое значение 1,76

Мочевина крови числовое значение 1,23

Общий белок плазмы крови числовое значение 1,43

Адекватная антибиотикопрофилактика при установлении диагноза тяжелого острого панкреатита да/нет -1,20

Выполнение миниинвазивных лечебно-профилактических операций да/нет -1,38

Наличие отрицательной динамики да/нет 2,37

На рисунке 4 изображена полученная ROC- можно охарактеризовать как очень хорошую, кривая. Предсказательную способность модели AUC = 0,839.

Рисунок 4 - ROC-кривая диагностической модели инфицированного панкреонекроза

Проблемы здоровья и экологии

Рассмотрим фрагмент массива точек «чув- ня внутрибрюшного давления у больных тяже-

ствительшсть-специфичшсть» на примере уров- лым острым панкреатитом .

Таблица 4 - Чувствительность и специфичность различных уровней ВБД для прогнозирования развития ИПН (пример)

ВБД, мм рт. ст. Чувствительность, % Специфичность, % Se + Sp Se - Sp

13,5 25 100 125 75

14,5 30 95 125 65

15,5 40 95 135 55

16,5 65 95 160 30

17,5 80 90 170 10

18,5 80 80 160 0

19,5 80 70 150 10

20,5 85 65 150 20

21,5 95 55 150 40

23,0 100 45 145 55

24,5 100 40 140 60

25,5 100 25 125 75

Как видно из таблицы, оптимальным пороговым уровнем ВБД у больных острым деструктивным панкреатитом, обеспечивающим максимум чувствительности и специфичности теста (или минимум ошибок I и II рода), является 17,5 ± 2,3 (M ± SD) мм рт.ст., при котором отмечается 80 % чувствительность и 90 % специфичность метода для определения вероятности развития инфекционных осложнений пан-креонекроза. Чувствительность равна 80 % - это означает, что у 80 % пациентов с инфицированным панкреонекрозом диагностический тест положителен. Специфичность равна 90 %, следовательно, у 90 % пациентов, у которых нет инфицированного панкреонекроза, результаты теста являются отрицательными. Точкой баланса, в которой чувствительность и специфичность примерно совпадают - 80 %, является 18,5. В целом положительная прогностическая ценность измерения ВБД составила 86 %, отрицательная прогностическая ценность - 88 %.

Проведение логистической регрессии и ROC-анализа возможно с использованием статистических пакетов . Однако «Statistica» 6 и 7 (http://www.statistica.com) проводят данный анализ только с использованием блока «Искусственные нейронные сети» . В SPSS (http://www. spss.com) (начиная с 13 версии) ROC-анализ дан только в графическом модуле и анализируется одна ROC-кривая. В SPSS выводится значение площади под кривой (AUC), уровень значимости и значение чувствительности и специфичности в каждой точке измерения. Оптимальную точку (optimal cut-off) необходимо находить самим из таблицы чувствительности и 1-специфичность . Программа MedCalc проведет сравнение нескольких ROC-кривых, в таблице пометит значение переменной, при

которой соотношение чувствительности и специфичности оптимально (optimal cut-off). В SAS (http://www.sas.com) также, как и R-Commander есть модуль сравнения кривых и нахождения точек, AUC. Логистическая регрессия и ROC-анализ есть в бесплатной программе WINPEPI (PEPI-for-Windows) (http://www.brixtonhealth. com/ winpepi.zip) .

Заключение

Искусство диагностики постоянно совершенствуется. Ежедневно появляются новые диагностические тесты, а технология существующих методов изменяется. Переоценка точности соответствующих исследований, в частности, в результате возникновения систематической ошибки, связанной с недобросовестной практикой исследований и публикаций, может привести к преждевременному внедрению диагностических тестов и принятию неправильных клинических решений. Тщательная оценка диагностических тестов до их широкого применения не только снижает риск развития неблагоприятных исходов, обусловленных ошибочными представлениями об информативности метода, но также может ограничить расходование ресурсов здравоохранения за счет отказа от ненужных обследований. Неотъемлемой частью оценки диагностических тестов являются исследования, посвященные точности диагностических тестов, самыми информативными из которых являются метод логистической регрессии и ROC-анализ.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Гринхальх, Т. Основы доказательной медицины / Т. Грин-хальх; пер. с англ. - М.: ГЭОТАР-Медиа, 2006. - 240 с.

Проблемы здоровья и экологии

3. Власов, В. В. Введение в доказательную медицину / В. В. Власов. - М. МедиаСфера, 2001. - 392 с.

4. Флетчер, Р. Клиническая эпидемиология. Основы доказательной медицины / Р. Флетчер, С. Флетчер, Э. Вагнер; пер. с англ. - М.: МедиаСфера, 1998. - 352 с.

5. Банержи, А. Медицинская статистика понятным языком: вводный курс / А. Бенержи; пер с англ. - М.: Практическая медицина, 2007. - 287 с.

6. Жижин, К. С. Медицинская статистика: учеб. пособие. - Ростов н/Д.: Феникс, 2007. - 160 с.

7. Deeks, J. J. Systematic reviews of evaluations of diagnostic and screening tests / J. J. Deeks // BMJ. - 2001. - Vol. 323. - P. 157-162.

8. Guidelines for meta-analyses evaluating diagnostic tests / L. Irwig // Ann. Intern. Med. - 1994. - Vol. 120. - P. 667-676.

9. Systematic reviews and meta-analysis for the surgeon scientist /

S. S. Mahid // Br. J. Surg. - 2006. - Vol. 93. - P. 1315-1324.

10. Meta-analytical methods for diagnostic test accuracy / L. Irwig // J. Clin. Epidemiol. - 1995. - Vol. 48. - P. 119-130.

11. Users" guides to the medical literature. How to use an article about a diagnostic test. A. Are the results of the study valid? / R. Jaeschke // JAMA. - 1994. - Vol. 271. - P. 389-391.

12. Use of methodological standards in diagnostic test research: getting better but still not good / M. C. Read // JAMA. - 1995. - Vol. 274. - P. 645-651.

13. StAR: a simple tool for the statistical comparison of ROC curves / I. E. Vergara // BMC Bioinformatics. - 2008. - Vol. 9. - P. 265-270.

14. A comparison of parametric and nonparametric approaches to ROC-analysis of quantitative diagnostic tests / K. O. Hajian-Tilaki // Medical Decision Making. - 1997. - Vol. 17, N. 1. - P. 94-102.

15. Receiver operator characteristic (ROC) curves and nonnormal data: An empirical study / M.J. Goddard // Statistics in Medicine. - 1989. - Vol. 9, N. 3. - P. 325-337.

16. Возможности прогнозирования инфицированного пан-креонекроза / А. А. Литвин [и др.] // Проблемы здоровья и экологии. - 2007. - Т. 12, № 2. - С. 7-14.

17. Метод мониторинга внутрибрюшного давления у больных тяжелым острым панкреатитом / А. А. Литвин [и др.] // Проблемы здоровья и экологии. - 2008. - Т. 16, № 2. - С. 80-85.

18. Comparison of eight computer programs for receiver-operating characteristic analysis / C. Stephan // Clin. Chem. - 2003. - Vol. 49, N. 3. - P. 433-439.

19. Zhu, X. A short preview of free statistical software packages for teaching statistics to industrial technology majors / X. Zxu // J. Ind. Technology. - 2005. - Vol. 21, N. 2. - P. 10-20.

20. Боровиков, В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов / В. Боровиков. - СПб.: Питер, 2001. - 656 с.

21. Бююлъ, А. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей / А. Бююль. - СПб.: ДиаСофтЮП, 2002. - 608 с.

22. Abramson, J. H. WINPEPI (PEPI-for-Windows): computer programs for epidemiologists / J. H. Abramson, // Epidemiologic Perspectives & Innovations. - 2004. - Vol. 1, N. 6. - P. 1-10.

Поступила 24.10.2008

УДК 616.1:616-009.12:616-005.8:616.831-005.1

НЕКОТОРЫЕ ПОКАЗАТЕЛИ МИКРОЦИРКУЛЯЦИИ И ПОВРЕЖДЕНИЯ ЭНДОТЕЛИЯ В ОЦЕНКЕ РИСКА РАЗВИТИЯ ИНСУЛЬТОВ, ИНФАРКТОВ МИОКАРДА, ЛЕТАЛЬНЫХ ИСХОДОВ У БОЛЬНЫХ АРТЕРИАЛЬНОЙ ГИПЕРТЕНЗИЕЙ

В. И. Козловский, А. В. Акулёнок Витебский государственный медицинский университет

Цель исследования: выделение факторов, ассоциированных с повышением риска развития инфарктов миокарда, мозговых инсультов, летальных исходов у больных артериальной гипертензией (АГ) II степени.

Материал и методы: в исследование были включены 220 больных АГ II степени (средний возраст 57 ± 8,4 лет), которые госпитализировались в связи с гипертоническим кризом, и 30 человек без АГ (средний возраст

53,7 ± 9 лет).

Результаты: за 3,3 ± 1 лет наблюдения в группе больных АГ II степени зафиксировано 29 инсультов, 18 инфарктов миокарда, 26 летальных исходов. Повышение числа циркулирующих эндотелиальных клеток (ЦЭК), агрегации лейкоцитов, тромбоцитов, адгезии лейкоцитов у больных АГ было ассоциировано с повышением риска развития инфарктов миокарда, инсультов и летальных исходов.

Заключение: показатели числа ЦЭК, агрегации тромбоцитов и лейкоцитов, адгезии лейкоцитов можно использовать для выделения групп гипертензивных больных повышенного риска развития инфарктов миокарда, инсультов и летальных исходов, а также в создании комплексных моделей прогноза.

Ключевые слова: артериальная гипертензия, риск, инфаркт миокарда, инсульт, летальный исход, циркулирующие эндотелиоциты.

SOME FINDINGS OF MICROCIRCULATION AND ENDOTHELIAL DAMAGE IN ESTIMATION OF RISK FOR STROKES, MYOCARDIAL INFARCTIONS, LETHAL OUTCOMES IN HYPERTENSIVE PATIENTS

V. I. ^zlovsky, A. V. Akulionak Vitebsk Statel Medical University

Objective: to determine factors, associated with increased risk for development of strokes, myocardial infarctions, lethal outcomes in patients with arterial hypertension (AH) II degree.

Methods: 220 patients with AH II degree (mean age 57 ± 8,4 years), complicated by hypertensive crisis, and 30 persons without AH (mean age 53,7 ± 9 years) were followed-up for 3,3±1 years.

Results: elevation of number of circulating endothelial cells (CEC), aggregation of platelets and leukocytes, adhesion of leukocytes in hypertensive patients were associated with increased risk for development of strokes, myocardial infarctions, lethal outcomes.

Д остаточно часто результаты исследований, в которых оценивается эффективность одного и того же лечебного или профилактического вмешательства или диагностического метода при одном и том же заболевании, различаются. В связи с этим возникает необходимость относительной оценки результатов разных исследований и интеграции их результатов с целью получения обобщающего вывода.К одной из самых популярных и быстро развивающихся методик системной интеграции результатов отдельных научных исследований сегодня относится методика мета-анализа.

Мета-анализ – это количественный анализ объединенных результатов эколого-эпидемиологических исследований по оценке воздействия одного и того же фактора окружающей среды. Он предусматривает количественную оценку степени согласованности или расхождения результатов, полученных в разных исследованиях.

Введение

В соответствии с концепцией доказательной медицины научно обоснованными признаются результаты лишь тех клинических исследований, которые проведены на основе принципов клинической эпидемиологии, позволяющих свести к минимуму как систематические ошибки, так и случайные ошибки (с помощью корректного статистического анализа полученных в исследовании данных) .

Международная эпидемиологическая ассоциация характеризует такой род исследования, как методику «объединения результатов различных научных трудов, складывающихся из качественного компонента (например, использование таких заранее определенных критериев включения в анализ, как полнота данных, отсутствие явных недостатков в организации исследования и т.д.) и количественного компонента (статистическая обработка имеющихся данных)» – методика мета-анализа .

Первый в науке мета-анализ был проведен Карлом Пирсоном (Karl Pearson) в 1904 году. Собрав вместе исследования он решил побороть проблему уменьшения мощности исследования в малых выборках. Анализируя результаты этих исследований, он получил, что мета-анализ может помочь получить более точные данные исследований .

Несмотря на то, что мета-анализ сейчас повсеместно применяется в области эпидемиологии и в медицинских исследованиях. Работы, в которых применялся мета-анализ не выходили свет до 1955 года. В 1970-х годов, более сложные аналитические методы были внедрены в учебных исследованиях, работами Гласса, Шмидта и Хантера (Gene V. Glass, Frank L. Schmidt and John E. Hunter .

Оксфордский Словарь Английского языка дает нам понять, что первое применения этого термина произошло в 1976 году Глассом. Основа этого метода была развита такими учеными как: Ражду, Хеджес, Купер, Олкин, Хантер, Коен, Чалмерс и Шмидт (Nambury S. Raju, Larry V. Hedges, Harris Cooper, Ingram Olkin, John E. Hunter, Jacob Cohen, Thomas C. Chalmers, and Frank L. Schmidt) .

Мета-анализ: количественный подход к исследованию

Цель мета-анализа - выявление, изучение и объяснение различий (вследствие наличия статистической неоднородности, или гетерогенности) в результатах исследований .

К несомненным преимуществам мета-анализа относятся возможность увеличения статистической мощности исследования, а, следовательно, точности оценки эффекта анализируемого вмешательства. Это позволяет более точно, чем при анализе каждого отдельно взятого небольшого клинического исследования, определить категории больных, для которых применимы полученные результаты .

Правильно выполненный мета-анализ предполагает проверку научной гипотезы, подробное и четкое изложение применявшихся при мета-анализe статистических методов, достаточно подробное изложение и обсуждение результатов анализа, а также вытекающих из него выводов. Подобный подход обеспечивает уменьшение вероятности случайных и систематических ошибок, позволяет говорить об объективности получаемых результатов .

Подходы к выполнению мета-анализа

Существуют два основных подхода к выполнению мета-анализа.

Первый из них заключается в статистическом повторном анализе отдельных исследований путем сбора первичных данных о включенных в оригинальные исследования наблюдениях. Очевидно, что проведение данной операции далеко не всегда возможно.

Второй (и основной) подход заключается в обобщении опубликованных результатов исследований, посвященных одной проблеме. Такой мета-анализ выполняется обычно в несколько этапов, среди которых важнейшими являются:

· выработка критериев включения оригинальных исследований в мета-анализ

· оценка гетерогенности (статистической неоднородности) результатов оригинальных исследований

· проведение собственно мета-анализа (получение обобщенной оценки величины эффекта)

· анализ чувствительности выводов

Необходимо отметить, что этап определения круга включаемых в мета-анализ исследований часто становится источником систематических ошибок мета-анализа. Качество мета-анализа существенно зависит от качества включенных в него исходных исследований и статей .

К основным проблемам при включении исследований в мета-анализ относятся такие, как различия исследований по критериям включения и исключения, структуре исследования, контролю качества.

Существует также смещение, связанное с преимущественным опубликованием положительных результатов исследования (исследования, в которых получены статистически значимые результаты, чаще публикуются, чем те, в которых такие результаты не получены).

Поскольку мета-анализ основан главным образом на опубликованных данных, следует обращать особое внимание на недостаточную репрезентативность отрицательных результатов в литературе. Включение в мета-анализ неопубликованных результатов также представляет значительную проблему, так как их качество неизвестно в связи с тем, что они не проходили рецензирование .

Основные методы

Выбор метода анализа определяется типом анализируемых данных (бинарные или непрерывные) и типом модели (фиксированных эффектов, случайных эффектов).

Бинарные данные обычно анализируются путем вычисления отношения шансов (ОШ), относительного риска (ОР) или разности рисков в сопоставляемых выборках. Все перечисленные показатели характеризуют эффект вмешательств. Представление бинарных данных в виде ОШ удобно использовать при статистическом анализе, но этот показатель достаточно трудно интерпретировать клинически. Непрерывными данными обычно являются диапазоны значений изучаемых признаков или нестандартизованная разница взвешенных средних в группах сравнения, если исходы оценивались во всех исследованиях одинаковым образом. Если же исходы оценивались по-разному (например, по разным шкалам), то используется стандартизованная разница средних (так называемая величина эффекта) в сравниваемых группах .

Одним из первых этапов мета-анализа является оценка гетерогенности (статистической неоднородности) результатов эффекта вмешательства в разных исследованиях .

Для оценки гетерогенности часто используют критерии χ2 с нулевой гипотезой о равном эффекте во всех исследованиях и с уровнем значимости 0,1 для повышения статистической мощности (чувствительности) теста .

Источниками гетерогенности результатов разных исследований принято считать дисперсию внутри исследований (обусловленную случайными отклонениями результатов разных исследовании от единого истинного фиксированного значения эффекта), а также дисперсию между исследованиями (обусловленную различиями между изучаемыми выборками по характеристикам больных, заболеваний, вмешательств, приводящими к несколько разным значениям эффекта - случайными эффектами).

Если предполагается, что дисперсия между исследованиями близка к нулю, то каждому из исследований приписывается вес, величина которого обратно пропорциональна дисперсии результата данного исследования.

Дисперсия внутри исследований в свою очередь определяется как

где μ — среднее внутри исследований .При нулевой дисперсии между исследованиями можно использовать модель фиксированных (постоянных) эффектов. В этом случае предполагается, что изучаемое вмешательство во всех исследованиях имеет одну и ту же эффективность, а выявляемые различия между исследованиями обусловлены только дисперсией внутри исследований. В этой модели пользуются методом Мантела-Ханзела.

Метод Мантела-Ханзела

В таблице представлены пропорции пациентов в Нью-Йорке и в Лондоне, которым был поставлен диагноз шизофрения.

— взвешенное среднее отдельных отношений шансов по группам. Критерий хи-квадрат Мантела-Ханзела проверки значимости общей меры связи основан на взвешенном среднем g разностей между пропорциями.

Статистика хи-квадрат Мантела-Ханзела задается выражением

с 1 степенью свободы.

Для того, чтобы статистика имела распределение хи-квадрат с 1 степенью свободы, каждая из четырех сумм ожидаемых частот

должна отличаться не менее чем на 5 как от своего минимума, так и от своего максимума.

Значит, чтобы с уверенностью пользоваться для статистики распределением хи-квадрат с 1 степенью свободы, вовсе не обязательно иметь большие маргинальные частоты. Число наблюдений в таблице может быть даже равно двум, как в случае связанных пар. Единственное, что нужно при этом – достаточно большое число таблиц, чтобы каждая сумма ожидаемых частот была велика.

Другие подходы к выполнению мета-анализа

Модель случайных эффектов предполагает, что эффективность изучаемого вмешательства в разных исследованиях может быть разной.

Данная модель учитывает дисперсию не только внутри одного исследования, но и между разными исследованиями. В этом случае суммируются дисперсии внутри исследований и дисперсия между исследованиями. Целью мета-анализа непрерывных данных обычно является представление точечных и интервальных (95% ДИ) оценок обобщенного эффекта вмешательства .

Существует также ряд других подходов к выполнению мета-анализа: байесовский мета-анализ, кумулятивный мета-анализ, многофакторный мета-анализ, мета-анализ выживаемости.

Байесовский мета-анализ позволяет рассчитать априорные вероятности эффективности вмешательства с учетом косвенных данных. Такой подход особенно эффективен при малом числе анализируемых исследований. Он обеспечивает более точную оценку эффективности вмешательства в модели случайных эффектов за счет объяснения дисперсии между разными исследованиями .

Кумулятивный мета-анализ - частный случай байесовского мета-анализа - пошаговая процедура включения результатов исследований в мета-анализ по одному в соответствии с каким-либо принципом (в хронологической последовательности, по мере убывания методологического качества исследования и т.д.). Он позволяет рассчитывать априорные и апостериорные вероятности в итерационном режиме по мере включения исследований в анализ .

Регрессионный мета-анализ (логистическая регрессия, регрессия взвешенных наименьших квадратов, модель Кокса и др.) используется при существенной гетерогенности результатов исследований. Он позволяет учесть влияние нескольких характеристик исследования (например, размера выборки, дозы препарата, способа его введения, характеристик больных и др.) на результаты испытаний вмешательства. Результаты регрессионного мета-анализа обычно представляют в виде коэффициента наклона с указанием ДИ .

Следует заметить, что мета-анализ может выполняться для обобщения результатов не только контролируемых испытаний медицинских вмешательств, но и когортных исследований (например, исследований факторов риска). Однако при этом следует учитывать высокую вероятность возникновения систематических ошибок .

Особый вид мета-анализа — обобщение оценок информативности диагностических методов , полученных в разных исследованиях. Цель такого мета-анализа - построение характеристической кривой взаимной зависимости чувствительности и специфичности тестов (ROC-кривой) с использованием взвешенной линейной регрессии .

Устойчивость. После получения обобщенной оценки величины эффекта возникает необходимость определить ее устойчивость. Для этого выполняется так называемый анализ чувствительности.

В зависимости от конкретной ситуации его можно проводить на основе нескольких различных методов, например:

· Включение и исключение из мета-анализа исследований, выполненных на низком методологическом уровне

· Изменение параметров данных, отбираемых из каждого анализируемого исследования, например, если в каких-либо исследованиях сообщается о клинических исходах в первые 2 нед. заболевания, а в других исследованиях - о клинических исходах в первые 3-4 нед. заболевания, то допустимо сравнение клинических исходов не только для каждого из этих периодов наблюдения, но и для суммарного периода наблюдения длительностью до 4 нед.

· Исключение из мета-анализа наиболее крупных исследований. Если величина эффекта того или иного анализируемого вмешательства при анализе чувствительности существенно не изменяется, то имеются основания полагать, что выводы первичного мета-анализа достаточно обоснованы.

Для качественной оценки наличия такой систематической ошибки мета-анализа обычно прибегают к построению воронкообразной диаграммы рассеяния результатов отдельных исследований в координатах (величина эффекта, размер выборки). При полном выявлении исследований эта диаграмма должна быть симметричной. Вместе с тем существуют и формальные методы оценки существующей асимметрии .

Результаты мета-анализа обычно представляются графически (точечные и интервальные оценки величин эффектов каждого из включенных в мета-анализ исследований; пример на рис.1) и в виде таблиц с соответствующими статистиками.

Заключение

В настоящее время мета-анализ представляет собой динамическую, многоаспектную систему методов, позволяющую теоретически и методологически убедительным способом объединять в одно целое данные различных научных исследований.

Мета-анализ по сравнению с первичным исследованием, требует относительно мало ресурсов, что позволяет не участвующим в исследованиях врачам, получить клинически доказанную информацию.

Главным условием использования мета-анализа является доступность необходимой информации о статистических критериях, используемых в обозреваемых исследованиях. Без сообщения в публикациях точных значений необходимой информации, перспективы применения мета-анализа будут весьма ограниченными. С увеличением доступности такой информации будет продолжаться реальное расширение мета-аналитических исследований и совершенствование его методологии.

Таким образом, тщательно выполненный мета-анализ может выявить области, требующие дальнейших исследований.

Список использованной литературы :

1. Флетчер Р., Флетчер С., Вагнер Э. Клиническая эпидемиология.- М.: МедиаСфера, 1998.- 350с.
2. Chalmers TC , Lau J. Meta-analytic stimulus for changes in clinical trials. Stat Methods Med Res. 1993 ; 2: 161 -172.
3. Greenland S . Quantitative methods in the review of epidemiologic literature. Epidemiol Rev. 1987 ; 9: 1 -30.
4. Stephen B. Thacker, MD, MSc. Meta-analysis. A Quantitative Approach to Research Integration. JAMA. 1988;259(11):1685-1689.
5. Peipert JF , Phipps MG. Observational studies. Clin Obstet Gynecol. 1998 ; 41: 235 -244.
6. Petitti D. Meta-Analysis, Decision Analysis, and Cost Effectiveness Analysis. New York, NY: Oxford University Press; 1994.
7. Sipe TA , Curlette WL. A meta-synthesis of factors related to educational chievement. Int J Educ Res. 1997 ; 25: 583 -598.
8. Shapiro S. Meta-analysis/shmeta-analysis. Am J Epidemiol. 1994;140:771-778.
9. Schmidt LM, Gotzsche PC. Of mites and men: reference bias in narrative review articles: a systematic review. J Fam Pract. 2005;54(4):334–338.
10. Lu G, Ades AE. Combination of direct and indirect evidence in mixed treatment comparisons. Statist Med 2004;23:3105-24.
11. Lumley T. Network meta-analysis for indirect treatment comparisons. Statist Med 2002;21:2313-24.
12. Hedges LK, Olkin I. Statistical Methods for Meta-Analysis. San Diego, CA: Academic Press; 1986.
13. Berry SM. Understanding and testing for heterogeneity across 2×2 tables: application to meta-analysis. Statist Med 1998;17:2353-69.
14. Higgins JPT, Thompson SG. Quantifying heterogeneity in a meta-analysis. Stat Med. 2002;21(11):1539–5.
15. Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Measuring inconsistency in meta-analyses. BMJ. 2003;327:557–560.
16. Mantel N, Haenszel W. Statistical aspects of the analysis of data from retrospective studies of disease. J Natl Cancer Inst. 1959;22(4):719–748.
17. Cochran WG. The combination of estimates from different experiments. Biometrics. 1954;10(1):101–129.
18. Efron B. Empirical Bayes methods for combining likelihoods. JASA 1996;91:538-50.
19. Morris CN. Parametric empirical Bayes inference: theory and applications. JASA 1983;78:47-55.
20. Thompson SG, Higgins JP. How should meta-regression analyses be undertaken and interpreted? Stat Med. 2002;21(11):1559–1573.
21. Hum Reprod. 1997 ; 12: 1851 -1863.
22. Флейс Дж. Статистические методы для изучения таблиц долей и пропорций, Финансы и статистика, 1989.
23. Schlesselman JJ . Risk of endometrial cancer in relation to use of combined oral contraceptives. Hum Reprod. 1997 ; 12: 1851 -1863.
24. Hopewell S, McDonald S, Clarke M, Egger M. Grey literature in meta-analyses of randomized trials of health care interventions. Cochrane Database Syst Rev. 2007.

Талдау мете бұл дәлел дәрігерліктің аспабы

Турдалиева Б.С., Рахматуллаева Н.У., Тен В.Б., Раушанова А.М.,

Мусаева Б.А., Омарова Д.Б.

Асфендияров С.Ж. атындағы ҚазҰМУ

Дәлелді медицина орталығы

Алматы, Казахстан

Түійн Бiр ауру бойынша бағаланған зерттеу нәтижелері ылғи бiр емдiк, алдын алу немесе диагностикалық әдiстiң тиiмдiлiгi жиi жеткiлiктi өзгешеленедi.

Әртүрлi зерттеулердiң нәтижелерiнiң салыстырмалы бағасы және олардың жалпылауыш қорытындының нәтижелерi осыған байланысты пайда болатын қажеттiлiк кiрiгуiн мақсаты.

Ең әйгiлi және жеке ғылыми зерттеулердiң нәтижелерiнiң жүйелiк кiрiгуiнiң жылдам дамитын әдiстемелерiнiң бiрiне бүгiн мета — талдау әдiстеме жатады.

Мета — талдау — бұл экологтiң эпидемиологиялық зерттеулер бiрiккен нәтижелерiнiң сандық талдауы — қоршаған ортаның ылғи бiр факторының әсерiнiң бағасы. Ол келiсушiлiктiң дәрежесi немесе әртүрлi зерттеу алған нәтижелердiң айырмашылығының сандық бағасын ескередi.

A meta-analysis as a tool for evidence-based medicine

Turdalieva B.S., Rakhmatullayeva N.U., Ten V.B., Raushanova A.M.,

Musaeva B.A., Omarova D.B.
KazNMU оf S.D.Asfendiyarov, Almaty, Kazakhstan
Abstract Quite often, the results of studies that evaluated the effectiveness of the same therapeutic or preventive intervention or a diagnostic method for the same disease are different.