|
医学研究进展飞速，每天都有大量的论文发表。对于同一个命题，不同的研究甚至得出相反的结论。应该如何评价一项研究的好坏，研究结论是信还是不信，可以用以下3步法。 第一步需要了解研究的设计。医学研究大致可以分为两类，观察类和实验类。两者的差别在于是否有人为的干预。观察类又分为描述性和分析型两类，前者包括相关性研究（Correlational study）和横截面研究（Cross-sectional study）；后者包括病例对照研究（Case-control study）和队列研究（Cohort study）。实验类研究包括社区试验（Community trial）和临床试验（Clinical trial）。这些研究类型的可信度由低到高。而临床试验又以随机、对照、双盲试验的信度最高。
了解了研究的类型，第二步需要判断结果有无真实的统计学意义上的关联。明确的统计意义上的关联还需要除外机率（chance，偶然性）、偏倚（bias，系统误差）和混杂（confounding factor，即与因果都相关的因素）的影响。大多数得到发表的研究都是阳性的，即p<>，所以偶然性的影响已经不大。对于偏倚和混杂的判读，需要很多的经验。任何研究无法杜绝，只能尽可能减少这些影响。 第三步需要能否判断该关联是否有因果关系（Causal effect），即结局是否是由该原因造成的。上面所说的相关性是统计学上的一个概念，是指某个因素的变化会导致另外一个因素的变化，但是这个因素的变化是不是另外一个因素变化的原因，是不能被确定的。相关的因素并不一定有因果联系，比如夏天太阳镜的销售量和雪糕的销售量。判断因果关系，可用到Hill标准，包括： 1.关联的强度 (RR，OR)； 2.关联的合理性(是否与现有知识吻合)； 3.关联的生物学可能性； 4.关联的时间顺序； 5.关联的剂量-反应关系：A的剂量增大，B的反应是否会增加； 6.关联的特异性；除了和B相关，A是否还和C相关； 7.关联的实验室证据。 本公众号精彩历史文章： 04：如何在R软件中求一致性指数( Harrell'concordance index:C-index)？ 05：Nomogram 绘制原理及R&SAS实现. 06 : Lasso方法简要介绍及其在回归分析中的应用 07 : 最优模型选择中的交叉验证（Cross validation）方法 08 : 用R语言进行分位数回归(Quantile Regression) 09 : 样本数据中异常值（Outliers）检测方法及SPSS & R实现 10 : 原始数据中几类缺失值（Missing Data）的SPSS及R处理方法 11 : [Survival analysis] Kaplan-Meier法之SPSS实现 12 : [Survival analysis] COX比例风险回归模型在SPSS中的实现 13 : 用R绘制地图：以疾病流行趋势为例 14 : 数据挖掘方法：聚类分析简要介绍 及SPSS&R实现 15 : 医学研究中的Logistic回归分析及R实现 16 : 常用的非参数检验(Nonparametric Tests)总结 17 : 高中生都能看懂的最小二乘法原理 18 : R语言中可实现的常用统计假设检验总结（侧重时间序列） 19 : 如何根据样本例数、均数、标准差进行T-Test和ANOVA 20 : 统计学中自由度的理解和应用 21 : ROC和AUC介绍以及如何计算AUC 22 : 支持向量机SVM介绍及R实现 23 : SPSS如何做主成分分析? 24 : Bootstrap再抽样方法简介 |
|
|
