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 |
|