Tutkimuspalvelut

Tutkimustietojen keruu ja niiden analysointi edellyttävät tutkimuksen suunnittelun ja statistiikan perusasioiden hallintaa. Koesuunnittelu ja tilastomenetelmien valinta riippuu tutkittavasta ilmiöstä.

Esimerkiksi kontrolloidussa kokeessa tutkitaan uuden lääkkeen tai uuden hoitomenetelmän vaikutuksia hoitovasteeseen koeryhmän ja vertailuryhmän avulla. Koehenkilöiden valinta ja satunnaistaminen ryhmiin voi olla selkeintä tehdä potilastietojärjestelmässä jo olevan datan perusteella; koehenkilöt poimitaan isommasta viiteryhmästä esim. iän, diagnoosin tai lääkityksen perusteella. Koehenkilöiden käsittelyihin liittyvät tiedot kannattaa ehkä kirjata olemassaolevaan potilastietojärjestelmään. Resurssien käytön kannalta se voi olla tehokkain tapa tutkimusaineiston keräämiseen, kunhan järjestelmän soveltaminen ja kirjaustavat suunnitellaan huolellisesti etukäteen.

Usein kliinisessä tai epidemiologisessa tutkimuksessa tarvittava empiirinen havaintoaineisto on jo olemassa, tallennettuna potilastietojärjestelmien tietokantoihin. Haasteena voi olla aineiston kaivaminen esiin tietokantojen uumenista. Tieto ei välttämättä ole alkuperäisessa talletuspaikassaan siinä muodossa, että se voidaan suoraviivaisesti poimia tutkimuskäyttöön. Voi olla, että oleellinen data on strukturoimattomassa formaatissa. Tarvittavat tiedot saattavat olla hajallaan ympäri tietokantoja, jolloin niiden löytäminen ja yhdisteleminen voi olla hyvin monen mutkan takana. Perusjärjestelmien kautta tallennettu data sisältää monesti virheitä, esim. tallennusvirheet, ohjelmavirheiden aiheuttamat virheet, jotka on syytä pyrkiä eliminoimaan havaintoaineistosta. Datan siivoaminen voi olla myös työläs tehtävä.

Taulukko

Kuva 1. Raskauden seuranta -aineiston tunnuslukuja

Taulukot, tunnusluvut ja kuvaajat tiivistävät havaintoaineiston sisältämää tietoa. Tunnusluvut toimivat myös perustana tutkimukseen liittyvälle tilastolliselle päättelylle. Toisaalta niiden avulla voidaan havaita ajoissa poikkeavat havainnot (outlier) ja systemaattiset virheet (harhan lähteet) mittausdatassa. Havaintoaineiston käsittelyyn on olemassa monia hyviä tilasto-ohjelmia, jotka sisältävät valmiita proseduureja sekä kuvaavien tunnuslukujen tuottamiseen että varsinaisten tilastollisten menetelmien soveltamiseen, esimerkiksi SAS, R ja SPSS.

Jakauma

Kuva 2. HbA1c-arvojen jakauma 1-tyypin diabeetikoilla

Biostatistiikka on kliiniselle ja erityisesti epidemiologiselle tutkimukselle tärkeä työkalu. Pelkkä tulosten kuvailu ja luettelointi ilman mitään matemaattista käsittelyä eivät riitä täyttämään tutkimusten julkaisemiselle asetettuja kriteerejä. Esimerkiksi tunnuslukujen estimaattien esittäminen edellyttää satunnaisvirheen arviointia; satunnaisvirheen arvioinnin tärkeimmät tilastolliset välineet ovat tunnusluvun estimaatin keskivirhe sekä luottamusväli. Myös sekoittavat tekijät on otettava tarkasti huomioon tapaus-verrokkiluonteisissa tutkimuksissa. Ikä ja sukupuoli saattavat vääristää lopputuloksia, ellei niitä ole huomioitu vakioimalla aineisto jo keruuvaiheessa tai vakioimalla muuttujat tutkimuksen analyysivaiheessa.

ttesti

Kuva 3. Kahden riippumattoman otoksen t-testi

Referenssit

Hyvän kasvun avaimet -seurantatutkimus, 2013

Turun lapsi- ja nuorisotutkimuskeskus on kaikkien Varsinais-Suomessa toimivien korkeakoulujen yhteinen tutkimuskeskus, jonka toimintaa Turun yliopisto koordinoi.

DEHKO-raportti 2005:3, Dehko Outokummun terveyskeskuksessa, Hilkka Tirkkonen ym., 2005

Diabeteksen hoidon laatukriteerien yhteys verensokerin hoitotasapainoon pohjoiskarjalaisilla diabeetikoilla, Markku Vielman Pro gradu, 2005.

FREQUENT ATTENDERS IN PRIMARY HEALTH CARE, Simo Jyväsjärvi, 2001

VPK - Väestövastuisen perusterveydenhuollon kokeilut, Seppo Voutilainen, 1990