Tutkimus ja analyysit

Tutkimus ja analyysit

Tutkimustietojen keruu ja niiden analysointi edellyttävät tutkimuksen suunnittelun ja statistiikan 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 käsittelyyn liittyvä tieto kannattaa ehkä kirjata potilastietojärjestelmään. Se on usein 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 osa datasta on strukturoimattomassa formaatissa. Tarvittavat tiedot saattavat olla hajallaan ympäri tietokantoja, jolloin niiden löytäminen ja yhdisteleminen voi olla monen mutkan takana. Perusjärjestelmien kautta tallennettu data sisältää monesti virheitä, esim. tallennusvirheet, ohjelmavirheiden aiheuttamat virheet, jotka on syytä eliminoida havaintoaineistosta. Datan siivoaminen voi olla työläs tehtävä.

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.

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 huomioon tapaus-verrokki-tutkimuksissa. Ikä ja sukupuoli saattavat vääristää lopputuloksia, ellei niitä ole huomioitu vakioimalla aineisto jo keruuvaiheessa tai vakioimalla muuttujat tutkimuksen analyysivaiheessa.

Kuva 3. Kahden riippumattoman otoksen t-testi

 

Katso referenssit

Teemme yhteistyötä monen terveydenhuollon organisaation kanssa. Tutustu asiakastarinoihimme.

Lue lisää