Klinik Araştırmalar için İstatistiksel Analiz
İstatistiksel analiz, karmaşık tıbbi verileri yorumlanabilir ve hesap verebilir bulgulara dönüştürmeye yardımcı olduğu için klinik araştırmalarda çok önemli bir temel oluşturur. Klinik bağlamda, araştırma sonuçlarına dayalı kararlar tanı, tedavi, politika önerileri ve hatta hasta güvenliğini doğrudan etkileyebilir. Bu nedenle, tasarım planlamasından veri işlemeye , test seçiminden sonuç yorumlamasına kadar istatistiksel prensiplerin sağlam bir şekilde anlaşılması klinik araştırmacılar için şarttır.
Klinik araştırmalarda istatistiğin rolü
Klinik araştırmalar, yeni ilaçların etkileri, farmakolojik olmayan müdahalelerin etkinliği, hastalık risk faktörleri veya tanı araçlarının doğruluğu gibi insanlardaki sağlık olaylarını değerlendirmeyi amaçlar. İstatistikler ise şu amaçlarla kullanılır:
1. Sağlam bir çalışma tasarlayın (örneğin, yeterli bir örneklem büyüklüğü belirleyin).
2. Rastgeleleştirme, körleme ve analitik stratejiler yoluyla yanlılık ve değişkenliğin kontrol altına alınması.
3. Etkinin büyüklüğünü ve belirsizliğini (güven aralığını) ölçün.
4. Hipotezleri objektif olarak test edin ve sezgiye dayalı sonuçlardan kaçının.
Uygun istatistiksel analiz yapılmadan yapılan araştırmalar hatalı sonuçlara yol açabilir; örneğin, bir tedavinin etkili olmadığı halde etkili olduğunu veya tam tersini iddia edebilir.
İlk aşamalar: çalışma tasarımı ve veri türleri
İstatistiksel bir yöntem seçmeden önce, araştırmacıların çalışma tasarımını ve toplanan veri türünü anlamaları gerekir.
1. Çalışma tasarımı
Klinik araştırmalarda sıkça kullanılan tasarımlardan bazıları şunlardır:
– Rastgele Kontrollü Çalışma (RCT): Bir müdahalenin etkinliğini değerlendirmek için altın standart.
– Kohort çalışmaları: Maruz kalma durumuna göre grupları takip eder ve sonuç olaylarını değerlendirir.
– Vaka-kontrol çalışmaları: Belirli bir sonuca sahip hastalar ile kontrol grubundaki bireylerin maruziyetini karşılaştırır.
– Kesitsel çalışmalar: maruziyeti ve sonucu aynı anda ölçer.
– Tanısal çalışmalar: Bir testin doğruluğunu, bir referans standardıyla karşılaştırarak değerlendirmek.
Her tasarımın, özellikle nedensellik ve potansiyel önyargı açısından farklı analitik sonuçları vardır.
2. Veri türü
Jenis Veriler, özet ve istatistiksel testleri belirler. uygun:
– Nominal kategorik: cinsiyet, sigara içme durumu (evet/hayır).
– Sıralı kategorik: ağrı düzeyi (hafif-orta-şiddetli).
– Sürekli sayısal değerler: kan basıncı, HbA1c düzeyi.
– Olayın gerçekleşme süresi (hayatta kalma): Nüks etme süresi, ölüm süresi.
Sık yapılan hatalardan biri, sıralı verileri dikkate almadan sürekli veriymiş gibi ele almak veya dağılımsal varsayımlar karşılanmadığında parametrik testler kullanmaktır.
Tanımlayıcı istatistikler: veri özelliklerinin haritalandırılması
Analiz genellikle verilerin dağılımını ve örneklem özelliklerini tanımlamak için betimleyici istatistiklerle başlar . Klinik araştırmalarda bu, grup denkliğini değerlendirmek, sonuçların dağılımını anlamak ve aykırı değerleri tespit etmek için önemlidir.
Sık kullanılan özetler:
– Ortalama ve standart sapma (SD): Normal dağılıma yakın sürekli veriler için.
– Medyan ve çeyrekler arası aralık (IQR): Çarpık dağılımlı sürekli veriler için.
– Frekans ve yüzde: kategorik veriler için.
– Histogramlar, kutu grafikleri ve çubuk grafikler gibi görselleştirmeler, çıkarımsal testler yapmadan önce kalıpları anlamaya yardımcı olur.
Çıkarımsal istatistik: doğru testi seçmek
Çıkarımsal istatistiğin amacı, bir örneklemden yola çıkarak bir popülasyon hakkında sonuçlar çıkarmaktır. Test seçimi, analizin amacına, grup sayısına, veri türüne ve verilerin eşleştirilmiş veya bağımsız olmasına bağlıdır.
1. İki grubun karşılaştırılması
– Bağımsız t-testi: Normal dağılım ve nispeten eşit varyanslar varsayımı altında iki bağımsız grubun (örneğin ilaç grubundaki ve plasebo grubundaki kan basıncı) ortalamalarını karşılaştırır.
– Mann–Whitney U: Normal dağılıma uymayan sürekli veriler için parametrik olmayan bir alternatif.
– Ki-kare veya Fisher'ın kesin testi: Oranları karşılaştırmak için (örneğin, yan etkilerin görülme sıklığı). Fisher'ın kesin testi, hücre boyutu küçük olduğunda kullanılır.
2. İkiden fazla grubun karşılaştırılması
– ANOVA: Üç veya daha fazla grubun ortalamalarını karşılaştırmak için kullanılır.
– Kruskal-Wallis: ANOVA'ya parametrik olmayan bir alternatif.
– Sonuçlar anlamlıysa, hangi grupların farklı olduğunu belirlemek için genellikle sonradan yapılan bir test (post-hoc test) gereklidir.
3. Eşleştirilmiş veriler
Aynı hastaya ait öncesi ve sonrası verileri için:
– eşleştirilmiş t-testi (parametrik)
– Wilcoxon işaretli sıralama testi (parametrik olmayan)
Burada testin yanlış kullanılması, aynı denek içindeki korelasyonların göz ardı edilmesine yol açabilir.
Korelasyon ve regresyon: ilişkileri ve tahmini anlamak
Klinik araştırmalarda, araştırmacılar genellikle sadece grupları karşılaştırmakla kalmaz, aynı zamanda değişkenler arasındaki ilişkileri değerlendirmek ve karıştırıcı faktörleri kontrol altına almak isterler.
1. Korelasyon
– Pearson korelasyonu: Normal sürekli verilerdeki doğrusal ilişkiler için kullanılır.
– Spearman korelasyonu: normal dağılıma uymayan veya sıralı veriler için.
Ancak korelasyon nedensellikle aynı şey değildir; iki değişken üçüncü bir faktör nedeniyle ilişkili olabilir.
2. Regresyon
Regresyon analizi, diğer değişkenleri kontrol altında tutarken, bağımsız değişkenlerin sonuçlar üzerindeki etkisini tahmin etmeyi sağlar.
– Doğrusal regresyon: sürekli sonuç (örneğin HbA1c'deki değişim).
– Lojistik regresyon: ikili sonuç (örneğin iyileşti/iyileşmedi).
– Poisson veya negatif binom regresyonu: sonuç bir sayıdır (örneğin ziyaret sayısı).
– Cox orantılı tehlike modeli: sağkalım analizi için (olay gerçekleşme süresi).
Klinik raporlarda sonuçlar genellikle %95 güven aralıklarıyla birlikte regresyon katsayıları, olasılık oranları (OR), risk oranları (RR) veya tehlike oranları (HR) olarak sunulur.
Etki büyüklüğü, p değeri ve güven aralığı
Klinik araştırmalarda doğru yorumlama yalnızca p-değerine dayanmaz.
– p değeri, sıfır hipotezine karşı kanıtın ne kadar güçlü olduğunu gösterir, ancak etkinin büyüklüğü veya klinik önemi hakkında bilgi vermez.
– Ortalama farklar, RR, OR veya HR gibi etki büyüklükleri, müdahalenin etkisinin büyüklüğü hakkında bilgi sağlar.
– Güven aralığı (GA), gerçek etki için olası değer aralığını gösterir. Dar bir GA daha hassas bir tahmini gösterirken, geniş bir GA yüksek belirsizliği gösterir.
Klinik uygulamada, örneklem boyutu büyük olduğunda küçük bir etki "istatistiksel olarak anlamlı" olabilir, ancak klinik olarak anlamlı olmayabilir. Tersine, geniş bir güven aralığına sahip gibi görünen büyük bir etki, dikkatle yorumlanmalıdır.
Örneklem boyutu ve test gücü
Örneklem büyüklüğü planlaması, çalışmanın anlamlı etkileri tespit edebilme yeteneğini belirler. Örneklem büyüklüğünü etkileyen faktörler şunlardır:
– tespit edilecek etkinin büyüklüğü,
– veri değişkenliği,
– Anlamlılık düzeyi (alfa, genellikle 0,05),
– güç (genellikle %80 veya %90),
– potansiyel okuldan ayrılma.
Klinik araştırmalarda, örneklem büyüklüğünün hafife alınması, müdahalenin aslında faydalı olmasına rağmen "yanlış negatif" sonuç riskini artırır.
Eksik veriler ve tedaviye niyet analizi
Klinik çalışmalarda veri eksikliği sık karşılaşılan bir sorundur (örneğin, hastaların takip randevularına gelmemesi). Veri eksikliği rastgele değilse, verilerin rastgele silinmesi (tam vaka analizi) yanlılığa yol açabilir.
Daha iyi yaklaşımlar şunlardır:
– eksik verilerin tamamlanması (örneğin çoklu eksik veri tamamlama),
– duyarlılık analizi,
– ve RCT'lerde genellikle niyet-tedavi (ITT) yöntemi önerilir; yani, rastgeleleştirmenin faydalarını korumak için, uyumluluğa bakılmaksızın katılımcılar başlangıçtaki rastgeleleştirme grubuna göre analiz edilir.
Hayatta kalma analizi ve olay gerçekleşme süresi araştırması
Sonuç "olay gerçekleşme süresi" ise, t-testleri gibi geleneksel analizler uygun değildir. Yaygın kullanılan yöntemler şunlardır:
– Zaman içindeki hayatta kalma olasılığını tanımlayan Kaplan-Meier eğrisi,
– İki grubun hayatta kalma eğrilerini karşılaştırmak için log-rank testi,
– Kovaryatları kontrol etmek ve risk oranlarını hesaplamak için Cox regresyonu.
Hayatta kalma çalışmalarında önemli bir kavram olan sansürleme, bir olayın zamanına ilişkin bilgilerin eksik olması durumudur (örneğin, bir katılımcı olay gerçekleşmeden önce çalışmadan ayrılır).
Sonuçların raporlanması ve şeffaflık
İyi istatistiksel analiz, şeffaf raporlama ile desteklenmelidir. Klinik araştırmacılar genellikle şu gibi yönergeleri izlerler:
– Klinik araştırmalar için CONSORT,
– Gözlemsel çalışmalar için STROBE,
– Sistematik inceleme ve meta-analiz için PRISMA.
Raporlamada şunlar yer almalıdır: rastgeleleştirme yöntemi, sonuç tanımı, eksik verilerin ele alınması, kullanılan testler, kontrol edilen varsayımlar ve etki büyüklüğü ile güven aralığı.
Sonuç
Klinik araştırmalarda istatistiksel analiz, sadece teknik bir adım değil, sonuçların kalitesini ve hastalar için sonuçların güvenliğini etkileyen bilimsel bir süreçtir. Tasarım seçiminden, veri türlerinin anlaşılmasına, uygun testlerin kullanılmasına, yorumlamaya, etki büyüklüklerine ve güven aralıklarına vurgu yapılmasına kadar her şey, araştırma sonuçlarının geçerli, ilgili ve güvenilir olmasını sağlamaya katkıda bulunur. İstatistiksel titizlik ve klinik anlayışı birleştirerek, araştırma, sağlık hizmetleri uygulaması ve tıbbi karar verme için gerçekten yararlı kanıtlar üretebilir.
