Forskningsprosjektet. Repeterte målinger på én time. Eksempel 1. Eksempel 2. Eksempel

Transkript

1 Forskningsprosjektet Repeterte målinger på én time Kathrine Frey Frøslie Statistiker Nasjonal kompetansetjeneste for kvinnehelse, OUS Rikshospitalet. Eksempel 1 Eksempel 2 Eksperimentelt design RCT med to parallelle grupper: 0 A Hva er best av placebo (0) og aktiv medisin (A)? Kategorisk 0 eller 1 Syk eller frisk Eksperimentelt design RCT med to parallelle grupper: 0 A Hva er best av placebo (0) og aktiv medisin (A)? Kontinuerlig SF36 (Eller biomarkør) Krysstabell RR m/95% CI Pearsons χ 2 Boksplott Mean diff m/95% CI evt medianer T-test evt MW-test Forutsetning: Uavhengige målinger Forutsetning: Uavhengige målinger Observasjonell studie Eksempel 3 Er det en effekt av fysisk aktivitet på SF36? Kontinuerlig SF36 Scatterplott Identifisere confoundere: DAG? (Lineær)regresjon Forutsetning: Uavhengige residualer Altså: Uavhengighetsantakelsen er grunnfjellet for alle de statistiske analysemetodene vi kan: Pearsons χ 2 -test T-test og Mann-Whitney-test Enveis ANOVA og Kruskall-Wallis Korrelasjon Lineær-regresjon Logistisk regresjon og alle tilhørende konfidensintervaller og p-verdier. (I hvert fall hvis konfidensintervallet skal ha en 95% konfidensgrad slik vi påstår, og ikke noe helt annet.) 1

2 Etter Repeterte målinger over tid for samme person 2 målinger Flere målinger Multisenter-studier der pasienter innen et senter er mer lik enn mellom sentere (Genetiske) studier med data fra flere familiemedlemmer Studier om utdanning, med elever «clustret» i klasser, evt også klasser «clustret» innen skoler Cluster-sampling Avhengighet Mixed models Mixed models: Regresjonsmodeller som kan behandle avhengighet mellom observasjoner I gitte situasjoner kalles slike modeller også (Modeller for) repeterte målinger Hierarkiske modeller Multilevel-modeller Random coefficient models Brudd på uavhengighetsantakelsen Korrelasjon mellom to målinger Før Korrelasjonsstruktur mellom målingene Brudd på uavhengighetsantakelsen metoder for repeterte målinger Korrelasjonsstruktur innad i en kurve & mellom uke og Korrelasjonsstruktur innad i en kurve & mellom kurver i alle retninger: Vanskelig! av oppsummeringsmål Reduser alle målingene til ett tall per individ, og voila! de gode gamle teknikkene kan stadig brukes! Variansanalyse/regresjonsteknikker med modellering av korrelasjonsstruktur Gå på kurs! 2

3 av oppsummeringsmål Gjør analysen med differansene som hovedoutcome i stedet for de to SF36-målingene Før Etter av oppsummeringsmål Potensielt oppsummeringsmål 1: Gjennomsnitt Potensielt oppsummeringsmål 2: Areal under kurve (AUC) Både gjennomsnittlig hormonnivå og AUC, dvs total hormonmengde i løpet av et døgn, er klinisk meningsfulle. Kunne også f.eks brukt differansen mellom kl 12 på dagen og kl 24 om natta, differansen fra høyeste til laveste verdi etc Velg selv! av oppsummeringsmål av oppsummeringsmål Potensielt oppsummeringsmål: Endring i AUC Potensielt oppsummeringsmål 1: Antall «change points» i løpet av 10 sekunders monitorering av 8 ulike kurver Potensielt oppsummeringsmål 2: Velg kurve, deretter punkt på kurva, evt en eller annen meningsfull karakteristikk av kurva, beskrevet ved ett enkelt tall. Gode oppsummeringsmål kan være lett å konstruere. Eller vanskelig. Oppsummeringsmål gir enkel statistisk analyse som alle greier å gjøre. Til ettertanke: Hvorfor gjøre seg bryet med alle disse målingene hvis vi ikke har tenkt å bruke dem? 3

4 Regresjonsteknikker Gruppe 0 Gruppe A Lineær-regresjon med «Etter» som respons og justering for «Før» i regresjonsligningen: SF36 SF36 Gruppe Etter 0 1 Før 2 Referanse: Vickers AJ, Altman DG. Statistics notes: Analysing controlled trials with baseline and follow up measurements. BMJ. 2001;323: Regresjonsteknikker Gruppe 0 Gruppe A Linear mixed model med hormon-nivå som respons, og med omhyggelig modellering av korrelasjonsstrukturen i dataene, ved å inkludere random effects: Hormon Tid Gruppe Tid Gruppe b b Tid i 1i Referanser: Thoresen M. Longitudinal analysis Gjessing H, Thoresen M. Mixed models Kapitler i Medical statistics in clinical and epidemiological research. Veierød MB, Lydersen S, Laake P, Gyldendal, 2012 Fitzmaurice, Laird, Ware: Applied longitudinal analysis Regresjonsteknikker Multilevel functional regression analysis Referanser: Crainiceanu CM, Goldsmith AJ. Bayesian Functional Data Analysis Using WinBUGS. J Stat Softw. 2010;32(11) 4

5 Selvopplevde eksempler Eksempel 1: Kaninhornhinner Sandboe FD, Medin W, Frøslie KF, i Acta Opthamologica Scandinavica 2003 Influence of temperature on corneas stored in culture medium. A comparative study using functional and morphological methods. Kaninhornhinner University Hospital BIG babies and Complications N=1031 healthy, pregnant women Pregnancy week Birth Background/demographics + Anthropometry (BMI) Glucose challenge (2-hour OGTT) + + Inflammation + + Birth data + One woman s glucose curves Overall mean curve Visit-specific deviations from the overall mean Subject-specific deviation from the visit-specific mean Subject- and visitspecific deviations from the subjectspecific mean metoder for repeterte målinger = ( t) ( t) ( t) X ( t) U ( t) iv v i iv Glucose curves = Fixed effects curves + Random effects curves av oppsummeringsmål Reduser alle målingene til ett tall per individ, og voila! de gode gamle teknikkene kan stadig brukes! Variansanalyse/regresjonsteknikker med modellering av korrelasjonsstruktur Gå på kurs! 5