О выборе метода статистической обработки данных для медико-социологических исследований

В последние годы широкое распространение программных средств для статистического анализа данных в различных прикладных областях, включая медицинские приложения, тем не менее не снимает необходимости владения хотя бы основами математической статистики. От пользователя требуется умение грамотно выбирать подходящие статистические процедуры, знание их возможностей и ограничений, корректная и осмысленная интерпретация полученных результатов. Произвольное применение статистических методов может привести к ложным выводам [3].

Перед статистической наукой встают актуальные проблемы дальнейшего совершенствования системы показателей, приемов и методов сбора, обработки, хранения и анализа статистической информации. Статистическая работа состоит в том, чтобы собрать числовые данные о массовых явлениях, обработать их, представить в форме, удобной для анализа, проанализировать и интерпретировать полученные результаты. Сбор данных лежит в основе всего исследования.

Недостаточное внимание к планированию исследований влечет за собой нехватку данных для формирования статистически значимого вывода после окончания этапа сбора информации. В этом случае даже самые сложные математические методы анализа полученных результатов не смогут дать необходимой исследователю информации [2].

ЦЕЛЬ РАБОТЫ

Разработать алгоритм, демонстрирующий наглядно ту последовательность действий, которую следует выполнять исследователю при описании и анализе результатов научного исследования.

Для реализации обозначенной цели потребуется решение следующих задач:

• 1.    Проанализировать наиболее часто применяемые критерии в медико-социологических исследованиях на предмет получения значимой информации с позиции доказательной медицины.

• 2.    Разработать схему дизайна медико-социологического исследования на основании выбранных методов обработки получаемой в ходе исследования информации.

Предлагаемый алгоритм (рис. 1) поможет исследователю систематизировать знания, разработать дизайн собственного исследования и выбрать оптимальное сочетание методов обработки полученной информации.

Рис. 1. Алгоритм анализа данных научного исследования

Описание данных научно-практического медицинского исследования включает в себя ряд единиц наблюдения (больных, лабораторных подопытных животных и т.п.), характеризуемых определенными признаками. Количественные признаки выражаются числовыми значениями, например возраст, рост, вес, давление. Порядковые признаки могут быть измерены в шкалах (например, школьные оценки, степень тяжести заболевания: легкая, средняя, тяжелая). Качественные признаки характеризуют некоторое состояние объекта, но не могут быть измерены количественно (например, пол, профессия, диагноз). Включая признак в описание данных, исследователь должен достаточно четко представить, для чего этот признак понадобится ему в дальнейшем. Это необходимо, чтобы избежать перегруженности информации, тем не менее база данных должна быть достаточно полной и информативной.

В зависимости от типа данных выбираем метод описательных статистик:

• -    для количественных данных, подчиняющихся нормальному закону распределения, рассчитывают среднее и стандартное отклонение. Представляются в виде M ± StD (например, концентрация вещества «Х» составила (14,5 ± 0,5) мг/л);

• -    для количественных данных, не подчиняющихся нормальному закону распределения рассчитывают медиану и квартили (процентили). Представляются в виде Me (Q1-Q3) (например, возраст участников исследования составил 10 (5—11) лет);

• -    для качественных данных рассчитываются частоты или проценты. Представляются либо только относительные величины (встречаемость заболевания «Х» в исследуемой совокупности составила 25 %), либо абсолютные и относительные вместе (выявлено 16 случаев заболеваний «Х», что составило 25 %).

После описательных статистик следует этап доказательной статистики. На этом этапе исследователь выбирает метод критериального анализа, в зависимости от изучаемого признака и вида исследования [1].

Одним из главных вопросом перед исследователем является метод получения им информации. Зачастую выбор происходит неосознанно, по аналогии с другими исследователями, коллегами, что порождает ряд ложных результатов. Для того чтобы ориентироваться в выборе необходимого критерия существует несколько алгоритмов (С. Гланц, В. В. Безляк, Н. М. Жилина и др.). Алгоритм выбора критерия представлен на рис. 2, 3 и зависит от типа данных.

Критерий Стьюдента

Критерий Манна-Уитни

Дисперсионный анализ

Критерий Краскал-Уоллиса

Рис. 2. Алгоритм сравнения групп по количественному признаку

Рис. 3. Алгоритм сравнения групп по качественному признаку

Множество критериев, приводимых обычно в учебниках по математической статистике, и сложное описание процедур их вычисления часто смущают исследователя. Многие из них используются достаточно редко. Каждый исследователь (и научный руководитель в том числе) предпочитает статистические критерии, исходя из своих знаний, опыта, типа задачи и вида данных, которые подлежат обработке. При выборе математико-статистического критерия нужно ориентироваться также на тип распределения данных, который получился в исследовании. Параметрические критерии используются в том случае, когда распределение полученных данных рассматривается как нормальное. Для непараметрических критериев тип распределения данных не имеет значения.

При осуществлении поиска различий в медико-социологических показателях у испытуемых, имеющих те или иные особенности, могут использоваться критерии для выявления различий в уровне исследуемого признака или в его распределении. Для определения значимости различий в проявлении признака в психологических исследованиях часто используются такие показатели, как парный критерий Вилкоксона, U-критерий Манна-Уитни, критерий хи-квадрат (χ2), точный критерий Фишера, биномиальный критерий.

Осуществляя поиск взаимосвязи показателей у одних и тех же испытуемых, следует использовать коэффициенты корреляции. Связь величин друг с другом и их зависимость часто характеризуется коэффициентом линейной корреляции Пирсона и коэффициентом ранговой корреляции Спирмена.

Структура данных, а также их взаимосвязь выявляются факторным анализом. Во многих медико-социологических исследованиях центральное место занимает анализ изменчивости признака под влиянием каких-либо контролируемых факторов, или, другими словами, оценка влияния разных факторов на изучаемый признак. Для математической обработки данных в таких задачах может использоваться U-критерий Манна-Уитни, критерий Краскела-Уол-лиса, Т-критерий Вилкоксона, критерий Фридмана.

Следует заметить, что для исследования влияния, а тем более взаимовлияния нескольких факторов на изучаемый параметр полезнее может ока- заться дисперсионный анализ. Исследователь исходит из предположения, что одни переменные могут рассматриваться как причины, а другие — как следствия. Переменные первого рода считаются факторами, а переменные второго рода — результативными признаками. В этом отличие дисперсионного анализа от корреляционного, в котором предполагается, что изменения одного признака просто связаны с определенными изменениями другого [3].

Важно обратить внимание на ограничения, которые имеет каждый критерий. Если один критерий не подходит для анализа имеющихся данных, всегда можно найти какой-либо другой, возможно, изменив тип представления самих данных. Прежде чем обрабатывать данные, полезно проверить, существуют ли в пособии, которым вы пользуетесь, критические значения, соответствующие количеству и типу ваших данных. В противном случае вас может ждать разочарование, когда ваши подсчеты окажутся напрасными по причине отсутствия в таблице критических значений при объеме выборки, которая у вас была.

Не зная статистических методов, исследователь вычисляет только самые элементарные статистические показатели, может неправильно применить критерий, не полностью использует возможности статистической обработки.

Таком образом, математическая статистика применительно к проведению медико-социологических исследований может помочь в формулировании цели, разработке дизайна, выборе статистического метода для выявления статистически значимого различия, непосредственно в проведении анализа полученных результатов, формировании заключения.