Retrospektives Studiendesign
|
|
- Irmela Rothbauer
- vor 6 Jahren
- Abrufe
Transkript
1 Studiendesign Zielsetzungen, Studientypen Genau wie für die klassische Labordiagnostik muss auch für die Genexpressionsanalyse (und andere hochdimensionale Verfahren wie z.b. die Massenspektrometrie) vor der Routineanwendung eine wissenschaftliche Prüfung der diagnostischen Validität erbracht werden. Dies erfolgt analog zur Medikamentenprüfung in mehreren Phasen, denen jeweils spezielle Fragestellungen, Studiendesigns und Validitätsparameter zugeordnet sind. Im ersten Abschnitt gehen wir von diagnostischen Tests mit binärem Ergebnis (positiv/negativ) aus. Allerdings ist die Definition der Phasen der Prüfung von Diagnostika im Gegensatz zur Bewertung von Medikamenten noch nicht vereinheitlicht. Das hier vorgestellte Schema orientiert sich an Vorschlägen von Köbberling et al., Zhou et al. und Bossuyt et al (s.u.). Wir beziehen uns auf Genexpressionsanalysen, die Übertragung auf andere hochdimensionale Verfahren ist ohne Probleme möglich. Vor der eigentlichen klinischen Evaluierung müssen für diagnostische Verfahren Mess- Standards (vgl. Kapitel 2) definiert, die Kurz- und Langzeitreproduzierbarkeit geprüft und Normbereiche festgelegt werden. Bei Genexpressionsanalysen kommt als zusätzliche Herausforderung die Auswahl relevanter Gene und die Zusammenfassung der Einzelwerte in einen diagnostischen oder prognostischen Score (vgl. Kapitel 5) hinzu. Erst wenn diese Vorarbeiten geleistet sind, kann die Bewertung im Rahmen vergleichender Studien erfolgen. Hier unterscheidet man das retrospektive, das prospektive und das randomisierte Design. Beim retrospektiven Design werden Kranke mit einer gesunden Kontrollgruppe verglichen. Der Anteil der Kranken in der Gesamtstichprobe entspricht im allgemeinen nicht dem bei der klinischen Anwendung zu erwartenden Anteil. Aus diesem Grund können für diese Studien lediglich Sensitivität und Spezifität (vgl. Glossar), nicht aber die prädiktiven Werte geschätzt werden. Im folgenden Schema wird dieser Studientyp dargestellt: Retrospektives Studiendesign Patienten Gesunde Sensitivität Spezifität Die i.a. unrealistische Prävalenz ist nicht der einzige Mangel retrospektiver diagnostischer Studien, durch Anwendung der Bayesschen Formel könnten die Studienergebnisse sogar auf andere Prävalenzen umgerechnet werden. Problematischer ist die Tatsache, dass in diesen Studien häufig weder die Patienten noch die Gesunden repräsentativ für eine spätere klinische Anwendung sind. Wenn beispielsweise Patienten mit fortgeschrittenem Erkrankungsstadium mit völlig Gesunden verglichen werden, muss man sowohl die Überschätzung der Sensitivität als auch der Spezifität erwarten. Vorzuziehen ist das prospektive Studiendesign. Bei diesem Design werden Patienten mit Krankheitsverdacht in die Studie aufgenommen. Dann werden jeweils gegenseitig verblindet
2 diagnostischer Test und Goldstandard durchgeführt. Wenn die Studienpopulation wirklich repräsentativ für die spätere klinische Anwendung ist, können alle interessierenden Parameter, also Sensitivität, Spezifität und prädiktive Werte korrekt geschätzt werden: Prospektives Studiendesign Repräsentative Auswahl von Verdachtspatienten Test positive Test negative Falsch positive Richtig positive Falsch negative Richtig negative Positiver Prädiktiver Wert Sensitivität Spezifität Negativer Prädiktiver Wert Eigentliches Ziel eines neuen Diagnoseverfahrens ist es, den klinischen Outcome der Patienten durch Vermeidung von Unter- oder Übertherapie zu verbessern. Zum Nachweis ist eine randomisierte Studie mit therapeutischem Zielkriterium nötig: Ein Studienarm erhält die neue Diagnostik, der Kontrollarm wird konventionell diagnostiziert. In Abhängigkeit der gewonnenen Informationen erfolgt die Therapie in beiden Studienarmen möglichst einheitlich. Am Ende gilt die neue Diagnostik der alten gegenüber als überlegen, wenn Überlegenheit bzgl. des therapeutischen Zielkriteriums gezeigt werden kann: Randomisiertes Studiendesign Randomisierung von Verdachtspatienten Neue Diagnostik Herkömmliche Diagnostik Positiv Negativ Positiv Negativ Therapie Keine Therapie Therapie Keine Therapie Gesamtbewertung (Therapieerfolg, Toxizität) Vergleich Gesamtbewertung (Therapieerfolg, Toxizität)
3 Im allgemeinen wird man vor Überführung in die Routine von einem Diagnoseverfahren zumindest die prospektive Evaluierung verlangen. Randomisierte Studien mit therapeutischem Zielkriterium stellen zur Zeit noch die Ausnahme dar. Auswerteverfahren Genexpressionsmessungen führen zu quantitativen Daten, die einer Vorverarbeitung unterzogen und dann zu - ebenfalls quantitativen - Scores zusammengefasst werden. Immer dann, wenn am Ende des diagnostischen Prozesses eine Entscheidung stehen soll, müssen diese quantitativen Ergebnisse in Kategorien zusammengefasst werden (z.b. Therapie ja/nein, weitergehende Diagnostik ja/nein). Ohne diesen Schritt lassen sich aus den Messungen lediglich Wahrscheinlichkeiten für die Kategorien, nicht aber Handlungsanweisungen ableiten. Für die praktische Anwendung ist also die Festlegung von Normbereichen bzw. Schwellenwerten von entscheidender Bedeutung. Studien zur Festlegung von Normbereichen verlangen im allgemeinen sehr große Fallzahlen (Harris et al.) und werden in gesunden Referenzpopulationen durchgeführt. Mathematisch handelt es sich hier um Quantilschätzungen, die parametrisch (anhand von Verteilungsannahmen) oder nichtparametrisch erfolgen können. Für die wissenschaftliche Bewertung eines Diagnoseverfahrens kann es aber auch sinnvoll sein, zunächst auf die Kategorisierung der Ergebnisse zu verzichten. Methodischer Standard ist in dieser Situation die ROC-Analyse (Receiver Operating Characteristic), bei der für alle möglichen Schwellenwerte die Paare von Sensitivität und Spezifität bestimmt und dann grafisch dargestellt werden. Bei dieser Darstellung wird auf der x-achse die Wahrscheinlichkeit eines positiven Testergebnisses bei Kontrollen (also 1-Spezifität) und auf der y-achse die Wahrscheinlichkeit eines positiven Testergebnisses bei Kranken (also die Sensitivität) aufgetragen. % Kranke pathologisch = Sensitivität % Gesunde pathologisch = 1- Spezifität Die Fläche unter dieser Kurve (AUC) wird als Prävalenz-unabhängiges Maß für die Güte des Diagnoseverfahrens verwendet. Für einen optimalen Test ist die Fläche unter der Kurve gleich 100%, für einen völlig wertlosen Test 50%. Die partielle Fläche unter der Kurve berechnet man nur für sinnvolle Kombinationen von Sensitivität und Spezifität, etwa beide > 70%.
4 Fallzahlschätzung Die Fallzahlschätzung für diagnostische Studien hängt von der Studienphase und dem jeweiligen Zielparameter ab. In der prospektiven und der retrospektiven Studie für ein Diagnoseverfahren will man meistens diagnostische Parameter mit einer vorgegebenen Präzision schätzen. Die folgende Tabelle gibt einige Richtwerte an. Schätzung von Sensitivität und Spezifität Erwarteter Parameterwert Schätzgenauigkeit ± 10% ± 5% ± 10% ± 5% ± 10% ± 5% Fallzahl Soll also beispielsweise die Sensitivität eines binären diagnostischen Tests mit 10% Genauigkeit bestimmt werden und geht man von einer Größenordnung von 80% aus, so sind dafür 64 Erkrankte notwendig. Für die Spezifität kann man dieselbe Tabelle verwenden. Soll die Spezifität eines diagnostischen Tests mit einer Genauigkeit von 5% bestimmt werden und geht man von einer Größenordnung von 90% aus, sind dafür 144 Gesunde notwendig. Werden zwei Diagnoseverfahren untereinander verglichen, sollte man falls möglich identische Probanden mit beiden Verfahren (und dem Goldstandard) untersuchen. Bei binären diagnostischen Tests kann man drei verschiedene Analysen durchführen: Vergleich der Sensitivität, der Spezifität und der Anzahl korrekter Testergebnisse insgesamt. Alle drei Analysen können mit Hilfe des Tests von Mc Nemar durchgeführt werden. Die Fallzahlbestimmung ist kompliziert, da sie nicht nur davon abhängt wie unterschiedlich die Fehlerhäufigkeiten beider Verfahren sind, sondern auch davon, ob die Fehlerursachen beider Verfahren identisch sind (hohe Korrelation) oder verschieden (niedrige Korrelation). Die Fallzahlschätzung erfolgt deswegen sinnvollerweise nicht anhand des Gesamtstichprobenumfangs sondern anhand der Zahl der Probanden, die ein unterschiedliches Testergebnis zeigen. Beispiele finden sich im Buch von Machin (Kapitel 3). Die Fallzahlschätzung für die Fläche unter einer ROC-Kurve erfolgt relativ einfach und unabhängig von Modellannahmen mit Hilfe von Formeln, die z.b. im Buch von Zhou et al angegeben sind (Kapitel 6, Formeln (6.1), (6.2)). Offensichtlich benötigt man hier Kranke und Kontrollen. Wir gehen von einem Verhältnis 1:1 aus, in der Tabelle ist die Gesamtzahl der Kranken und Gesunden angegeben.. Schätzung der Fläche unter der ROC-Kurve Erwarteter Parameterwert Schätzgenauigkeit ± 10% ± 5% ± 10% ± 5% ± 10% ± 5% Fallzahl Wie man deutlich erkennt, liegen die Fallzahlen etwas höher als bei der Schätzung von Sensitivität und Spezifität. Geht man z.b. davon aus, dass für ein Diagnoseverfahren die Fläche unter der ROC-Kurve etwa 80% ist und will man diese Fläche mit einer Genauigkeit von +-10% schätzen, benötigt man 38 Kranke und 38 Kontrollen. Soll eine Fläche der Größenordnung 90% mit einer Genauigkeit von +-5% geschätzt werden, müssen dagegen 79 Kranke und 79 Kontrollen in die Studie aufgenommen werden.
5 In der randomisierten Studie werden dieselben Methoden der Fallzahlschätzung wie bei Therapiestudien verwendet. Man will für einen vorgegebenen relevanten klinischen Unterschied die Überlegenheit des neuen Diagnoseverfahrens hinsichtlich des klinischen Outcomes der Patienten nachweisen. Die folgende Tabelle orientiert sich an den üblichen Standards für Therapiestudien (Fehler erster Art =5% zweiseitig, Fehler zweiter Art = 20%). Randomisierter Vergleich zweier Diagnoseverfahren mit therapeutischem Outcome Herkömmliche Diagnostik 50% 70% 70% 80% 80% 90% Neue Diagnostik 80% 80% 90% 90% 95% 95% Fallzahl pro Gruppe Geht man also davon aus, dass die herkömmliche Diagnostik in 80% aller Probanden zu einem gewünschten therapeutischen Endpunkt führt, die neue dagegen in 90% aller Probanden, so werden insgesamt 2*199, also etwa 400 Probanden benötigt. Allerdings setzt dieser Vergleich ein kombiniertes Zielkriterium für therapierte und nicht therapierte Probanden voraus. Die notwendige Fallzahl kann u.u. von der Prävalenz der Erkrankung in der Studienpopulation abhängen. Zusammenfassung Die neuen, hochkomplexen Diagnoseverfahren werfen technische Probleme bei der Datenerhebung und -Weiterverarbeitung auf, die durch spezielle bioinformatische Verfahren gelöst werden können. Die abschließende Bewertung muss aber nach denselben biometrischen Prinzipien erfolgen, die auch auf klassische Diagnoseverfahren angewendet werden. Glossar Bayessche Formel: Mathematische Formel, die es erlaubt, aus Sensitivität, Spezifität und Prävalenz prädiktive Werte zu berechnen. Goldstandard: Das beste zur Verfügung stehendediagnoseverfahren, dessen Ergebnisse als korrekt angenommen werden. Bei manchen Erkrankungen ist der Goldstandard so fehleranfällig, dass der tatsächliche Erkrankungszustand erst nachträglich im klinischen Verlauf bestimmt werden kann. Negativer Prädiktiver Wert (abhängig von der Prävalenz): Wahrscheinlichkeit, dass ein Testnegativer tatsächlich gesund ist = Anteil richtig Negative / Negative Parameter, diagnostischer: Überbegriff für Sensitivität, Spezifität, prädiktive Werte Positiver Prädiktiver Wert (abhängig von der Prävalenz): Wahrscheinlichkeit, dass ein Testpositiver tatsächlich krank ist = Anteil richtig Positive / Positive ROC-Kurve: Grafische Darstellung von Sensitivität und Spezifität für variable Schwellenwerte bei quantitatitiv oder ordinal skalierten diagnostischen Verfahren Prävalenz: Anteil der Kranken in der Population Sensitivität: Wahrscheinlichkeit, einen Kranken als krank zu erkennen = Anteil richtig Positive/ Kranke Spezifität: Wahrscheinlichkeit, einen Gesunden als gesund zu erkennen = Anteil richtig Negative/ Gesunde Referenzen Bossuyt PM + 10 weitere Autoren. Towards Complete and accurate reporting of studies of diagnostic accuracy: The STARD Initiative. Annals of Internal Medicine 138:40-45 (2003) Harris EK, Boyd JC. Statistical Bases of Reference Values in Laboratory Medicine. Marcel Dekker Köbberling J., Trampisch H-J, Richter K, Windeler J. Methodologie der medizinischen Diagnostik. Springer 1991 (vergriffen). Machin D, Campbell M, Fayers P, Pinol A. Sample size tables for clinical studies (2nd ed.), Blackwell Zhou X-H, Obuchowski NA, McClish DK. Statistical Methods in Diagnostic Medicine. Wiley, 2002.
Medizinische Biometrie (L5)
Medizinische Biometrie (L5) Vorlesung V Der diagnostische Test Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrDiagnostikstudien. Dr. Dirk Hasenclever IMISE, Leipzig.
Diagnostikstudien Dr. Dirk Hasenclever IMISE, Leipzig Hasenclever@IMISE.uni-Leipzig.de Diagnostische Tests Krankheit ja Krankheit nein Test positiv TrueP FP Test negativ FN TrueN Test- Positive Test- Negative
MehrNutzen einer diagnostischen Tests in der Praxis: prädiktive Werte
EbM-Splitter 11 Nutzen einer diagnostischen Tests in der Praxis: prädiktive Werte In den beiden letzten EbM-Splittern [6, 7] wurden die Maßzahlen Sensitivität (Wahrscheinlichkeit, eine kranke Person als
Mehr3.3.1 Referenzwerte für Fruchtwasser-Schätzvolumina ( SSW)
50 3.3 Das Fruchtwasser-Schätzvolumen in der 21.-24.SSW und seine Bedeutung für das fetale Schätzgewicht in der 21.-24.SSW und für das Geburtsgewicht bei Geburt in der 36.-43.SSW 3.3.1 Referenzwerte für
MehrMedizinische Psychologie. Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information
Medizinische Psychologie Bewertung wissenschaftlicher Ergebnisse, Evidenzbasierte Medizin, Anwendung statistischer Information Bewertung wissenschaftlicher Ergebnisse Replizierbarkeit (Wiederholbarkeit)
MehrVorlesung - Medizinische Biometrie
Vorlesung - Medizinische Biometrie Stefan Wagenpfeil Institut für Medizinische Biometrie, Epidemiologie und Medizinische Informatik Universität des Saarlandes, Homburg / Saar Vorlesung - Medizinische Biometrie
MehrSüdtiroler Akademie für Allgemeinmedizin. Seminar
Südtiroler Akademie für Allgemeinmedizin Seminar 16.10.2015 Diagnostische Entscheidungsfindung in der Allgemeinmedizin Andreas Sönnichsen Institut für Allgemeinmedizin und Familienmedizin Universität Witten/Herdecke
MehrBei näherer Betrachtung des Diagramms Nr. 3 fällt folgendes auf:
18 3 Ergebnisse In diesem Kapitel werden nun zunächst die Ergebnisse der Korrelationen dargelegt und anschließend die Bedingungen der Gruppenbildung sowie die Ergebnisse der weiteren Analysen. 3.1 Ergebnisse
Mehr2. Statistische Methoden in der Diagnostik. Elemente des Studiendesigns
2. Statistische Methoden in der Diagnostik Elemente des Studiendesigns Diagnosestudien in der Medizin Klassifikation in krank - nicht krank basierend auf diagnostischem Test Beispiel: Diagnose von Brustkrebs
MehrDie aktuelle S3-Leitlinie zur Diagnsotik, Therapie und Nachsorge des Ovarialkarzinoms. Diagnostik
Die aktuelle S3-Leitlinie zur Diagnsotik, Therapie und Nachsorge des Ovarialkarzinoms Diagnostik Diagnostik: Zielsetzung und Fragestellungen Diagnostik (siehe Kapitel 3.3) Welche Symptome weisen auf ein
MehrQuerschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik Diagnose und Prognose WS 06/07 Übung 5
Informationsblatt zum Gestationsdiabetes (Schwangerschaftsdiabetes) Gruppe B Der Schwangerschafts- oder Gestationsdiabetes () ist eine spezielle Form der Zuckerkrankheit, die sich während einer Schwangerschaft
MehrGrundlagen der Labormedizin. Die analytische Phase
Grundlagen der Labormedizin Die analytische Phase Die analytische Phase im diagnostischen Prozess Begriffe analytischer Qualität - Richtigkeit - Präzision - Genauigkeit Definition der Richtigkeit Die Richtigkeit
MehrMaReCum Klausur in Biomathematik WS 2006 / 2007 Freitag, den 27. Oktober 2006
MaReCum Klausur in Biomathematik WS 2006 / 2007 Freitag, den 27. Oktober 2006 Name: Matrikelnummer: Unterschrift: Aufgabe 1 In einer kleinen Gemeinde in Baden-Württemberg traten vermehrt Fälle von Q-Fieber
MehrPrinzipien der klinischen Epidemiologie
Prinzipien der klinischen Epidemiologie Der diagnostische Test Prof. Dr. Ulrich Mansmann Institut für Medizinische Informationsverarbeitung, Biometrie und Epidemiologie mansmann@ibe.med.uni-muenchen.de
MehrInterventionsstudien
Interventionsstudien Univ.-Prof. DI Dr. Andrea Berghold Institut für Med. Informatik, Statistik und Dokumentation Medizinische Universität Graz Vorgangsweise der EBM 1. Formulierung der relevanten und
MehrThemenblock. Diagnose und Prognose. Querschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik. Themen im Block Diagnose und Prognose
Themenblock Diagnose und Prognose Querschnittsbereich Epidemiologie, Med. Biometrie und Med. Informatik Themen im Block Diagnose und Prognose Diagnose Prävalenz und prädiktive Werte Güte von diagnostischen
MehrKlinische Studien IVD Erfahrungen und Fallstricke
BioTOP DiagnostikNet-BB Workshop Klinische Studien IVD Erfahrungen und Fallstricke Berlin, 18.09.2008 Dr. rer. Nat. Ephrat Lahmer-Naim KKS Charité - Koordinierungszentrum für Klinische Studien KKS-Charité
MehrZur Statistik im neuen Genehmigungsantrag
Zur Statistik im neuen Genehmigungsantrag 21. Essener Informationstreffen, 12. März 2014 PD Dr. Nicole Heussen nheussen@ukaachen.de Institut für Medizinische Statistik RWTH Aachen Zur Statistik im neuen
MehrChancen und Risiken der digitalen Gesundheitsversorgung: Diagnose vor Therapie und Abwägung vor Versand
Chancen und Risiken der digitalen Gesundheitsversorgung: Diagnose vor Therapie und Abwägung vor Versand Prof. Dr. Franz Porzsolt Versorgungsforschung an der Klinik für Allgemein-und Viszeralchirurgie,
MehrAuswertung und Lösung
Dieses Quiz soll Ihnen helfen, Kapitel 4.7 und 4.8 besser zu verstehen. Auswertung und Lösung Abgaben: 71 / 265 Maximal erreichte Punktzahl: 8 Minimal erreichte Punktzahl: 0 Durchschnitt: 5.65 Frage 1
MehrDiagnose und Prognose: Kurzfassung 3
Diagnose und Prognose: Kurzfassung 3 Themen und Ziele der 3. Vorlesung 1. Diagnostische Tests: Fehlentscheidungen möglich 2. Prädiktive Werte: Beschreibung der Wahrscheinlichkeit einer Fehlentscheidung
MehrTäuschung und Manipulation mit Zahlen Teil 1
Täuschung und Manipulation mit Zahlen Teil 1 Kleines Statistikseminar zum kritischen Umgang mit Zahlen 23.3.2011 Dr. med. H.-J. Koubenec Mammasprechstunde im Immanuel Krankenhaus Berlin Folien: Mammographie-Screening.de
MehrVerbesserung des Tuberkulose-Screenings bei Patienten mit rheumatischen Erkrankungen vor Beginn einer Therapie mit TNFα-Blockern
Rheumatologie / Klinische Immunologie Prof. Dr. H.P. Tony (Leiter des Schwerpunktes) Prof. Dr. med. Ch. Kneitz Medizinische Poliklinik Klinikstr. 6-8 97070 Würzburg Abstract: 1 / 10 Verbesserung des Tuberkulose-Screenings
MehrBiostatistische Studienplanung. Dr. Matthias Kohl SIRS-Lab GmbH
Biostatistische Studienplanung Dr. Matthias Kohl SIRS-Lab GmbH Ausgangspunkt Fragestellung(en)/Hypothese(n): Hauptfragestellung: Grund für Durchführung der Studie Nebenfragestellung(en): Welche Fragestellungen
MehrDiagnose und Prognose: Kurzfassung 4
Diagnose und Prognose: Kurzfassung 4 Ziele der 4. Vorlesung Inhaltliche Verbindung zwischen inhaltlicher Statistisches Konzept / Problemstellung Problemstellung und statistischem statistische Methode Konzept/Methode
MehrInhaltsverzeichnis. Vorwort
V Vorwort XI 1 Zum Gebrauch dieses Buches 1 1.1 Einführung 1 1.2 Der Text in den Kapiteln 1 1.3 Was Sie bei auftretenden Problemen tun sollten 2 1.4 Wichtig zu wissen 3 1.5 Zahlenbeispiele im Text 3 1.6
Mehr3.4.1 Referenzwerte für das fetale Schätzgewicht in der SSW
60 3.4 Die Bedeutung des fetalen und des mütterlichen Gewichts in der 21.-24.SSW als prädiktiver Parameter für das Geburtsgewicht bei Geburt in der 36.-43.SSW 3.4.1 Referenzwerte für das fetale Schätzgewicht
MehrExakter Binomialtest als Beispiel
Prinzipien des statistischen Testens Entscheidungsfindung Exakter Binomialtest als Beispiel Statistische Tests Nullhypothese Alternativhypothese Fehlentscheidungen Ausgangspunkt: Forschungshypothese Beispiele:.
MehrBiometrie im neuen Antragsverfahren
8. Fortbildungsveranstaltung der GV-SOLAS für Tierschutzbeauftragte und Behördenvertreter Warum biometrische Planung? Einfachste Antwort: Weil es im Genehmigungsantrag so vorgesehen ist. 2 Warum biometrische
MehrTäuschung und Manipulation mit Zahlen
58. Ärztekongress Berlin/Charité 4.11.2010 Täuschung und Manipulation mit Zahlen Kleines Statistikseminar zum kritischen Umgang mit Zahlen Dr. med. H.-J. Koubenec Mammasprechstunde im Immanuel Krankenhaus
MehrKonfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert
Konfidenzintervalle Grundlegendes Prinzip Erwartungswert Bekannte Varianz Unbekannte Varianz Anteilswert Differenzen von Erwartungswert Anteilswert Beispiel für Konfidenzintervall Im Prinzip haben wir
MehrCut-off Werte und Normwert-Tabellen zum Fragebogen zur Erfassung von DSM-IV Persönlichkeitsstörungen, ADP-IV
Cut-off Werte und Normwert-Tabellen zum Fragebogen zur Erfassung von DSM-IV Persönlichkeitsstörungen, ADP-IV Die folgenden Tabellen wurden der Dissertationsschrift von Frau Dr. rer. nat. Daniela Renn Fragebogen
MehrAussagekraft von Anamnese, körperlicher Untersuchung und EKG in der Diagnostik der KHK. Eine systematische Übersichtsarbeit.
Aussagekraft von Anamnese, körperlicher Untersuchung und EKG in der Diagnostik der KHK. Eine systematische Übersichtsarbeit. Andreas C. Sönnichsen 1, Christian Wilimzig 1, Jürgen Griego 1, Justine Rochon
MehrEin- und Zweistichprobentests
(c) Projekt Neue Statistik 2003 - Lernmodul: Ein- Zweistichprobentests Ein- Zweistichprobentests Worum geht es in diesem Modul? Wiederholung: allgemeines Ablaufschema eines Tests Allgemeine Voraussetzungen
MehrHypothesen: Fehler 1. und 2. Art, Power eines statistischen Tests
ue biostatistik: hypothesen, fehler 1. und. art, power 1/8 h. lettner / physik Hypothesen: Fehler 1. und. Art, Power eines statistischen Tests Die äußerst wichtige Tabelle über die Zusammenhänge zwischen
MehrWie schreibe ich (m)eine Dissertation???
Wie schreibe ich (m)eine Dissertation??? Arbeitsmethodik und Standards Frank Krummenauer Promovierendensymposium Mülheim, 10. Juni 2011 Redaktionelle Aspekte Übliche Gliederung einer medizinischen Dissertation:
MehrGrundlagen der evidenzbasierten neurologischen Rehabilitation
Grundlagen der evidenzbasierten neurologischen Rehabilitation Prof. Dr. phil. Helmut Hildebrandt Klinikum Bremen-Ost, Neurologie Universität Oldenburg, Psychologie email: helmut.hildebrandt@uni-oldenburg.de
MehrKapitel VIII - Tests zum Niveau α
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel VIII - Tests zum Niveau α Induktive Statistik Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh Testsituationen
MehrAufgabenblock 4. Da Körpergröße normalverteilt ist, erhalten wir aus der Tabelle der t-verteilung bei df = 19 und α = 0.05 den Wert t 19,97.
Aufgabenblock 4 Aufgabe ) Da s = 8. cm nur eine Schätzung für die Streuung der Population ist, müssen wir den geschätzten Standardfehler verwenden. Dieser berechnet sich als n s s 8. ˆ = = =.88. ( n )
MehrBewertung diagnostischer Tests
n g c gesund krank n k c Segreganz negativ positiv negativ positiv Relevanz Beertung diagnostischer Tests gesund krank c Annahme: Überlappende Populationen eine messbare Grösse (z.b Konzentration) vergrössert
MehrBerechnung des LOG-RANK-Tests bei Überlebenskurven
Statistik 1 Berechnung des LOG-RANK-Tests bei Überlebenskurven Hans-Dieter Spies inventiv Health Germany GmbH Brandenburger Weg 3 60437 Frankfurt hd.spies@t-online.de Zusammenfassung Mit Hilfe von Überlebenskurven
MehrDiagnostisches Testen. Coniecturalem artem esse medicinam
Diagnostisches Testen Coniecturalem artem esse medicinam Würfelspiel A: ein fairer Würfel zeigt eine gerade Augenzahl B: ein fairer Würfel zeigt mindestens 4 Punkte A: B: A B: P(A=1/2 P(B=1/2 P(A B=2/6
MehrÜbungen mit dem Applet Vergleich von zwei Mittelwerten
Vergleich von zwei Mittelwerten 1 Übungen mit dem Applet Vergleich von zwei Mittelwerten 1 Statistischer Hintergrund... 2 1.1 Typische Fragestellungen...2 1.2 Fehler 1. und 2. Art...2 1.3 Kurzbeschreibung
Mehr3 Bedingte Wahrscheinlichkeit, Unabhängigkeit
3 Bedingte Wahrscheinlichkeit, Unabhängigkeit Bisher : (Ω, A, P) zur Beschreibung eines Zufallsexperiments Jetzt : Zusatzinformation über den Ausgang des Experiments, etwa (das Ereignis) B ist eingetreten.
MehrLösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001
Lösungen zur Biomathe-Klausur Gruppe A Montag, den 16. Juli 2001 1. Sensitivität und Spezifität In einer medizinischen Ambulanz haben 30 % der Patienten eine akute Appendizitis. 80 % dieser Patienten haben
MehrEINLEITUNG: EINFÜHRUNG IN WISSENSCHAFTLICHES ARBEITEN 1 WIE ENTSTEHT WISSEN? 7 METHODISCHE GRUNDLAGEN DER MEDIZINISCHEN WISSENSCHAFTEN...
INHALTSÜBERSICHT EINLEITUNG: EINFÜHRUNG IN WISSENSCHAFTLICHES ARBEITEN 1 Motivation I Durchführung in drei Speziellen StudienModulen (SSMs) 2 SSM I: Wissenschaft und Medizin 3 VORLESUNG WIE ENTSTEHT WISSEN?
Mehr8. Konfidenzintervalle und Hypothesentests
8. Konfidenzintervalle und Hypothesentests Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Beispiel. Sie wollen den durchschnittlichen Fruchtsaftgehalt eines bestimmten Orangennektars
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrStatistik Testverfahren. Heinz Holling Günther Gediga. Bachelorstudium Psychologie. hogrefe.de
rbu leh ch s plu psych Heinz Holling Günther Gediga hogrefe.de Bachelorstudium Psychologie Statistik Testverfahren 18 Kapitel 2 i.i.d.-annahme dem unabhängig. Es gilt also die i.i.d.-annahme (i.i.d = independent
Mehr2.4 Hypothesentests Grundprinzipien statistischer Hypothesentests. Hypothese:
2.4.1 Grundprinzipien statistischer Hypothesentests Hypothese: Behauptung einer Tatsache, deren Überprüfung noch aussteht (Leutner in: Endruweit, Trommsdorff: Wörterbuch der Soziologie, 1989). Statistischer
MehrStatistische Tests. Kapitel Grundbegriffe. Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe
Kapitel 4 Statistische Tests 4.1 Grundbegriffe Wir betrachten wieder ein parametrisches Modell {P θ : θ Θ} und eine zugehörige Zufallsstichprobe X 1,..., X n. Wir wollen nun die Beobachtung der X 1,...,
MehrGrundlegende Eigenschaften von Punktschätzern
Grundlegende Eigenschaften von Punktschätzern Worum geht es in diesem Modul? Schätzer als Zufallsvariablen Vorbereitung einer Simulation Verteilung von P-Dach Empirische Lage- und Streuungsparameter zur
MehrBedingte Wahrscheinlichkeiten & Unabhängigkeit
Statistik 1 für SoziologInnen Bedingte Wahrscheinlichkeiten & Univ.Prof. Dr. Marcus Hudec Bedingte Wahrscheinlichkeit Das Konzept bedingter Wahrscheinlichkeit erlaubt zu untersuchen, inwieweit sich die
MehrKapitel 5: Einfaktorielle Varianzanalyse
Rasch, Friese, Hofmann & Naumann (006). Quantitative Methoden. Band (. Auflage). Heidelberg: Springer. Kapitel 5: Einfaktorielle Varianzanalyse Berechnen der Teststärke a priori bzw. Stichprobenumfangsplanung
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrFunktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under the Curve (AUC, pauc).
Skriptname: ROC_pAUC7.jsl JMP-Version: JMP 7 Datum: 10.09.2007 Download: ROC.zip Funktion Das Skript erstellt ROC-Kurven mit Konfidenzbändern, berechnet (gewichtete) Cutoff-Punkte und (partial) Area under
MehrPittfalls in der Autoimmundiagnostik. Initiiated and supported by
Pittfalls in der Autoimmundiagnostik Fallen in der Autoimmundiagnostik Der Fluch des englischen Geistlichen Thomas Bayes Weniger ist oft mehr Fehlende Standardisierung von Tests Thomas Bayes 1702-1761,
MehrEpidemiologie der spezifischen Phobien
Geisteswissenschaft Marcel Maier Epidemiologie der spezifischen Phobien Studienarbeit - Review Artikel - (benotete Seminararbeit) Epidemiologie der Spezifischen Phobien erstellt von Marcel Maier (SS 2005)
MehrP (A B) P (B) = P ({3}) P ({1, 3, 5}) = 1 3.
2 Wahrscheinlichkeitstheorie Beispiel. Wie wahrscheinlich ist es, eine Zwei oder eine Drei gewürfelt zu haben, wenn wir schon wissen, dass wir eine ungerade Zahl gewürfelt haben? Dann ist Ereignis A das
MehrQuerschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik. Behandelt werden 4 Themenblöcke
Querschnittsbereich Nr. 1: Epidemiologie, Medizinische Biometrie und Medizinische Informatik Behandelt werden 4 Themenblöcke Ätiologie und Risiko Diagnose und Prognose Intervention Medizinische Informatik
MehrSeminar Diagnostik L5
Seminar Diagnostik L5 Regenwahrscheinlichkeit Bezugsgröße festlegen! Beipackzettel Bezugsgröße festlegen! Brustkrebs-Screening Entscheidungsmöglichkeiten bei diagnostischen Tests Wahrer Zustand des Patienten
MehrMa 13 - Stochastik Schroedel Neue Wege (CON)
Bedingte Wahrscheinlichkeiten S. 70, Nr. 5 Richtiges Anwenden der Multiplikationsregel A: Abonnement liest Werbeanzeige B: Produkt wird gekauft S. 70, Nr. 6 Übersetzung von Daten in ein Baumdiagramm A
MehrEvidenzbasierte Diagnostik
Seminar Allgemeinmedizin 2011 Evidenzbasierte Diagnostik A. Sönnichsen Beurteilung eines diagnostischen Tests: Sensitivität Prozentsatz der Test-positiven von allen Erkrankten Spezifität Prozentsatz der
MehrMultiples Testen wer hat schon immer nur eine Fragestellung?
Multiples Testen wer hat schon immer nur eine Fragestellung? 1 Lernziele - Gründe für Multiplizität nennen können - Das dahintersteckende Problem erklären können - Verschiedene Lösungsmöglichkeiten aufzählen
MehrAnhang 4. Bias durch Überdiagnose von papillären Mikrokarzinomen
Anhang 4 Bias durch Überdiagnose von papillären Mikrokarzinomen Bias durch Überdiagnose von papillären Mikrokarzinomen H. Bertelsmann AG Epidemiologie und Medizinische Statistik Universität Bielefeld Dezember
MehrRückbildung von Aphasien und Wirkung von Sprachtherapie
Rückbildung von Aphasien und Wirkung von Sprachtherapie Medizinische Fakultät Basel 2. Jahreskurs, Major Clinical Medicine Wahlmodul 3 Gehirn und Sprache Dezember 2008 Seraina Locher Medical eduction,
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrStatistische Tests zu ausgewählten Problemen
Einführung in die statistische Testtheorie Statistische Tests zu ausgewählten Problemen Teil 4: Nichtparametrische Tests Statistische Testtheorie IV Einführung Beschränkung auf nichtparametrische Testverfahren
MehrMedizinische Statistik Epidemiologie und χ 2 Vierfeldertest
Universität Wien Institut für Mathematik Wintersemester 2009/2010 Medizinische Statistik Epidemiologie und χ 2 Vierfeldertest Seminar Angewandte Mathematik Ao. Univ. Prof. Dr. Peter Schmitt von Nadja Reiterer
MehrChi Quadrat-Unabhängigkeitstest
Fragestellung 1: Untersuchung mit Hilfe des Chi-Quadrat-Unabhängigkeitstestes, ob zwischen dem Herkunftsland der Befragten und der Bewertung des Kontaktes zu den Nachbarn aus einem Anderen Herkunftsland
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Wahrscheinlichkeit und Zufallsvorgänge Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrAufbau und Beurteilung der Prüfung (Gültig für Prüfungstermine vor dem 1.1.2016)
Aufbau und Beurteilung der Prüfung (Gültig für Prüfungstermine vor dem 1.1.2016) Die Prüfung zur VO Rechnungswesen findet in EDV-gestützter Form unter Verwendung des Softwaretools Questionmark Perception
MehrAngewandte Statistik 3. Semester
Angewandte Statistik 3. Semester Übung 5 Grundlagen der Statistik Übersicht Semester 1 Einführung ins SPSS Auswertung im SPSS anhand eines Beispieles Häufigkeitsauswertungen Grafiken Statistische Grundlagen
MehrZusätzliche Behandlungs möglichkeiten für Ihre Patienten
Zusätzliche Behandlungs möglichkeiten für Ihre Patienten Über FoundationOne Bei dem validierten umfassenden Tumorprofil von FoundationOne wird die gesamte codierende Sequenz von 315 krebsassoziierten Genen
MehrFragebogen Fallzahlberechnung / -begründung
Ihre Adress- und Projektdaten Ansprechpartner Firma + Adresse Telefon Email Projektbezeichnung Projektbeschreibung Unser Angebot Nach Zusendung des Fragebogens nehmen wir mit Ihnen unverbindlich Kontakt
MehrKlausur in Epidemiologie SS 2006 Freitag, den 14. Juli 2006
Klausur in Epidemiologie SS 2006 Freitag, den 14. Juli 2006 Name: Matrikelnummer: Unterschrift: Aufgabe 1: Odds Ratio Im Rahmen einer Studie wurden 20 Frauen mit Uteruskarzinom, die stationär behandelt
MehrStatistik II: Signifikanztests /1
Medien Institut : Signifikanztests /1 Dr. Andreas Vlašić Medien Institut (0621) 52 67 44 vlasic@medien-institut.de Gliederung 1. Noch einmal: Grundlagen des Signifikanztests 2. Der chi 2 -Test 3. Der t-test
MehrBitte lesen Sie die folgende Musteraufgabe konzentriert durch. Musteraufgabe I
Bitte lesen Sie die folgende Musteraufgabe konzentriert durch. Musteraufgabe I Mit dem Ziel der Früherkennung von Brustkrebs werden Frauen angehalten, ab einem bestimmten Alter regelmäßig eine Röntgenuntersuchung
Mehr2 Zielsetzung der Studie
2 Zielsetzung der Studie Die zentrale Forschungsfrage nach einem möglichen Zusammenhang zwischen der Methylphenidat-Behandlung im Kindesalter und der Entwicklung von Suchterkrankungen im jungen Erwachsenenalter
MehrVS PLUS
VS PLUS Zusatzinformationen zu Medien des VS Verlags Statistik II Inferenzstatistik 2010 Übungsaufgaben und Lösungen Inferenzstatistik 2 [Übungsaufgaben und Lösungenn - Inferenzstatistik 2] ÜBUNGSAUFGABEN
MehrAls Krebspatient an einer Studie teilnehmen was sollte man wissen?
Als Krebspatient an einer Studie teilnehmen was sollte man wissen? Krebsinformationsdienst, Heidelberg Dr. Susanne Weg-Remers Seite 2 Grundlage für evidenzbasiertes medizinisches Wissen sind klinische
MehrExperimentelle und quasiexperimentelle
Experimentelle und quasiexperimentelle Designs Experimentelle Designs Quasi- experimenttel Designs Ex- post- facto- Desingns Experimentelle Designs 1. Es werden mindestens zwei experimentelle Gruppen gebildet.
MehrMedizinische Entscheidungstheorie
WW Z, Stiftungsprofessur Health Economics Prof. Dr. Stefan Felder Medizinische Entscheidungstheorie Lösung der Übungen Aufgabe 1.1 Mithilfe des diagnostischen s für Prostatakrebs wird die Konzentration
MehrRelatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung
Relatives Risiko 1/8 Relatives Risiko (RR; relative risk, riskratio) wie OddsRatio wichtiger Kennwert in klinischer Forschung RR gibt Auskunft darüber, ob das Vorhandensein eines (i.a. Risiko-)Faktors
MehrZusammenhangsanalyse in Kontingenztabellen
Zusammenhangsanalyse in Kontingenztabellen Bisher: Tabellarische / graphische Präsentation Jetzt: Maßzahlen für Stärke des Zusammenhangs zwischen X und Y. Chancen und relative Chancen Zunächst 2 2 - Kontingenztafel
MehrWas ist eine gute Klinische Studie - die Sicht der Statistik. Peter Martus Institut für Biometrie und Klinische Epidemiologie
Was ist eine gute Klinische Studie - die Sicht der Statistik Peter Martus Institut für Biometrie und Klinische Epidemiologie Historisches Beispiel James Lind (1716-1794) entwickelte 1747 als britischer
MehrLokale Bildgebung der Prostata
Lokale Bildgebung der Prostata Lokale Bildgebung der Prostata Bis vor einigen Jahren basierte die lokale Bildgebung der Prostata auf dem transrektalen Schall. Heute sind neue ultraschallgestützte sowie
MehrGlossar Biometrie / Statistik. Auszug für Fragebogen Fallzahlberechnung/-begründung
Glossar Biometrie / Statistik A Äquivalenztest Der Äquivalenztest beurteilt die Gleichwertigkeit von Therapien. Beim Äquivalenztest werden als Hypothesen formuliert: Nullhypothese H 0 : Die Präparate sind
MehrVektoren - Basiswechsel
Vektoren - Basiswechsel Grundprinzip Für rein geometrische Anwendungen verwendet man üblicherweise die Standardbasis. Damit ergibt sich in den Zahlenangaben der Koordinaten kein Unterschied zu einem Bezug
Mehr1.1 Studientitel: XY 1.2 Studienleiter: XY 1.3 Medizinischer Hintergrund
1.1 Studientitel: XY 1.2 Studienleiter: XY 1.3 Medizinischer Hintergrund Patienten, welche unter chronischer Herzinsuffizienz leiden erleben häufig Rückfälle nach einem klinischen Aufenthalt. Die Ursache
Mehrkontrolliert wurden. Es erfolgte zudem kein Ausschluss einer sekundären Genese der Eisenüberladung. Erhöhte Ferritinkonzentrationen wurden in dieser S
5.8 Zusammenfassung Auf der Grundlage der dargestellten Ergebnisse dieser Studie erscheint die laborchemische Bestimmung der Transferrinsättigung zur Abklärung einer unklaren Lebererkrankung und Verdacht
Mehr3. Ergebnisse Ergebnisse. 3.1 MDR1-Polymorphismen
. Ergebnisse. Ergebnisse. MDR-Polymorphismen Im Rahmen der Studie erfolgte die Untersuchung von Polymorphismen mittels PCR und RFLP und deren Auswirkung auf die Pharmakokinetik des P-gp-Substrates Digoxin.
MehrCHEMISCHES RECHNEN II ANALYT. CHEM. FÜR FORTGS
Arbeitsunterlagen zu den VU CHEMISCHES RECHNEN II - 771.119 Einheit 1 ANALYT. CHEM. FÜR FORTGS. - 771.314 Einheit 3a ao. Prof. Dr. Thomas Prohaska (Auflage März 006) Beurteilung von Analysenergebnissen
MehrJahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding
Jahrestagung refonet Methodenseminar Fehlerquellen in Studien Bias und Confounding Dr. med. Barbara Hoffmann, MPH Claudia Pieper Was kommt Zufällige Fehler Systematische Fehler Selection bias Measurement
MehrStudiendesign. Seminar Pflegewissenschaft Prof. Dr. U. Toellner-Bauer
Studiendesign Seminar Pflegewissenschaft Prof. Dr. U. Toellner-Bauer Studiendesign Prospektive und retrospektive Studien Fall-Kontroll-Studie Koohrtenstudie Interventionsstudie Diagnosestudie Meta-Analyse
MehrEinführung in die Maximum Likelihood Methodik
in die Maximum Likelihood Methodik Thushyanthan Baskaran thushyanthan.baskaran@awi.uni-heidelberg.de Alfred Weber Institut Ruprecht Karls Universität Heidelberg Gliederung 1 2 3 4 2 / 31 Maximum Likelihood
MehrGütekriterien für evaluative Messinstrumente in der Rehabilitation
12. Rehabilitationswissenschaftliches Kolloquium Rehabilitation im Gesundheitssystem Bad Kreuznach, 10. bis 12. März 2003 Gütekriterien für evaluative Messinstrumente in der Rehabilitation Dipl.-Psych.
MehrWorkshop Meta-Analysen bei der Arzneimittelbewertung. 55. GMDS-Jahrestagung, Mannheim, 2010
Workshop Meta-Analysen bei der Arzneimittelbewertung 55. GMDS-Jahrestagung, Mannheim, 2010 Ableitung von Belegen und Hinweisen im Rahmen von Nutzenbewertungen im IQWiG Guido Skipka IQWiG Hintergrund Ziel
Mehr