5 курс / ОЗИЗО Общественное здоровье и здравоохранение / Статистический_анализ_данных_в_медицинских_исследованиях_в_2_ч_Красько

Dmitrienko A., Molenberghs G., Chuang-Stein C., Offen W., Analysis of Clinical Trials Using SAS®: A Practical Guide, — Cary, NC: SAS Institute Inc. , — 2005. — 420p.

Раздел 16.

Н. Дрейпер, Г. Смит. Прикладной регрессионный анализ. В 2-х кн. – М. : Финансы и статистика, — 1986.

Regression methods in biostatistics: linear, logistic, survival, and repeated measures models / Eric Vittinghoff ... [et al.], — NY: Springer, — 2005. — 338p.

Раздел 17.

Agresti A. Categorical Data Analysis, — NY: John Wiley & Sons, — 2002. — 734p.

Regression methods in biostatistics: linear, logistic, survival, and repeated measures models / Eric Vittinghoff ... [et al.], — NY: Springer, — 2005. — 338p.

Breslow N. E., Day N. E. Statistical Methods in Cancer Research. Volume II. The Design and Analysis of Cohort Studies, — IARC Scientific Publications No. 82, — 1987. — 406p.

Hosmer D.W., Lemeshow S. Applied logistic regression. 2nd ed., — NY: John Wiley & Sons, — 2000. — 376p.

Раздел 18.

Estève, J., Benhamou, E., Raymond, L., Statistical methods in cancer research, Volome IV. Descriptive epidemiology, — Lyon: IARC Scientific Publications, — 1994. —302p.

Hosmer, D. W., and Lemeshow, S., Applied Survival Analysis, NY: John Wiley & Sons,

— 1999. —386p.

Cox, D. R., and Oakes, D., Analysis of Survival Data, — NY: Chapman & Hall,— 1985.

— 208p.

Selvin S., Survival Analysis for Epidemiologic and Medical Research, — Cambridge University Press, — 2008. — 282p.

Разделы 19 – 20.

Harrell F.E. Regression modeling strategies: with applications to linear models, logistic regression, and survival analysis. — NY: Springer , — 2001. — 568 p.

Ewout W. Steyerberg Clinical Prediction Models. A Practical Approach to Development, Validation and Updating, — NY: Springer, — 2009. — 498p.

Раздел 21.

Монтгомери Д. К. Планирование эксперимента и анализ данных: Пер.—Л.: Судостроение, 1980.—384 с.

Regression methods in biostatistics: linear, logistic, survival, and repeated measures models / Eric Vittinghoff ... [et al.], — NY: Springer, — 2005. — 338p.

Раздел 22.

Монтгомери Д. К. Планирование эксперимента и анализ данных: Пер.—Л.: Судостроение, 1980.—384 с.

Gart, J.J., Krewski, D., Lee, P.N., Tarone, R.E. and Wahrendorf, J., 1985. Statistical methods in cancer research. Volume III-The design and analysis of long-term animal experiments. IARC scientific publications, (79), pp.1-219.

241

Festing, M.F. and Altman, D.G., 2002. Guidelines for the design and statistical analysis of experiments using laboratory animals. ILAR journal, 43(4), pp.244-258.

Раздел 23.

Флетчер Р., Флетчер С., Вагнер Э. Клиническая эпидемиология. Основы доказательной медицины. — М.: Медиа Сфера, —1998. — 352 с.

Рекомендации по подготовке научных публикаций в медико-биологических исследованиях хорошо представлены в книге:

Ланг Т.А., Сесик М., Как описывать статистику в медицине. Руководство для авторов, редакторов и рецензентов. —М.: Практическая Медицина, 2011. - 480 с.

242

Приложение R. Почему R?

R – это специфический проект информационного сообщества для статистического и интеллектуального анализа данных.

Основные преимущества R:

1.Вам не нужно знать весь проект, чтобы начать его использовать. Гибкая система библиотек (package) позволит работать только с той частью проекта, которая нужна для анализа ваших данных.

2.Использование R допускается в высокорейтинговых международных журналах, которые ранее разрешали только использование программного обеспечения SAS (Statistical Analysis System) для статистических расчетов. Также R популярен в академической среде.

3.R – бесплатен и доступен. Скачать его можно с очень большого количества серверов, расположенных по всему миру.

4.Главное – R помогает сосредоточиться на исследовании и системе доказательств. Обращаясь к определенной функции R, вы получаете ответ ровно на тот "вопрос", который вы задали. Это позволяет гибко составлять свое исследование, избегая множества характеристик, которые не нужны в вашем исследовании и могут вас запутать. Тем самым, он заставляет продумывать ваши "вопросы" и логически систематизировать именно ваше исследование.

5.Все этапы анализа мы можете описывать для себя вместе со скриптами, как комментарии. Вся последовательность анализа и система доказательств будет записана. Вы получите цельный взгляд на свое исследование. Если вы что-то пропустили, вы всегда можете добавить пропущенную часть анализа в нужное место.

Если вы начинающий исследователь – скачайте ядро R (http://cran.r- project.org/), установите у себя на компьютере. Запустив программу, вы получите следующее окно:

243

Установите библиотеку Rcmdr (Rcmdr-package, он автоматически установит и другие библиотеки). Введите команду library(Rcmdr) на консоли. Вы получите следующее окно.

Его достаточно, чтобы начать работу с R.

Ваши данные можно импортировать из файла (текстового, файла EXCEL, буфера обмена и др.).

Попробуйте, возможно, вам понравится строгость и лаконичность R?

Скрипты R, данные в настоящем пособии не оптимизированы с точки зрения программиста. Но задача была – показать простоту R с точки зрения исследователя.

Пока нет русскоязычного руководства по R. Но, если русскоязычных пользователей R станет больше, оно обязательно появится.

Пользователям желаю интересных исследований!

О.К.

244

Приложение R-1

library(abind)

library(e1071)

#####################################

# формирование набора данных

#####################################

Univar <- data.frame(cbind( sample.А=c(114,119,117,121,115,116), sample.Б=c(99.4, 104.0, 102.0, 106.0,100.0,101.0), sample.В=c(94.0, 100.4, 97.0, 102.0, 95.0, 96.0), sample.Г=c(94, 99, 97, 101, 95, 96), sample.Д=c(101.8, 104.0, 102.0, 107.0, 100.0, 101.0)

))

######################################################

# расчет среднего и среднеквадратичного отклонения

######################################################

numSummary(Univar[,c("sample.А", "sample.Б", "sample.В", "sample.Г", "sample.Д")], statistics=c("mean", "sd"))

######################################################

#одновыборочный t-тест с различными гипотезами

######################################################

#Выборка А

t.test(Univar$sample.А, alternative='two.sided', mu=100.0, conf.level=.95) t.test(Univar$sample.А, alternative='greater', mu=100.0, conf.level=.95) t.test(Univar$sample.А, alternative='less', mu=100.0, conf.level=.95)

# Выборка Б

t.test(Univar$sample.Б, alternative='two.sided', mu=100.0, conf.level=.95) t.test(Univar$sample.Б, alternative='greater', mu=100.0, conf.level=.95) t.test(Univar$sample.Б, alternative='less', mu=100.0, conf.level=.95)

# Выборка В

t.test(Univar$sample.В, alternative='two.sided', mu=100.0, conf.level=.95) t.test(Univar$sample.В, alternative='greater', mu=100.0, conf.level=.95) t.test(Univar$sample.В, alternative='less', mu=100.0, conf.level=.95)

# Выборка Г

t.test(Univar$sample.Г, alternative='two.sided', mu=100.0, conf.level=.95) t.test(Univar$sample.Г, alternative='greater', mu=100.0, conf.level=.95) t.test(Univar$sample.Г, alternative='less', mu=100.0, conf.level=.95)

# Выборка Д

t.test(Univar$sample.Д, alternative='two.sided', mu=100.0, conf.level=.95) t.test(Univar$sample.Д, alternative='greater', mu=100.0, conf.level=.95) t.test(Univar$sample.Д, alternative='less', mu=100.0, conf.level=.95)

245

Приложение R-2

Перед выполнением скрипта необходимо скопировать данные, приведенные в таблице ниже, двумя столбцами (Age, Size), сохранить в текстовом файле или файле EXCEL, затем импортировать их в набор данных R под именем Proportions.

###########################################

#одновыборочный биноминальный тест

###########################################

#расчет для группы возраста 6 лет

m6 <- nrow(subset(Proportions, Age==6 & Size >4.8))

n6 <- nrow(subset(Proportions, Age==6))

#точный биноминальный тест с расчетом доверительных интервалов binom.test(m6, n6, alternative='two.sided', p=.03, conf.level=.95)

#тест пропорций - нормальная аппроксимация

prop.test(m6, n6, alternative='two.sided', p=.03, conf.level=.95, correct=FALSE)

# тест пропорций - нормальная аппроксимация с поправкой на непрерывность prop.test(m6, n6, alternative='two.sided', p=.03, conf.level=.95, correct=TRUE)

###############################################################

# расчет для группы возраста 7-12 лет (только точный биноминальный тест)

m7 <- nrow(subset(Proportions, Age==7 & Size >5.41))

n7 <- nrow(subset(Proportions, Age==7))

binom.test(m7, n7, alternative='two.sided', p=.03, conf.level=.95)

m8 <- nrow(subset(Proportions, Age==8 & Size >6.44))

n8 <- nrow(subset(Proportions, Age==8))

246

binom.test(m8, n8, alternative='two.sided', p=.03, conf.level=.95)

m7 <- nrow(subset(Proportions, Age==7 & Size >5.41))

n7 <- nrow(subset(Proportions, Age==7))

binom.test(m7, n7, alternative='two.sided', p=.03, conf.level=.95)

m8 <- nrow(subset(Proportions, Age==8 & Size >6.44))

n8 <- nrow(subset(Proportions, Age==8))

binom.test(m8, n8, alternative='two.sided', p=.03, conf.level=.95)

m9 <- nrow(subset(Proportions, Age==9 & Size >7.13))

n9 <- nrow(subset(Proportions, Age==9))

binom.test(m9, n9, alternative='two.sided', p=.03, conf.level=.95)

m10 <- nrow(subset(Proportions, Age==10 & Size >7.65))

n10 <- nrow(subset(Proportions, Age==10))

binom.test(m10, n10, alternative='two.sided', p=.03, conf.level=.95)

m11 <- nrow(subset(Proportions, Age==11 & Size >9.0))

n11 <- nrow(subset(Proportions, Age==11))

binom.test(m11, n11, alternative='two.sided', p=.03, conf.level=.95)

m12 <- nrow(subset(Proportions, Age==12 & Size >10.4))

n12 <- nrow(subset(Proportions, Age==12))

binom.test(m12, n12, alternative='two.sided', p=.03, conf.level=.95)

247

Приложение R-3

#Тест Мак-Нимара, пропорция, доверительные интервалы

#для анализа пар (matched pairs)

library(PropCIs) # библиотека для расчетов доверительных интервалов для таблиц 2 х 2 Performance <- matrix(c(28, 13, 7, 27),

nrow = 2, dimnames = list("До мероприятий" = c("ЧБД", "УР"),"После мероприятий" = c("ЧБД", "УР"))) Performance # печать таблицы 2 х 2

mcnemar.test(Performance) # тест Мак-Нимара

diffpropci.Wald.mp(b=7, c=13, n=75, 0.95) # ДИ Вальда для пар(Wald interval for a difference of proportions with matched pairs)

diffpropci.mp(b=7, c=13, n=75, 0.95) # Уточненные ДИ по Вальду для пар (Adjusted Wald interval for a difference of proportions with matched pairs)

scoreci.mp(b=7, c=13, n=75, 0.95) # Расчет ДИ по Вилсону (Wilson's confidence interval for a single proportion)

oddsratioci.mp(b=7,c=13, 0.95) # ДИ для отношения шансов в парном дизайне (Adapted binomial score confidence interval for the subject-specific odds ratio with matched pairs)

248

Приложение R-4

library(vcd)

Agreement <- as.table(matrix(c(23,2,1,0,2,14,5,0,0,2,36,0,0,0,3,12), 4, 4, byrow=TRUE))

rownames(Agreement) <- c('Нет заболевания', '1 степень ', '2 степень ', '3 степень ') colnames(Agreement) <- c('Нет заболевания', '1 степень ', '2 степень ', '3 степень ')

Agreement # Печать таблицы

Kappa(Agreement) # расчет Каппы Коэна

confint(Kappa(Agreement)) # расчет доверительных интервалов agreementplot(Agreement , main="Диагностика") # визуализация

249

Приложение R-5

#Сравнение сдвига в среднем до и после лечения

HG <- data.frame(cbind( before=c(100,95,73,98,110,101), after=c(130, 110, 120, 115, 105, 125) ))

t.test(HG$after, HG$before, alternative='two.sided', conf.level=.95, paired=TRUE) t.test(HG$after, HG$before, alternative='greater', conf.level=.95, paired=TRUE)

250