Your SlideShare is downloading. ×
Kap2 Abnormality
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Kap2 Abnormality

816
views

Published on


0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
816
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
13
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Kap 2 Abnormality Jonas Ludvigsson 081130
  • 2. Att skilja sjukt från friskt Enklare på sjukhus....På IVA är alla sjuka Enkelt med det gravt patologiska/avvikande Svårare ute i samhället: Vem är förkyld, vem har 2 veckor pneumoni, vem har gammalt barn sepsis? med feber
  • 3. Förenkla data (Tabell 2.1) När vi ska agera utifrån lab-värden/kliniska fynd behöver vi klassificera dem som normala/avvikande Behöver ett barn med feber och 10(4) E Coli i urinen genomgå ultraljud njurar akut? Behöver ett barn med ASAT/ALAT 1.5 i samband med en infektion följas upp?
  • 4. Typer av data - Nominal Man Kvinna Svenskar Danskar 100 100 75 75 50 50 25 25 0 0 2004 2005 2006 2007 2004 2005 2006 2007 Dikotoma data: levande/död, frisk/sjuk
  • 5. Typer av data - Ordinal Latent CD Inflammation O som i ordningsföljd Celiaki 100 FASS: klasser: amning 75 50 25 0 2004 2005 2006 2007 När liten blir stor...
  • 6. Intervalldata Ordningsföljd Samma avstånd Kontinuerliga data: Diskreta data: ex. blodsocker ex. antal graviditeter (egentligen “alla” värden) (bara “vissa” värden)
  • 7. problem med “det normala” Aldrig för nominaldata ordinaldata och intervalldata När blir en prostata alltför stor? När blir ett EMA/gliadin-värde alltför högt?
  • 8. Validitet “Accuracy” Definition: att mäta det man vill mäta Ett sätt är att jämföra med gold standard Ibland testa inför undersökning Neg + Pos prov vid pricktest Men ibland saknas gold standard: ex. smärta, illamående, depression
  • 9. Items; constructs, scales Items: delar som mäter något Constructs: det vi mäter (ex. symptom, attityd) Mätning av flera constructs kan tillsammans utgöra en skala/scale.
  • 10. Olika typer av validitet Content validity = att mäta “allt” (ex. alla aspekter av smärta) Construct validity = att vårt sätt att mäta (ex. vår “skala”) har samband med andra skalor (vår HV-skala, med andras depressions- skala) Criterion validity = att våra resultat kan förutsäga en observation. Ex. att om vi får höga resultat på smärtskala: vanligare med njursvikt, eller att patienten ofta gråter, svettas i samband med smärta
  • 11. Hårda-mjuka data Som forskare älskar man “hårda data”. De kan mätas, jämföras, bearbetas statistiskt: ex. vikt, blodtryck, kostnad Mjuka data ofta viktiga för patienten: ex. välbefinnande. “Vad bryr jag mig om mitt blodtryck om jag mår bra” - subjektiva omdömen Hårda data: ofta “avhumaniserade”, ex. Bentäthet -2SD, hos apa / hos människa? Förekomst av viss gen: människa / fluga?
  • 12. Reliabilitet “precision” Definition: upprepade mätningar ger samma resultat (men “alla resultat” kan vara fel) Olika observatörer: mindre reliabilitet Responsiveness: När tillstånd förändras förändras också svar på mätning: A. ex. Klinisk klassificering av hjärtsvikt B. ex. Ultraljud klassific. ejektionsfraktion
  • 13. låg - RELIABITLITET - hög Validitet-Reliabilitet hög - VALIDITET - låg frekvens
  • 14. Fördelning Frekvensfördelning - visar antal i varje intervall eller procent i varje intervall.
  • 15. Genomsnitt, median, mode Genomsnitt: Bra-beräkningar, dåligt-påverkas av extrema värden Median: Hälften ovanför+hälften under. Bra: påverkas ej av extermvärden. Dåligt: ej bra för beräkningar Mode: vanligaste observationen. Bra: lätt att förstå. Dåligt - matte
  • 16. Exempel - amningslängd Hur länge har ammade du ditt barn? <1 1-2 3 4 5 6 ≥7 X
  • 17. Spridning 1 Standarddeviation: genomsnittlig skillnad mellan individuella värden och medel bra: matte dåligt: icke-normalfördelade data Det finns inget som säger att det normalfördelade är det naturliga
  • 18. Spridning 2 Percentil, decentil = andel av alla observationer Dåligt: säger inget om avståndet från medel eller dylikt.
  • 19. Variation MÄTNING: a) instrument, ex. kapselbiopsi (var i tarmen ligger kapseln?). b) den som mäter: vilken patolog granskar biopsierna? BIOLOGISK: a) mellan individer, ex. personer med CD kan ha antingen partiell eller total villusatrofi b) inom samma individ: partiell VA på vissa ställen.
  • 20. Mätning - variation Skeva resultat (bias) p.g.a. låg validitet Spridda resultat (p.g.a.) låg reliabilitet Den som mäter förvanskar, ex. låg/hög fetal hjärtrytm Variation = sampling fraction. Ex. Leverbiopsi = 1/10,000-del av levern! Tunntarmsbiopsi?
  • 21. Mätfel, just det... Leverbiopsi ...host en häst?
  • 22. Biologisk variation över tid För att kunna påvisa en skillnad i VES med EN 24- timmarsmätning behövdes 83% reduktion...
  • 23. Variation En patolog En patolog-olika tillfällen Två patologer Flera patienter
  • 24. Kan vi minska variation? Slumpmässig V Balanserar varandra Oprecis V Gör fler mätningar Bias fler mätingar = bättre
  • 25. Det avvikande Genotypiskt = enkelt Fenotypiskt = svårare Genetisk skillnad, men mängden fenylalanin kan vara låg p.g.a. lågt intag... OBS! Bara 1/5 som hittas på PKU-testet har fenylketonuri”
  • 26. Vad är avvikande Ovanligt Sjuk Kan botas
  • 27. Avvikande: Det ovanliga 1 Oftast jämför man med de friska Men, postoperativt: är det normalt/avvikande att ha ont? Normalt/avvikande att ha klåda vid eksem?
  • 28. Avvikande: Det ovanliga2 + 2 SD = ca 2.5% längst bort, eller över 95e percentilen - men är de säkert onormala? Alla sjukdomar förekommer inte hos 5% av befolkningen... Olika sjukdomar - inte lika vanliga: diabetes/leukemi “över 95%” - kanske ingen relation till klinisk sjukdom...först när 99% av njurfunktionen är borta (?) så har man njursvikt Vissa extremvärden är bra - ex lågt blodtryck Vissa mätvärden är “normala” men ökar ändå risk för sjukdom, ex. från 120 till 135 i systoliskt blodtryck
  • 29. Avvikande: Det ovanliga3 Cut-off för det avvikande kan bero på vilken sjukdom vi vill studera... BMI>19 ökar risken för död i hjärtkärlsjukdom BMI>19 minskar risken för total död, tills BMI når 25
  • 30. Det avvikande Vad som är behandlingsbart varierar över tid I Finland, begränsade resurser: allergi definieras annorlunda - vill att de flesta ska vara friska, inte medicinera Folsyra: normal intag är lågt under 1970-tal (målsättning förhindra anemi) Folsyra: normalt intag idag är högre (målsättning hos gravid kvinna: ej neuralrörsdefekt)
  • 31. Regression to the mean Färre extremvärden vid upprepade mätningar Om ett första värde förefaller osannolikt högt, rimligt att betrakat andra värdet som det korrekta
  • 32. Behandlingsbar

×