Kap2 Abnormality

Kap 2 Abnormality Jonas Ludvigsson 081130

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

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?

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

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...

Intervalldata Ordningsföljd Samma avstånd Kontinuerliga data: Diskreta data: ex. blodsocker ex. antal graviditeter (egentligen “alla” värden) (bara “vissa” värden)

problem med “det normala” Aldrig för nominaldata ordinaldata och intervalldata När blir en prostata alltför stor? När blir ett EMA/gliadin-värde alltför högt?

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

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.

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

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?

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

låg - RELIABITLITET - hög Validitet-Reliabilitet hög - VALIDITET - låg frekvens

Fördelning Frekvensfördelning - visar antal i varje intervall eller procent i varje intervall.

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

Exempel - amningslängd Hur länge har ammade du ditt barn? <1 1-2 3 4 5 6 ≥7 X

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

Spridning 2 Percentil, decentil = andel av alla observationer Dåligt: säger inget om avståndet från medel eller dylikt.

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.

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?

Mätfel, just det... Leverbiopsi ...host en häst?

Biologisk variation över tid För att kunna påvisa en skillnad i VES med EN 24- timmarsmätning behövdes 83% reduktion...

Variation En patolog En patolog-olika tillfällen Två patologer Flera patienter

Kan vi minska variation? Slumpmässig V Balanserar varandra Oprecis V Gör ﬂer mätningar Bias ﬂer mätingar = bättre

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”

Vad är avvikande Ovanligt Sjuk Kan botas

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?

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

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

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)

Regression to the mean Färre extremvärden vid upprepade mätningar Om ett första värde förefaller osannolikt högt, rimligt att betrakat andra värdet som det korrekta

Behandlingsbar

Kap2 Abnormality

by Jonas Ludvigsson on Dec 01, 2008

Accessibility

Upload Details

Usage Rights

1 Embed 1

Statistics

Kap2 Abnormality — Presentation Transcript