Πώς να υπολογίσετε μια προσαρμοσμένη αναλογία αποδόσεων

Ο γιατρός σας σας έχει δώσει την επιλογή μεταξύ δύο φαρμάκων για τη θεραπεία του άσθματος. Όταν συγκρίνετε επισκέψεις σε τμήματα έκτακτης ανάγκης, παρατηρείτε ότι 10 ασθενείς με φάρμακα Α ανέφεραν ταξίδι στο νοσοκομείο έναντι των πέντε ασθενών που έλαβαν φάρμακα Β. Με την πρώτη ματιά, φαίνεται ότι το φάρμακο Β είναι η προφανής καλύτερη επιλογή. Ωστόσο, για να λάβετε μια τεκμηριωμένη απόφαση, θα πρέπει να εξετάσετε τα δεδομένα λίγο πιο προσεκτικά. Για να προσδιορίσετε ποια από αυτά τα δύο φάρμακα για το άσθμα θα σας εξυπηρετήσουν καλύτερα, μπορείτε να χρησιμοποιήσετε στατιστικά στοιχεία για να υπολογίσετε την προσαρμοσμένη αναλογία αποδόσεων.

TL; DR (Πάρα πολύ καιρό; Δεν διαβάστηκε)

Ο λόγος αποδόσεων είναι ένα στατιστικό μέτρο συσχέτισης, που χρησιμοποιείται για τον προσδιορισμό της σχέσης μεταξύ διαφορετικών συνόλων ανοιγμάτων και αποτελεσμάτων. Βρίσκοντας διαιρώντας τα αποτελέσματα ενός αποτελέσματος με τα αποτελέσματα ενός δευτερολέπτου, ένας λόγος αποδόσεων μπορεί να παρέχει πληροφορίες για την αποτελεσματικότητα των πειραματικών θεραπειών και πολλά άλλα. Ωστόσο, ο προσδιορισμός της προσαρμοσμένης αναλογίας αποδόσεων δύο συνόλων δεδομένων απαιτεί από εσάς να λάβετε υπόψη σας τις συγχύσεις μεταβλητών - καθιστώντας δύσκολο τον προσδιορισμό των προσαρμοσμένων λόγων αποδόσεων σε πολλές περιπτώσεις.

Ο λόγος αποδόσεων είναι το στατιστικό μέτρο συσχέτισης μεταξύ έκθεσης και αποτελέσματος. Με άλλα λόγια, ο λόγος αποδόσεων είναι η στατιστική πιθανότητα παρά ένα αποτέλεσμα που θα συμβεί υπό μια συγκεκριμένη συνθήκη: στην περίπτωση του το παράδειγμά μας, η αναλογία πιθανότητας αντιπροσωπεύει την πιθανότητα η λήψη ενός από τα δύο φάρμακα για το άσθμα μπορεί να οδηγήσει σε επίσκεψη στο νοσοκομείο. Οι λόγοι αποδόσεων είναι εύκολο να υπολογιστούν. Εάν διαιρέσετε τις αναφερθείσες νοσοκομειακές επισκέψεις για το φάρμακο Β από αυτές για τη φαρμακευτική αγωγή Α, θα βρείτε τον λόγο αποδόσεων. Σε αυτό το παράδειγμα, ο λόγος αποδόσεων είναι 0,5. Η αναλογία σημαίνει ότι έχετε περίπου 50% περισσότερες πιθανότητες να μεταβείτε στο νοσοκομείο όταν παίρνετε φάρμακα Α έναντι φαρμάκου Β. Ωστόσο, αυτό δεν σημαίνει απαραίτητα ότι το φάρμακο Β είναι καλύτερο: αυτή η αναλογία 0,5 είναι γνωστή ως μη προσαρμοσμένη, ή αναλογία ακαθάριστων αποδόσεων, επειδή δεν λαμβάνει υπόψη τίποτα εκτός από τον αναφερόμενο αριθμό νοσοκομείου επισκέψεις.

Η αριθμητική τιμή του λόγου αποδόσεων σας δίνει κάποια ιδέα για το τι θα συμβεί όταν ένας ασθενής εκτίθεται σε κάτι - σε αυτήν την περίπτωση, φάρμακο για το άσθμα. Ο λόγος αποδόσεων 1 σημαίνει ότι η έκθεση δεν επηρεάζει το αποτέλεσμα: Με άλλα λόγια, το φάρμακο δεν λειτουργεί. Ένας λόγος αποδόσεων μεγαλύτερος από 1 υποδεικνύει υψηλότερες αποδόσεις του αποτελέσματος ενώ ένας λόγος μικρότερος από 1 υποδεικνύει χαμηλότερες πιθανότητες του αποτελέσματος.

Το πρόβλημα με την αναλογία αργών αποδόσεων είναι ότι είναι εντελώς μονοδιάστατο. Δεν αντικατοπτρίζει την επίδραση παραπλανητικών παραγόντων όπως η ηλικία, άλλες ιατρικές παθήσεις ή ακόμη και κάτι τόσο απλό όσο η πρόσβαση σε μια κλινική έναντι ενός τμήματος έκτακτης ανάγκης. Η ερμηνεία της αναλογίας πιθανότητας για τα φάρμακα μπορεί να αλλάξει εάν μάθατε ότι όλοι οι ασθενείς που έλαβαν φάρμακα Α λάμβαναν επίσης θεραπεία για καρκίνο του πνεύμονα και όλα τα οι ασθενείς που έλαβαν φάρμακα Β ήταν σε καλή κατάσταση, ή αν ανακαλύψατε ότι οι ασθενείς που έλαβαν φάρμακα Α έζησαν πέντε μίλια μακριά από το νοσοκομείο και 60 μίλια μακριά από το πλησιέστερο κλινική.

Πολύ λίγα πράγματα στη ζωή έχουν μια σαφή σχέση αιτίου-αποτελέσματος. Στα στατιστικά στοιχεία, οι "άλλοι" παράγοντες που επηρεάζουν τη σχέση μεταξύ δύο πραγμάτων είναι γνωστοί ως σύγχυση μεταβλητών. Εάν μόνο μια μεταβλητή επηρεάζει τη σχέση, οι μαθηματικοί θα κάνουν μια στατιστική προσαρμογή για να δώσουν μια πιο ακριβή αναλογία. Όταν όλες οι μεταβλητές έχουν ληφθεί υπόψη, ο λόγος λέγεται ότι έχει προσαρμοστεί πλήρως. Επειδή η προσαρμογή του λόγου αποδόσεων είναι πολύ περίπλοκη, οι ερευνητές προσπαθούν να ελέγξουν όσο το δυνατόν περισσότερες μεταβλητές για να διασφαλίσουν ακριβή αποτελέσματα. Σε φαρμακευτικές δοκιμές, για παράδειγμα, οι ερευνητές θα αναζητήσουν συμμετέχοντες της ίδιας ηλικίας και φύλου με παρόμοιο ιατρικό ιστορικό.