Description
Book SynopsisWenn auch Sie Ihre kleinen Problemchen mit medizinischer Statistik haben, sind Sie hier genau richtig. Mit viel Witz bringen Ihnen die Autoren Geraldine Rauch, Konrad Neumann, Ulrike Grittner, Carolin Herrmann und Jochen Kruppa die Prinzipien der Biostatistik näher. In diesem Buch lernen Sie alles, was Sie benötigen, um Statistik im medizinischen Bereich erfolgreich einzusetzen. Angefangen bei der Begriffskunde und den Grundlagen, erfahren Sie alles von Studientypen über deskriptive Verfahren, Verteilungen, Schätzungen oder Korrelation und Regression bis hin zur Ereigniszeitanalyse, diagnostischen Tests und multiplem Testen. Die Autoren bringen Ihnen das theoretisch vermittelte Wissen mit vielen anschaulichen Beispielen näher. So schaffen Sie die nächste Klausur mit Links!
Table of ContentsÜber die Autoren 7
Einleitung 17
Über dieses Buch 17
Was Sie nicht lesen müssen 18
Konventionen in diesem Buch 18
Törichte Annahmen über den Leser 19
Wie dieses Buch aufgebaut ist 19
Teil I: Medizinische Statistik – Gel(i)ebte Daten 19
Teil II: Keine Forschung ohne Fundament - Grundlagen für einen gelungenen Start 19
Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 20
Teil IV: Blick über den Tellerrand - weiterführende Methoden 20
Symbole, die in diesem Buch verwendet werden 20
Teil I: Medizinische Statistik - Gel(i)ebte Daten 23
Kapitel 1 Statistik und Medizin – wie passt das zusammen? 25
Medizinische Statistik, Biostatistik, medizinische Biometrie: Eine Begriffsbestimmung 26
Wo wird medizinische Statistik gebraucht? 26
Aufgabenbereiche der medizinischen Statistik 27
Anwendung statistischer Methoden in medizinischen Forschungsprojekten 27
Kommunikation mit medizinischen Anwendern 28
Entwicklung neuer statistischer Methoden 28
Literatur 29
Kapitel 2 Besser beraten lassen - Hilfe holen erwünscht 31
Wo finden Sie biometrische Unterstützung? 31
Vorbereitung auf einen Beratungstermin 33
Welche Software brauchen Sie? 34
SPSS - gut für Anwender 34
R Project - Am Puls der neusten biometrischen Methoden 36
SAS und STATA - validiert für die Industrie 36
Literatur 37
Teil II: Keine Forschung ohne Fundament - Grundlagen 39
Kapitel 3 Grundbegriffe und Studientypen 41
Grundlegende Begriffe empirischer Forschung in der Medizin 42
Grundgesamtheit und Stichprobe 42
Validität und Reliabilität 45
Endpunkte 47
Störgrößen und Verzerrung 49
Verschiedene Studientypen unterscheiden 50
Unterscheidung nach Zielsetzung - konfirmatorische versus explorative Studien 50
Unterscheidung nach Blickrichtung - prospektive versus retrospective Studien 53
Studientypen in der Primär- und Sekundärforschung 54
Klinische Studie konzipieren - das Studiendesign 56
Kontrolle ist besser - die Kontrollgruppe 57
Zufällige Zuteilung - Randomisierung 59
Denn Sie wissen nicht, was sie tun - Verblindung 65
Noch einmal in Kürze 66
Literatur 67
Kapitel 4 Modelle für die Wirklichkeit 69
Was sind Wahrscheinlichkeiten? 70
Modellannahmen, Verteilungen und Schätzung 72
Merkmale und Verteilungen 72
Zufallsfehler und Bias 78
Gängige Verteilungsannahmen 80
Die First Lady der Verteilungen – die Normalverteilung 80
Die Binomialverteilung 85
Weitere Verteilungen 88
Literatur 91
Teil III: Was Sie unbedingt brauchen - Theorie trifft Praxis 93
Kapitel 5 Die Kunst der Beschreibung - Deskriptive Statistik 95
Was ist das eigentlich - deskriptive Statistik? 96
Wo brauchen Sie deskriptive Statistik? 97
Merkmale unterscheiden - Skalenniveaus 99
Methoden der Deskription 104
Beschreibung kategorieller Merkmale 105
Kennzahlen, Tabellen und Lagemaße 105
Grafische Darstellung - Torten und Balken 108
Beschreibung ordinalskalierter Merkmale 111
Lage und Streuung - Median und Quartile 111
Grafische Darstellung - der Boxplot 114
Beschreibung intervall- und verhältnisskalierter Merkmale 117
Lage und Streuung - Mittelwert und Standardabweichung 117
Grafische Darstellung - Histogramme 122
Wichtiges hervorheben, Unwichtiges weglassen 125
Literatur 126
Kapitel 6 Nachweis durch Kontrolle des Zufalls – Konfirmatorische Statistik 127
Konfirmatorisch, induktiv, schließend - eine Begriffsbestimmung 128
Idee des statistischen Tests - der konfirmatorische Umweg 128
Die sechs Schritte des statistischen Tests 130
Von der Fragestellung zur Hypothese 130
Die Formulierung der Fragestellung 131
Formulierung der Null- und Alternativhypothese 132
Einseitig und zweiseitig formulierte Hypothesen 134
Was sagen die Daten? Von den Daten zur Testentscheidung 135
Was ist extrem? Wahl einer geeigneten Teststatistik 136
Verteilung der Teststatistik und kritischer Wert 138
p-Wert und Signifikanzniveau 142
Interpretation des Testergebnisses - nichts ist bewiesen 145
Fehlentscheidungen und Fehlerwahrscheinlichkeiten 145
Literatur 152
Kapitel 7 t-Test & Co: Die Klassiker unter den Tests 153
Statistische Tests zum Vergleich von Erwartungswerten und anderen Lagemaßen 154
Der t-Test für zwei unverbundene Stichproben 154
Der t-Test für zwei unverbundene Stichproben mit unterschiedlichen Standardabweichungen 161
Der t-Test für zwei verbundene Stichproben 163
Die Varianzanalyse (ANOVA) für mehr als zwei unverbundene Stichproben 168
Der U-Test für zwei unverbundene Stichproben 174
Der Vorzeichen-Rang-Test nach Wilcoxon für zwei verbundene Stichproben 182
Der Kruskal-Wallis-Test für mehr als zwei unverbundene Stichproben 187
Statistische Tests zum Vergleich von Anteilen und Wahrscheinlichkeiten 190
Der Chiquadrat-Test für zwei unverbundene Stichproben 191
Der Chiquadrat-Test für allgemeine Kreuztabellen 197
Der Binomialtest für eine Stichprobe 201
Der McNemar-Test für zwei verbundene Stichproben 205
Literatur 209
Kapitel 8 Den Behandlungseffekt quantifizieren – Punktschätzer und Konfidenzintervalle 211
Quantifizierung des Effekts - der Punktschätzer 212
Die Größe des Effekts - das Konfidenzintervall 214
Signifikanz versus Relevanz - nicht zu verwechseln 222
Punktschätzer und Konfidenzintervalle für verschiedene Datensituationen 225
Punktschätzer und Konfidenzintervall für Erwartungswerte 227
Punktschätzer und Konfidenzintervall für die Differenz zweier Erwartungswerte 229
Punktschätzer und Konfidenzintervall für einen Anteil 232
Punktschätzer und Konfidenzintervall für die Differenz zweier Anteile 236
Literatur 238
Kapitel 9 Was sonst noch wichtig ist - Vor und nach dem statistischen Test 239
Kontrolle des Fehlers 2 Art? Grundprinzip der Fallzahlplanung 240
Mehr als eine Fragestellung - multiples Testen 252
Adjustierung für multiples Testen 255
Das Ergebnis einer Studie berichten 264
Literatur 265
Kapitel 10 Zusammenhänge und Vorhersage – Korrelation und Regression 267
Wie stark ist die Verbindung - Maße des Zusammenhangs 268
Der Korrelationskoeffizient nach Pearson 270
Der Korrelationskoeffizient nach Spearman 280
Kendalls τ 284
Der φ-Koeffizient 285
Regressionsmodelle 287
Die lineare Regression 289
Erweiterte (lineare) Regressionsmodelle 295
Die logistische Regression 300
Literatur 305
Teil IV: Blick über den Tellerrand – weiterführende Methoden 307
Kapitel 11 Wer lebt länger? Analyse von Ereigniszeiten 309
Was sind Ereigniszeitdaten? Zeiten, Ereignisse und Zensierungen 309
Schätzung von Ereigniswahrscheinlichkeiten - Kaplan-Meier zeigt, wie es geht 313
Gruppenvergleich - Überlebensfunktion, Hazards und Hazard Ratios 321
Logrank-Test und Cox-Regression 323
Literatur 325
Kapitel 12 Methoden zur Bewertung der Diagnostik und Übereinstimmung 327
Diagnostische Studien 327
Goldstandard und Referenzdiagnostik 328
Güte von diagnostischen Tests - Sensitivität und Spezifität 329
Prädiktive Werte und Satz von Bayes 333
Die ROC-Kurve 337
Literatur 344
Kapitel 13 Ausgewählte Methoden epidemiologischer Studien 345
Verzerrungen vermeiden durch Matching 346
Verschiedene Arten des Matchings 349
Auswertung gematchter Daten 353
Löcher in den Daten - Vom Umgang mit fehlenden Werten 353
Fehlen die Daten zufällig? Mechanismen fehlender Werte 354
Fehlende Werte ersetzen - Imputation 355
Literatur 356
Kapitel 14 Methodik von systematischen Reviews und Metaanalysen 357
Systematische Reviews und Metaanalysen in der Medizin 357
Ablauf von systematischen Reviews und Metaanalysen 359
Vom systematischen Review zur Metaanalyse – Gepoolte Effektschätzer 362
Grafische Darstellung einer Metaanalyse - der Forest-Plot 365
Homogenität und Heterogenität 366
Publication Bias und Funnel-Plot 368
Vor- und Nachteile von systematischen Reviews und Metaanalysen 370
Literatur 371
Teil V: Der Top-Ten-Teil 373
Zehn statistische Irrtümer 375
Irrtum 1: Statistische Tests liefern wertvollere Ergebnisse als descriptive Datenauswertungen 375
Irrtum 2: Ein nicht-signifikantes Testergebnis deutet auf die Gültigkeit der Nullhypothese hin 376
Irrtum 3: Der p-Wert ist die Wahrscheinlichkeit, dass die Nullhypothese richtig ist 376
Irrtum 4: Ein kleiner p-Wert spricht immer für einen großen Effekt 377
Irrtum 5: Bei Verwendung eines parametrischen Tests müssen die Daten normalverteilt sein 377
Irrtum 6: Signifikante Ergebnisse sind immer auch klinisch relevant 377
Irrtum 7: Alle p-Werte unter 5% sind signifikante Ergebnisse 378
Irrtum 8: Für eine Fallzahlplanung werden nur ein paar Werte in eine Eingabemaske eingegeben 378
Irrtum 9: Ein multivariates Regressionsmodell dient der Vorhersage einer Zielgröße aus mehreren Einflussgrößen 379
Irrtum 10: Nur Studien mit signifikanten Ergebnissen sollten publiziert werden 379
Stichwortverzeichnis 381
