药物Ⅰ期临床试验中分类资料统计分析自动报表的SAS实现

基于SAS软件,运用其拆分表格、结果选择、统计分析、表格转置、横向和纵向合并表格等程序依次导出报表。借由Exele的表达实现了药物Ⅰ期临床试验分类资料统计分析结果的自动报表。借助SAS软件,帮助药物Ⅰ期临床试验分类资料统计分析自动报表的目的。此方法简便、省时、准确,非统计专业医学研究人员均可快速有效应用这一自动报表方法。     

高维列联表资料的统计分析与SAS软件实现（一）

在生物医学研究中,往往遇到定性资料,如果某项研究涉及的定性变量个数大于2,并且用列联表的形式表现出来,则称该列联表为高维列联表。高维列联表的维数由原因和结果变量的个数共同决定,且依据结果变量的性质将高维列联表分为结果变量为二值变量的高维列联表、结果变量为多值有序变量的高维列联表和结果变量为多值名义变量的高维列联表。     

高维列联表资料的统计分析与SAS软件实现（二）

在上一讲中主要介绍了采用加权等措施合并原因变量的方法处理高维列联表资料,但如果列联表维数较多,且希望将各原因变量对结果变量所产生的影响都明确地显示出来时,加权x^2及CMHYx^2分析就不能满足研究的需要了。如果想系统地评价各变量间的联系及变量间相互作用的大小,对数线性模型是达到前述分析目的比较好的分析方法。     

高维列联表资料的统计分析与SAS软件实现（五）

针对高维列联表资料的分析,分别介绍了加权χ^2检验、CMHχ^2检验、对数线性模型、结果变量为二值变量或多值有序变量高维列联表资料的logistic回归分析^[1-4]。本文将讨论结果变量为多值名义变量的高维列联表资料的logistic回归分析,即采用扩展的多重logistic回归模型,也称为多项logit模型。在结果变量为多值名义变量的高维列联表资料中,结果变量是多值名义变量,     

高维列联表资料的统计分析与SAS软件实现（三）

在上一讲中介绍了用对数线性模型分析高维列联表资料的方法，对数线性模型可以通过考察各分类变量间的交互作用（关联性），深入地探讨高维列联表中各变量之间的关系^[1]。但是在对数线性模型中各变量之间的地位是“平等”的，即没有明确地区分原因变量和结果变量。如果在高维列联表分析中，想找出对结果变量有影响的变量，     

高维列联表资料的统计分析与SAS软件实现（六）

非条件logistic回归分析方法的主要算法是采用最大似然法对参数进行估计。最大似然法在大样本前提下进行参数估计是非常有效的,但当处理样本量小的数据,特别是按多个定性变量进行分层且每一层中样本量很小时,     

2×2列联表资料的统计分析与SAS软件实现

定性资料常以列联表形式呈现出来,通常分为2×2表、2×C表和R×2表、R×C表和高维列联表。本文结合科研中的部分实例,介绍4种2×2列联表资料并用SAS实现其资料的统计分析。     

高维列联表资料的统计分析与SAS软件实现（四）

生物医学研究，尤其是临床医学研究中经常需要考察k个（k≥2）定性原因变量对多值有序结果变量的影响，这类资料被称为结果变量为多值有序变量的高维列联表资料。如某多中心临床试验中，原因变量为“不同就诊医院（A医院、B医院、C医院）”和“药物种类（甲药、乙药）”，结果变量为“疗效（治愈、显效、好转、无效）”。本文结合医学研究实例，介绍如何正确分析此类资料及分析方法的SAS软件实现。     

R×C列联表资料的统计分析与SAS软件实现（一）

R×C列联表资料可以分为双向无序的R×C表资料、结果变量为有序变量的单向有序R×C表资料、双向有序且属性相同的R×C表资料和双向有序且属性不同的R×C表资料,共4类。本文详细介绍了前两类R×C表资料及其用SAS软件实现统计分析的全部内容。值得一提的是,本文中给出的列联表资料形式取自相应的原文,离编制规范统计表的要求还有些差距,最关键问题是应在表头横线上方写数据的总称（通常为例数）,而不应写第2个分组变量的名称。     

R×C列联表资料的统计分析与SAS软件实现（二）

在《中西医结合学报》2009年第8期“R×C列联表资料的统计分析与SAS软件实现（一）”一文的基础上,本文又详细介绍了双向有序且属性不同的R×C表资料、双向有序且属性相同的R×C表资料及其用SAS软件实现统计分析的全部内容。     

脊髓损伤的临床统计资料分析

创伤的发病率和病死率近年呈上升趋势，其中脊髓损伤为较常见创伤之一。国外报道脊髓损伤的年发病率为每百万人口l5—40例。脊髓损伤患者一生的治疗康复费用高昂。因此脊髓损伤的预防、治疗和康复受到人们的关注，已成为当今医学界一大课题。本文对其发病率、病因、临床特征、并发症的统计资料作一综述。     

喹诺酮类药物在临床应用中的不良反应统计分析

目的了解喹诺酮类药物在临床应用中不良反应发生的种类和相关原因,为减少喹诺酮类药物应用中的不良反应提供指导。方法对150例喹诺酮类药物治疗后出现不良反应患者的用药情况和不良反应进行监测,并详细记录和统计分析。结果从给药途径来看,静脉给药125例,占83．3％,口服给药25例,占16．7％,静脉给药的比例远远高于口服给药;在6个喹诺酮类药物中,加替沙星引起的不良反应例次最多,达69例,占46．0％,其次为氟罗沙星25例,占16．7％;不良反应中表现为轻度者120例,中度者20例,重度者10例,分别占80．O％、13．3％、6．7％。结论喹诺酮类药物在临床应用中的不良反应表现多样,多由静脉给药和加替沙星造成,主要以变态反应和神经系统异常反应多见,多呈现轻度反应,经综合治疗后预后较好。     

利用PASS2000估计临床试验期中分析效能及样本大小

目的：介绍统计软件包PASS2000在临床试验期中分析中的应用。方法：结合不同分析模块中各功能键及选项的含义说明该软件的功能。结果：通过具体实例分析说明其应用，其计算结果与当前通用方法结果一致。结论：该软件使用简单，结果准确、可靠，值得进一步推广、应用。     

Comparsion analysis of data mining models applied to clinical research in Traditional Chinese Medicine

ObjectiveTo help researchers selecting appropriate data mining models to provide better evidence for the clinical practice of Traditional Chinese Medicine (TCM) diagnosis and therapy.MethodsClinical issues based on data mining models were comprehensively summarized from four significant elements of the clinical studies: symptoms, symptom patterns, herbs, and efficacy. Existing problems were further generalized to determine the relevant factors of the performance of data mining models, e.g. data type, samples, parameters, variable labels. Combining these relevant factors, the TCM clinical data features were compared with regards to statistical characters and informatics properties. Data models were compared simultaneously from the view of applied conditions and suitable scopes.ResultsThe main application problems were the inconsistent data type and the small samples for the used data mining models, which caused the inappropriate results, even the mistake results. These features, i.e. advantages, disadvantages, satisfied data types, tasks of data mining, and the TCM issues, were summarized and compared.ConclusionBy aiming at the special features of different data mining models, the clinical doctors could select the suitable data mining models to resolve the TCM problem.