全科医生小词典——截尾数据

如果在规定的结束时间,由于失访、死亡、未愈(未复发、痰菌未转阴)等没有出现结果事件者称之为截尾,从起点到截尾日的时间称为截尾数据。COX比例风险模型中:在实际失踪观察中,由于某种原因无法知道观察对象的确切生存时间,这种生存时间数据称为截尾数据。分类:可分为随机截尾数据和定时截尾数据。可在追踪随访期内任何时点上发生截尾的生存时间数据称为随机截尾数据。在预先确定了观察     

全科医生小词典——删失数据

由于失访、改变防治方案、研究时间结束时事件尚未发生等情况,所采集的数据中部分应该采集而未能采集,应提交而未在一些时点上提交造成数据不完全,这类数据称为统计学上的删失数据,也称为终检数据。删失分为右删失和左删失两种,右删失有3种类型:Ⅰ型删失、Ⅱ型删失、Ⅲ型删失。删失数据的几种衍生数据:竞争风险数据、集群失效时间数据、截断数据、左截断右删失数据、区间删失数据、纵向数据、复发     

前瞻性研究资料的显著性检验(讲座)

在前瞻性研究,历史前瞻性研究和干涉研究(Intervation studies)中,因观察期间较长,在观察期内,观察对象常因外出、失访、死亡或其它原因退出或加入观察组。每个观察对象的观察期长短不一。对于这类资料,如果仅以暴露组和非暴露组观察期末的数据作为显著性检验的依据显然是不合适的。现介绍以下三种简单而适用的显著性检验方法:     

肝硬化失代偿期合并上消化道出血的临床护理进展

根据相关的研究数据显示,肝硬化失代偿期合并上消化道出血占肝硬化人群的百分之二十七以上,若不及时救治,可导致周围循环衰竭、多器官功能衰竭等严重后果,因此需要及时进行观察并对患者进行优质护理,使患者在最短时间内得到及时救治,提高生存质量。     

研究麻醉胃镜下贲门失弛缓症气囊扩张治疗的效果

目的:研究麻醉胃镜下贲门失弛缓症气囊扩张治疗的效果。方法:选择50例贲门失弛缓症患者,分为观察组与对照组,每组25例。对照组进行普通胃镜扩张治疗,观察组给予丙泊酚行和咪吐地西泮进行麻醉胃镜下气囊扩张治疗,比较两组患者治疗前后的相关数据进行比较。结果:进行麻醉时所有的患者全部入眠,没有患者知道手术的进行,一般治疗在手术结束1~5 min内将患者唤醒。然而患者扩张治疗的患者需要17~27 min才能苏醒,平均时间为23 min。检查术前和术后患者的心率,血氧饱和度和血压都发生了相应的改变,进行扩张治疗后患者的临床症状与治疗之前相对比有很大的改善(P<0.05)。结论:麻醉胃镜下气囊扩张治疗对于治疗贲门失弛缓症患者有更好的效率,值得推广。     

临床随访研究资料的生存分析(一)

<正> 随访研究(follow-up study)又称前瞻性研究(prespective study),是临床研究中常用的一种设计方法。如观察、比较两组肾移植病人手术后的生存时间和结局,在该研究中除考虑随访对象的结局(生存或死亡)外,还应考虑随访对象的“生存时间”,经典的统计分析方法不能同时分析“结局”和“生存时间”。另外,更重要的一点是,随访研究过程中研究对象可能会失访,或死于其他疾病,这种现象称为截尾(censord)或终检,截尾数据所提供的信息是不完全的,但不考虑或不利用这类数据又是信息的损失。生存分析(survival analysis)是既考虑结果,又考虑生存时间的一种统计方法,并可充分利用截尾数据所提供的不完全信息。本文将对生存分析的内容作一简介。     

病例随访资料的统计分析

在临床研究中,对慢性病的疗效研究常需对病人进行长期随访,统计一定时期内生存、死亡、缓解或复发情况,以判断疗效.随访资料常因失访等原因造成某些数据观察不完全,要用专门方法进行统计处理,这类方法起源于对寿命资料的统计分析,故称为生存分析.对病人的随访观察首先要规定起始时间(如规定发病、确诊、入院、用药或手术的时间为起始时间)和终止时间,二者之差即为生存时间.     

维持性血液透析患者动静脉内瘘失功的护理

目的:研究探讨维持性透析患者动静脉内瘘失功的临床护理措施。方法:将我院2014年2月-2015年2月收治的维持性血液透析动静脉内瘘患者74例按照统计学原理分为例数均为37例的对照组和观察组。对照组患者患者采用常规护理措施,观察组患者实行针对性护理模式,比较两组患者舒适度评分、知识了解评分、护理满意度以及发生动静脉内瘘的比例。结果:结果表明,观察组患者知识了解评分、舒适度评分以及护理满意度均高于对照组患者,数据符合统计学差异(P0.05);同时对照组患者发生动静脉内瘘失功例数显然高于观察组患者,数据符合统计学差异(P0.05)。结论:临床中维持性血液透析患者发生动静脉内瘘失功的原因有很多种,在患者治疗的时候予以针对性的护理措施,有助于提高动静脉内瘘的安全性,提升患者的舒适性。     

扩展Cox模型在非线性生存资料分析中的预测能力比较

目的 系统性地比较两类扩展Cox模型的预测能力，观察它们应用于非线性生存数据中的预测能力优劣。方法 通过蒙特卡罗模拟和实证研究从预测能力方面研究比较限制性立方样条Cox模型（Cox_ RCS），深度生存神经网络Cox模型（Cox_DNN）这两种方法的优劣；并以传统Cox模型（Cox）和随机生存森林（RSF）作为参照。其中预测的区分度评价指标采用一致性指数（C-index），该指标越大，模型预测能力越好；预测的校准度评价指标采用积分布莱尔评分（IBS），该指标越小，模型预测能力越好。结果 在数据满足比例风险的情况下，无论样本量和删失率大小，Cox_RCS的预测能力都是最好的。在数据不满足比例风险的情况下，Cox_DNN的预测能力在大样本（本文中≥500）、低删失（本文中<40%）时是最优的，其余情况Cox_RCS的预测能力优于其他模型。在实例数据中，Cox_RCS 的表现是最优。结论 在含有非线性关系的低维生存数据中，Cox_RCS 和Cox_DNN在预测能力上各有优劣。因此可根据实际数据条件选择合适的分析方法，传统的生存分析方法在特定条件下并不差于机器学习以及深度学习方法。     

肿瘤随访资料的生存分析方法

随访资料在肿瘤研究中经常会遇到,是临床科研中比较特殊的一类,主要通过长期随访获得。由于随访过程中患者常会出现失访、死于其他疾病等情况,所获得数据多存在截尾数据。生存分析是将事件发生结果与生存时间结合在一起进行分析的统计学方法,可同时分析不完全数据和完全数据,因此应用生存分析方法可以充分的利用研究所得信息,对随访资料进行评价和比较。     

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,     

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。     

主成分分析与探索性因子分析的SAS软件实现

在科学研究中，经常需要通过同时考察多个变量的取值及其内在规律，研究一组受试对象是否具有某些特征或属性。由于这些变量之间往往存在一定的相关性，即使观测变量的数目很多，但真正能起支配作用的变量的数目可能十分有限。若能从众多的原变量中发现起主导作用的少数变量，对掌握所研究问题的本质是大有帮助的。主成分分析就是将这多个变量转化为少数几个互不相关的综合指标，     

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。     

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。     

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。     

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。     

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。     

2×C列联表与R×2列联表资料的统计分析与SAS软件实现

2×C列联表资料指原因变量为二值变量,而结果变量为多值变量的列联表,它以2行、C列的形式被呈现出来;R×2列联表资料是指原因变量有R个取值的变量,而结果变量为二值变量的列联表,它可以被表示为R行、2列的形式。这两种类型的列联表资料还应根据原因变量或结果变量的具体性质作进一步划分,然后按照分析的目的采用相应类型列联表资料的统计分析方法进行处理,关键在于R行或C列是否为有序的。在用来分析这两种类型的列联表资料的众多方法中,其中之一就是线性趋势检验,此时,特别强调R行或C列是有序的。