Jacob VanHouten, klinisk dataanalytiker og biostatistikkonsulent hos Kolabtree, giver de bedste tip til, hvordan man designer effektfuld sundhedsresultater forskning til analyse.
hvis du er inden for det medicinske område og har læst, gjort eller endda tænkt på at lave forskning inden for de sidste to årtier, er det sandsynligt, at du er bekendt med begrebet resultatforskning. I en nøddeskal er resultatforskning et felt, hvor formålet med undersøgelsen er et definerbart sundhedsresultat, som jeg vil give eksempler på senere, og hvad der måles er de virkninger, som forskellige dele af den samlede arbejdsgang har på disse resultater. Da pointen med sådanne undersøgelser er at bestemme, hvilke faktorer der påvirker resultaterne af interesse, mange forskellige eksperimentelle og observationsundersøgelsesdesign er velegnede til denne opgave, herunder klassiske epidemiologiske undersøgelser såsom:
- randomiserede kontrollerede forsøg,
- tværsnitsstudier,
- kohortestudier,
- systematiske gennemgange/metaanalyser eller
- kvalitetsforbedring forskningsmetoder.
Indholdsfortegnelse
hvorfor endda gøre resultater forskning?
der er mange, mange grunde til at gøre resultater forskning, og notering dem alle ville være langt ud over, hvad der ville være muligt at gøre i dette indlæg. I en super-lille nøddeskal, resultater forskning som det gælder inden for Biomedicin er primært fokuseret på at forbedre udførelsen af en opgave inden for nævnte felt. Som den berømte managementkonsulent Peter Drucker krediteres med at sige, ” Du kan ikke styre, hvad du ikke kan måle.”Med andre ord kan du ikke “flytte nålen” ved forbedring uden at vide, hvor den peger i første omgang. Derudover kan en sådan måling føre til
- kvalitetsforbedring,
- nedsatte sundhedsomkostninger,
- forbedret effektivitet af diagnose og behandling og
- patientoplevelse.
og hvem ønsker ikke de bedste resultater for deres patienter? Det er velsagtens healthcare primære forskning bydende nødvendigt at være løbende måling for forbedring, og resultater forskning er en kraftfuld sæt af værktøjer, som at komme dertil.
hvordan man tænker på resultater forskning som en statistiker
når man tænker på at starte en forskningsindsats, er måske den første ting at vide “hvad vil du vide?”Er du mere interesseret i systemet og effektiviteten eller på de immaterielle målinger af livskvalitet som bestemt af patienterne? Er du interesseret i at gøre pleje mere overkommelig, retfærdig og tilgængelig for patienter, eller er din bekymring rentabiliteten af en praksis? Nogle vigtige spørgsmål inkluderer:
- hvad er resultatet af interesse,
- hvem er de relevante interessenter,
- hvordan er resultatet af interesse bedst repræsenteret, og
- hvordan kan jeg få de data, jeg har brug for til at besvare mine spørgsmål?
typer af resultater
en af styrkerne ved resultatforskning er evnen til at overveje mange forskellige resultater og deres relative fordele såvel som fra mange forskellige synspunkter (mere om det nedenfor). Faktisk, nogle resultater forskningskonstruktioner, såsom kvalitetsjusterede leveår, er designet specielt til at sammenligne forskellige resultater. Resultater, der kan være af forskellige typer, kan sammenlignes ved konvertering af et resultat til et ækvivalent (dvs.beløb, man skulle modtage for at opgive en nats søvn) resultat, der er mere direkte sammenligneligt.
hvem bekymrer sig?
når man tænker på ovenstående resultater for at måle, skal det første spørgsmål måske være ” hvem bekymrer sig?”. Og dette er ikke ment flippantly. Med venlig hilsen, hvem er det, der bekymrer sig om dette resultat. Patienterne? Udbyderne? Forsikringsselskaber, sundhedssystemer? Det er ikke urimeligt at forestille sig, at en patient og et hospital værdsætter resultatet af patientens tilfredshed meget forskelligt, selvom det er vigtigt for begge. For at redegøre tilstrækkeligt for de resultater, du vil måle, skal du overveje, hvis perspektiv(er) er det bedste at evaluere. Klart at identificere i begyndelsen af en analytisk plan det perspektiv, hvorfra du vil overveje resultaterne, beskytter mod både forvirring og post hoc-datamanipulation, hvad enten det er tilfældigt eller ej. Mens en omfattende liste over potentielle resultater af interesse ligger uden for denne artikels anvendelsesområde, følgende tabel fremhæver nogle af de mest anvendte kategorier af resultater.
udbredte kategorier af resultater
| sikkerhed | misbrug af medicinsk behandling og tilsyn i løbet af klinisk pleje; Medicinske fejl, der sætter patienter i fare for bivirkninger |
| effektivitet | kløften mellem hvad der kan opnås gennem medicinsk intervention eller politik og hvad der faktisk opnås |
| egenkapital | undersøgelse af forskelle i levering af sundhedsydelser, der fokuserer på, om ikke-kliniske faktorer som f. eksrace,kønogsocioøkonomisk status påvirker plejen af patienter |
| effektivitet | fokuserer på måder at maksimere effektiviteten, begrænse sundhedsomkostningerne og reducere affald i sundhedssystemet. |
| aktualitet | patientadgang til sundhedsydelser: adgangsbarrierer og uforsikrede patienter manglende evne til at drage fordel af sundhedsydelser. |
| Systemresponsivitet | uddannelsesindsats blandt det medicinske samfund og implementering af sundhedspolitikker, der forbedrer patientplejen |
| patientcentreret | hvordan medicinske indgreb vil påvirke patienter, hvad patienter føler, og hvad de kan gøre for at gennemføre medicinsk beslutningstagning. |
datatyper
ud over den slags resultater, du er interesseret i, er det værd at tænke på den måde, hvorpå du opfatter data, specifikt med hensyn til datatyper.
Data kommer i to hovedvarianter: numerisk og kategorisk.
numeriske data
numerisk er ligesom det lyder; variablen, der måles, er kvantitativ og er af enten typen heltal, som er hele tal, og flyder, som er alle tal med en ikke-hel taldel.
eksempler på heltal inkluderer antal babyer leveret på et hospital, resultater af et Likert-skala spørgeskema om patienttilfredshed eller antal minutter taget under en operation samt mange, mange andre.
kategoriske data
kategoriske data er de data, der kun kan tage bestemte specifikke værdier. Nogle datapunkter er kategoriske og dikotom, hvilket betyder, at variablen kan tage et og kun et af to mulige resultater. For eksempel kan en pære enten være slukket eller tændt, men det vil være en af disse muligheder, og ikke den anden. Nogle gange er der mere end to kategorier, og dette definerer en nominel variabel. Nominelle variabler har flere forskellige mulige værdier, men ingen naturlig rækkefølge blandt dem; et eksempel kan være blomstertyper, hvor planten kan være en rose, tulipan, tusindfryd, solsikke osv. Endelig betegnes kategoriske variabler, der har en naturlig rækkefølge, men som stadig er begrænset til specifikke resultater, ordinære.
et eksempel på denne type variabel kan være en kategorisk repræsentation af patienttilfredshed: utilfreds, lidt tilfreds, tilfreds, meget tilfreds. Selv dem der er et begrænset univers af mulige resultater, disse niveauer har en naturlig orden mellem sig selv.
årsagen til, at det er så vigtigt at være opmærksom på udfaldstyper og datatyper, er, at du stort set selv vil beslutte, hvordan du modellerer dataene, hvilket igen vil bestemme, hvilke typer analyser der er mulige. Hvis du vil vide antallet af kirurgiske operationer på dit hospital om dagen, kan du bruge det faktiske heltal (1,2,3 osv.), eller du kan faktorisere dem til høje, mellemstore og lave volumendage. I sidste ende afslører den måde, du vælger at repræsentere dataene på, for dem, der læser dit arbejde, hvordan du ser verden, samt hvorfor du har taget de beslutninger, du har taget. De er muligvis ikke enige med dig eller er i stand til at gengive dine data, men hvis du ikke giver plads til tvetydighed, er der ingen tvivl om sandheden i dine fund.
hvor kommer dine data fra? Skal du samle dem eller hente dem fra en anden kilde? Hvis du selv optager dataene, er det dit ansvar at beslutte, hvad du vil optage, og hvad du ikke vil, hvilket vil påvirke de tilgængelige analysemuligheder. Hvis du ikke selv vil indsamle det, Hvordan gemmes datasættet i øjeblikket (datatype, placering osv.)? Og meget vigtigt: kend og forstå den proces, hvormed dataene produceres og indsamles. Misforståelse om disse spørgsmål kan føre til forskning, der ikke besvarer det tilsigtede spørgsmål.
Bonus tip: hvorfor ansætte en statistiker kunne gemme din undersøgelse
jeg er ikke en bil fyr. Når min har brug for regelmæssigt arbejde eller en bestemt reparation, er jeg den første fyr, der tager den med til butikken. Hvorfor? Fordi jeg ved, at jeg ikke har evnerne til at udføre jobbet. På samme måde vil ikke alle lave deres egne statistikker, enten fordi de ikke har den nødvendige uddannelse eller simpelthen fordi de vælger at lægge deres indsats andetsteds. Med det i tankerne, dem, der stadig ønsker at undersøge resultater, men ikke ønsker at være ansvarlige for deres egen analyse, bør overveje at ansætte en freelance statistiker, som du let kan finde på Kolabtree.
hvis du vælger at arbejde med en statistiker, gør dig selv en tjeneste og få dem involveret tidligere snarere end senere. Som den berømte (hvis ikke venligt husket) statistiker R. A. Fisher citeres, “at konsultere statistikeren, når et eksperiment er afsluttet, er ofte blot at bede ham om at gennemføre en undersøgelse efter slagtning. Han kan måske sige, hvad eksperimentet døde af.”
dette er helt sandt, idet når et eksperiment er kørt, og de indsamlede data, er der nogle analysemetoder, der ikke længere er tilgængelige, der kan have været, hvis der var truffet forskellige beslutninger på tidligere forskningsfaser.
ud over ikke at skulle lave din egen statistiske analyse, kan der være andre håndgribelige og immaterielle fordele ved at arbejde med en statistiker. For eksempel har de sandsynligvis gennem deres træning været udsat for nogle mere komplekse metoder til eksperimentel design eller analyse, og det er muligt, at brug af en af disse snarere end standardmetoder kan spare ressourcer som tid, deltagere eller penge betydeligt. Der kan også være nye ideer på området, som du måske ikke er opmærksom på, såsom bedste praksis for reproducerbarhed af fund eller de mest opdaterede programpakker til komplekse analyser. Bedst af alt, lige nu kunne være det bedste tidspunkt at hage en fremragende statistiker for et godt køb. I betragtning af de kølige økonomiske virkninger af pandemien, enkeltpersoner på tværs af alle gåture er blevet hårdt ramt. Statistikere, der er berørt af pandemien, leder efter freelance-koncerter, og mange er villige til at give begge rabatter i bytte for loyalitet.
konklusion
dette er på ingen måde en udtømmende diskussion af resultater forskning; snarere bør det tjene som en bid-størrelse intro for komplette nybegyndere. Men, selv for sådanne forskere, en lille up-front tanke om dit resultat af interesse, hvordan dataelementerne vil blive repræsenteret, og hvor du vil være i stand til at få dataene kan gå langt i retning af at sikre, at resultaterne Forskning du udfører er meningsfuld og besvarer det spørgsmål, som du har til hensigt det. Og husk, hvis du føler, at du ikke kan eller foretrækker ikke at foretage analysen selv, eller hvis du gerne vil lære mere om de nyeste tilgængelige analysemetoder, så glem ikke at søge/nå ud til dine statistikkolleger.
brug for hjælp til at gennemføre et klinisk forsøg og analysere resultater? Konsulter en klinisk forskningskonsulent på Kolabtree eller arbejde med en freelance statistisk analytiker.
Kolabtree hjælper virksomheder over hele verden med at ansætte eksperter efter behov. Vores freelancere har hjulpet virksomheder med at offentliggøre forskningsartikler, udvikle produkter, analysere data, og mere. Det tager kun et minut at fortælle os, hvad du har brug for, og få tilbud fra eksperter gratis. 
