So entwerfen Sie wirkungsvolle Forschungsstudien zu Gesundheitsergebnissen für die Analyse

Jacob VanHouten, klinischer Datenanalyst und Biostatistikberater bei Kolabtree, gibt Top-Tipps zum Entwerfen wirkungsvoller Forschungsstudien zu Gesundheitsergebnissen für die Analyse.

Wenn Sie im medizinischen Bereich tätig sind und in den letzten zwei Jahrzehnten gelesen, getan oder sogar darüber nachgedacht haben, Forschung zu betreiben, sind Sie wahrscheinlich mit dem Konzept der Ergebnisforschung vertraut. Kurz gesagt, Die Ergebnisforschung ist ein Bereich, in dem das Untersuchungsobjekt ein definierbares Gesundheitsergebnis ist, für das ich später Beispiele nennen werde, und was gemessen wird, sind die Auswirkungen, die verschiedene Teile des gesamten Workflows auf diese Ergebnisse haben. Da der Sinn solcher Studien darin besteht, zu bestimmen, welche Faktoren die interessierenden Ergebnisse beeinflussen, sind viele verschiedene experimentelle und beobachtende Studiendesigns für diese Aufgabe gut geeignet, einschließlich klassischer epidemiologischer Studien wie:

• randomisierte kontrollierte Studien,
• Querschnittsstudien,
• Kohortenstudien,
• systematische Reviews / Metaanalysen oder
• Methoden zur Qualitätsverbesserung.

Warum überhaupt Ergebnisforschung betreiben?

Es gibt viele, viele Gründe, Ergebnisforschung zu betreiben, und sie alle aufzulisten, würde weit über das hinausgehen, was in diesem Beitrag möglich wäre. Auf den Punkt gebracht konzentriert sich die Ergebnisforschung, wie sie auf dem Gebiet der Biomedizin angewendet wird, in erster Linie auf die Verbesserung der Leistung einiger Aufgaben in diesem Bereich. Wie der berühmte Unternehmensberater Peter Drucker sagt: „Man kann nicht managen, was man nicht messen kann.“ Mit anderen Worten, Sie können die Nadel bei der Verbesserung nicht „bewegen“, ohne zu wissen, wohin sie überhaupt zeigt. Darüber hinaus kann eine solche Messung zu

• Qualitätsverbesserung,
• Senkung der Gesundheitskosten,
• verbesserte Effizienz von Diagnose und Behandlung und
• Patientenerfahrung.

Und wer möchte nicht die besten Ergebnisse für seine Patienten? Es ist wohl die primäre Forschungsaufgabe des Gesundheitswesens, kontinuierlich nach Verbesserungen zu suchen, und die Ergebnisforschung ist ein leistungsfähiges Instrumentarium, um dorthin zu gelangen.

Wie man wie ein Statistiker über Ergebnisforschung nachdenkt

Wenn Sie darüber nachdenken, ein Forschungsvorhaben zu starten, sollten Sie vielleicht zuerst wissen: „Was möchten Sie wissen?“ Interessieren Sie sich mehr für das System und die Effizienz oder für die immateriellen Messungen der Lebensqualität, wie sie von den Patienten bestimmt werden? Sind Sie daran interessiert, die Versorgung für Patienten erschwinglicher, gerechter und zugänglicher zu machen, oder geht es Ihnen um die Rentabilität einer Praxis? Einige Schlüsselfragen sind:

• Was ist das Ergebnis von Interesse,
• Wer sind die relevanten Stakeholder,
• Wie wird das Ergebnis von Interesse am besten dargestellt und
• Wie erhalte ich die Daten, die ich zur Beantwortung meiner Fragen benötige?

Arten von Ergebnissen

Eine der Stärken der Ergebnisforschung ist die Fähigkeit, viele verschiedene Ergebnisse und ihre relativen Vorzüge sowie aus vielen verschiedenen Blickwinkeln zu betrachten (mehr dazu weiter unten). Tatsächlich wurden einige Outcomes-Forschungskonstrukte, wie z. B. qualitätsbereinigte Lebensjahre, speziell für den Vergleich verschiedener Outcomes entwickelt. Ergebnisse, die von unterschiedlicher Art sein können, können durch Umwandlung eines Ergebnisses in ein äquivalentes (d. H. Geldbetrag, den man erhalten müsste, um eine Nacht Schlaf aufzugeben) Ergebnis verglichen werden, das direkter vergleichbar ist.

Wen interessiert das?

Wenn Sie über die oben genannten Ergebnisse nachdenken, sollte die erste Frage vielleicht lauten: „Wen interessiert das?“. Und das ist nicht leichtfertig gemeint. Mit freundlichen Grüßen, wer kümmert sich um dieses Ergebnis. Die Patienten? Die Anbieter? Versicherungen, Gesundheitssysteme? Es ist nicht unvernünftig, sich vorzustellen, dass ein Patient und ein Krankenhaus das Ergebnis der Patientenzufriedenheit sehr unterschiedlich bewerten, obwohl es für beide wichtig ist. Um die Ergebnisse, die Sie messen möchten, angemessen zu berücksichtigen, müssen Sie überlegen, aus wessen Perspektive (en) Sie am besten bewerten können. Die eindeutige Identifizierung der Perspektive, aus der Sie die Ergebnisse betrachten, zu Beginn eines Analyseplans schützt sowohl vor Verwirrung als auch vor Post-hoc-Datenmanipulation, ob zufällig oder nicht. Während eine umfassende Liste potenzieller Ergebnisse von Interesse den Rahmen dieses Artikels sprengt, In der folgenden Tabelle werden einige der am häufigsten verwendeten Ergebniskategorien hervorgehoben.

Weit verbreitete Ergebniskategorien

Datentypen

Neben der Art der Ergebnisse, an denen Sie interessiert sind, lohnt es sich, über die Art und Weise nachzudenken, wie Sie Daten konzipieren, insbesondere in Bezug auf Datentypen.

Daten gibt es in zwei Hauptvarianten: numerisch und kategorisch.

Numerische Daten

Numerisch ist genau so, wie es sich anhört; Die zu messende Variable ist quantitativ und hat entweder den Typ integer , bei dem es sich um ganze Zahlen handelt, oder Floats, bei denen es sich um alle Zahlen mit einem nicht ganzen Zahlenteil handelt.

Beispiele für Ganzzahlen sind die Anzahl der in einem Krankenhaus entlassenen Babys, die Ergebnisse eines Fragebogens auf der Likert-Skala zur Patientenzufriedenheit oder die Anzahl der Minuten, die während einer Operation benötigt werden, sowie viele, viele andere.

Kategoriale Daten

Kategoriale Daten sind Daten, die nur bestimmte Werte annehmen können. Einige Datenpunkte sind kategorisch und dichotom, was bedeutet, dass die Variable nur eines von zwei möglichen Ergebnissen annehmen kann. Zum Beispiel kann eine Glühbirne entweder ausgeschaltet oder eingeschaltet werden, aber es wird eine dieser Optionen sein und nicht die andere. Manchmal gibt es mehr als zwei Kategorien, und dies definiert eine nominale Variable. Nominale Variablen haben mehrere verschiedene mögliche Werte, aber keine natürliche Reihenfolge unter ihnen; Ein Beispiel könnten Blumentypen sein, bei denen die Pflanze eine Rose, Tulpe, Gänseblümchen, Sonnenblume usw. sein kann. Schließlich werden kategoriale Variablen, die eine natürliche Ordnung haben, aber immer noch auf bestimmte Ergebnisse beschränkt sind, als ordinal bezeichnet.

Ein Beispiel für diese Art von Variable kann eine kategoriale Darstellung der Patientenzufriedenheit sein: unzufrieden, leicht zufrieden, zufrieden, sehr zufrieden. Selbst wenn es ein begrenztes Universum möglicher Ergebnisse gibt, haben diese Ebenen eine natürliche Ordnung zwischen sich.

Der Grund, warum es so wichtig ist, sich der Ergebnistypen und Datentypen bewusst zu sein, liegt darin, dass Sie weitgehend selbst entscheiden, wie Sie die Daten modellieren, was wiederum bestimmt, welche Arten von Analysen möglich sind. Wenn Sie die Anzahl der chirurgischen Eingriffe in Ihrem Krankenhaus pro Tag wissen möchten, können Sie die tatsächliche Ganzzahl (1,2,3 usw.) verwenden oder sie in Tage mit hohem, mittlerem und niedrigem Volumen faktorisieren. Letztendlich zeigt die Art und Weise, wie Sie die Daten darstellen, denjenigen, die Ihre Arbeit lesen, wie Sie die Welt sehen und warum Sie die von Ihnen getroffenen Entscheidungen getroffen haben. Sie sind möglicherweise nicht mit Ihnen einverstanden oder in der Lage, Ihre Daten zu reproduzieren, aber wenn Sie keinen Raum für Mehrdeutigkeiten lassen, besteht kein Zweifel an der Wahrheit Ihrer Ergebnisse.

Woher kommen Ihre Daten? Werden Sie sie sammeln oder von einer anderen Quelle beziehen? Wenn Sie die Daten selbst aufzeichnen, liegt es in Ihrer Verantwortung zu entscheiden, was Sie aufzeichnen und was nicht, was sich auf die verfügbaren Analyseoptionen auswirkt. Wenn Sie es nicht selbst sammeln, wie wird der Datensatz derzeit gespeichert (Datentyp, Speicherort usw.)? Und ganz wichtig: Kennen und verstehen Sie den Prozess, durch den die Daten erzeugt und gesammelt werden. Missverständnisse zu diesen Themen können zu Forschungen führen, die die beabsichtigte Frage nicht beantworten.

Bonus-Tipp: Warum die Einstellung eines Statistikers Ihre Studie retten könnte

Ich bin kein Auto-Typ. Wenn meins regelmäßige Arbeit oder eine bestimmte Reparatur benötigt, bin ich der erste, der es in den Laden bringt. Warum? Weil ich weiß, dass ich nicht die Fähigkeiten habe, den Job zu machen. Ebenso wird nicht jeder seine eigenen Statistiken erstellen, entweder weil er nicht über die erforderliche Ausbildung verfügt oder weil er sich einfach dafür entscheidet, seine Anstrengungen woanders zu investieren. In diesem Sinne sollten diejenigen, die immer noch Ergebnisforschung betreiben möchten, aber nicht für ihre eigene Analyse verantwortlich sein möchten, die Einstellung eines freiberuflichen Statistikers in Betracht ziehen, den Sie auf Kolabtree leicht finden können.

Wenn Sie sich dafür entscheiden, mit einem Statistiker zusammenzuarbeiten, tun Sie sich selbst einen Gefallen und engagieren Sie ihn eher früher als später. Wie der berühmte (wenn nicht freundlich erinnerte) Statistiker R.A. Fisher zitiert wird: „Den Statistiker nach Abschluss eines Experiments zu konsultieren, bedeutet oft nur, ihn zu bitten, eine Obduktion durchzuführen. Er kann vielleicht sagen, woran das Experiment gestorben ist.“

Dies ist absolut richtig, denn sobald ein Experiment durchgeführt und die Daten gesammelt wurden, gibt es einige Analysemethoden, die nicht mehr verfügbar sind, wenn in früheren Forschungsstadien andere Entscheidungen getroffen worden wären.

Zusätzlich dazu, dass Sie keine eigenen statistischen Analysen durchführen müssen, kann die Zusammenarbeit mit einem Statistiker weitere materielle und immaterielle Vorteile haben. Zum Beispiel sind sie wahrscheinlich durch ihre Ausbildung einigen komplexeren Methoden des experimentellen Designs oder der Analyse ausgesetzt worden, und es ist möglich, dass die Verwendung einer dieser Methoden anstelle von Standardmethoden Ressourcen wie Zeit, Teilnehmer oder Geld erheblich einsparen könnte. Es kann auch neue Ideen auf dem Gebiet geben, die Ihnen vielleicht nicht bekannt sind, wie Best Practices für die Reproduzierbarkeit von Befunden oder die aktuellsten Softwarepakete für komplexe Analysen. Das Beste von allem, jetzt könnte die beste Zeit sein, einen ausgezeichneten Statistiker für ein Schnäppchen zu schnappen. Angesichts der abschreckenden wirtschaftlichen Auswirkungen der Pandemie, Einzelpersonen in allen Bereichen wurden hart getroffen. Von der Pandemie betroffene Statistiker suchen nach freiberuflichen Auftritten, und viele sind bereit, entweder Rabatte gegen Loyalität zu gewähren.

Fazit

Dies ist keineswegs eine erschöpfende Diskussion der Ergebnisforschung; Vielmehr sollte es als mundgerechtes Intro für komplette Anfänger dienen. Aber selbst für solche Forscher kann ein kleiner Gedanke im Voraus über Ihr interessierendes Ergebnis, wie die Datenelemente dargestellt werden und wo Sie die Daten abrufen können, einen großen Beitrag dazu leisten, dass die von Ihnen durchgeführte Ergebnisforschung sinnvoll ist und die Frage beantwortet, für die Sie sie beabsichtigen. Und denken Sie daran, wenn Sie das Gefühl haben, dass Sie die Analyse nicht selbst durchführen können oder möchten oder wenn Sie mehr über die neuesten verfügbaren Analysemethoden erfahren möchten, vergessen Sie nicht, sich an Ihre Statistikkollegen zu wenden.

Benötigen Sie Hilfe bei der Durchführung einer klinischen Studie und der Analyse der Ergebnisse? Wenden Sie sich an einen Berater für klinische Forschung zu Kolabtree oder arbeiten Sie mit einem freiberuflichen statistischen Analysten zusammen.