Slik Designer Du Effektive Helseutfall Forskningsstudier For Analyse

Jacob VanHouten, klinisk dataanalytiker og biostatistikkkonsulent Ved Kolabtree, gir topp tips om hvordan du designer effektive helseutfallsforskning for analyse.

hvis du er i det medisinske feltet og har lest, gjort eller tenkt på å gjøre forskning i løpet av de siste to tiårene, er det sannsynlig at du er kjent med begrepet utfallsforskning. I et nøtteskall er utfallsforskning et felt hvor studieobjektet er et definerbart helseutfall, som jeg vil gi eksempler på senere, og det som måles er effektene som ulike deler av den samlede arbeidsflyten har på disse utfallene. Som poenget med slike studier er å bestemme hvilke faktorer som påvirker utfallet av interesse, er mange forskjellige eksperimentelle og observasjonelle studiedesign godt egnet for denne oppgaven, inkludert klassiske epidemiologiske studier som:

• randomiserte kontrollerte studier,
• tverrsnittsstudier,
• kohortstudier,
• systematiske oversikter/meta-analyser, eller
• forskningsmetoder for kvalitetsforbedring.

Hvorfor selv gjøre resultater forskning?

Det er mange, mange grunner til å gjøre utfallsforskning, og oppføring av dem alle ville være langt utover det som ville være mulig å gjøre i dette innlegget. I et super-lite nøtteskall er utfallsforskning som det gjelder for biomedisin, primært fokusert på å forbedre ytelsen til en oppgave innenfor feltet. Som kjent konsulent Peter Drucker er kreditert med å si, » Du kan ikke administrere hva du ikke kan måle .»Med andre ord, du kan ikke «flytte nålen» på forbedring uten å vite hvor den peker i utgangspunktet. I tillegg kan slike målinger føre til

• kvalitetsforbedring,
• reduserte helsekostnader,
• forbedret effektivitet i diagnose og behandling og
• pasientopplevelse.

Og hvem vil ikke ha de beste resultatene for pasientene sine? Det er uten tvil helsepersonellets primære forskning som er viktig å kontinuerlig måle for forbedring, og utfallsforskning er et kraftig sett med verktøy for å komme dit.

hvordan tenke på utfallsforskning som en statistiker

når du tenker på å starte en forskningsinnsats, er kanskje det første du må vite » hva vil du vite?»Er du mer interessert i systemet og effektiviteten, eller på de immaterielle livskvalitet målinger som bestemmes av pasientene? Er du interessert i å gjøre omsorg rimeligere, rettferdig og tilgjengelig for pasienter, eller er din bekymring lønnsomheten av en praksis? Noen viktige spørsmål inkluderer:

• hva er utfallet av interesse,
• hvem er relevante interessenter,
• hvordan er utfallet av interesse best representert, og
• hvordan kan jeg få dataene jeg trenger for å svare på spørsmålene mine?

typer utfall

en av styrkene til utfallsforskning er evnen til å vurdere mange forskjellige utfall og deres relative fordeler, samt fra mange forskjellige synspunkter (mer om det nedenfor). Faktisk har noen utfallsforskningskonstruksjoner, For Eksempel Kvalitetsjusterte Leveår, blitt designet spesielt for å sammenligne ulike utfall. Utfall som kan være av forskjellige typer kan sammenlignes gjennom konvertering av ett utfall til en tilsvarende (dvs.hvor mye penger man må motta for å gi opp en natts søvn) utfall som er mer direkte sammenlignbart.

hvem bryr seg?

når du tenker på de ovennevnte utfallene å måle, bør kanskje det første spørsmålet være » hvem bryr seg?». Og dette er ikke ment flåsete. Med vennlig hilsen, hvem er det som bryr seg om dette resultatet. Pasientene? Leverandørene? Forsikringsselskaper, helsesystemer? Det er ikke urimelig å tenke seg at en pasient og et sykehus verdsetter utfallet av pasientens tilfredshet veldig annerledes, selv om det er viktig for begge. For å tilstrekkelig ta hensyn til resultatene du vil måle, må du vurdere hvis perspektiv (er) er det beste å evaluere. Klart å identifisere i begynnelsen av en analytisk plan perspektivet som du vil vurdere resultatene beskytter mot både forvirring og post hoc datamanipulasjon, enten tilfeldig eller ikke. Mens en omfattende liste over potensielle utfall av interesse er utenfor rammen av denne artikkelen, fremhever følgende tabell noen av de mest brukte kategoriene av utfall.

Mye brukte kategorier av resultater

datatyper

I tillegg til hva slags utfall du er interessert i, er det verdt å tenke på hvordan du tenker på data, spesielt når det gjelder datatyper.

Data kommer i to hovedvarianter: numeriske og kategoriske.

Numeriske data

Numeriske er akkurat som det høres ut; variabelen som måles er kvantitativ, er av enten typen heltall, som er hele tallene, og flyter, som er alle tallene med noen ikke-hele talldel.

Eksempler på heltall inkluderer antall babyer levert på sykehus, resultater Av Et Likert-skala spørreskjema om pasienttilfredshet, eller antall minutter tatt under en operasjon, samt mange, mange andre.

Kategoriske data

Kategoriske data er de dataene som bare kan ta bestemte spesifikke verdier. Noen datapunkter er kategoriske og dikotom, noe som betyr at variabelen kan ta ett og bare ett av to mulige utfall. For eksempel kan en lyspære enten slås av eller på, men det vil være en av disse alternativene, og ikke den andre. Noen ganger er det mer enn to kategorier, og dette definerer en nominell variabel. Nominelle variabler har flere forskjellige mulige verdier, men ingen naturlig rekkefølge blant dem; et eksempel kan være blomstertyper, hvor planten kan være en rose, tulipan, tusenfryd, solsikke, etc. Til slutt, kategoriske variabler som har en naturlig rekkefølge, men er fortsatt begrenset til bestemte utfall kalles ordinær.

et eksempel på denne typen variabel kan være en kategorisk representasjon av pasienttilfredshet: utilfreds, litt fornøyd, fornøyd, veldig fornøyd. Selv de der er et begrenset univers av mulige utfall, har disse nivåene en naturlig rekkefølge mellom seg selv.

grunnen til at det er så viktig å være oppmerksom på utfallstyper og datatyper, er fordi du i stor grad skal bestemme hvordan du skal modellere dataene selv, som igjen vil avgjøre hvilke typer analyser som er mulige. Hvis du vil vite antall kirurgiske operasjoner på sykehuset ditt per dag, kan du bruke det faktiske heltallet (1,2,3, etc), eller du kan faktorisere dem i høy, middels og lavt volum dager. Til slutt viser måten du velger å representere dataene på de som leser arbeidet ditt, hvordan du ser verden, og hvorfor du tok de avgjørelsene du gjorde. De kan ikke være enige med deg, eller være i stand til å reprodusere dataene dine, men hvis du ikke gir rom for tvetydighet, er det ingen tvil om sannheten i funnene dine.

Hvor kommer dataene dine fra? Skal du hente dem eller hente dem fra en annen kilde? Hvis du registrerer dataene selv, er ansvaret ditt å bestemme hva du vil registrere og hva du ikke vil, noe som vil påvirke de tilgjengelige analysealternativene. Hvis du ikke skal samle det selv, hvordan lagres datasettet for øyeblikket (datatype, plassering, etc.)? Og aller viktigst: kjenne og forstå prosessen der dataene produseres og samles inn. Misforståelse om disse problemene kan føre til forskning som ikke svarer på det tiltenkte spørsmålet.

Bonus tips: hvorfor ansette en statistiker kan lagre studien

jeg er ikke en bil fyr. Når min trenger vanlig arbeid eller en bestemt reparasjon, er jeg den første fyren som tar den til butikken. Hvorfor? Fordi jeg vet at jeg ikke har ferdighetene til å gjøre jobben. På samme måte vil ikke alle gjøre sin egen statistikk, enten fordi de ikke har den nødvendige opplæringen eller bare fordi de velger å sette sin innsats andre steder. Med det i tankene, de som fortsatt ønsker å gjøre utfall forskning, men ønsker ikke å være ansvarlig for sin egen analyse bør vurdere å ansette en freelance statistiker, slike som du er i stand til å finne lett På Kolabtree.

hvis du velger å jobbe med en statistiker, gjør deg selv en tjeneste og få dem involvert tidligere heller enn senere. Som Den berømte (hvis ikke vennlig husket) statistiker R. A. Fisher er sitert ,» å konsultere statistikeren etter at et eksperiment er ferdig, er ofte bare å be ham om å gjennomføre en obduksjon. Han kan kanskje si hva eksperimentet dode av.»

Dette er helt sant, ved at når et eksperiment er kjørt, og dataene samlet, er det noen analysemetoder som ikke lenger er tilgjengelige som kan ha vært hvis forskjellige beslutninger hadde blitt gjort på tidligere stadier av forskning.

i tillegg til at du ikke trenger å gjøre din egen statistiske analyse, kan det være andre materielle og immaterielle fordeler ved å jobbe med en statistiker. For eksempel har de sannsynligvis gjennom trening blitt utsatt for noen mer komplekse metoder for eksperimentell design eller analyse, og det er mulig at bruk av en av disse i stedet for standardmetoder kan spare ressurser som tid, deltakere eller penger. Det kan også være nye ideer i feltet som du kanskje ikke er klar over, for eksempel beste praksis for reproduserbarhet av funn eller de mest oppdaterte programvarepakker for komplekse analyser. Best av alt, akkurat nå kan være den beste tiden å ulempe en utmerket statistiker for et røverkjøp. Gitt de chilling økonomiske effektene av pandemien, har enkeltpersoner på tvers av alle turer blitt rammet hardt. Statistikere berørt av pandemien ser etter frilansjobber, og mange er villige til å gi enten rabatter i bytte for lojalitet.

Konklusjon

Dette er på INGEN måte en uttømmende diskusjon av utfallsforskning; snarere bør den tjene som en bite-sized intro for komplette nybegynnere. Men, selv for slike forskere, litt up-front tanke om utfallet av interesse, hvordan dataelementene vil bli representert, og hvor du vil være i stand til å få data kan gå en lang vei mot å sørge for at resultatene forskning du utfører er meningsfylt og svar på spørsmålet som du har tenkt det. Og husk, hvis du føler at du ikke kan eller foretrekker å ikke gjøre analysen selv, eller hvis du vil lære mer om de nyeste analysemetodene som er tilgjengelige, ikke glem å oppsøke/nå ut til dine statistikkkollegaer.

Trenger du hjelp med å gjennomføre en klinisk studie og analysere utfall? Rådfør deg med en klinisk forskerkonsulent på Kolabtree eller arbeid med en frilans statistisk analytiker.