Jacob VanHouten, klinisk dataanalytiker och biostatistikkonsult på Kolabtree, ger bästa tips om hur man utformar effektfulla hälsoutfallsforskning för analys.
om du är inom det medicinska området och har läst, gjort eller till och med tänkt på att göra forskning under de senaste två decennierna är det troligt att du är bekant med begreppet resultatforskning. I ett nötskal är resultatforskning ett område där studieobjektet är ett definierbart hälsoutfall, vilket jag kommer att ge exempel på senare, och vad som mäts är effekterna som olika delar av det övergripande arbetsflödet har på dessa resultat. Eftersom poängen med sådana studier är att bestämma vilka faktorer som påverkar resultaten av intresse, många olika experimentella och observationsstudiedesigner är väl lämpade för denna uppgift, inklusive klassiska epidemiologiska studier som:
- randomiserade kontrollerade studier,
- tvärsnittsstudier,
- kohortstudier,
- systematiska recensioner/metaanalyser, eller
- kvalitetsförbättringsforskningsmetoder.
Innehållsförteckning
varför ens göra resultat forskning?
det finns många, många anledningar att göra resultatforskning, och att lista dem alla skulle vara långt bortom vad som skulle vara möjligt att göra i det här inlägget. I ett super-litet nötskal är resultatforskning som det gäller för biomedicinområdet främst inriktat på att förbättra prestanda för någon uppgift inom nämnda område. Som berömda managementkonsult Peter Drucker krediteras med att säga, ” Du kan inte hantera vad du inte kan mäta.”Med andra ord kan du inte” flytta nålen ” på förbättring utan att veta var den pekar i första hand. Dessutom kan sådan mätning leda till
- kvalitetsförbättring,
- minskade sjukvårdskostnader,
- förbättrad effektivitet vid diagnos och behandling och
- patientupplevelse.
och vem vill inte ha de bästa resultaten för sina patienter? Det är utan tvekan hälsovårdens primära forskningsbehov att kontinuerligt mäta för förbättring, och resultatforskning är en kraftfull uppsättning verktyg för att komma dit.
hur man tänker på resultat forskning som en statistiker
när man tänker på att starta en forskningsinsats är kanske det första att veta ” vad vill du veta?”Är du mer intresserad av systemet och effektiviteten, eller på de immateriella mätningarna av livskvalitet som bestäms av patienterna? Är du intresserad av att göra vården mer överkomlig, rättvis och tillgänglig för patienter, eller är din oro lönsamheten för en praxis? Några viktiga frågor inkluderar:
- vad är resultatet av intresse,
- vilka är relevanta intressenter,
- hur representeras resultatet av intresse bäst och
- hur kan jag få de uppgifter jag behöver för att svara på mina frågor?
typer av resultat
en av styrkorna med resultatforskning är förmågan att överväga många olika resultat och deras relativa meriter, liksom från många olika synvinklar (mer om det nedan). Faktum är att vissa resultat forskningskonstruktioner, såsom kvalitetsjusterade levnadsår, har utformats speciellt för att göra jämförelsen av olika resultat. Resultat som kan vara av olika typer kan jämföras genom omvandling av ett resultat till ett ekvivalent (dvs hur mycket pengar man skulle behöva få för att ge upp en natts sömn) resultat som är mer direkt jämförbart.
vem bryr sig?
när man tänker på ovanstående resultat att mäta, kanske den första frågan borde vara ” vem bryr sig?”. Och detta är inte menat flippigt. Med vänliga hälsningar, vem är det som bryr sig om detta resultat. Patienterna? Leverantörerna? Försäkringsbolag, hälso-och sjukvårdssystem? Det är inte orimligt att föreställa sig att en patient och ett sjukhus värderar resultatet av patientens tillfredsställelse mycket annorlunda, även om det är viktigt för båda. För att på ett adekvat sätt redogöra för de resultat du vill mäta måste du överväga vilka perspektiv som är bäst att utvärdera. Att tydligt identifiera i början av en analytisk plan det perspektiv från vilket du kommer att överväga resultaten skyddar mot både förvirring och post hoc-datamanipulation, oavsett om det är oavsiktligt eller inte. Medan en omfattande lista över potentiella resultat av intresse ligger utanför ramen för denna artikel, belyser följande tabell några av de mest använda kategorierna av resultat.
allmänt använda kategorier av resultat
| säkerhet | missbruk av medicinsk terapi och övervakning under klinisk vård; Medicinska misstag som sätter patienter i riskzonen för biverkningar |
| effektivitet | klyftan mellan vad som kan uppnås genom medicinsk intervention eller politik och vad som faktiskt uppnås |
| eget kapital | undersökning av skillnader i vårdleverans som fokuserar på huruvida icke-kliniska faktorer somrace, kön ochsocioekonomisk status påverkar vården av patienter |
| Efficiency | fokuserar på sätt att maximera effektiviteten, begränsa vårdkostnaderna och minska avfallet i sjukvården. |
| aktualitet | patientåtkomst till hälso-och sjukvård: hinder för tillgång och oförsäkrade patienter oförmåga att dra nytta av vården. |
| Systemrespons | utbildningsinsatser inom det medicinska samfundet och genomförande av vårdpolitik som förbättrar patientvården |
| Patientcentrering | hur medicinska ingrepp kommer att påverka patienter, vad patienter känner och vad de kan göra för att påverka medicinskt beslutsfattande. |
datatyper
förutom den typ av resultat du är intresserad av är det värt att tänka på hur du tänker på data, särskilt när det gäller datatyper.
Data finns i två huvudsakliga smaker: numerisk och kategorisk.
numeriska data
numerisk är precis som det låter; variabeln som mäts är kvantitativ, antingen av typen heltal, som är heltal, och flyter, som är alla siffror med någon del som inte är heltal.
exempel på heltal inkluderar antal barn som levereras på ett sjukhus, resultat av ett frågeformulär i Likert-skala om patientnöjdhet eller antal minuter som tagits under en operation, liksom många, många andra.
kategoriska data
kategoriska data är de data som bara kan ta vissa specifika värden. Vissa datapunkter är kategoriska och dikotom, vilket innebär att variabeln kan ta en och endast en av två möjliga resultat. Till exempel kan en glödlampa antingen stängas av eller på, men det kommer att vara ett av dessa alternativ, och inte det andra. Ibland finns det mer än två kategorier, och detta definierar en nominell variabel. Nominella variabler har flera olika möjliga värden, men ingen naturlig ordning bland dem; ett exempel kan vara blommatyper, där växten kan vara en ros, tulpan, tusensköna, solros, etc. Slutligen kallas kategoriska variabler som har en naturlig ordning men fortfarande är begränsade till specifika resultat ordinära.
ett exempel på denna typ av variabel kan vara en kategorisk representation av patientnöjdhet: missnöjd, lite nöjd, nöjd, mycket nöjd. Även de där finns ett begränsat universum av möjliga resultat, dessa nivåer har en naturlig ordning mellan sig.
anledningen till att det är så viktigt att vara medveten om resultattyper och datatyper är att du i stor utsträckning kommer att bestämma hur du ska modellera data själv, vilket i sin tur bestämmer vilka typer av analyser som är möjliga. Om du vill veta antalet kirurgiska operationer på ditt sjukhus per dag kan du använda det faktiska heltalet (1,2,3, etc), eller du kan faktorisera dem till hög, medium och låg volym dagar. I slutändan avslöjar hur du väljer att representera data för dem som läser ditt arbete hur du ser världen och varför du fattade de beslut du fattade. De kanske inte håller med dig eller kan reproducera dina data, men om du inte lämnar något utrymme för tvetydighet är det ingen fråga om sanningen om dina resultat.
var kommer dina data från? Kommer du att samla in dem eller få dem från en annan källa? Om du registrerar data själv är ansvaret ditt att bestämma vad du ska spela in och vad du inte kommer att göra, vilket kommer att påverka de tillgängliga analysalternativen. Om du inte ska samla in det själv, hur lagras datasatsen för närvarande (datatyp, plats etc.)? Och mycket viktigt: känna till och förstå processen genom vilken data produceras och samlas in. Missförstånd i dessa frågor kan leda till forskning som inte svarar på den avsedda frågan.
Bonus tips: varför anställa en statistiker kan spara din studie
jag är inte en bil kille. När min behöver regelbundet arbete eller en specifik reparation, är jag den första killen som tar den till affären. Varför? Eftersom jag vet att jag inte har kompetens att göra jobbet. På samma sätt kommer inte alla att göra sin egen statistik, antingen för att de inte har den utbildning som krävs eller helt enkelt för att de väljer att lägga sina ansträngningar någon annanstans. Med det i åtanke, de som fortfarande vill göra resultatforskning men inte vill vara ansvariga för sin egen analys bör överväga att anställa en frilansstatistiker, som du enkelt kan hitta på Kolabtree.
om du väljer att arbeta med en statistiker, gör dig själv en tjänst och få dem involverade tidigare snarare än senare. Som den berömda (om inte vänligt ihågkommen) statistikern R. A. Fisher Citeras, ” att konsultera statistikern efter att ett experiment är klart är ofta bara att be honom att genomföra en undersökning efter slakt. Han kan kanske säga vad experimentet dog av.”
detta är helt sant, eftersom när ett experiment har körts och de insamlade uppgifterna finns det några analysmetoder som inte längre är tillgängliga som kan ha varit om olika beslut hade fattats i tidigare forskningsstadier.
förutom att du inte behöver göra din egen statistiska analys kan det finnas andra materiella och immateriella fördelar med att arbeta med en statistiker. Till exempel har de sannolikt genom sin utbildning blivit utsatta för några mer komplexa metoder för experimentell design eller analys, och det är möjligt att använda en av dessa snarare än standardmetoder kan avsevärt spara resurser som tid, deltagare eller pengar. Det kan också finnas nya ideer inom området som du kanske inte känner till, till exempel bästa praxis för reproducerbarhet av fynd eller de mest uppdaterade programvarupaketen för komplexa analyser. Bäst av allt, just nu kan vara den bästa tiden att haffa en utmärkt statistiker för ett fynd. Med tanke på pandemins chillande ekonomiska effekter har individer över alla promenader drabbats hårt. Statistiker som drabbats av pandemin letar efter frilansspel, och många är villiga att ge antingen rabatter i utbyte mot lojalitet.
slutsats
Detta är inte på något sätt en uttömmande diskussion om resultatforskning; snarare bör det fungera som en bitstor intro för fullständiga nybörjare. Men, även för sådana forskare, lite up-front tanke om ditt resultat av intresse, hur dataelementen kommer att representeras, och där du kommer att kunna få data kan gå en lång väg mot att se till att resultaten forskning du utför är meningsfull och svarar på frågan som du tänker det. Och kom ihåg, om du känner att du inte kan eller föredrar att inte göra analysen själv, eller om du vill lära dig mer om de senaste analysmetoderna som finns tillgängliga, glöm inte att söka/nå ut till dina statistikkollegor.
behöver du hjälp med att genomföra en klinisk prövning och analysera resultat? Konsultera en klinisk forskningskonsult på Kolabtree eller arbeta med en frilansande statistisk analytiker.
Kolabtree hjälper företag över hela världen att anställa experter på begäran. Våra frilansare har hjälpt företag att publicera forskningspapper, utveckla produkter, analysera data och mer. Det tar bara en minut att berätta vad du behöver göra och få offerter från experter gratis. 
