Endlich können wir mit den Statistiken beginnen. Haben Sie schon einmal einen Blick auf den Abschnitt Methoden und Ergebnisse einer beliebigen Forschungspublikation im Gesundheitswesen geworfen und dabei die Vielzahl der verwendeten statistischen Tests bemerkt? Sie werden auf Begriffe wie t-Test, Mann-Whitney-U-Test, Wilcoxon-Test, exakter Test nach Fisher und den allgegenwärtigen Chi-Quadrat-Test gestoßen sein. Warum so viele Tests, werden Sie sich fragen? Es geht um die verschiedenen Arten von Daten. In dieser Woche werde ich mich mit den Unterschieden in den Daten befassen, die bestimmen, welche Art von statistischem Test wir verwenden können, um unsere Daten sinnvoll auszuwerten.

Es gibt kaum eine medizinische Fachkraft, die mit dem p-Wert nicht vertraut ist. Üblicherweise wird darunter ein Wendepunktwert von 0,05 verstanden. Wenn eine Forschungsfrage durch die Sammlung von Datenpunkten bewertet wird und die statistische Analyse einen Wert von weniger als 0,05 ergibt, nehmen wir dies als Beweis dafür an, dass ein signifikanter Unterschied gefunden wurde, zumindest statistisch gesehen. Die Literatur ist derzeit voll von Fragen über den allgegenwärtigen p-Wert und warum er nicht das Allheilmittel ist, als das viele von uns ihn angesehen haben. In dieser Woche werden Sie ein intuitives Verständnis für das Konzept des p-Wertes entwickeln. Von dort aus werde ich zum Kern der Wahrscheinlichkeitstheorie, dem zentralen Grenzwertsatz und der Datenverteilung übergehen.

Im Allgemeinen hat ein Forscher eine Frage im Kopf, die er oder sie beantworten muss. Jeder mag eine Meinung zu dieser Frage (oder Antwort) haben, aber ein Forscher sucht nach der Antwort, indem er ein Experiment konzipiert und das Ergebnis untersucht. Zunächst werden wir uns mit Hypothesen beschäftigen und damit, wie sie mit ethischer und unvoreingenommener Forschung und Berichterstattung zusammenhängen. Wir werden uns auch mit Konfidenzintervallen befassen, die meiner Meinung nach einer der am wenigsten verstandenen und oft falsch dargestellten Werte in der Gesundheitsforschung sind. Die in der Literatur am häufigsten verwendeten Tests zum Vergleich numerischer Datenpunktwerte sind t-Tests, Varianzanalysen und lineare Regressionen. In der letzten Lektion werfen wir einen genaueren Blick auf diese Tests, aber was vielleicht noch wichtiger ist, auf ihre strengen Annahmen.

Der häufigste statistische Test, der Ihnen in der Literatur begegnet, ist der t-Test. Es gibt tatsächlich einige t-Tests, aber derjenige, mit dem die meisten vertraut sind, ist natürlich der Studentsche t-Test und sein allgegenwärtiger p-Wert. Nicht jeder weiß jedoch, dass der Name Student eigentlich ein Pseudonym von William Gosset (1876 - 1937) war. Parametrische Tests haben sehr strenge Annahmen, die erfüllt sein müssen, bevor ihre Verwendung gerechtfertigt ist. In dieser Lektion werfen wir einen genaueren Blick auf diese Tests, aber was vielleicht noch wichtiger ist, auf ihre strengen Annahmen. Wenn Sie diese kennen, werden Sie in der Lage sein, zu erkennen, wann diese Tests unangemessen eingesetzt werden.

Herzlichen Glückwunsch! Sie haben die letzte Woche des Kurses Klinische Forschung verstehen erreicht. In dieser Lektion werden wir uns ansehen, wie gut Tests das Vorhandensein oder Nichtvorhandensein von Krankheiten erkennen, wie sie uns bei der Auswahl geeigneter Tests helfen und wie man positive und negative Ergebnisse interpretiert. Wir werden Sensitivität, Spezifität, positive und negative prädiktive Werte entschlüsseln. Dieser Kurs endet mit einer Abschlussprüfung, in der Sie Ihr Wissen und die Anwendung des Gelernten testen können. Ich hoffe, dieser Kurs hat Ihnen Spaß gemacht und trägt zu Ihrem Verständnis der klinischen Forschung bei.