Aantekeningen Algemene Wetenschappelijke Vorming voor Geneeskunde studenten

Aantekeningen bij Algemene Wetenschappelijke Vorming voor geneeskunde studenten - 2015/2016 (bachelor 3)


Introductie Algemene Wetenschappelijke Vorming

In de medische wereld gaat het om goede beslissing nemen voor je patiënten, de beslissing die gemaakt wordt is meestal gebaseerd op uitkomsten van onderzoeken. Hoe kun je dan de enorme hoeveelheid medische literatuur gebruiken om tot goede beslissingen te komen voor een specifieke patiënt? Het gaat hier met name om de beste test bij bepaalde klachten, de beste therapie voor een aandoening en de vooruitzichten van patiënten met een bepaalde aandoening. Naast het medische “bewijs” moet men natuurlijk ook rekening houden met de wensen van de patiënt, de beschikbaarheid van de diagnostiek, de therapie en de kosten.

Evidence based medicine: het gaat hierbij om verschillende pijlers die uiteindelijk moeten leiden tot de juiste beslissing. Hierbij kijk je naar de pathofysiologie, wat zijn de klachten, welke ziekte past hierbij en hoe wordt dit behandeld. Daarnaast is elke patiënt anders, met misschien een andere prognose door risicofactoren die van invloed zijn op de keus die je maakt. Daarnaast wordt bewijs uit onderzoek meegenomen in het proces en kijkt men naar de expertise, de faciliteiten en de voorkeur. Dit alles moet uiteindelijk leiden tot de juiste beslissing voor die ene patiënt. Met een CAT (clinical appraisal of a topic) kijk je in een aantal stappen naar al deze punten, om uiteindelijk tot een goed besluit te komen.

In een CAT wordt er aan de hand van een casus uit de praktijk een klinische vraag gesteld, waarop een antwoord geformuleerd wordt dat onderbouwd is met het beste wetenschappelijke bewijs op dat moment voorhanden. Een CAT is belangrijk om de kennis te integreren in een beslissing. In een CAT zijn er verschillende methodologische domeinen: diagnostiek, prognose en therapie.

In een diagnostisch proces is er een bepaalde vooraf (a-priori) kans op de aandoening en je wilt een test hebben die je gaat helpen om een beslissing te nemen. Hierin zijn er twee mogelijkheden: je vindt de ziekte dusdanig onwaarschijnlijk, dat je hem niet gaat behandelen. De ander is dat je de ziekte waarschijnlijk vindt en je zult de patiënt dus gaan behandelen. Hierbij moet je je altijd afvragen of onnodig behandelen meer schade aanbrengt dan niet behandelen als het wel nodig is.

Prognostische vragen zijn belangrijk omdat het wat betekent voor de patiënt dat deze een ziekte heeft. Je wilt weten of de ziekte vanzelf over gaat en of er een kans is dat de patiënt gaat overlijden. Daarnaast wil je weten of het te genezen is met een bepaalde behandeling en welke factoren voorspellen de complicaties, recidieven en de kwaliteit van leven. Je kunt bij een prognostische vraag kijken naar verschillende uitkomstmaten. Als je dichotoom kijkt, kijk je bijvoorbeeld naar de mortaliteit (overlijdt iemand ja/nee). Verder kun je ordinaal kijken (afname klachten) en continue.

Het therapeutische domein bekijkt de effectiviteit van bepaalde interventies. Het onderzoeksresultaat kan echter altijd anders zijn dat het resultaat voor jouw specifieke patiënt. Er moet hierbij worden gekeken naar de bijwerkingen, complicaties en de kosten.

Alle domeinen worden in verschillende studies bekeken, elk domein heeft zo’n zijn bijpassende studieopzet. Het diagnostische domein wordt meestal bekeken aan de hand van een dwarsdoorsnede onderzoek, een cohort onderzoek of een case-control onderzoek. De prognose van een aandoening bekijkt men meestal met retrospectief-prospectief cohort onderzoek. Voor het aantonen van de effectiviteit van een bepaalde interventie is een RCT de gouden standaard aan de hand van randomisatie en blindering.

De 7 stappen van de CAT

  1. Klinische scenario: het patiënt contact, de situatie van een patiënt.
  2. Klinische vraag: het klinische scenario leidt tot de klinische vraag
  3. Literatuur onderzoek: met behulp van PubMed of andere databases ga je kijken hoeveel onderzoek er is gedaan op een bepaalde klinische vraag. Hier komen artikelen uit.
  4. Kritisch beoordelen van een artikel: na het selecteren van bruikbare artikelen moet men deze kritische lezen en beoordelen of dit een goed opgezet onderzoek is geweest.
  5. evidence’
  6. Commentaar: besluitvormingsproces, EBM verwoorden: de uitkomst van de literatuur moet je integreren in de patiënt die je voor je hebt.
  7. Bottom line: een zo helder mogelijk antwoord op de vraag uit stap 2.

In het klinisch scenario moeten er een aantal elementen zijn die naar voren moeten komen: de naam van de patiënt, de leeftijd, co-morbiditeit, lichamelijk onderzoek, uitslagen testen, aandoening (of verdenking daarop), specialisatie van de arts en setting, verwachting van de patiënt en de voorkeur van de patiënt en de arts. Uit het scenario moet naar voren komen waarom je dit gekozen hebt als onderwerp voor de CAT. Bij een diagnostische vraag is het heel belangrijk om je een aantal vragen te stellen binnen die vraag: hoe schat je de a-priori kans in op een bepaalde aandoening van de patiënt, welke complicaties of problemen kan het geven als je niet gaat behandelen of niet verder kijkt, welke kans heb je dat je meer diagnostiek gaat doen of bijwerkingen induceert als je start met behandeling enzovoorts. Bij een prognostische vraag kijk je naast het prognostische probleem zelf ook naar de leeftijd, geslacht, aard en ernst van de aandoening, de setting waarin de patiënt wordt gezien, het moment van presentatie en de waarden van mogelijke belangrijke prognostische variabelen. Bij een therapeutische vraag kijk je naar de effectiviteit van een therapie, maar hierbij moet je ook kijken naar het verschil in bijwerkingen, het verschil in kosten en de voorkeur van de patiënt of de behandelaar.

Het goed opzetten van een klinische vraag is essentieel voor het daaropvolgende literatuuronderzoek. De klinisch vraag wordt opgezet aan de hand van de PICO.

  • P:wie (leeftijd, geslacht), wanneer (t.o.v. aanvang ziekte, leeftijdsfase) en waarmee (klachten, ziekte, co-morbiditeit).

  • I: wat (behandeling, diagnostiek, risico/prognostische factor)

  • C: geen/andere controlegroep

  • O: de uitkomst maat. Welke ziekte, welk effect, welke morbiditeit/mortalitieit, wanneer en hoelang.

 

Kritisch lezen van artikelen

We onderscheiden drie soorten vragen: diagnostisch, prognostisch en therapeutische vragen. Dit betekent dan ook dat er drie verschillende soorten artikelen/studies bestaan. Bij alle artikelen moet je dezelfde drie vragen stellen: is het onderzoek valide, wat zijn de resultaten en zijn deze betrouwbaar en kunnen de resultaten gebruikt worden voor de specifieke patiënt.

Diagnostische artikelen

Je vraagt je bij een diagnostisch onderzoek af of je een bepaalde diagnostische test uit moet voeren om er zekerder van te zijn dat er sprake is van een bepaalde aandoening. Diagnostisch onderzoek kan op verschillende manieren opgezet worden. Als je wilt weten of een echo bij borstkanker net zo goed is als een mammogram, dan zou je bij alle patiënten direct beide testen af kunnen nemen en deze met elkaar te vergelijken. De echo is hierin de diagnostische test en de mammografie is hierin de gouden standaard. Dit kan worden gedaan aan de hand van cross-sectioneel of een cohort onderzoek.

Je kunt het ook andersom doen. Je neemt een groep mensen die ziek zijn en een groep mensen die gezond zijn en voert bij beide groepen de testen uit. Dit noemen we een case-control studie. Je kijkt hierbij hoe goed de test zieken en niet zieken onderscheidt. Een diagnostisch onderzoek moet beoordeeld worden op validiteit. Je kijkt of er een valide referentietest (gouden standaard) is gebruikt. In het geval van de borstkanker patiënten mist de mammografie ook nog wel eens gevallen, maar het is wel de beste test. De test en de gouden standaard moeten onafhankelijk van elkaar zijn uitgevoerd, omdat de onderzoeker anders al vooraf informatie heeft. Je moet weten of de gouden standaard bij iedereen is uitgevoerd, onafhankelijk van het testresultaat. Het laatste waar men naar moeten kijken is of de patiëntengroep bestaat uit personen waar je in de praktijk ook de test op uit zal voeren en of alle uitvallers met reden gemeld worden.

Bij de resultaten geven onderzoeken vaak de sensitiviteit (proportie van mensen met positief testresultaat onder de zieken) en specificiteit (proportie van mensen met negatief testresultaat onder niet zieken). De sensitiviteit en de specificiteit maken voor de patiënt echter weinig uit, voor hen zijn juist de positief en de negatief voorspellende waarden belangrijk. Deze waarden hangen af van de vooraf kans, de prevalentie. Positief en negatief voorspellende waarden kunnen worden berekend aan de hand van een 2x2 tabel, de formules van Bayes* en de likelihood ratio. De likelihood ratio voor een positieve test is de kans op een positieve test bij zieken / de kans op een positieve test bij niet zieken. Dus LR+ = sensitiviteit / 1 – specificiteit. De likelihood ratio voor een negatieve test is de kans op een negatieve test bij zieken / de kans op een negatieve test bij niet zieken. Dus LR- = 1 – sensitiviteit / specificiteit. Als je van tevoren weet dat de kans op een ziekte vooraf 1% is en de likelihood ratio voor een positieve test is 12, kun je met een nomogram bepalen wat de achteraf kans ongeveer zal zijn. Je weet dan dus wat de kans is op ziekte als de test positief is. De achteraf kans wordt vaak berekend door Odds. De formule: Odds post-test = LR x odds pre-test.

* Formule van Bayes: (sensitiviteit x prevalentie / (sensitiviteit x prevalentie) + (1-specificiteit) x (1-prevelantie)).

Een likelihood ratio is vaak een richtlijn. Groter dan 10 of kleiner dan 0.1 betekent dat er een grote verandering is van pre-test naar post test. Een likelihood ratio tussen 5 en 10 en 0.1 en 0.2 is een redelijke verandering, een LR tussen 2 en 5 en 0.2 en 0.5 is een kleine verandering en bij een LR van 1 is het zelden nodig om een test uit te voeren.

Om te kijken of de test bruikbaar is voor de patiënt moet je je in eerste instantie af vragen of de test wel uit te voeren is in een bepaalde praktijk. We moeten de vooraf kans en de achteraf kans met elkaar vergelijken om te kijken of het nu echt veel uit maakt. De laatste vraag die je je moet stellen is of je de patiënt anders gaat behandelen als de test positief is en of de voordelen wel opwegen tegen de nadelen (sommige testen hebben duidelijke bijwerkingen).

Therapeutisch onderzoek

Dit wordt meestal uitgevoerd aan de hand van een RCT, maar dit is niet altijd mogelijk (denk bijvoorbeeld aan een keizersnede). Om te kijken of een studie valide is kijk je of er gerandomiseerd is, of alle geïncludeerde patiënten gerapporteerd zijn, of de follow-up compleet is, of er een intention to treat analyse (alle mensen geanalyseerd in de oorspronkelijk toegewezen groep) is gedaan en of de patiënten, behandelaars en beoordelaars geblindeerd waren tijdens het onderzoek. De groepen moeten vergelijkbaar zijn bij de start van de studie en de groepen moeten gelijk behandeld worden afgezien van de experimentele behandeling.

De p-waarde is de kans op minstens het geobserveerde verschil als beide behandelingen even goed zijn. Meestal noemen we iets statistisch significant als de p waarde kleiner dan 0.05 is. Echter, als je een grote studie hebt zullen hele kleine verschillen al statistisch significant zijn, terwijl een heel kleine studie waarschijnlijk geen significantie zal tonen. Het is beter om de effecten te presenteren met de precisie erbij. Bij een numerieke uitkomst kun je verschil in het gemiddelde bepalen, maar bij een binaire uitkomst kijkt men liever naar het absoluut risico, het relatief risico (RR), de odds ratio (OR) en het aantal mensen dat behandeld moeten worden om er één beter te maken (NNT). Je geeft hierbij niet alleen de effecten, maar ook hoe nauwkeurig je ze gemeten hebt aan de hand van een betrouwbaarheidsinterval. Een 95% betrouwbaarheidsinterval betekent dat in 95 van de 100 studies de echte onbekende waarde in het interval ligt. Het betrouwbaarheidsinterval wordt berekend met de volgende formule:

Schatting – 1.96*standaardfout, Schatting + 1.96*standaardfout.

Als we kijken naar het risicoverschil is er geen verschil als dit getal 0 is. Dus wanneer de waarde 0 niet in het betrouwbaarheidsinterval ligt, zal dit betekenen dat er een significant verschil is tussen twee groepen. Het number needed to treat berekent hoeveel mensen er behandeld moeten worden om 1 persoon te redden / 1 slechte uitkomst te voorkomen. Dit wordt berekend door 1/absoluut risicoverschil. Het relatieve risico kan nooit onder de 0 komen, waardoor je eigenlijk geen betrouwbaarheidsinterval kunt berekenen. Daarom maakt men gebruik van de natuurlijke logaritme (ln). Als je het relatieve risico hebt omgerekend met ln, kun je het wel invullen in de formule voor het betrouwbaarheidsinterval. De waarden moet je wel weer omschrijven en dit kun je doen door je betrouwbaarheidsintervallen boven de e op je rekenmachine te plaatsen. Een Odds ratio is een kans/1-kans. Ook bij deze ratio moet je gebruik maken van het natuurlijke logaritme om een betrouwbaarheidsinterval te berekenen.

Therapeutisch onderzoek is bruikbaar als het toepasbaar is op de patiënt, je moet vergelijken of de onderzoekspopulatie te vergelijken is met de patiënten die voor je zitten. Daarnaast wil je weten of alle belangrijke klinische uitkomstmaten zijn onderzocht en of de verwachte voordelen groter zijn dan de nadelen. Als laatste moet je er over nadenken of je je patiënten dan ook daadwerkelijk met deze therapie gaat behandelen.

Prognostisch onderzoek

Je wilt hierbij weten wat het ziektebeloop van de patiënt is. Je moet er op letten dat je een populatie hebt die gevolgd wordt in de tijd. De mensen in deze populatie moeten allemaal op hetzelfde moment begonnen zijn met het onderzoek. Daarnaast wil je weten of de patiënten wel lang genoeg gevolgd zijn en of de uitkomst wel objectief is vastgesteld, onafhankelijk van de prognostische factor. Is er onderscheid tussen verschillende prognostische factoren/prognostische score gemaakt? Het is altijd een cohort studie, een groep mensen die je over de tijd volgt.

De uitkomst is vaak de tijd tot aan een gebeurtenis. Het probleem hierbij is dat niet iedereen het eindpunt bereikt. Bij een prognostisch onderzoek wordt een Kaplan-Meier kromme gemaakt en de effectmaat is een Hazard ratio. Deze ratio geeft aan hoe sneller mensen in de ene groep overleiden dan in de andere groep. Er is bij een Hazard ratio geen effect als de waarde 1 is. Als deze 1 al niet in het betrouwbaarheidsinterval zit, zal er een significant verschil zijn.

Als je wil kijken of een prognostisch onderzoek bruikbaar is moet je kijken of de patiëntenpopulatie die gebruikt is overeenkomt met jouw patiënt en je je moet kijken of de resultaten van invloed zijn op wat je de patiënt zou vertellen, of de therapie die je zou voorschrijven.

Prognose en prognostische scores

Als je een heel cohort volgt, zie je hoe het gemiddeld met mensen gaat. Maar, elke patiënt is anders, je hebt verschillende prognostische factoren die de prognose bepalen. Jonge mensen zijn anders dan oude mensen, het type tumor kan uitmaken enzovoorts. Een Kaplan Meier curve houdt geen rekening met deze prognostische factoren, dus er is geen patiënt specifiek antwoord. Maar wat nu als er heel veel factoren zijn die je uitkomst beïnvloeden? Tegenwoordig zijn er prognostische indices, dit zijn getallen die de prognose samenvatten op basis van een aantal prognostische factoren. Hoe hoger de score, hoe slechter de prognose. Je kunt hierbij denken aan de Apache score en Apgar score of de IPI score bij Non-Hodgkin lymfoom. Het maken van prognostische indices gaat vaak met regressiemodellen, statistische modellen waarmee je een uitkomst kunt voorspellen.

Voorbeeld 1

We kijken naar kinderen met het syndroom va Marfan, waarbij we de uiteindelijke eindlengtewillen voorspellen. Kinderen met een grote voorspelde eindlengte kunnen worden behandeld met groeihormonen om de lengtegroei tegen te gaan. De lengte van de kinderen wordt uitgedrukt in standaarddeviatiescores (SDS). Dit is de lengte gecorrigeerd voor de leeftijd. De standaarddeviatie geeft aan hoeveel individuen nog spreiden om het gemiddelde. Een 10-jarige van 1.50 zit bijvoorbeeld 1 SD boven het gemiddelde, dus deze heeft een SDS van +1. Een kind van 1.35m zit 2 SD onder het gemiddelde en heeft een SDS van -2. Met een regressielijn kun je de verwachte eindlengte weergeven, op basis van de beginlengte. Bij iemand met een SDS van 4.0 verwacht je een eindlengte rondom de 2 meter.

Een regressielijn wordt opgesteld aan de hand van de formule Y = a + bx. De coëfficiënten van de regressielijn kun je aflezen uit de SPSS tabel in het B vakje. Hieruit komt in dit geval dan een verwachte eindlengte = 189.33 + 2.49X. De gemiddelde verwachte eindlengte van jongens ligt dus rond de 189.33cm en met elke SDS extra komt er nog 2.5cm bij. Omdat er meestal meerdere factoren een rol spelen kun je ook een extra factor toevoegen aan de regressielijn, om de schatting nauwkeuriger te maken. De algemene vorm voor een regressie lijn:

Verwachte eindlengte = constante + 1e variabele + 2e variabele…

Je kunt met regressiemodellen bekijken hoe Y varieert als functie van alle variabelen, of je Y kunt voorspellen als je de variabelen weet, wat de invloed is van de variabelen op Y en welke combinatie van variabelen het meest gerelateerd is aan Y. Als je uitkomst numeriek is (eindlengte) gebruik je lineaire regressie of niet lineaire regressie. Bij een binaire uitkomst (0-1, ziek/gezond) maak je gebruik van logistische regressie en bij overlevingsdata geeft men de voorkeur aan proportionele hazard regressie. Voor al deze typen regressie modellen is het idee steeds hetzelfde. Het zijn onafhankelijke variabelen die gerelateerd zijn aan een bepaalde uitkomst en deze vat je samen in een formule.

Voorbeeld 2

Op de afdeling reumatologie is er een early artritis clinic, waarbij patiënten met artritis klachten snel worden doorverwezen. Bij sommige patiënten is meteen bekend dat ze reuma hebben, maar bij sommige patiënten is dit niet het geval (undifferential arthritis). Je wilt bij deze patiënten weten hoe groot de kans nu is dat ze wel artritis gaan ontwikkelen. Je wilt dus weten wat de prognose is van alle mensen met deze begindiagnose.

We stellen dat 0 betekent dat er geen kans is en 1 betekent wel een kans. We willen dus weten hoe groot de kans op y=1 is. We definiëren de kans als p(x), maar we kunnen hierbij geen lineaire regressie gebruiken omdat dit alleen maar waarden boven 1 en onder 0 zal geven. Om een kans tussen – oneindig en + oneindig te krijgen, berekenen we de oddsen: Ln (p(x) / 1 – p(x)). Dit stellen we gelijk aan de formule voor de lineaire regressielijn: a +bx. Als we dit uitwerken krijgen je uiteindelijk de volgende formule voor de kans op RA:

P(x) = e^(a + bx) / 1 + e^(a + bx). Een logistisch regressie model geeft uitiendelijk een S vormige kromme. Je hebt voor RA de volgende regressielijn: -2.282 + 0.028*leeftijd. Dit betekent:

  • Als de leeftijd een jaar omhoog gaat wordt de kans op RA 0.028 hoger.

  • Als de leeftijd een jaar omhoog gaat wordt de odds e^0.0282=1.02 keer groter.

Een odds ratio kunnen we ook uitrekenen aan de hand van een 2 x 2 tabel: (A x D)/(B x C)

Een andere prognostische factor voor RA is de reumafactor.

Als de uitkomst een tijd tot een gebeurtenis is maak je gebruik van een cox regressie model, hiervoor gebruikt men de hazard ratio’s. Een hazard ratio van 1.6 betekent dat de ene groep patiënten een 1.6 keer hogere hazard heeft op overlijden dan de andere groep. Als 1 niet in het betrouwbaarheidsinterval ligt, zal er een significant verschil zijn. Je bijvoorbeeld een cox regressie maken voor de overleving bij hemodialyse of peritoneaal dialyse. Met alleen deze twee componenten is er een significant verschil en hebben hemodialyse patiënten een 1.6 keer hogere hazard op overlijden. Echter, als we als extra component de leeftijd toevoegen is het niet langer significant.

CAT stap 5, samenvatten evidence meta-analyse

In de vijfde stap van je CAT moet je een overzicht maken, je vat elk artikel apart samen. Per artikel kun je de PICO noteren en bespreken of het onderzoek valide is. Daarnaast kijk je of de resultaten bruikbaar zijn en als laatste bespreek je ook de resultaten. Dit wordt vaak in een zogenoemde evidence tabel gedaan.

Kwaliteit vs. risico voor bias

Kwaliteit is het beste dat de onderzoekers hadden kunnen doen. Soms hebben onderzoekers alles zo goed gedaan als mogelijk is, maar het kan toch bias geven. Het kan zijn dat je een studie doet naar een chirurgische interventie vs. een afwachtend beleid, dit kan echter niet geblindeerd worden gedaan. Zowel de arts, de patiënt als de mensen die metingen doen weten welke behandeling de patiënt zal krijgen. Het kan ook zo zijn dat er een verkeerde formule is gebruikt om de populatiegrootte te berekenen, maar je moet je afvragen of dit de uitkomsten wel of niet zal beïnvloeden.

Als je verschillende artikelen bekijkt, moet je kijken of de studies hetzelfde zijn, met dezelfde patiëntenpopulatie, dezelfde interventie en controlebehandeling. Het kan zijn dat de ene studie een net iets andere uitkomst heeft dan een andere studie. Het is dus lastig om de studies zomaar bij elkaar op te tellen. Je bekijkt per studie wat het gemiddelde effect is, hoeveel keer groter is het risico op een slechte uitkomst enzovoorts. Voor elk van de studies kijk je naar de effecten, zijn ze hetzelfde en wijzen ze in dezelfde richting Je kunt ook kijken of het een grote goed studie is en je moet je niet laten misleiden door de p-waardes.

Stel: je vindt 5 studies, waarbij er vooral p-waardes worden gerapporteerd. 4 Studies hebben een p-waarde groter dan 0.05 en 1 studie heeft een statistische significante p-waarde gevonden. De conclusie kan zijn dat de meerderheid niet significant is, dus dat er niets aan de hand is. Maar je kunt ook zeggen dat die ene p-waarde wel significant is, dus je concludeert dat er wel een verschil is. Dit is iets wat je niet moet doen, want de p-waardes zijn afhankelijk van de studie grootte. Daarnaast kunnen individuele studies een niet significant effect tonen, maar als je ze combineert zou het wel een significant verschil kunnen tonen. Daarom moet je kijken naar de effectschatting, met een betrouwbaarheidsinterval en een standaardfout.

Als je drie studies hebt, kun je deze data niet zomaar op een hoop gooien en daarvan bijvoorbeeld een relatief risico berekenen. Want, als er ook maar 1 getal veranderd, kan het zomaar zijn dat het relatieve risico heel anders wordt.

Je hebt twee vormen van optellen van studies: informeel en formeel. Informeel optellen doe je bij een CAT, je maakt een overzicht van drie studies met de effecten. Dit ga je bekijken en hierop een conclusie baseren. Een andere manier is een meta-analyse, waarbij je heel veel studies vergelijkt. Hierbij ga je een antwoord zoeken voor alle patiënten, in plaats van een specifieke patiënt. Bij meta-analyse heb je verschillende studies met verschillende effecten en je wilt uiteindelijk een gemiddelde hebben van alle geschatte effecten. Je kunt zeggen dat je 3 relatieve risico’s hebt en hiervan het gemiddelde berekent, maar in sommige studies zal het relatieve risico veel nauwkeuriger geschat zijn. Deze studies laat je dus zwaarder meewegen. Vaak neemt men de volgende formule: 1/standaardfout2. Wanneer je dit doet voor risicoverschillen, kun je de getallen behouden. Maar, voor relatieve risico’s en odds ratio’s moet je eerst de logaritmische schaal toepassen. Met een forrest plot kun je uiteindelijk van elke studie het gepoolde risicoverschil/relatieve risico/odds ratio laten zien.

Heterogeniteit tussen studies geeft statistische problemen. Je moet rekening houden met de variaties tussen verschillende studies. Een goede meta analyse bekijkt over er heterogeniteit is met een statistische toets en een forrest plot. Verschillen moet je proberen te verklaren. ,

Je moet altijd rekening houden met publicatie bias, niet al het onderzoek wat gedaan is wordt gerapporteerd. Significante effecten worden eerder opgeschreven en daarnaast ook in betere tijdschriften gepubliceerd. Dit geldt men name voor kleinere studies. Hele significante effecten zijn heel makkelijk toegankelijk en heel hoge p-waarden worden meestal niet gepubliceerd. De p-waarden die hiertussen liggen (wel/niet significant) worden wel gepubliceerd, maar meestal niet in de grote tijdschriften. Funnel plot: is een grafiek die publicatie bias laat zien. Als er geen publicatie bias is, zullen de grote studies op de gemiddelde lijn liggen en de kleinere studies rondom het gemiddelde, waardoor je een soort driehoek vorm krijgt. Een afwijking van deze vorm indiceert publicatie bias.

Join World Supporter
Join World Supporter
Log in or create your free account

Why create an account?

  • Your WorldSupporter account gives you access to all functionalities of the platform
  • Once you are logged in, you can:
    • Save pages to your favorites
    • Give feedback or share contributions
    • participate in discussions
    • share your own contributions through the 7 WorldSupporter tools
Follow the author: Medicine Supporter
Promotions
Image

Op zoek naar een uitdagende job die past bij je studie? Word studentmanager bij JoHo !

Werkzaamheden: o.a.

  • Het werven, aansturen en contact onderhouden met auteurs, studie-assistenten en het lokale studentennetwerk.
  • Het helpen bij samenstellen van de studiematerialen
  • PR & communicatie werkzaamheden

Interesse? Reageer of informeer

verzekering studeren in het buitenland

Ga jij binnenkort studeren in het buitenland?
Regel je zorg- en reisverzekering via JoHo!

Access level of this page
  • Public
  • WorldSupporters only
  • JoHo members
  • Private
Statistics
[totalcount]
Comments, Compliments & Kudos

Add new contribution

CAPTCHA
This question is for testing whether or not you are a human visitor and to prevent automated spam submissions.
Image CAPTCHA
Enter the characters shown in the image.