3) Adekvátní metodika

Transkript

1 3) Adekvátní metodika NEPLÉST ZÁMĚR ANEB HLAVNÍ CÍL(E) S POJMEM : dílčí cíle = úkoly = konkr. kroky stanovené tak, aby byl splněn hlavní cíl (viz později) Př: Teoretická část bakalářské práce se zabývá vysvětlením problému Empirická část je zaměřena na zjištění hmotnosti sledovaných dětí a zjištění souvislosti se způsobem jejich stravování. Údaje byly získány ze ZŠ v Lounech K získání dat byl použitý anonymní dotazník V práci jsou uvedena opatření zaměřená na prevenci vzniku nadváhy a obezity a role zdravotníka při jejich realizaci.

2 Metodologie - realizace výzkumu Pokus = plánované změny podmínek a studium vlivu těchto změn laboratorní klinický Šetření = pasivní observace kazuistika (případová studie) statistické šetření

3 Příklady klinických pokusů kontrolovaný pokus pacienti rozděleni do dvou (či více) skupin experimentální (i více) versus jedna kontrolní slepý pokus = kontrolovaný pokus, v němž pacient nezná své zařazení do skupiny (placebo efekt) dvojitě slepý pokus = zaslepení nejen pacienta, ale i lékaře; Př. Studie TRIGR - vliv kravského mléka na rozvoj diabetu u kojenců (podrobně viz dále)

4 Příklady šetření kazuistika = případová studie (case report) = popis konkr. případů zveřejnit jen s informovaným souhlasem!!! obvyklý typ BP na KF/KE!!!

5

6

7 INFORMOVANÝ SOUHLAS 6. ETIKA ZÍSKÁVÁNÍ INFORMOVANÉHO SOUHLASU PŘI VÝZKUMU ZAHRNUJÍCÍM LIDSKÉ SUBJEKTY * Jestliže je použito v rámci výzkumu zahrnujícího lidské subjekty osobních údajů, je k tomu zapotřebí informovaný souhlas zúčastněných osob. 10 Konkrétní podmínky pro použití těchto údajů při výzkumných nebo s výzkumem souvisejících aktivitách vyplývají ze zákona Rovněž k vlastnímu výzkumu zahrnujícího lidské subjekty poskytují zúčastněné osoby informovaný souhlas. Tato záležitost je řešena v Úmluvě o lidských právech a biomedicíně, která v České republice vstoupila v platnost 1. října Zákon č. 101/2000 Sb., o ochraně osobních údajů a o změně některých zákonů, ve znění pozdějších předpisů. * Zdroj: Materiál MŠMT Etický rámec výzkumu

8 INFORMOVANÝ SOUHLAS 6.1. Získávání informovaného souhlasu k výzkumu Při získání informovaného souhlasu jsou účastníci výzkumu informováni odpovědným výzkumným pracovníkem o: a) účelu výzkumu, jeho očekávaném trvání a průběhu, b) právech účastníků na pozdější odmítnutí účasti ve výzkumu a následcích tohoto odmítnutí, c) závažných předvídatelných faktorech, které mohou ovlivnit ochotu účastnit se na výzkumu jako například potenciálních rizicích (všeho druhu), nepříjemnostech nebo negativních účincích, d) výhodách vyplývajících z výzkumu, e) míře zachování důvěrnosti při výzkumu a využití jeho výsledků, f) odměně za účast ve výzkumu, g) informačním místě pro otázky týkající se výzkumu a práv účastníků výzkumu. Zároveň musí být dána příležitost k tomu, aby se mohli účastníci dotazovat a získávat odpovědi na své dotazy.

9 INFORMOVANÝ SOUHLAS 6.2. Osvobození od informovaného souhlasu k výzkumu Výzkumný pracovník si nemusí vyžádat informovaný souhlas k výzkumu pouze tehdy, existují-li k tomu zákonné důvody a výzkum nikomu nepůsobí škodu, nepříjemné pocity nebo jinou újmu a zahrnuje: a) zatajení některých aspektů sociologického a psychologického výzkumu a některých dalších typů výzkumu (vzdělávací metody, zdravotnictví) po dobu nezbytně nutnou (viz odstavec 6.1. písmena a), d) a případně f), b) studium vzdělávacích metod nebo vedení vyučování ve třídě, c) anonymní dotazování, přirozené pozorování a archivní výzkum, jehož zveřejnění nepředstavuje žádnou právní ani jinou hrozbu (ztrátu reputace, majetkového postavení nebo zaměstnání účastníka výzkumu).

10 INFORMOVANÝ SOUHLAS UKÁZKA Informace pro účastníky studie.. (název studie /nejde o BP/ ) Vážená paní / vážený pane, dříve než vyslovíte souhlas se svou účastí ve studii, je důležité, abyste si přečetl/a následující informace o tom, co pro vás zapojení do studie obnáší a porozuměl/a tomu. Je důležité zmínit, že vaše účast v této studii je zcela dobrovolná, bez nároku na odměnu a že máte právo účast odmítnout a nebudou z toho plynout pro vás žádné následky. Informovaný souhlas znamená, že vy, jakožto účastník studie, jste informován/a o účelu a povaze své účasti ve studii, a to předem a řádně. Informace o vaší osobě budou shromažďovány a zpracovány výhradně v souvislosti se studií a pro její potřeby a jsou považovány za přísně důvěrné. Zajištění ochrany dat vyšetřované osoby je v souladu se zákonem. Výsledky dosažené studiem vaší osoby budou archivovány a mohou být zveřejněny v odborných médiích [míněno bez uvedení osobních identifikačních údajů]. PROSÍM, ZEPTEJTE SE NA VŠE, CO VÁS ZAJÍMÁ NEBO CO VÁM NENÍ JASNÉ! INFORMOVANÝ SOUHLAS Přečetl/a jsem si všechny výše uvedené informace a dostalo se mi příležitosti zeptat se na vše, co jsem potřeboval/a pro pochopení toho, co pro mne účast ve studii představuje. Dobrovolně dávám svůj souhlas k účasti ve studii. Studie a všechna s ní související vyšetření a terapie mi byla dostatečně vysvětlena. V [místo] Podpis vyšetřovaného dne Podpis osoby, která souhlas získala

11 INFORMOVANÝ SOUHLAS nyní v rámci BP:! ETICKÁ KOMISE (též BP)!

12 INFORMOVANÝ SOUHLAS nyní v rámci BP: Brožura Příloha CH: Stanovisko Etické komise FZS UJEP Brožura Příloha J: Souhlas s výzkumným šetřením

13 Další příklady šetření - klinické studie průřezová studie (cross-sectional) studie zaměřena na jednorázový stav populace studie případů a kontrol (case-control) případ x kontrola = co nejpodobnější si pár (kardiak X zdravý); studie zaměřena retrospektivně (jaké jsou příčiny onemocnění u stávajících případů) kohortová studie (case-cohort) kohorta=skupina osob (např. podle věku, vzdělání, chorob); studie zaměřena prospektivně (bude mít kouření vliv na nemoci cév?); longitudinální

14 Klinický výzkum - příklady Mezinárodně prováděný výzkum TRIGR (Trial to Reduce IDDM in the Genetically at Risk) Cíl: odhalit případný vliv proteinů z kravského mléka na rozvoj diabetu u kojenců z rizikové skupiny, tj. u kojenců s matkami s diabetem 1. typu. Rozdělení vybraných dětí do dvou skupin: A = podáváno sušené mléko se silně hydrolyzovanými proteiny; B =proteiny hydrolyzovány méně (matky ani ošetřující lékaři neznali zařazení). Do roku 2017 budou děti (pak už ve věku let) pravidelně sledovány objeví se u nich diabetes? Rozdílný výskyt v obou skupinách?

15 Klinický výzkum - příklady

16 Klinický výzkum - příklady Project MONICA (Multinational MONItoring of trends and determinants in CArdiovascular disease) Vznik v 80. letech za účelem desetiletého sledování vývoje kardiovaskulárních onemocnění v populaci, s důrazem na odhalení rizikových faktorů. Jednalo se o mezinárodní, tzv. multicentrický projekt (32 specializovaných institucí z 21 zemí). Sledováno deset miliónů mužů a žen ve věku (při vstupu) let. Sběr dat ukončen koncem 90. let, dosud probíhají jejich analýzy.

17 Klinický výzkum - příklady Framinghamský výzkum zahájen v roce vytvořena originální skupina o dobrovolnících (věk 30-62)t z města Framingham, Massachusetts, u nichž nevyvinuty zjevné symptomy kardiovaskulárních (CV) chorob, nebo kteří ještě neprodělali srdeční infarkt či cévní mozkovou příhodu. Později (a to ještě i po roce 2000) přidávány údaje od dalších podobných skupin. Poznatky umožnily identifikovat hlavní rizikové faktory pro výskyt CV chorob (krevní tlak, triglyceridy a cholesterol, přičemž roli hrají také věk, pohlaví či psychosociální faktory). V poslední době je zkoumána také role genotypu a fenotypu.

18 US web: clinicaltrials.gov

19 Klinický výzkum OTÁZKY (DÚ)

20 Klinický výzkum OTÁZKY (DÚ)

21 Statistická šetření - PROČ? Žádná věda není skutečnou vědou, není-li podložena matematickými principy. (L.da Vinci)

22 Statistická šetření - na kom / čem? statistické jednotky (S.J.) 1 respondent (pacient, proband) 1 krevní vzorek 1 nemocnice populace = stanovení všech S.J. konečná (např. demograficky) nekonečná (hypotetická např. všechny potenciální krevní vzorky)

23 Příklady statistických šetření úplné lze jen v konečné populaci, i tak bývá dlouhé a drahé (SLBD) výběrové jen na náhodně vybraných S.J., či vybraných jinak, ale aby byla zajištěna reprezentativnost (tj. poměrné zastoupení důležitých podskupin ve výběru musí kopírovat jejich poměrné zastoupení v celé populaci)

24 NEREPREZENTATIVNOST

27 REPREZENTATIVNOST

30 Proč výběrová šetření realizujeme? odhad pro neznámý populační parametr = =neznámá číselná charakteristika celé populace pravděpodobnost střední hodnota = populační průměr Př: Pravděpodobnost výskytu rakoviny plic u kuřáků její odhad? Př: Střední hodnota LDL cholesterolu u pacientů s kardiovaskulárním onemocněním její odhad? (příp.jiné úkoly např. ověření rozdílností mezi podpopulacemi či závislostí mezi veličinami)

31 Typy výběrových šetření ANKETA obvykle ústní zjišťování na malém vzorku dotázaných spíše orientační, např. pro média - nebývá reprezentativní! lze použít při pilotním odzkoušení Př: Názor občanů na situaci ve zdravotnictví

32 Typy výběrových šetření PRŮZKUM (SEARCH) slouží ke zjišťování a popisu (deskripci) dané situace na reprezentativním vzorku populace, obvykle bez ambice zkoumat / analyzovat hlubší příčiny či možné důsledky obvykle měkká data (názory apod. zjišťované dotazníkem) Př.: Průzkum spokojenosti pacientů dané nemocnice

33

34

35 Typy výběrových šetření VÝZKUM (RESEARCH) nejen deskripce, i ANALÝZA (příčin/důsledků) pokud měkká data : kvalitativní výzkum pokud číselná data (výsledky měření, laboratorních testů apod.): kvantitativní výzkum v obou typech nutná opět reprezentativnost obvykle pro větší populace Př.: Výzkum příčin kardiovaskulárních onemocnění v české populaci

36 TYPY VELIČIN a) textové - otevřené pokud odpovědí je volný text Př.: Popište, jak se cítíte po zákroku. nelze zpracovat automaticky b) textové uzavřené (kategoriální) výběr z předem připravených variant Př.: Pohlaví M Ž lze zpracovat automaticky; někdy musí být varianty odpovědí pečlivě promýšleny

37 TYPY VELIČIN c) číselné diskrétního typu pokud odpovědí je jen spočetný počet číselných hodnot Př.: Počet provedených re-operací u daného pacienta. (možnosti: 0,1,2, ) d) číselné spojitého typu odpověď = jakékoli reálné číslo Př.: Tělesná teplota pacienta.

38 TYPY VELIČIN POZNÁMKY 1. Kategoriální veličiny se někdy dál dělí na nominální (neuspořádané) Př.: Typ léčby (pokud lze daného pacienta léčit jedním z např. 4 možných postupů) ordinální (uspořádané) Př.: Míra bolestivosti zákroku (např. s možnostmi: nebolí vůbec < bolí snesitelně < nesnesitelná bolest)

39 TYPY VELIČIN POZNÁMKY 2. Číselné údaje lze někdy zaznamenávat různě: Např. veličinu tělesná teplota lze zaznamenat: Jako veličinu spojitého typu jak v dotazníku? Uveďte naměřenou teplotu ( C) Jako ordinální kategoriální veličinu jak v dotazníku? kategorie 1 do 37 C; kategorie C; kategorie 3 více než 40 C

40 TYPY VELIČIN POZNÁMKY 3. Proč je důležité rozlišovat typy veličin? každý typ má svůj specifický způsob zpracování Př.: Průměrnou hodnotu má smysl počítat u číselných veličin, ale určitě ne u nečíselných (např. u veličiny nominálního typu barva očí s možnostmi 1=modrá, 2=zelená, 3=hnědá, 4=jiná, nemá smysl počítat průměrnou barvu )

41 Charakteristiky kategoriálních veličin Data (a zpracování) v programu MS EXCEL Identifikátor Veličina kategoriální (1-4)

42 Charakteristiky kategoriálních veličin Absolutní četnosti (FREQUENCY)

45 Charakteristiky kategoriálních veličin Relativní četnosti

48 Charakteristiky kategoriálních veličin Relativní četnosti VÝZNAM REL.ČETNOSTÍ? HODNOTA JEJICH SUMY?

49 Charakteristiky kategoriálních veličin Grafické znázornění četností SLOUPCOVÝ GRAF

52 Charakteristiky kategoriálních veličin Grafické znázornění četností VÝSEČOVÝ GRAF

53 Charakteristiky kategoriálních veličin Grafické znázornění četností VÝSEČOVÝ GRAF

54 Na samostatné procvičení Data vpravo zaznamenávají výsledky dotazování 14 studentů, kteří patřili do některého ze studijních oborů, kódovaných 1=fyzioterapie, 2=ergoterapie, 3=ostatní. Data si přepište do Excelu a pomocí příkazu =ČETNOSTI připravte tabulku četností, obsahující počty studentů v každé z uvedených tří kategorií. Určete i relativní četnosti a pro oba typy četností sestrojte jak sloupcový, tak výsečový graf. Uvědomte si, v čem se liší sloupcový (výsečový) graf pro četnosti absolutní od sloupcového (výsečového) grafu pro četnosti relativní.

55 Charakteristiky kategoriálních veličin MODUS je ta hodnota (kategorie), která se v datech vyskytla nejčastěji; pozná se tak, že je u ní nejvyšší četnost (absolutní či relativní); určení pomocí sloupcového / výsečového grafu? Poznámka skloňování: modus, modu,, modem Př: Pro veličinu léčba je modem (modální hodnotou) kategorie 2. Jinak řečena, typ léčby označený č.2 se vyskytl u největšího počtu pacientek (bráno absolutně i relativně).

56 Charakteristiky kategoriálních veličin ČETNOSTI poznámka: SOUČET ABS.ČETNOSTÍ = POČET STAT.JEDNOTEK! nemusí platit v případě multiple responses! Př.: Dotázaných 20 respondentů uvádělo, z jakého zdroje se dozvěděli o možnosti preventivního vyšetření na daný typ karcinomu, možnosti byly: 1. z internetu 2. z tisku 3. od lékaře 4. jinak 5. nedozvěděl(a) jsem se o tom; odpověď suma četnost Jaktože součet nečiní 20, ale 29?

57 Multiple responses pokračování příkladu

58 Dotazník KVALITAT.VÝZKUM Používat STANDARDIZOVANÉ DOTAZNÍKY (již ve výzkumu použité) Likertova škála (*1932) = výroky, respondent volí z 5bodové škály (obvykle): * zcela nesouhlasím * spíše nesouhlasím * nevím (lze vynechat) * spíše souhlasím * zcela souhlasím

59 Dotazník KVALITAT.VÝZKUM Nebo jiný příklad škály (právě ze stand.dotazníku):

60 Dotazník KVALITAT.VÝZKUM

61 Př: BP (2013) 15 položek za účelem zjištění, nakolik těhotné ženy s diagnózou GDM dodržují zdravý životní styl (n=80) položky např. Dodržuji velmi striktně dietní omezení Stravuji se v pravidelných intervalech Mé těhotenství provází množství stresových situací 4-stupňová škála ano ; spíše ano ; spíše ne ; ne (proč 3.položka červeně? reverze )

62 A) Zpracování item-by-item : Např. položka č.1 Abs.četnost Rel.četnost Ano 28 35,0 % Spíše ano 28 35,0 % Spíše ne 18 22,5 % Ne 6 7,5 % CELKEM ,0 %

63 B) Souhrnné zpracování: Kódování ano = 1 spíše ano = 2 spíše ne = 3 ne = 4 čím vyšší hodnota, tím větší provinění proti zásadám zdravého životního stylu (reverzní!) Př. (12 respondentek, 8 položek)

64 Charakteristiky kategoriálních veličin ČETNOSTI PRO DVOJICI KATEGORIÁLNÍCH VELIČIN: KONTINGENČNÍ TABULKA

68 Charakteristiky kategoriálních veličin ČETNOSTI PRO DVOJICI KATEGORIÁLNÍCH VELIČIN: KONTINGENČNÍ TABULKA Význam žlutých hodnot? Význam čísel 110, 160 a 200?

69 Poznámka pozor na PROCENTA Pozor při určování relativních hodnot z tabulky: např. a) 85/200 = 42,5 % (200 = počet všech dětí) b) 85/110 = 77,3 % (110 = počet všech chlapců) c) 85/160 = 53,1 % (160 = počet všech dětí v normě) Různé výpočty, tudíž různé interpretace: a) Mezi všemi dětmi tvořili chlapci v normě 42,5 %. b) Mezi všemi chlapci tvořili ti v normě 77,3 %. c) Mezi dětmi v normě tvořili chlapci 53,1 %.

70 Jak by měla vypadat např. kontingenční tabulka znázorňující znalost 50 respondentů před edukací a po ní (tzv. párový design)? Jde o tabulku vpravo, nebo ji musíme předělat a jak? znali neznali před edukací po edukaci Př. ( domácí úkol k samostatnému procvičení): V průzkumu byli rozlišování ne/kuřáci dle pohlaví, viz tabulka. Určete v procentech podíl a) žen mezi kuřáky b) kuřáků mezi ženami c) kuřaček mezi všemi dotázanými počty: nekuřáci kuřáci muži ženy 19 21

71 Charakteristiky číselných veličin u veličin číselných - diskrétních lze (stejně jako u veličin kategoriálních) určovat četnosti; každá hodnota je pak vlastně samostatnou kategorií u veličin číselných - spojitých obvykle nemívá smysl četnosti určovat (tyto veličiny nabývají obvykle příliš mnoha navzájem různých hodnot) u obou typů lze ale určovat kvantily (medián) a momenty (průměr, rozptyl - resp. jeho odmocninu, tzv. směrodatnou odchylku)

72 Charakteristiky číselných veličin Identifikátor Veličina diskrétní a spojitá

73 Charakteristiky číselných veličin PRŮMĚR (AVERAGE; MEAN)

74 Charakteristiky číselných veličin PRŮMĚR (AVERAGE; MEAN)

75 Charakteristiky číselných veličin SMĚRODATNÁ ODCHYLKA

76 Charakteristiky číselných veličin SMĚRODATNÁ ODCHYLKA

77 Charakteristiky číselných veličin Interpretace výsledků? veličina VĚK typické hodnoty se nacházely v rozmezí (po zaokrouhlení): 35,9 ± 11,4 = 24,5 až 47,3 veličina POČET DĚTÍ typické hodnoty v rozmezí (po zaokrouhlení): 1,6 ± 1,4 = 0,2 až 2,9 = 0 až 3

78 Charakteristiky číselných veličin KRABIČKOVÝ GRAF (ne Excel )

79 Charakteristiky číselných veličin KRABIČKOVÝ GRAF (ne Excel )

80 Charakteristiky číselných veličin MEDIÁN (50% KVANTIL)

81 Charakteristiky číselných veličin MEDIÁN (50% KVANTIL)

82 Charakteristiky číselných veličin Interpretace mediánu? veličina VĚK polovina (50 %) dotázaných byla ve věku nejvýše 33,5 roku (tj. 33,5 nebo mladší) veličina POČET DĚTÍ polovina (50 %) dotázaných uvedla nejvýše 1 dítě (tj. měli 1 dítě, nebo byli bezdětní)

83 ČASOVÉ ŘADY = záznam ukazatele (číselného) v čase specifikace věcná a místní (co, kde) typy např. : ČŘ okamžiková versus intervalová Př: Počty zaměstnanců X novotvarů (k danému okamžiku) (za dané období)

84 ČASOVÉ ŘADY oficiální data statistika ze slova stát (tj. pro stát důležité infce) důležité weby:

85

86

87

88

89 ČASOVÉ ŘADY pojmy Počty převáděné na relativní hodnoty: Morbidita (nemocnost) - demografické ukazatele Incidence = poměr nově vzniklých případů onemocnění v daném časovém období k celkovému počtu osob ve sledované ( exponované ) populaci Prevalence (obecné rozšíření) = poměr počtu všech existujících případů (tj. bez ohledu na dobu jejich vzniku) daného onemocnění k počtu obyvatel v dané lokalitě ve sledovaném časovém období

90 ČASOVÉ ŘADY graf Vývoj ČŘ (např. data ÚZIS) lze zobrazit spojnicovým ( čárovým ) grafem (výběr =jen data), pak osa x=pořadová čísla (dodatečně lze na osu x roky doplnit); nebo grafem bodovým (výběr=roky+data) Př: Počty novotvarů hlášených za každý rok ( ) v Ústeckém kraji

91 ČASOVÉ ŘADY graf

92 ČASOVÉ ŘADY graf Upozornění ke zpracování: Pokud váš ukazatel obsahuje desetinná čísla, DPS výstup oddělí desetinná místa dle anglické konvence TEČKOU; pro Excel PŘED vytvářením grafu proto musíte nejdřív všechny tyto tečky nahradit "českou" desetinnou čárkou, jinak může být v Excelu problém s rozpoznáním číselných hodnot a graf by se nemusel zobrazovat vůbec (nebo chybně). Náhradu je nejjednodušší provést po překopírování tabulky do Wordu; klávesová zkratka Ctrl+H:

93 reporting.uzis.cz

94

95 ČASOVÉ ŘADY DÚ č.2 V tabulkách níže (zvlášť dle kódu předmětu) najde každý dle svého STAGového čísla příslušné zadání: vždy číslo DPS ukazatele a zkratku požadovaného regionu (kdo se v tabulce dle svého STAG číslo nenajde, kontaktuje mě em). Z databáze ÚZIS získejte časovou řadu údajů za všechny roky, které jsou v ní k dispozici, převeďte ji do Excelu (příp. využijte jiný podobný tabulkový editor) a zde vytvořte graf své řady (roky bez údajů do grafu nezařazujte), v němž na vodorovné ose budou znázorněny jednotlivé roky (nikoliv jen jejich pořadová čísla); graf by tedy měl vypadat podobně jako graf na snímku nadepsaném ČASOVÉ ŘADY - graf (viz pět snímků zpět). Excelovský soubor, v němž bude pohromadě jak tabulka, tak z ní vytvořený graf, si uložte, přičemž jako název zvolte své STAG číslo (např. tedy soubor D15000.xlsx) a pošlete mi jej jako přílohu u opět na mou e-adresu do , jako subjekt zprávy uveďte DU2-KFE, v textu u uveďte pouze své jméno, příjmení a zkratku oboru. Ve STAGu se přihlaste na formální zápočtový termín s datem ; po kontrole tohoto druhého úkolu vám tam bude v případě úspěšného splnění obou úkolů rovnou udělen zápočet (individuálně mne pak ještě musíte vyhledat s indexem); pouze neúspěšné budu informovat e- mailem, jak je případně potřeba dál postupovat.