1 / 55

Fjölþáttagreining helstu aðferðir og notkun þeirra

Fjölþáttagreining helstu aðferðir og notkun þeirra. María Heimisdóttir MD, PhD, MBA. Yfirlit. Hvers vegna beitum við fjölþáttagreiningu ? Hver er spurningin ? Helstu aðferðir, notkun, túlkun: (Lagskipting, stratification) * Linear regression Logistic regression

damon
Download Presentation

Fjölþáttagreining helstu aðferðir og notkun þeirra

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Fjölþáttagreininghelstu aðferðir og notkun þeirra María Heimisdóttir MD, PhD, MBA

  2. Yfirlit • Hvers vegna beitum við fjölþáttagreiningu ? • Hver er spurningin ? • Helstu aðferðir, notkun, túlkun: • (Lagskipting, stratification) * • Linear regression • Logistic regression * Ekki fjölþáttagreining en þjónar oft sama tilgangi María Heimisdóttir

  3. Fjölþáttagreining og lagskipting • Greina sundur og meta tengsl/áhrif einstakra áhættuþátta á útkomu • Leiðrétta fyrir raskanir og milliverkanir • fáum áhættu eða breytingu á útkomu sem leiðrétt hefur verið fyrir raskandi þætti • Fjölþáttagreiningar gefa möguleika á að meta áhættu einstaklinga út frá þekktum áhættuþáttum og “réttu” módeli (lagskipting gerir þetta ekki) María Heimisdóttir

  4. Röskun (confounding) • Brenglun á sambandi (áhættu)þátta og sjúkdóma (eða annarra útkoma) • Áhættuþættir og útkomur virðast tengd á annan hátt en þau raunverulega eru • Aukin tengsl • Minni tengsl • Stefnubreyting tengsla María Heimisdóttir

  5. Röskun - orsakir • Áhrif þriðja þáttar, sem er tengdur bæði • Áhættuþættinum • Sjúkdómnum • Þriðji þátturinn getur tengst (auknum) líkum á sjd. en þarf ekki að valda honum • Gulir fingur, lungnakrabbi, reykingar • Þriðji þátturinn er tengdur áhættuþættinum • Næring hreyfingarleysi María Heimisdóttir

  6. Samband áhættuþáttar, útkomu og raskandi þáttar Þyngd Næring ÁÞ Útkoma Raskandi þáttur Hreyfing María Heimisdóttir

  7. Röskun • Afleiðing flókins sambands milli hinna ýmsu áhættuþátta og sjúkdóma. • Raskandi þættir eru oft sterkir áhættuþættir • Hreyfing, næring - þyngd • Er til staðar í því umhverfi þar sem rannsóknin fer fram. • Forvarnir (val rannsóknarhópa) • Slembun, “restriction”, pörun ... • Meðferð (gagnavinnsla) • Stigskipting, fjölþáttagreining... María Heimisdóttir

  8. Praktískt dæmi • ‘clinical pathway’ vs. hefðbundin meðferð sjúklinga með heilablóðfall • samanburður á dánartíðni, kostnaði, legulengd • ákvörðun um meðferð ekki slembin (?!) • hvað ræður hvort sjúklingur fær hefðbundna meðferð eða fer á ‘clinical pathway’? María Heimisdóttir

  9. Dæmi frh. • Val milli ‘clinical pathway’ og hefðbundinnar meðferðar • Klínískt mat á hvað hentar best • Aðrir heilsufarsþættir/áhættuþættir, tegund/umfang heilablóðfalls...... • Þessir þættir geta einnig haft áhrif á klínískar og rekstrarlegar útkomur • Clinical pathway • Lægri dánartíðni, lægri kostnaður, styttri lega María Heimisdóttir

  10. Annað dæmi • Sjúklingar með ákv. sjúkdóm virðast líklegri til að deyja ef þeir fá ákveðið lyf • Er lyfið hættulegt ? • Eða er lyfið notað fyrir þá sem eru mjög illa haldnir af sjúkdómnum og líklegri til að deyja hvort sem er ? • Confounding by indication María Heimisdóttir

  11. Milliverkun • Interaction, effect modification • Áhrif áhættuþáttar eru háð áhrifum annars (áhættu)þáttar • Dæmi • Þáttur A RR =1.7 • Þáttur B RR = 2.0 • Þættir A og B RR = 5.0 • Milliverkun • Synergism AB > A+B • Antagonism AB < A+B María Heimisdóttir

  12. Útkomurannsóknir og áhætta • Árangur meðferðar ræðst af undirliggjandi áhættu sjúklings og öðrum þáttum • Áhættuþættir sjúklings • Aldur, kyn, reykingar, lyf, aðgerð, deild, .... • Aðrir þættir • Geta tengst vali meðferðar • Geta haft áhrif á árangur meðferðar María Heimisdóttir

  13. Árangursmat og áhættustigun • Nauðsynlegt að taka tillit til annarra þátta en áhættuþátta við mat á gæðum, árangri meðferðar o.s.frv. • Risk assessment (áhættustigun/-mat) • Mat á áhættu sem forspárþætti um útkomur • Risk adjustment • Leiðrétting fyrir áhættu • Fjölþáttagreining getur stutt hvoru tveggja María Heimisdóttir

  14. Fjölþáttagreining og tengsl áhættu/áreitis og útkomu • Y=útkoma • X, Z= þættir er tengjast/hafa áhrif á Y • Hafa í för með sér breytingu eða breyttar líkur á Y • Aukning eða minnkun á Y (eða á líkum á Y) • Þarf ekki að vera orsakasamband (X, Z þurfa ekki að valda breytingunni á Y (eða á líkum á Y) María Heimisdóttir

  15. Fjölþáttagreining/lagskipting • greina sundur, einangra tengsl/áhrif tveggja eða fleiri forspárþátta (X,Z) á tiltekna útkomu (Y) • Áhrif X og Z á Y geta verið tengd með • röskun (confounding) • milliverkun (effect modification) • Skapa möguleika á að spá fyrir um útkomu (Y) miðað við ákveðnar forsendur/forspárþætti • Gert með fjölþáttagr. (ekki lagskiptingu) María Heimisdóttir

  16. Lagskipting • Einstaklingar í rannsóknarhópum flokkaðir eftir (raskandi) þáttum/eiginleikum • Unnt að bera saman einstaklinga sem eru eins m.t.t. raskandi þátta (eða milliverkandi þátta) • Unnt að einangra áhrif raskandi þátta (milliverkana) frá öðrum áhættuþáttum María Heimisdóttir

  17. Röskun – Dæmi um lagskiptingu Konur og karlar Áreitið er háð kyni og er algengara meðal karla, sjúkdómurinn einnig, því virðist sjd.tengjast áreitinu RR=1.5 Konur Karlar RR=1.0 RR=1.0 María Heimisdóttir

  18. Milliverkun – Dæmi um lagskiptingu María Heimisdóttir

  19. Dæmi frh. • Hreyfing hefur verndandi áhrif meðal karla gagnvart hjartadrepi, RR 0.53 (0.38-0.73) • Slíkt samband virðist ekki til staðar meðal kvenna, gæti jafnvel verið aukin áhætta • Millliverkun, áhrif hreyfingar á útkomu fara eftir kyni • Órökrétt að sameina í eitt RR • Sýna hlutfallslega áhættu fyrir hvert lag (stratum) María Heimisdóttir

  20. Fjölþáttagreining Tveir meginflokkar • Greiningar á línulegum, samfelldum breytum • Linear regression (línulegt aðhvarf) • Ýmsar tegundir • OLSR (ordinary least squares regression) • Greiningar á tvíunda (binary) breytum • Logistic regression Aðrir flokkar, s.s. Factor analysis, Cox María Heimisdóttir

  21. Linear regression • Aðferð til að lýsa sambandi forspárbreyta við línulega útkomu (Y) • T.d. hæð, blóðsykurgildi, • Forspárbreyturnar geta verið línulegar eða categorical/flokkaðar (tvíund, fleiri flokkar) • Línuleg, t.d. Aldur • Tvíund, t.d. Kyn • Flokkar, s.s. tekjuflokkar, mengunarstig • Skylt fylgni (correlation) María Heimisdóttir

  22. Fylgni (correlation) • Mæld sem fylgnistuðull (correlation coefficient), r • r lýsir tengslum tveggja breyta • r mælir styrk línulegs sambands breytna, x og y • Áhættuþáttar og útkomu • r mælir ekki • hallann á aðhvarfslínunni (hve mikið y breytist við tiltekna breytingu í x) • hvort línulegt módel á við • r er grunnur r2 (sjá síðar) María Heimisdóttir

  23. Línulegt samband, missterk fylgni María Heimisdóttir

  24. Línulegt samband, missterk áhrif X á Y Mikil áhrif (halli) og mikil fylgni (r) fara ekki endilega saman María Heimisdóttir

  25. Línuleg aðhvarfsgreining • Bein lína sem best tengir alla forspárþætti og útkomu • Línan tengir X og Y gildi þannig að meðalfrávik hennar frá raungildum sé lágmarkað • Tengir áhættu og útkomu • Í upphafi er gert ráð fyrir línulegu sambandi Y við eina eða fleiri breytur (x,z,..) • Síðar er staðfest að línulegt módel sé viðeigandi María Heimisdóttir

  26. Línuleg aðhvarfsgreining frh. • Mælir hve mikið af breytileika útkomu skýrist af forspárþáttum • Sýnir sjálfstæð áhrif forspárþátta á útkomu þegar leiðrétt hefur verið fyrir áhrif raskandi þátta og annarra forspárþátta • Svarar spurningunni (spá): • Hvernig (+/-) breytist útkomu (eða líkur á útkomu) þegar forspárþættir og raskandi þættir breytast á ákveðinn hátt María Heimisdóttir

  27. Dæmi – línuleg aðhvarfsgreining mælir línulegt samband útkomu við forspárþætti Proc REG data=temp; Það sem módelið spáir fyrir um (útkoman) model ÞYNGD = ALDUR KYN NÆRING ; run; Hugsanleg tengsl við næringu Forspárþættir model ÞYNGD = ALDUR KYN NÆRING HREYFING ; run; María Heimisdóttir

  28. Línuleg aðhvarfsgreining - Módelið • Jafna sem sýnir Y sem fall af X1, X2, X3 ... • Y= 0 + 1 X1 + 2 X2 + 3 X3... • 0 : skurðpunktur (gildi Y ef öll X=0) • k: aðhvarfsgreiningarstuðull (regression coefficient) • Formerki  - X leiðir til stækkunar/minnkunar á Y • Stærð  - umfang breytinga á Y með breytingu á X • Byggir á ákveðnum forsendum, m.a. • Y fylgir normaldreifingu María Heimisdóttir

  29. Módelið - reikningar • Ýmsar aðferðir til við módelgerð og reikning á  • Endurteknir reikningar/modelsmíð • Miðað við gefnar forsendur (skilgreindar breytur og gildi þeirra) • Leit að módeli (samsetningum á“betum”) sem best passar gögnunum módel sem best getur spáð fyrir um Y miðað við gefin X • Ordinary Least Squares Regression – módel sem gefur lágmarks mismun (residuals) á raun- og spágögnum María Heimisdóttir

  30. Módelsmíð • Skilgreina breytur er til greina koma • ALDUR KYN NÆRING HREYFING • Byggist á þekkingu, fyrri rannsóknum, fylgni við útkomu • Byrja með • Módel með eina breytu, bæta við einni í senn • Byrja á breytu með mesta fylgni • Módel með allar breytur, fjarlægja eina í senn • Módel sem byggir á vitneskju og inniheldur ákv. breytur í byrjun, síðan fínpússað María Heimisdóttir

  31. Módelsmíð frh. • Ákvörðun um hvort breyta fer inn/út • p gildi (F test) • bætir breytan spágildi/fit módels? • Breyting á R2 • Þekking • Mat á röskun • Breyting á aðhvarfsstuðlum annarra breyta • p gildi • Breyting á R2 María Heimisdóttir

  32. Afrakstur R2 : % breytileika í þyngd sem skýrð er af módeli með þessum breytum Kyrrsetaer raskandi þáttur (veldur verulegri breytingu á aðhvarfsstuðliSkyndibita) * Í 5 ára bilum María Heimisdóttir

  33. Túlkun 40 ára karl sem borðar oft skyndibita og vinnur kyrrsetustarf Þyngd = 29,0 + 8*5,5 + 1*5,7 + 1*7,0 +1*10,0 = 95,7 kg Miðað við það úrtak sem rannsóknin byggðist á getum við búist við að þyngd slíks einstaklings sé 95,7 kg María Heimisdóttir

  34. Logistic regression • Aðferð til að lýsa sambandi forspárbreyta við tvíundar (binary) útkomu (Y er 0/1, já/nei, t.d. karl/kona) • Gefur líkur á atburði (0/1), líkur eru 0-100 % • Forspárbreyturnar geta verið línulegar eða categorical/flokkaðar (tvíund, fleiri flokkar) • T.d. aldur, giftur/ógiftur, tekjuflokkur • Byggir a.m.l á sama grunni og línuleg aðhvarfsgreining vegna “logit transformation” María Heimisdóttir

  35. Log. Reg. • Mjög gagnlegt í líffræði þar sem módelið gefur af sér “odds ratio” (OR) • Hlutfallslegar líkur á atburði ef ákveðinn eiginleiki er til staðar miðað við ef hann er ekki til staðar • Líkur á hjartadrepi ef reykir miðað við reykleysi • Sýnir sjálfstæð áhrif X á Y þegar leiðrétt hefur verið fyrir áhrif Z (og e.t.v. fleiri þátta) • Svarar spurningunni: • Hvernig breytast líkur á atburði Y þegar X og Z breytast á ákveðinn hátt María Heimisdóttir

  36. Log.reg. módelið lítur út eins og Lin.Reg • Jafna sem sýnir Y sem fall af X1, X2, X3 ... • Y= 0 + 1 X1 + 2 X2 + 3 X3... • 0 : skurðpunktur (gildi Y ef öll X=0) • k: aðhvarfsgreiningarstuðull (regression coefficient) • Formerki  - X leiðir til stækkunar/minnkunar á Y • Stærð  - umfang breytinga á Y með breytingu á X • k má breyta í OR með exponentieringu • ek = OR María Heimisdóttir

  37. Módelið – reikningar, módelsmíð • Almennt svipað og í lin.reg. • Endurteknir reikningar/modelsmíð (sbr. lin.reg.) • Miðað við gefnar forsendur (skilgreindar breytur og gildi þeirra) • Leit að módeli (samsetningum á“betum”) sem • best passar gögnunum • hámarks “goodness of fit” módeli sem best getur spáð fyrir um líkur á Y miðað við gefin X (minimal residuals) María Heimisdóttir

  38. Módelsmíð frh. • Ákvörðun um hvort breyta fer inn/út • p gildi (byggt á likelihood ratio test) • bætir breytan spágildi/fit módels? • Breyting á“goodness of fit” (m.a. Hosmer-Lemeshow) • Þekking • Mat á röskun • Breyting á aðhvarfsstuðlum annarra breyta • p gildi • Breyting á“goodness of fit” María Heimisdóttir

  39. Dæmi • Ferilrannsókn, 2187 karlar, Aldur 30-62 • Blóðfita, blóðþrýstingur, þyngd, reykingar • Fylgt eftir í 12 ár • Fylgst með kransæðasjúkdómum (KS) (88 tilfelli) • Kanna líkur á KS miðað við ofangreinda þætti: model KS = ALDUR BLÓÐFITA BLÓÐÞR ÞYNGD REYKINGAR; María Heimisdóttir

  40. Afrakstur María Heimisdóttir

  41. Túlkun • Þeir sem reykja eru um það bil 50% líklegri til að fá kransæðasjúkdóm en þeir sem ekki reykja (OR=1.52) óháð öðrum áhættuþáttum • Reykingar, einar og sér, hafa í för með sér 50% aukningu á áhættu • OR úr log.reg sýnir áhættu af tilteknum þætti að teknu tilliti til annarra áhættuþátta, raskandi þátta María Heimisdóttir

  42. Túlkun frh. • Fimmtugur karl sem hefur blóðfitu upp á 210, systólískan BÞ 130, vegur 140 lb og reykir. Líkur á að kransæðasjúkdómi á 12 árum eru: 1/(1 + e-(0 + 1*ALDUR + 2*BLOÐFITA + 3*SBÞ + 4*ÞYNGD + 5*REYKINGAR)) = 1/ (1 + e-(-13.26+ 0.122*50 + 0.007*210+ 0.007*130 + 0.0257*140 + 0.418*1)) = 1/ (1 + e-(-0.7383)) = 0,478 Meðal slíkra einstaklinga má búast við að u.þ.b. 48 af 100 fái kransæðasjúkdóm á hverjum 12 árum María Heimisdóttir

  43. Dæmi: Tíðni og vægi lyfjamilliverkana • Fræðilegar lyfjamilliverkanir • Lyfjasamsetningar er geta valdið milliverkunum (LSMV) • Algengi LSMV 37-60% erlendis (við innlögn) • Klínískt mikilvægar lyfjamilliverkanir • Eru hluti fræðilegra milliverkana eða LSMV (48%) • Algengi 0-11% (erlendar rannsóknir) • Lyfjamilliverkanir stuðla að: • Klínískum einkennum, innlögnum, heimsóknum á bráðamóttöku, dauða María Heimisdóttir

  44. Efniviður og aðferðir • 1111 sjúklingar • Gagnasöfnun: • Sjúkraskrár (pappír) – lyf við komu • FRAMTAK – Sjúklingabókhald og DRG flokkur • Úrvinnsla gagna: • Log transformation á legudögum, kostnaði • ANOVA, c2 próf, tvíundargreining (logistic regression) • Hugbúnaður til greiningar LSMV (DAX) skv. FASS María Heimisdóttir

  45. María Heimisdóttir

  46. Niðurstöður LSMV og lyfjahópar • 868 LSMV meðal 359 sjúklinga • 11 lyfjaflokkar tengdust LSMV við innlögn • Hjarta- og æðasjúkdómalyf: 40,4% • Tauga-og geðlyf: 32% LSMV María Heimisdóttir

  47. Niðurstöður • Fylgni milli fjölda LSMV og • aldurs, legudaga, fjölda lyfja. • Sjúklingar á LSMV við innlögn • Eldri (75,1 ár og 67,9 ár) • Fjöldi lyfja hærri (9,0 lyf og 4,2 lyf) • Hlutfall kvenna hærra ( 55% og 48%) • Deildarmunur (algengara við innlögn á Öldrunarsvið) • Dánartíðni hærri meðal sjúklinga á LSMV (11,7%, 4,0%) • Marktækur munur á legulengd (miðtala 6,0 og 10,0) • Ekki marktækur munur á kostnaði • Sjúklingar á LSMV eru ólíkir þeim sem eru það ekki María Heimisdóttir

  48. Tengsl LSMV við dánartíðni ? Með aldrinum eykst ALMENNT : • Sjúkdómsbyrði • Þar með eykst lyfjanotkun og dánarlíkur • Lyfjanotkun • Þar með aukast líkur á LSMV skv. erlendum rannsóknum • Fjöldi lyfja – einn mælikvarði á sjúkdómsbyrði • LSMV þýðir ekki að (mikilvæg) milliverkun sé til staðar • Hlutfallsleg dánartíðni var 2,9 (11.7%, 4,0%) • Tengsl LSMV við dánartíðni óháð aldri, fjölda lyfja, sjúkdómsbyrði ? María Heimisdóttir

  49. Niðurstöður Auknar dánarlíkur tengdar LSMV (RR=2,178) þegar leiðrétt hafði verið fyrir aldur, kyn, svið, fj. lyfja, fjölda greininga. María Heimisdóttir

  50. Fjölþáttagreining vs. lagskipting • Lagskipting • Ódýr, einföld, vasareiknir nægir, þekking á gögnum • Gagnafrek • Tímafrek (eitt lag/þáttur í senn) • Erfitt að fá yfirlit um áhættu af einstökum þáttum (án röskunar) • Fjölþáttagreining • Fljótleg, betri gagnanýting, gott yfirlit um áhættu af einstökum þáttum (án röskunar) – hægt að “spá” • Krefst verulegrar þekkingar, búnaðar María Heimisdóttir

More Related