11.Négymezős táblázatok. Egyezés mérése: kappa statisztika Kockázat becslés: esélyhányados (OR) Kockázat becslés: relatív kockázat (RR)

Hasonló dokumentumok
Két diszkrét változó függetlenségének vizsgálata, illeszkedésvizsgálat

Diagnosztikus tesztek értékelése

EPIDEMIOLÓGIA I. Alapfogalmak

LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

Biostatisztika VIII. Mátyus László. 19 October

EPIDEMIOLÓGIA I. Alapfogalmak

Kapcsolat vizsgálat II: kontingencia táblák jelentősége és használata az epidemiológiában, diagnosztikában: RR, OR. ROC analízis.

Kapcsolat vizsgálat II: kontingencia táblák jelentősége és használata az epidemiológiában, diagnosztikában: RR, OR.

Kapcsolat vizsgálat : kontingencia táblák jelentősége és használata az epidemiológiában, diagnosztikában: RR, OR.

13. Túlélési analízis. SURVIVAL ANALYSIS Nyári Tibor Ph.D., Boda Krisztina Ph.D.

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina PhD SZTE ÁOK Orvosi Informatikai Intézet

Normális eloszlás tesztje

Hipotézis vizsgálatok

Kapcsolat vizsgálat : kontingencia táblák jelentősége és használata az epidemiológiában, diagnosztikában: RR, OR.

Statisztikai alapfogalmak a klinikai kutatásban. Molnár Zsolt PTE, AITI

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

ALÁÍRÁS NÉLKÜL A TESZT ÉRVÉNYTELEN!

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

Bevezetés a hipotézisvizsgálatokba

[Biomatematika 2] Orvosi biometria

Adatok statisztikai értékelésének főbb lehetőségei

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

Khi-négyzet eloszlás. Statisztika II., 3. alkalom

Az első számjegyek Benford törvénye

Túlélés analízis. Probléma:

Logisztikus regresszió október 27.

Diagnosztikus tesztek értékelése

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Regresszió Túlélésanalízis

Statisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák

Nem-paraméteres és paraméteres módszerek. Kontingencia tábla, rangtranszformálás, párosított minták, két független minta

Klinikai és Bírósági Alkalmazások Valószínűségszámítási Modellek BREUER-LÁBADY PÉTER

EPIDEMIOLÓGIAI ALAPFOGALMAK ÉS STANDARDIZÁLÁS

Biomatematika 13. Varianciaanaĺızis (ANOVA)

[Biomatematika 2] Orvosi biometria

V. Gyakorisági táblázatok elemzése

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

Statisztikai alapok. Leíró statisztika Lineáris módszerek a statisztikában

Nemzeti Onkológiai Kutatás-Fejlesztési Konzorcium 1/48/ Részjelentés: November december 31.

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Segítség az outputok értelmezéséhez

EPIDEMIOLÓGIA I. Alapfogalmak

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Logisztikus regresszió

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

Egy és többváltozós logisztikus regressziós vizsgálatok és alkalmazásaik a klinikumban

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

1. tétel. Valószínűségszámítás vizsga Frissült: január 19. Valószínűségi mező, véletlen tömegjelenség.

A 0 64 éves férfiak és nők cerebrovascularis betegségek okozta halálozásának relatív kockázata Magyarországon az EU 15

nem kezelt 1.29, 1.60, 2.27, 1.31, 1.81, 2.21 kezelt 0.96, 1.14, 1.59

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

Matematikai alapok és valószínőségszámítás. Statisztikai változók Adatok megtekintése

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

Biostatisztika Összefoglalás

Többváltozós lineáris regressziós modell feltételeinek tesztelése I.

Elemszám becslés. Kaszaki József Ph.D. SZTE ÁOK Sebészeti Műtéttani Intézet

Statisztikai módszerek 7. gyakorlat

A pont-prevalencia vizsgálat epidemiológiája

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

Kettőnél több csoport vizsgálata. Makara B. Gábor

Többváltozós lineáris regressziós modell feltételeinek

Esettanulmány. A homoszkedaszticitás megsértésének hatása a regressziós paraméterekre. Tartalomjegyzék. 1. Bevezetés... 2

Varianciaanalízis 4/24/12

Tovább csökkent az influenzaszerű megbetegedések száma

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Egy és (többváltozós) logisztikus regressziós vizsgálatok és alkalmazásaik a klinikumban

Biomatematika 15. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Tovább csökkent az influenzaszerű megbetegedések száma

Súlyos infekciók differenciálása a rendelőben. Dr. Fekete Ferenc Heim Pál Gyermekkórház Madarász utcai Gyermekkórháza

Hipotézis, sejtés STATISZTIKA. Kétmintás hipotézisek. Tudományos hipotézis. Munkahipotézis (H a ) Nullhipotézis (H 0 ) 11. Előadás

Statisztikai csalások és paradoxonok. Matematikai statisztika Gazdaságinformatikus MSc november 26. 1/31

y ij = µ + α i + e ij STATISZTIKA Sir Ronald Aylmer Fisher Példa Elmélet A variancia-analízis alkalmazásának feltételei Lineáris modell

Minőség-képességi index (Process capability)

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

X PMS 2007 adatgyűjtés eredményeinek bemutatása X PMS ADATGYŰJTÉS

Sztochasztikus kapcsolatok

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

6. Előadás. Vereb György, DE OEC BSI, október 12.

y ij = µ + α i + e ij

Hipotézis vizsgálatok

A khi-négyzet próba és alkalmazásai: illeszkedésés függetlenségvizsgálat. khi-(χ 2 )-négyzet próba

Logisztikus regresszió

A Hardy-Weinberg egyensúly. 2. gyakorlat

Statisztika Elıadások letölthetık a címrıl

Statisztikai szoftverek esszé

Sugárbiológiai ismeretek: LNT modell. Sztochasztikus hatások. Daganat epidemiológia. Dr. Sáfrány Géza OKK - OSSKI

Tudományos következtetések. A Prevora tudományos értékelésének átfogó összegzése

A telefonnal való ellátottság kapcsolata a rádió és televízió műsorszórás használatával a 14 éves és idősebb lakosság körében

KÖVETKEZTETŐ STATISZTIKA

Biomatematika 2 Orvosi biometria

Ökonometria. Logisztikus regresszió. Ferenci Tamás 1 Nyolcadik fejezet. Budapesti Corvinus Egyetem. 1 Statisztika Tanszék

Korreláció és lineáris regresszió

Tüdőrák kockázata PVC előállításával foglalkozó munkások körében

Átírás:

.Négymezős táblázatok Egyezés mérése: kappa statisztika Kockázat becslés: esélyhányados (OR) Kockázat becslés: relatív kockázat (RR)

Az egyezés mérése:cohen s Kappa Kappa: az egyezés mérése két nominális (bináris) változó között. Jacob Cohen (923 998). H 0 : =0 H A : 0 2

Megfigyelt gyakoriságok Egyezések. Teszt Teszt II Positív Negatív Total Pozitív a b R =a+b R /N Negatív c d R 2 =c+d R 2 /N Total C =a+c C 2 =b+d N N C /N C 2 /N Teszt I pozitív és negatív eredményeinek valószínűsége C /N és C 2 /N Teszt II pozitív és negatív eredményeinek valószínűsége:r /N és R 2 /N a d Megfigyelt egyezési valószínűség: p obs =(a+d)/n p O N 3

A valószínűségi függetlenség alapján : Pozitív Negatív Várt gyakoriságok aˆ R C ( AB) P( A) P( B) N N N Test I Pozitív P ˆ R N C N a N Negatív ˆ R 2 N C N d 2 N A várt egyezési valószínűség : p E aˆ N dˆ 4

5 Cohen s kappa N d a p observed N d a p E ˆ ˆ E E O p p p Standard error (SE) : } { ) ( ) ( 2 2 i i l i i i E E E Z S N Z S p p N p se A teszt statisztika 2 ) ( se ² eloszlás df. ² táblázat(α=0,05; FG=) érték = 3.84 (=.96²) N c a b a a N R C a N C N R N a B P A P AB P ) )( ( ˆ ˆ ˆ ) ( ) ( ) ( N d b d c d B P A P AB P ) )( ( ˆ ) ( ) ( ) (

Kappa tulajdonságai (Fleiss) Kiváló (jó) egyezés : κ0,75 Közepes egyezés : 0,4κ<0,75 Gyenge egyezés : κ<0,4 Megjegyzés: Létezik ötfokozatú bosztás is. 6

Az adat táblázat 7

Példa Ditchburn and Ditchburn(990) Üledékes vizsgálat alapján 229 gennyes vizeletet vizsgáltak mikrobiológiai laboratóriumban a standardnak tekintett tenyésztéssel, és egy gyors - teszttel. A vizsgálatok eredményeit szintén négymezős táblázatban összefoglalva kapjuk: Tenyésztés Gyors teszt Pozitív Negatív Összesen Pozitív 84 43 27 Negatív 0 92 02 Összesen 94 35 229 a d 84 92 p O 0,77 N 229 8

Megoldás: Várt gyakoriság aˆ C R P( AB) P( A) P( B) N N N 94 27 *229 229 229 52,3 Tenyésztés Gyors teszt Pozitív Negatív Pozitív 52,3 Negatív 4,869 60,3 a d 84 92 p 0,77 aˆ dˆ 52,3 60,3 O N 229 p E 0, 49 N 229 po p p 0,4< κ=0,546 <0,75 közepes egyezés. E E 0,546 74,869 9

Altman DG, Bland JM. Statistics Notes: Diagnostic tests : sensitivity and specificity BMJ 994; 308 : 552 Megfigyelt gyakoriságok Patológia Ultrahang pozitív negatív Össz pozitív 23 32 263 negatív 27 54 8 Összesen 258 86 344 0

Várt gyakoriságok aˆ R C RC P( AB) P( A) P( B) aˆ N N N N â =(263/344)*(258/344)*344=97,25 dˆ =(8/344)*(86/344)*344=20,25 Patológia Ultrahang pozitív negatív Össz pozitív 97,25 263 negatív (-) 20,25 8 Összesen 258 86 344

Cohen s kappa Megfigyelt és várt egyezési valószínűségek p Obs 0,828 p Exp 0,63 Cohen s kappa (κ)=0,53. 0,4<κ 0,75 -> közepes egyezés p obs a d N 23 54 344 0,828 p E aˆ dˆ N 97,25 20,25 344 0,63 pobs p p E E 0.828 0.632 0.632 0,53 2

Példa Egy vizsgálatban a megfigyelt ( p O =0,85) és várt (p E =0,5) valószínűségeket megadták. Számoljuk ki az egyezés mértékét (kappát)! Megoldás: H 0 : =0 H A : 0 Közepes egyezés : 0,4<κ számított =0,7<0,75 p O p p E E 0,85 0,5 0,5 0,35 0,5 0,7 3

Vizsga feladat Egy diagnosztikus tesztnél a 300 vizsgálatból 270 valódi pozitív és 30 valódi negatív eredményt találtak. Mekkora a módszer pozitív prediktív értéke? Számítsa ki a kappa értékét! 4

Az adatok alapján: Megoldás PPV=a/(a+b)=270/270= P O =(a+d)/n=(270+30)/300= P E =(E(a)+E(d))/N=(243+3)/300=246/300=0,82 E(a)=(270*270)/300=243 és E(d)=(30*30)/300=3 Kappa=(-0,82)/(-0,82)= Teszt I Teszt II pozitív negatív Össz pozitív a=270 0 270 negatív 0 d=30 30 Összesen 270 30 300 5

Odds ratio Esélyhányados

incidencia Mérőszámok Újesetek száma a vizsgált periódusban A kockázatnak kitett populáció száma a vizsgálat kezdetén Azaz a vizsgált betegség egy adott(érintett) populációbeli előfordulási gyakoriságát az adott időtartam alatt incidenciának nevezzük. prevalenci a A létező esetek száma Az érintett populáció száma a vizsgált időpontban. Azaz a vizsgált betegség egy adott(érintett) populációbeli előfordulási gyakoriságát a vizsgált időpontban prevalenciának nevezzük. Megjegyzés: a prevalenciát becsülhetjük az incidencia értékkel. 7

(Epidemiológiai) vizsgálatok típusai ESET- KONTROLL KOHORSZ Kockázati tényező? ESET EXPONÁLT Megbetegedés? Kockázati tényező? KONTROLL NEM EXPONÁLT Megbetegedés? Időben VISSZAMENVE vizsgálja a kockázati tényezőt Kiindulva a jelenből Időben ELŐRE HALADVA vizsgálja a betegség fellépését 8

Mérőszámok Kohorsz Incidencia Relatív kockázat (RR) Eset-Kontroll Esélyhányados (odds ratio) Keresztmetszeti Prevalencia Esélyhányados (odds ratio) 9

Kohorsz vizsgálatok Egy populációból vagy annak egy reprezentatív mintájából indul ki és a betegség és a kockázati tényező együttes jelenlétét vizsgálja minden egyes egyén estében a vizsgálat időpontjában. Időben ELŐRE HALADVA vizsgálja a kockázati tényező hatását a betegség kialakulására Kiinduláskor minden személy mentes a vizsgált betegségtől. Csak az exponáltság (kockázati tényező) megléte vagy nem léte ismert. A betegség kialakulásakor válik szét a beteg és kontroll csoport Incidenciát csak kohorsz vizsgálatban tudunk mérni!!! 20

Eset-kontroll vizsgálatok Időben VISSZAMENVE vizsgálja a kockázati tényező hatását a betegség kialakulására. Már ismert a diagnózis, így az eset csoportba kerülnek az adott betegségben szenvedők, és a feltételezett rizikó tényező(k) hatását vizsgálja a megfelelően kiválasztott kontroll csoporthoz viszonyítva. 2

Keresztmetszeti vizsgálatok Egy populációból vagy annak egy reprezentatív mintájából indul ki és a betegség és a kockázati tényező együttes jelenlétét vizsgálja minden egyes egyén estében a vizsgálat időpontjában. Csak a vizsgált tényező időpontbeli gyakoriságai mérhetők és azok összefüggései elemezhetők, a keresztmetszeti vizsgálatokat szokás prevalencia vizsgálatoknak is nevezni. Tisztázatlan eredetű megbetegedések elsősorban fertőző megbetegedések rövid idő alatti halmozódása esetén Etiológiai hipotézisek felállításához vezethet, amely hipotézisek tesztelése azután eset kontroll vagy kohorszvizsgálatban történhet. 22

Esélyhányados és a relatív kockázat Az esélyhányados (OR) az exponáltság és a nem exponáltság esélyarányát méri össze az esetcsoport (a : b) és a kontrollcsoport (c : d) vonatkozásában Relatív kockázat (RR) csak prospektív (kohorsz) vizsgálatokban mérhető, a p, p 2 valószínűségek(incidenciák) hányadosa. Véletlen (=nincs) kockázat esetén mind az OR, mind a RR -gyel egyenlő. Döntés: 95%-os konfidencia intervallummal 23

Az esély (esélyérték, odds) valószínűségszámítási fogalma Ha az A esemény valószínűsége P(A), akkor az A esemény bekövetkezésének esélye: Odds( A) P( A) P( A) P( A) P( A) amely megadja, hogy mennyiszer valószínűbb az A esemény bekövetkezése a be nem következés valószínűségéhez viszonyítva. Kiszámítása klasszikus valószínűség esetén: kedvező esetek száma osztva a kedvezőtlen esetek számával 24

A négymezős gyakorisági táblázat Megbetegedés Kockázati tényező: Igen Nem Összesen Igen a b a+b Nem c d c+d Összesen a+c b+d N a b ad OR( EH ) SE( OR) LN(OR),96 a b c d c a b c d bc 95% KI = e d RR a /( a b) c /( c d) SE( RR) a a b c c d 95% KI = e LN(RR),96 a ab c cd 25

Esélyhányados (Odds ratio) Eset-kontroll (vagy keresztmetszeti) vizsgálatokban egy kiválasztott rizikó tényező (pl.: dohányzás) adott (vizsgált) betegség kialakulására vonatkozó kockázatát adja meg. H 0 : OR= (esélyhányados a populációban ) H A : OR 26

Példa A dohányzás hatását vizsgálták a cervix HPV fertőzés kialakulásánál. H 0 : OR= H A : OR HPV Igen Nem Total Dohányzás Igen 56 43 99 Nem 90 438 528 Total 46 58 727 OR ad 56 *438,9 SE( OR) 0, cb 90 *43 56 43 90 438 20 27

Eredmények OR ad 56 *438,9 SE( OR) 0, cb 90 *43 56 43 90 438 20 95% CI = 2,78 ln(.9).96 56 43 90 438,30 ; 2,80 Az OR=,9 és 95% konfidencia intervallum (95%KI) [,30 2.80] NEM tartalmazza -t, így H A t fogadjuk el. Azaz,9 szeres kockázat a dohányosoknál a cervix HPV fertőzés kialakulása. 28

Példa Középiskolások körében vizsgálták a drog kipróblás lehetséges kockázati tényezőit. 29

SPSS Eredmény row * column Crosstabul ation Count row Total,00 2,00 column,00 2,00 Total 3 37 50 20 90 20 33 227 260 Risk Esti mate Odds Ratio for row (,00 / 2,00) For cohort column =,00 For cohort column = 2,00 N of Valid Cases Value Lower Upper 3,338,527 7,296 2,730,459 5,08,88,690,970 260 95% Confidence Interv al 30

H 0 : OR= H A : OR Számolás Count row Total row * column Crosstabul ation column,00 2,00 Total,00 3 37 50 2,00 20 90 20 33 227 260 SE( OR) 3 37 20 90 0.399 OR=(3*90)/ (37*20)=3,337 ln(or)=,205 SE=0,399 Alsó határ =exp(,205,96*0,399)=,5269 Felső határ=exp(,205+,96*0,399)=7,296 Mivel a 95% konfidencia intervallum [,53 7,29] on kívül esik az, így H A t fogadjuk el. 3

Példa A szívkoszorúér megbetegedés kialakulásának kockázatát vizsgálták 906 önkéntesnél, akik közül 479 dohányzott. Dohányzik * Szívkoszorúér betegség Crosstabulation Count Dohányzik Total Nem Igen Szívkos zorúér betegs ég Nem Igen Total 394 56 450 33 423 456 427 479 906 32

H 0 : OR= H A : OR SPSS eredmény Dohányzik * Szívkoszorúér betegség Crosstabulation Count Dohányzik Total Nem Igen Szívkos zorúér betegs ég Nem Igen Total 394 56 450 33 423 456 427 479 906 OR=(423*394)/ (56*33)=90,85 ln(or)=4,50 SE=0,23 Alsó határ =exp(4,50,96*0,23)=57,4 Felső határ=exp(4,50+,96*0,23)=4,648 Odds Ratio for Dohányzik (Nem / Igen) For cohort Szívkoszorúér betegség = Nem For cohort Szívkoszorúér betegség = Igen N of Valid Cases Risk Estimate Value Lower Upper 90,85 57,49 4,648 2,099 8,694 6,836,34,05,72 906 95% Confidence Interval Mivel a 95% konfidencia intervallum [57,4 4,6] on kívül esik az, így H A t fogadjuk el. 33

Relative Risk (RR) Relatív Kockázat

Null és alternatív hipotézis H 0 : RR= H A : RR 35

Relatív kockázat (Relative risk) Diagnózis Kockázati tényező Pozitív Negatív Összesen Van a b a+b Nincs c d c+d Összesen a+c b+d n=a+b+c+d RR I I nem exp exp a /( a b) c /( c d) SE( RR) a a b c c d 95% CI = e ln( RR).96 a ab c cd, ahol e 2,78 36

Kockázat becslés kohorsz vizsgálatban Egy kohorsz vizsgálatban a dohányzás kockázatát vizsgálták a tüdőrák kialakulására. Az összegyűjtött adatokat a következő táblázatban foglalták össze. (Forrás: MASD 93, UK) Számoljuk ki a dohányzás relatív kockázatát a betegség kialakulásában! Tüdőrák Igen Nem Összesen Incidencia Dohányzik 39 2996 30000 39/30000=,30 Nem-dohányzik 6 59994 60000 6/60000=0,0 Összesen 45 89555 90000 A relatív kockázat(relative risk /RR/)=3,0 (,30/0,0) 37

Relatív kockázat (RR) Betegség Igen Nem Összesen Dohányzik 39 2996 30000 Nem dohányzik 6 59994 60000 Total 45 89955 90000 a /( a b) RR c /( c d) 95% KI = 2,78 alsó határ 2.78 39 /30000 6/ 60000 3,0 ln(3.0).96 ln(3.0) 39 SE( RR) 0,438 39 30000 6 60000 30000 6 60000.96*0.438 5.504 felső határ 2.78 30. 70 ln(3.0).96*0.438 38

Relatív kockázat /Relative risk (RR)/ H 0 : RR= H A : RR RR= nem exp Konfidencia intervallum (RR hez számított): 95% KI = e I RR I exp ln( RR).96 a /( a c /( c a b) 3,0 d) ab cd, és 2,78 Példánkban RR=3,0 és a 95% konfidencia intervallum [5,5 30,7]. NEM tartalmazza -t, így H A t fogadjuk el. Azaz 3 szor (szignifikánsan) magasabb a tüdőrák kockázata a dohányosoknál a nem dohányosokhoz viszonyítva. c e 39

Melyik statisztikát használjuk az egyezés mérésére? A kappa=0,3 érték esetén az egyezés mértéke... Kérdések Hogyan számoljuk ki a megfigyelt valószínűséget (po) az egyezés méréséhez (a kappához)? Eset-kontroll vizsgálatoknál a betegségre vonatkozólag milyen kockázat becslést számolunk, azaz mi a próba statisztika neve? Kohorsz vizsgálatoknál a betegségre vonatkozólag milyen kockázat becslést számolunk, azaz mi a próba statisztika neve? Keresztmetszeti vizsgálatoknál a betegségre vonatkozólag milyen kockázat becslést számolunk, azaz mi a próba statisztika neve? A kohorsz vizsgálat definiciója Az eset-kontroll vizsgálat definiciója A keresztmetszeti vizsgálat definiciója Mi az esélyhányadosra (odds ratio) vonatkozó nullhipotézis? Mi az relatív kockázatra (relative risk) vonatkozó nullhipotézis? Mi az egyezés mérésére (kappa) vonatkozó nullhipotézis? Mi az esélyhányadosra (odds ratio) vonatkozó alternatív hipotézis? Mi az relatív kockázatra (relative risk) vonatkozó alternatív hipotézis? Mi az egyezés mérésére (kappa) vonatkozó alternatív hipotézis? Egy vizsgálatban a megfigyelt ( po=0,85) és várt (pe=0,5) valószínűségeket megadták. Számoljuk ki az egyezés mértékét (kappát)! Egy tanulmányban 50 pozitív méhnyak kenetből 40 HPV pozitív fertőzést diagnosztizáltak, míg 60 normál méhnyak kenetből 0 HPV pozitív fertőzést. Számítsa ki az esélyhányadost a HPV fertőzés kockázatára pozitív cytológia esetén! Egy tanulmányban 20 pozitív méhnyak kenetből 8 HPV pozitív fertőzést diagnosztizáltak, míg 20 normál méhnyak kenetből 0 HPV pozitív fertőzést. Számítsa ki az esélyhányadost a HPV fertőzés kockázatára pozitív cytológia esetén! Egy tanulmányban a dohányzás kockázatát vizsgálták a HPV fertőzés kialakulására. A kockázat mérésére,58 értéket (odds ratio) kaptak, és a 95%KI [,06-2,398]. Ezek alapján... hipotézist fogadjuk el. Egy tanulmányban a dohányzás kockázatát vizsgálták a HPV fertőzés kialakulására. A kockázat mérésére,58 értéket (odds ratio) kaptak,és a 95%KI [0,96-2,598].. Ezek alapján... hipotézist fogadjuk el. Egy diagnosztikus tesztnél a 300 vizsgálatból 270 valódi pozitív és 30 valódi negatív eredményt találtak. Számítsa ki a kappa értékét! 40