На пути к доказательной биостатистике. Часть 1: обманчивость величины р
Translated, with permission of the ACP — ASIM, from: Goodman S.N. Towards evidence-based medical statistics: 1: The P value fallacy. Ann Intern Med 1999;130:995—1004.
Одна из основных проблем, возникающих при интерпретации результатов современных медицинских исследований, связана с тем, что при анализе количественных данных авторы практически не учитывают природу наблюдаемых явлений и опыт своих предшественников. Это становится очевидным из обсуждений, которые приводятся в статьях, и в конечном итоге отрицательно сказывается на достоверности выводов. Возникновение данной проблемы объясняется недостатками общепринятых методов статистического анализа, благодаря которым исследователи ошибочно полагают, что могут сделать выводы с определенной вероятностью ошибки, не учитывая внешнюю (не зависящую от результатов данного эксперимента) информацию. Эти методы опираются на использование величины р и проверку статистических гипотез и считаются математическим обоснованием логических умозаключений. Немногие врачи знают, что подобный подход подразумевает использование несовместимых приемов и на протяжении почти 70 лет вызывает горячие споры в среде математиков. Данная статья посвящена основным причинам этих разногласий, внешней привлекательности и обманчивости величины р, с помощью которой пытаются одновременно оценить результаты серии опытов и статистическую значимость результата отдельного опыта. Первая часть статьи готовит читателя к описанию более прогрессивного статистического инструмента — байесовского критерия, который позволяет отделить доказательность результатов отдельного эксперимента от общих тенденций, отмеченных в ряде исследований, и учесть при статистической обработке новых данных опыт прошлых лет.
В последнее десятилетие мы стали свидетелями быстрого развития доказательной медицины — направления, которое в первую очередь подразумевает проверку эффективности терапевтических вмешательств в клинических испытаниях. Врачи все чаще обращаются к подобным исследованиям для того, чтобы принять правильное решение и понять, чем новые методики отличаются от старых. Однако оценить качество современных исследований невозможно без знания методов обработки информации, с которыми еще недавно большинство врачей были незнакомы.
Эти методы включают статистический анализ, на результаты которого исследователи опираются в своих выводах. К сожалению, используемые в настоящее время методы статистического анализа недостаточно обоснованы и часто неправильно используются. Одно из распространенных заблуждений заключается в том, что статистические методы позволяют получить количественный показатель, который сам по себе, без учета природы изучаемого явления и результатов предыдущих исследований, отражает вероятность ошибочных выводов. Это заблуждение извращает логику умозаключений и сами выводы, затрудняя понимание связи между доказательностью результатов отдельного исследования и убедительностью других доказательств (данные клинических и экспериментальных исследований, накопленный практический опыт). Вот почему результаты многих исследований не выдерживают проверки временем [1, 2].
Данная статья, состоящая из двух частей*, посвящена этой проблеме и некоторым путям ее решения. В первой части статьи я привожу исторические и логические предпосылки для формирования распространенного в настоящее время и порочного по своей сути подхода к биостатистике, который иногда называют частотным. Я подробно объясню в чем заключается его ошибочность, и почему он до сих пор не утратил своей популярности среди исследователей, руководителей здравоохранения и редакторов медицинских журналов. Во второй части статьи [3] я расскажу об альтернативном, доказательном подходе, который основан на методе Байеса и на протяжении последних 20 лет остается одной из наиболее динамично развивающихся областей биостатистики. Байесовские методы постепенно прокладывают себе дорогу в медицинские журналы. Так, Annals of Internal Medicine с 1 июля 1997 г. в разделе, предназначенном для авторов, публикует информацию об интерпретации данных исследований по Байесу.
Метод Байеса будет представлен здесь под иным углом, нежели в предшествующих статьях на эту тему. В центре внимания окажется не оценка степени уверенности в том, что то или иное предположение истинно, а определение весомости количественных доказательств. Мы увидим, как, заменив величину р байесовским критерием (который в простейшей своей форме известен как отношение правдоподобия), можно связать статистические выводы с теоретическими основами биологии и медицины и лучше понять роль статистического анализа в интерпретации данных медицинских исследований.
Показательный пример
Недавно был опубликован отчет о рандомизированном контролируемом испытании гидрокортизона при синдроме хронической усталости, в котором был достигнут пороговый уровень статистической значимости (р=0,06) [4]. В разделе “Результаты и их обсуждение” авторы утверждают: “... лечение гидрокортизоном улучшает состояние больных ... Это первое исследование... продемонстрировавшее эффективность медикаментозной терапии при синдроме хронической усталости” [4].
Адрес для корреспонденции: Steven N. Goodman, MD, Ph.D., John Hopkins University, 550 North Broadway, Suite 409, Baltimore, MD 21205; e-mail: sgoodman@jhu.edu.
*Вторая часть статьи а будет опубликована в одном из следующих номеров МЖМП (Примеч
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.
