Lätt att dra fel slutsatser vid statistiska analyser
Om en studie på ett nytt läkemedel mot smärtor visar att 54 procent av patienterna i den grupp som fått behandling upplever smärtfrihet medan bara 39 procent i placebogruppen är smärtfria, kan man då utifrån detta dra slutsatsen att det nya läkemedlet är mer effektivt mot smärtor? Svaret är både ja och nej. Om man bara ska uttala sig om effekterna för patienterna i den aktuella studien så kan man naturligtvis helt korrekt säga att 15 procentenheter fler patienter upplevde smärtfrihet i interventionsgruppen jämfört med placebogruppen. Men om man ska göra en klinisk studie för att kunna uttala sig om den sanna effekten av ett läkemedel, behöver man observera ett mycket stort antal patienter. De resultat man observerar i en mindre klinisk studie kan ju bero på en rad olika faktorer, bland annat slumpen. Och när man vill använda sig av resultaten i en studie för att uttala sig om totalpopulationen kommer begrepp som p-värden och konfidensintervall in i bilden. (Läs mer om dessa begrepp i Pharma Industry 1/2016 och 2/2016.)
Ibland drar man fel slutsats
Eftersom statistik, i motsatsen till matematiska bevis, aldrig bevisar att något är sant så innebär statistiska analyser att man tar en liten risk att slumpen visar en skillnad som inte är reell. Den risken kallas för typ I-fel, det vill säga att man felaktigt drar slutsatsen att det är skillnad i effekt mellan två behandlingar när det egentligen inte är det. Risken för typ I-fel mäter man med p-värdet (p). Om p<0,05 så betyder det att risken för att man gör ett typ I-fel är mindre än 5 procent. Man tar alltid en viss risk för ett typ I-fel eftersom man inte kan undersöka alla patienter med den aktuella diagnosen utan baserar slutsatsen på ett mindre urval. Eftersom gränsen för vad som är ”sant” vanligen sätts vid p<0,05 så har man samtidigt definierat hur stor risk man är villig att ta när det gäller risk för typ I-fel.
