Ursprungligen handlade förstås överlevnadsanalys om liv och död och då ofta i förbindelse med försäkringsmatematik och beräkning av försäkringsbelopp och premier. I dag tillhör statistiska metoder för överlevnadsanalys de mest använda statistiska metoderna och de effektmåttsom studeras handlar inte alltid om liv eller död utan kan vara tid tills en patient får ett astmaanfall eller får progress av en cancersjukdom. Eventet eller ”händelsen” som studeras kan alltså vara nästan vad som helst som utgör en distinkt händelse i det kliniska förloppet.
Läs mer...
Ibland får jag frågan varför vi statistiker krånglar till det så mycket? Kan man inte bara räkna ut hur stor andel (till exempel i procent) som tillfrisknar på den nya behandlingen och sedan jämföra det med hur det ser ut för komparatorn? Helt krasst är ju detta matematik som en 15-åring klarar av och varför behöver vi koppla in en statistiker och räkna ut ett konfidensintervall? Antingen är en ny behandling bättre. Eller inte.
Läs mer...
I förra numret av PI skrev Anna Törner, statistiker, om att det vore önskvärt att kunna modifiera studier medan de pågår och presenterade en del grundläggande koncept. I denna artikel tar hon upp exempel på hur man kan göra studier adaptiva med hjälp av interimanalyser.
Läs mer...
Det är ju ett känt faktum att efter en studie är färdig, då vet man vad man egentligen borde vetat för att kunna designa studien från början. Därför kan man ju faktiskt undra varför man inte modifierar studien när den pågår, allt eftersom man får mer information om effektstorlek och variabilitet, för att försäkra sig om signifikanta resultat?
Läs mer...
Min upplevelse är att ordet trend ibland används märkligt av både statistiker och ickestatistiker. Vad menas när man säger att det är en ”trend mot signifikanta resultat”? Och om man inte skall använda ordet trend i den här situationen hur skall det då användas?
Läs mer...
Varför är en subgruppsanalys mindre trovärdig? Jag tror jag har många statistiker med mig när jag säger att detta är en väldigt vanlig fråga. Ett resultat är ju exakt vad det är och inte mindre verkligt bara för att det inträffat i en oväntad subgrupp. Detsamma gäller p-värden. Varför är inte ett p-värde ett p-värde, oavsett var man beräknat det? Och vad menas med ”nominellt” p-värde. Enligt SAOL så betyder nominell: ”till namnet men inte i realiteten”, hur kopplar vi det till p-värden?
Läs mer...
Hur kan det vara så att vi är villiga att acceptera att något är lite sämre, men så lite att det räknas som likvärdigt och att resultaten sedan lämnar utrymme för att det faktiskt kan vara lite bättre? Förklaringen ges i denna artikel av Anna Törner, statistiker och verkställande direktör i Scandinavian Development Services.
Läs mer...
Hur avancerade analyser behöver man göra vid läkemedelsstudier? Svaret är att det beror på en rad faktorer. Men klart är att det är lätt att dra fel slutsatser, beroende på hur studien är upplagd.
Läs mer...
Det finns inget enkelt svar på hur man bedömer om en studie har stor trovärdighet, i stället får man titta på en rad faktorer, till exempel studiens storlek, hur medicinskt möjliga resultaten är och om det finns en kontrollgrupp att jämföra med. Anna Törner, statistiker och verkställande direktör i Scandinavian Development Services, skriver här om vad som gör en studie trovärdig.
Läs mer...
Konfidensintervallet är en skattning av hur pass säkert eller osäkert medelvärdet är i en undersökning. Det handlar alltså inte om variationen mellan olika individers resultat när man talar om konfidensintervall. Men det är också något av en hårdvaluta, eftersom det säger något om hur stor en behandlingseffekt kan tänkas vara och inte bara indikerar om resultaten är statistiskt signifikanta eller inte. Om konfidensintervallet är smalt så betyder det att vi är ganska säkra på de skattningar som presenteras. Anna Törner, statistiker och verkställande direktör i Scandinavian Development Services, gör en djupdykning i detta statistiska begrepp.
Läs mer...
