大家好,今天小编来为大家解答以下的问题,关于一个人可以有两种血型吗,血型配对统计最多这个很多人还不知道,现在让我们一起来看看吧!
本文目录
临床研究中统计方法的选择一个人可以有两种血型吗临床研究中统计方法的选择目录
例子1:假设检验及临床优效性检验
一研究者宣布找到一种治疗某病的新药,试验结果如下,问:该新药是否值得推广?
例子2:分析中混杂因素的控制
英国某年全人口统计资料如下,矛盾:移民组的发病率在各个年龄组均高于英格兰和威尔士组,为什么它的合计发病率反而低?
例子3:假设检验及判别诊断
为鉴别胃癌、胃炎、非胃病患者,各测定了50名患者的铜兰蛋白等指标,其中铜兰蛋白的观察结果如下,问:三种人的铜兰蛋白有无不同?能否根据测定的铜兰蛋白数据对患者进行初步诊断?
例子4:影响因素筛选-回归分析
研究心肌梗死患者预后的的影响因素,以是否发生心性死亡作为观察结果指标,对116名心梗患者的22个可能影响预后的因素进行观察和记录。
结局指标:心性死亡
预后因素:年龄、性别、高血压病、心梗位置、心梗分级、传导阻滞、溶栓治疗,……等
问:哪些预后因素与发生心性死亡有关系?关系的强度如何?
【瑞麟】研究目的(4)+设计类型(4)+数据类型(3)+数据特征(4)→统计方法
——↑瑞麟总结——
医学统计分析方法选择的核心三要素(3-5-3)
"方法看变量、设计看类型、目的定乾坤"
“大怕踢、二怕镖、老三怕剪刀”
老大指数值型变量、老二指等级变量、老三指无序分类变量
大怕踢:T(脚踢)、F(旋风腿)
数值型变量一般选用t检验(两组变量)、方差分析(3组及以上资料)
二怕镖:非参数(飞镖)
等级变量一般选用非参数检验
老三怕剪刀:卡方(剪刀)
无序分类变量一般选用卡方检验
统计指标、统计图或统计表
如,均数、中位数、标准差、百分比、频数分布等
参数估计、假设检验
估计总体参数、95%可信区间
对几组资料进行差异性检验
假设检验方法,如,t检验、卡方检验、方差分析、秩和检验等
研究某因素与另一因素的依存关系
探讨变量之间的关系及影响大小
具体说,探讨自变量(影响因素)对应变量(结果变量)的影响大小
多变量分析方法
如,线性相关、线性回归、Logistic回归、Cox回归、生存分析等。
最常见,最易实施的实验设计方案
将研究对象随机分配到几个组,然后做实验
将具有相似特征的研究对象配成对子,然后再将每个对子的对象随机分配到两个组进行实验
常见形式:同源配对(如样品一分为二);异源配对(按性别、体重、年龄进行配对);自身前后配对(试验前后的对比)
同时研究多个实验因素对结果的影响
例如,研究药物剂量(3mg、6mg)及给药方式(口服、肌注)对结果的影响,每种组合均需要做试验(3mg+口服,3mg+肌注,6mg+口服,6mg+肌注)
同一对象在不同时间点上进行某个指标的观测,以分析该指标在时间上的变化。
【瑞麟疑问】如只进行两个时间点上的测量,是否与自身前后配对的设计相同?
每一个观察对象都有一个数值,且大小差异有意义。
例如,血红蛋白(g/L)、住院天数、产前检查次数、住院费用等。
数值变量资料的描述
论文中最常用的组合
以比代率,即误将构成比(proportion)当作率(rate)来描述某病发生的强度和频率。
把各种不同的率相混淆,如把患病率与发病率、死亡率与病死率等概念混同。
指类别或属性间无顺序、程度之分。
例如,性别(男、女)为二分类、血型(A、B、AB、O)为多分类。
指类别间存在着次序,或程度上的差异。
例如,治疗效果(无效、好转、显效、治愈)、实验室检验(-、+、++、+++)
分类变量资料的描述:通常需要描述各个类别的频数及频率(百分比)
任何统计方法都有自己的适用条件,只有当某个或某些条件满足时,统计计算公式才成立。
适用条件可根据数据特征来判断
数值变量资料的描述:通过绘制直方图可以直观了解数据的分布
研究中,右偏态分布更常见,如住院时间、住院费用、病程等;左偏态分布较少见,如考生成绩有时呈左偏态分布。
R语言中如何进行频数分布直方图
得到的图表如下
方差是否齐同(相等)
粗略判断:两组标准差之比在2.5倍以上,就得警惕方差不齐
假设检验是反证法原理的统计应用
假设两个样本均数可能来源于同一总体,然后计算出在此假设下的某个统计量的大小,当这个统计量在其分布中的概率较小时(如p≤0.05)我们就拒绝其假设,而接受其对立假设,认为两样本分别来自不同的总体。
1)当p≤α时,做出“拒绝其无差别的假设,可认为各总体间有差别”的结论时就有可能犯错误,这类错误称为第一类错误(type I error)。其犯错误的概率用α表示,若α取0.05,此时犯I型错误的概率≤0.05,若假设检验的p值比0.05越小,犯第一类错误的概率就越小。
2)当p>α时,做出“不拒绝其无差别的假设,还不能认为各总体间有差别”的结论时就有可能犯第二类错误(type II error)。其犯错误的概念用β表示,通常β为未知数,但假设检验p值越大,犯第二类错误的概率就越小。
计量资料的假设检验:t检验、F检验(方差分析)、Z检验、秩和检验(Wilcoxon秩和检验、H检验、Friedman检验)等。
计数资料的假设检验:卡方检验、Z检验(瑞麟疑问:z检验即u检验?)
等级资料的假设检验:秩和检验(Wilcoxon秩和检验、H检验、Friedman检验)
单个自变量资料
两个或以上自变量资料
两组比较:t检验、u检验、两组秩和检验、四格表和较正四格表的卡方检验等
多组比较:方差分析、多组秩和检验、行×列卡方检验等。
差异分析/数据资料的比较,是同一指标在不同处理间的比较。
临床研究中,经常需要分析某些因素与疾病之间的关系,探讨疾病的危险因素。
注意,相关关系并不等于因果关系。
前瞻性研究:相对危险度(RR)、归因危险度(AR)
回顾性研究:比值比(OR)
参数检验:积矩相关系数(Pearson's sγ)
非参数检验:Spearman等级相关系数
1)确定金标准
诊断性试验的金标准(gold standard)是指当前临床医师公认的诊断疾病最可靠的方法,也称为标准诊断。应用金标准可以正确区分“有病”和“无病”。
拟评价的诊断性试验对疾病的诊断,必须有金标准为依据,所谓金标准包括活检、手术发现、细菌培养、尸检、特殊检查和影像诊断,以及长期随访的结果。
2)选择研究对象
诊断性试验的研究对象,应当包括两组:一组是用金标准确诊“有病”的病例组,另一组是用金标准证实为“无病”的患者,称为对照组。所谓“无病”的患者,是指没有金标准诊断的目标疾病,而不是完全无病的正常人。
病例组应包括各型病例:如典型和不典型的,早、中与晚期病例,轻、中与重型的,有和无并发症者等,以便使诊断性试验的结果更具有临床实用价值。
对照组可选用金标准证实没有目标疾病的其他病例,特别是与该病容易混淆的病例,以期明确其鉴别诊断价值。正常人一般不宜纳入对照组。
3)盲法比较诊断性试验与金标准的结果
评价诊断性试验时,采用盲法具有十分重要的意义,即要求判断试验结果的人,不能预先知道该病例用金标准划分为“有病”还是“无病”,以免发生疑诊偏倚。
新的诊断性试验,对疾病的诊断结果应当与金标准诊断的结果进行同步对比,并且列出格表,以便进一步评估,其方法如下:
①用金标准诊断为“有病”的病例数为a+c;
②上述“有病”的病例经诊断性试验检测,结果阳性者为a,阴性者为c;
③金标准诊断“无病”的倒数为b+d,其中经诊断性试验检测阳性者为b,阴性者为d;
④列出四格表,将a,b,c,d的倒数分别填入下列四格表。
敏感度(sensitivity, SN)是正确诊断的真阳性病例在中风组中所占的百分率,计算公式为为:SN=a/(a+c)×100%
特异度(specificity, SP)是正确诊断的真阴性部分所占百分率,计算公式为:SP=d/(b+d)×100%
准确性(accuracy,AC)反映了诊断试验结果与金标准试验结果的符合或一致程度,计算公式为:AC=(a+d)/N
阳性预测值(positive predictive value,PPV)是诊断试验为阳性结果中金标准证实患中风者所占的百分率,计算公式为: PPV= a/(a+b)×100%
阴性预测值(negative predictive value,NPV)是诊断试验为阴性结果中金标准证实未患中风者所占的百分率,计算公式为:NPV= d/(c+d)×100%.
阳性似然比(positive likelihood ratio, LR+)为患中风组真阳性率和未患中风组假阳性率的比值,计算公式为:LR+=SN/(1-SP),表明诊断性试验为阳性时患病于不患病的比值,比值越大则患病的概率越大.
阴性似然比(negative likelihood ratio, LR-)为患中风组假阴性率与未患中风真阴性率的比值,计算公式为:LR-=(1-SN)/SP,表明诊断试验为阴性时,患病与不患病时机会的比值.
1)ROC曲线
ROC曲线(receiver operator characteeristic curve)又称受试者工作特征曲线,在诊断性试验中,用于正常值临界点的选择,对临床实验室工作尤为重要.
诊断资料可以按资料的等级或性质归纳成2X2表(四格表)或行列表。一般地说,如果诊断资料本身为二值变量,即诊断的结果为阳性和阴性,则归纳成四格表最合理。如果诊断资料为等级或连续变量,归纳成四格表就会造成信息的浪费,所以,最好将资料归纳成行列表,这样可以最大限度地利用信息。
如果诊断实验的资料为连续变量,可以将资料按一定的等级分级,归纳成行列表进行分析。
像这样的行列表,我们可以将其分割成表3形式的四格表,分别计算各指标,计算的结果见表3。
由表3可见,灵敏度和假阳性率随界值的降低而生高,但特异度则随界值的降低而降低。根据这样的关系,我们可以用假阳性率为横坐标,灵敏度为纵坐标做ROC曲线,见下图。
曲线左上角灵敏度是1.0(100%),假阳性率是0,即所有的病人全部被确诊,所有无病者都不会误诊。距左上角距离越近的曲线实验效果越好;
在ROC曲线上,靠坐上角距离最近的界点作为界值最好。(Q:为什么?)
在左上角处(灵敏度+特异度)/2的值最大,可以根据此及实际工作的需要来确定具体诊断实验的界值。
用ROC曲线可以比较不同诊断实验的优劣(Q:解释理由)。
2)似然比的临床应用
似然比(likelihood ratio)是诊断试验综合评价的理想指标,它综合了敏感度与特异度的临床意义,而且可依据试验结果的阳性或阴性,计算患病的概率,便于在诊断试验检测后,更确切地对患者作出诊断.
真阳性率越高,则阳性似然比越大.
参考文献:
1.《临床研究中统计方法的选择》,(微信公众号)临床科研与meta分析,2015-12-18
2.武松《SPSS中级统计实战教程》之《医学统计方法选择秘籍(5秒判读法)》(丁香园公开课),2018-3-6
3.鸡小贩.临床科研中如何选择统计学方法(PPT).百度文库.2014-3-13
一个人可以有两种血型吗血型的遗传
血型是一种人类遗传的性状,从狭义来说,它是专指细胞抗原的差异,但从广义来说也包括白细胞、血小板、血浆等血液成分抗原的不同。近年来,由于临床的需要,在输血、器官移植各方面作了深入的研究,因此新的血型抗原不断发现,血型抗体和血型抗原的化学结构及其相互作用也有所了解,血型在医学各方面的应用日趋广泛。我国民间,早在13世纪就开始采用滴血法,在法医上作亲子的鉴定,这方法虽受当时条件的限制,在试验技术和理论方面都不成熟,但这是世界上最早的血型交叉试验的尝试。17世纪欧洲人将动物的血液输入人体,其目的是想治愈疾病,结果病人即往往死亡。其后改用人的血液,结果对某些疾病得到良好的效果,但对多数疾病效果仍不好,而且也会招致病人死亡,死亡的原因当时是无法理解的。自从1900年发现了ABO血型以来,人们对这种现象才有了初步的了解。
迄今已经发现20多个红细胞血型系统。在人体红细胞表面的种种不同血型中,最早被发现和确定的、最为重要的和常见的是ABO血型。因为为这系统的抗体是天然存在的,不是经诱发才产生的。血型种类很多,在血清学研究方面和输血的反应上也比较复杂,但从遗传学的角度来看,其遗传方式即比较简单。一个人的血型是指该个体红细胞表面存在着各种血型抗原,这些抗原均系由遗传物质--基因所决定。如一个人存在有A基因,则可肯定这个体的红细胞表面存在A抗原。而且,血型基因对血型抗原产生的关系是单一的,即肯定存在着与抗原有关的某一基因。此外,基因与血型抗原表现的关系,一般不受环境条件的影响。一般地说,有关血型的基因多属于等显性基因,即一些常染色体上的等位基因,彼此间没有显性和隐性的关系,在杂合状态时,两种基因的作用同样得以表现,分别独立地产生基因产物,这种遗传方式称为共显性或等显性,ABO血型的遗传是一种共显性遗传。ABO血型有四个主要的血型,即A、B、O和AB型,这四种血型在世界上不同地区和不同人种的分布是不相同的。据统计,人群中ABO血型的比例是A型占27.51%,B型占32.33%,O型占36.49%,AB型仅占 9.67%。
在医学和遗传学上,常利用父母的血型来推断子女血型,如父母双方均为O型,其子女必为O型血而不可能出现别的血型。又如父母一方为O型,另一方为B型,其子女可为B型或O型。但有时就难以判断,例如父母中一方为A型,另一方为B型,子女中就可以出现四种血型中任何一种类型。碰上这种情况就要借助别的血型和技术综合鉴别。ABO血型系统是人们所熟悉的,系输血工作上极其主要的一种血型,忽视ABO血型的鉴定,或鉴定方法出现差错,都会造成溶血性输血反应,严重的可以招致死亡。双亲和子女之间ABO血型遗传的关系见表。
人类的血型除了ABO血型外,还有其他各种血型,如Rh、MN及Xg等多种血型。人类红细胞的各种血型,它们都是由不同染色体的基因所决定的,现在已知决定ABO血型的基因在第九对染色体上,而决定Rh血型的基因则在第一对染色体上。Rh血型是人类另一种血型,Rh血型可以分为二种,即Rh阳性和Rh阴性,它们分别由二个等位基因所决定。Rh阳性的基因显性,用Rh或D表示;Rh阴性的基因是隐性,用rh或d表示。Rh阳性个体在中国人中占99%以上,而在白种人中只占85%;Rh阴性个体在中国人中只占1%左右,而杂白种人中要占15%左右。因而白种人由胎母Rh血型的不亲和而引起的新生儿溶血症要比中国人高得多。Rh血型发现在临床上有很大的意义,一方面使输血技术更臻完善,另一方面解决了由于Rh抗原--抗体反应所引起的新生儿溶血症的诊断。
如果你还想了解更多这方面的信息,记得收藏关注本站。