#Medicin #Läkare #Doktor #Plugg

1. Vad innebär det att vi ofta måste förenkla data i studier?

2. Vad är nominaldata?

3. Vad är dikotoma/binära data?

4. Vad är intervalldata?

5. Vad är ordinaldata?

6. Vid vilka data får vi problem med "det normala"-klassificeringen?
7. Vad innebär validitet/accuracy?

8. Vad innebär content, criterion och construct validity?

9. Vad är hårda respektive mjuka data?

10. Vad innebär reliabilitet/precision?

11. Vad innebär responsiveness?

12. Vad innebär range?

13. Ge exempel på olika parametrar som kan bidra till variation!

14. Hur kan man minska effekten av biologisk variation?

15. Spridning kan man hantera genom att räkna ut genomsnitt, median eller mode (typvärde), förklara dessa!

16. Förklara normalfördelningskurvan!

17. Vad innebär det att man sätter en låg cut-off?

18. Kan man bestämma att någon är sjuk om den ligger över 2 SD?

 

 

 

 

1. Att vi behöver klassificera vissa fynd som normala för att kunna se vad som är "onormalt", dvs sätta etiketter. Ex blodtryck. 130/80 räknas som normalt medan 140/90 är lite för högt osv.

 

2. Data som inte har någon inneboende ordning ex. svenskar/danskar, Män/kvinnor.

 

3. Data där det bara finns två grupper ex levande/död, sjuk/frisk

 

4. Data som har en ordningsföljd+samma avstånd. Dessa delas i sin tur upp i diskreta data (ex antal graviditeter, finns bara vissa värden) och kontinuerliga data (alla värden, ex blodsocker)

 

5. Typer av data som är kategoriska men som har en ordningsföljd, ex blåsljud grad 1,2 och 3.

 

6. Aldrig för nominaldata då alla värden är normala då de inte har någon inneboende ordning. Däremot för ordinaldata och intervalldata. Då måste vi definiera ex när blir en prostata alltför stor?

7. Att man verkligen mäter det man vill mäta, det är ett sätt att jämföra med golden standard. Det kan exempelvis vara att jag kollar upp ett visst ämne i blodprov och sedan väntar jag och ser ex vem som får cancer. Efter det kan jag bedömma om provet kan fungera som prediktor.

8. Content validity: mäter alla delar av en social konstruktion ex smärttyper --> molande, stickande, brännande, pulserande osv men inte klåda, dvs det kan sakna vissa dimensioner.
Criterion validity: mäter något som är relaterat till ett visst utfall. Ex en smärtskala där det värsta utfallet är tio. Säg att du uppger att du har 3/10 i smärta men hur vet du vad det värsta är om du inte varit med om det?
Construct validity: den som fyller högt på ex en depressionsskala fyller också i högt på en trötthetsskala och en irritationsskala.

9. Hårda data kan mätas, jämföras och bearbetas statistiskt (ex. kostnad, blodtryck, vikt
Mjuka data är ofta viktiga för patienten ex livskvalitet, dvs subjektiva omdömmen.

10. Att upprepade mätningar ger samma resultat (men alla resultat kan vara fel. Ex om mäter blodtryck på barn flera gånger men använder fel manschett alla gånger --> hög precision men ej hög validitet)

11. Att svaret på din mätning förändras i samma takt som tillståndet. Ex klinisk klassificering på hjärtsvikt är svårbedömt medan NTproBNP svarar med en gång.

12. Det intervall, dvs de värden som kan mätas (ex CRP på avdelningen ger max 200 medan alla värden kan mätas på labb)

13. Hur man mäter (ex lungröntgen med bild framifrån eller från sidan?), vem som granskar bilderna (ny underläkare/överläkare), vem som mäter, sampling fraction (ex leverbiopsin tar bara 1/100000 av levern, hur korrekt är då bilden?)

14. Genom att mäta under längre tid och mäta fler individer/patienter samt läsa av ett större område (sediment/vävnad etc). OBS! Att mäta fler individer/längre tid minskar inte bias (systematisk skevhet)

15. Genomsnitt/mean/medelvärde kan beräknas vilket är bra. Dock ger det en skev bild vid extrema värden.Medianen: Hälften hamnar ovanför och hälften under, dvs man spaltar upp alla ex löner från minsta till högsta och väljer ut den i mitten. Hanterar extremvärden bra men är inte bra för beräkningar.
Mode: Man tar den vanligaste observationen (kan finnas flera mode om det är lika vanligt med 10.000 i lön som 15.000 ex). Lätt att förstå men svår att göra beräkningar på.

 16. En kurva som är symmetrisk och gäller för många värden, ex blodtryck. I denna kommer 95% att falla inom intervallet +/- 2 SD vilket man ofta använder sig av i beräkningar. Det finns inget som säger att det normalfördelade är det naturliga, ofta är det olika distribution ec pga kön, ålder, etnicitet osv.

 17. Att sensitiviteten blir hög men på bekostnad av specificiteten. Ex PKU-testet. Då dess normalgräns går in i det som räknas som sjukt kommer många barn att kallas tillbaka för att undersökas trots att de inte är sjuka utan bara ligger i övre normalspannet. bara 1/10 är egentligen sjuk.

 

 18. Nej eftersom alla sjukdomar inte förekommer hos 5% av befolkningen, vissa sjukdomar förekommer mer eller mindre beroende på grupp och ibland är ett avvikande värde bra (ex ett lågt blodtryck bättre)