V analýzách, které se zaměřují na podskupiny pacientů s různými charakteristikami, se často používají hazardní poměry (HR) k vyhodnocení rizika úmrtí nebo jiných nežádoucích událostí. Tyto poměry mohou být upravené a neúpravené a jsou základem pro porovnání účinků různých terapeutických přístupů mezi skupinami. Důležitou součástí těchto analýz jsou i p-hodnoty pro interakce, které ukazují, zda rozdíly mezi podskupinami na základě určitého faktoru (např. věk, pohlaví, přítomnost diabetu) jsou statisticky významné.

Z grafu na obrázku 6.6 lze vidět, že hazardní poměry pro různé podskupiny pacientů s blokádou levé větve Tawarova ramene (LBBB) podle věku, třídy NYHA, trvání QRS komplexu, ejekční frakce levé komory (LVEF) a objemu levé komory při diastole (LVEDV) jsou velmi blízké neúpraveným i upraveným hodnotám hazardních poměrů celkové podskupiny. To naznačuje, že rozdíly v riziku úmrtí mezi pacienty různých léčebných skupin nejsou významně ovlivněny těmito faktory. Na druhou stranu, když jsou podskupiny rozděleny podle pohlaví a objemu levé komory při systole (LVESV), rozdíly v hazardních poměrech jsou mnohem výraznější.

Tento rozdíl mezi podskupinami pohlaví (0.69 vs. 0.48) a objemu levé komory při systole (0.56 vs. 0.71) ukazuje, že některé proměnné mohou mít významný vliv na výsledky léčby, zatímco jiné ne. Úprava hazardních poměrů na základě těchto rozdílů mezi pohlavími a objemem levé komory při systole ukazuje, že rozdíly v riziku mezi těmito podskupinami jsou statisticky významné, ačkoli je třeba mít na paměti, že ne vždy jsou tyto upravené hazardní poměry zcela reprezentativní pro každou specifickou analýzu.

P-hodnoty pro interakce jsou také důležitým nástrojem při interpretaci analýz podskupin. P-hodnota pro interakci je výsledkem testování statistické významnosti rozdílů mezi riziky pro dvě podskupiny, které jsou definovány na základě určité proměnné. Malá p-hodnota naznačuje, že rozdíl mezi těmito podskupinami je statisticky významný, ale tato hodnota neříká, jak konkrétně se hazardní poměry mezi podskupinami liší. Často je nutné se podívat na samotné hazardní poměry, abychom lépe pochopili, jaký skutečný rozdíl v riziku existuje mezi různými podskupinami.

Příklad analýzy interakčního termínu v práci Gaudino a kolegů (2018) ukazuje, jak mohou být různé podskupiny pacientů rozděleny podle různých faktorů. Zajímavé je, že výhody použití radiální arterie místo safenózní žíly byly výraznější u pacientů mladších 75 let (p = 0.008), u žen (p = 0.01) a u pacientů bez renální insuficience (p = 0.02). Naproti tomu faktory jako diabetes (p = 0.35) nebo předchozí infarkt myokardu (p = 0.45) neovlivnily léčebný efekt. P-hodnota pro interakci v tomto případě ukazuje, že rozdíl mezi hazardními poměry ve vztahu k věku nebo pohlaví je statisticky významný, ale nespecifikuje, jak se přesně tyto hodnoty mezi jednotlivými skupinami liší.

Další příklad z Gaudino a kolegů ukazuje, jak analýza hazardních poměrů pro podskupiny definované faktory jako diabetes, ejekční frakce levé komory (LVEF) a přítomnost renální insuficience ukazuje, jak rozdílné mohou být výsledky mezi jednotlivými podskupinami. Například rozdíl mezi hazardními poměry pro ženy a muže je výrazný, přičemž u žen je riziko u radiální arterie výrazně nižší než u safenózní žíly, zatímco u mužů je tento rozdíl menší. Stejně tak u pacientů s renální insuficiencí je riziko pro skupinu s radiální arterií mnohem vyšší než pro skupinu se safenózní žílou.

Význam p-hodnoty pro interakci spočívá v tom, že může ukázat, zda rozdíly v rizicích mezi podskupinami nejsou náhodné. Malé p-hodnoty (méně než 0.05) ukazují, že je velmi nepravděpodobné, že by rozdíly mezi skupinami vznikly náhodně, ale nezaručují, že rozdíl je klinicky významný. Naopak, p-hodnoty větší než 0.05 obvykle naznačují, že rozdíly mezi podskupinami nejsou statisticky významné.

Při interpretaci těchto výsledků je důležité brát v úvahu, že statistická významnost ne vždy odpovídá klinické relevanci. I když je rozdíl mezi podskupinami statisticky významný, je třeba se podívat na velikost efektu (tedy velikost hazardního poměru) a na to, jaký má skutečný dopad na klinické rozhodování. Mnohé analýzy mohou ukázat zajímavé statistické rozdíly, ale klinický význam může být zanedbatelný, pokud je rozdíl v hazardních poměrech malý.

Jak efektivně číst a reportovat o kvalitativních párových datech: Analýza scénářů a výpočty synoptických opatření

Když se zabýváme analýzou párových kvalitativních dat, existuje několik způsobů, jak prezentovat výsledky. Tyto metody mohou být klíčové pro pochopení dynamiky mezi jednotlivými skupinami, zejména pokud jde o různé typy změn, které nastanou v průběhu času. Významným nástrojem v takových analýzách je odhad pravděpodobnosti změny mezi dvěma podmínkami, což nám může poskytnout cenné informace o účinnosti léčby nebo změnách v dané populaci.

Příklad Johnsona a Johnsona (1972) ukazuje, jak rozdílné scénáře, které zobrazují procenta čtyř typů párových dat, mohou vést k těm samým výsledkům, pokud jde o procento případů s historií tonzilektomie. Přesto však mezi těmito scénáři může existovat značný rozdíl v konkrétních výpočtech synoptických opatření. Tato data ukazují, že i při identických výsledcích procent může rozdílné rozložení jednotlivých typů párových dat přinést odlišné závěry, pokud jde o konkrétní charakteristiky jednotlivých změn v rámci vzorku.

Podobný efekt je možné vidět v analýze vakcíny proti viru A/H3N2, kterou prezentuje Madhi a kol. (2014). V této studii byly prozkoumány dva různé scénáře týkající se změn v hladinách protilátek u pacientů, kteří byli očkováni. I když oba scénáře vedly k podobným hodnotám některých synoptických opatření, jejich odhad pravděpodobnosti (odds ratio) byl drastičně odlišný. Scénář 1 ukázal hodnotu 3,7, což naznačuje, že pravděpodobnost dosažení pozitivního výsledku po očkování byla 3,7krát vyšší než před ním. Na druhé straně scénář 2, kde 42,9 % účastníků neprokázalo žádnou změnu, poskytl odhad 80,4, což může být zavádějící bez správného zohlednění všech proměnných.

V takových případech je důležité se zaměřit na typy párových dat, nikoliv pouze na celkové procento. Když jsou data kvalitativní, tedy rozdělena do několika kategorií, není možné spolehnout se pouze na jediné procento, které může ukazovat na společný trend. Když máme více než dva typy discordantních párů (tedy párů, které vykazují rozdílné chování ve vztahu k měřené proměnné), je třeba prozkoumat specifické procenta pro každý typ páru.

Významné je to zejména v případech, kdy analyzujeme změny, které mají různé úrovně intenzity nebo směru. Například studie Bullenové a kol. (1985) o hormonálních poruchách u 16 subjektů ukazuje devět typů párových pozorování, což přináší možnost detailního pohledu na rozmanité změny v průběhu dvou menstruačních cyklů. Pokud bychom se zaměřili pouze na celkové procento zlepšení nebo zhoršení, mohli bychom přehlédnout nuance, které jsou klíčové pro pochopení celé situace.

V případě, že se data týkají progresivních onemocnění nebo změn ve zdravotním stavu, jako je tomu u studie Fawzi a kol. (2004), je důležité se zaměřit na procenta změn mezi jednotlivými fázemi onemocnění. V jejich studii bylo zjištěno, že mezi pacienty, kteří byli na počátku ve fázi I, 10 pokročilo do fáze IV a 43 zemřelo. Taková analýza z hlediska jednotlivých pacientů ukazuje nejen celkový trend, ale také rozdíly, které mohou ovlivnit rozhodování o léčbě.

Pokud jde o čtení a reportování o těchto typech dat, je nezbytné mít na paměti, že procenta samotná mohou poskytnout jen omezené informace. K tomu, abychom správně porozuměli těmto datům, je klíčové podívat se na rozdělení párových pozorování a pochopit, jaký typ změn přinesl konkrétní scénář. Pro informativní reportování je výhodné poskytnout scénáře, které ukazují, jak jednotlivé pokroky v léčbě nebo změny v populaci vypadaly na úrovni jednotlivých pozorování, a ne pouze na agregovaných číslech.

Pochopení pokroků v různých skupinách a sledování jejich individuálních změn během času je klíčem k informativní analýze. Čtenář by měl věnovat pozornost tomu, jak se podmínky jednotlivých subjektů vyvíjejí a jaké jsou specifické vzory změn v rámci různých skupin. K tomu může pomoci nejen analýza scénářů, ale také analýza pokroků, které by jinak mohly zůstat skryté za celkovými statistickými údaji.

Co se skutečně děje v domě Ushera? Elektrické jevy, miasma a zvuky smrti
Jak vnímat nečekané reakce a neobyčejné chování lidí?
Jaká je skutečná cena života ve světě divokého západu?
Jaká je skutečná touha mořské panny?