”Sabuni är högoddsaren som blev lågoddsare” rapporterade media i somras. Det gällde då valet av ny partiledare till Liberalerna. De flesta av oss förstod då att hon varit ett otippat val (högoddsare) som på grund av olika omständigheter blivit ett sannolikt val (lågoddsare) som nästa partiledare. Användningen av orden ”högoddsare” och ”lågoddsare” är sannolikt kopplat till hur vi använder orden när det gäller spel och att satsa pengar. När man ser på höga odds och låga odds från ett statistiskt perspektiv är betydelsen omvänd.
Läs mer...
Statistikens minsta beståndsdelar är förstås data. Och det allra enklaste vi kan beräkna är medelvärde, median, typvärde och range. Okej, ni vet redan vad det är? Då kan ni skippa den här artikeln, men inte förrän ni tvärsäkert analyserar problemet med min dotters matteprov … Vad tror de om oss föräldrar?Min dotter kommer hem med […]
Läs mer...
Det låter ju helt bakvänt, men faktum är att studier med statistiskt signifikanta resultat och sensationella medicinska nyheter har större sannolikhet att nå media än ”jasså-nyheter”, även om de inte är sanna. Anna Törner förklarar varför i denna intressanta artikel. Enkelt förklarat kan man säga att publikationsbias innebär att spännande och positiva (statistiskt signifikanta) resultat […]
Läs mer...
Ofta får jag höra att det är lättare att visa superiority än non-inferiority. Det vill säga att ett nytt läkemedel är bättre än komparatorn (superiority), istället för att de är kliniskt likvärdiga (non-inferiority). Kan det verkligen vara så? Med risk för att slösa bort cliffhangern redan i ingressen, så måste jag tyvärr meddela att det alltid är enklare att visa att ett nytt läkemedel är kliniskt likvärdigt (non-inferior) jämfört med att visa att det faktiskt är bättre (superior). Nedan kommer jag att försöka förklara varför det är så, och också spekulera lite över var detta utbredda missförstånd kommer ifrån.
Läs mer...
En av de trixigaste frågorna som finns när man designar kliniska studier är att välja effektmått (endpoint på engelska). Å ena sidan kan man ju tänka att det är viktigt att verkligen ta reda hur det går för patienten på lång sikt, å andra sidan vill man gärna att studier skall gå fort och att man relativt tidigt får svar på om en behandling kan tänkas vara effektiv.
Läs mer...
Hur hänger dessa begrepp ihop? Kan ett resultat vara statistiskt signifikant utan att vara kliniskt relevant och omvänt, kan en estimerad effekt i en kliniskt studie vara kliniskt relevant utan att man uppnått statistisk signifikans? Ofta trycker man extra på att resultaten är statistiskt signifikanta; minst lika viktigt (om inte viktigare) är förstås att utvärdera effekter ur ett kliniskt perspektiv.
Läs mer...
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...
