Диссертация (1154341), страница 6
Текст из файла (страница 6)
Материалыисследования были подвергнуты статистической обработке с использованиемметодов параметрического и непараметрического анализа в соответствии срезультатамипроверкираспределения.сравниваемыхНакопление,совокупностейкорректировка,нанормальностьсистематизацияисходнойинформации и визуализация полученных результатов выполнены в электронныхтаблицах Microsoft Office Excel 2010. Статистический анализ проведен сиспользованием программы IBM SPSS Statistics 23.Каждуюизсравниваемыхсовокупностейколичественныхданныхоценивалась на предмет соответствия закону нормального распределения. Дляэтого, в зависимости от числа обследуемых в группе, использовались критерийШапиро-Уилка, рекомендуемый при числе исследуемых более 60, или критерийКолмогорова-Смирнова, рекомендуемый при числе исследуемых менее 60.
Такжеучитывали форму распределения данных на гистограмме, значения показателейасимметрии и эксцесса.В случае подтверждения нормального распределения количественныхпоказателей, полученные данные объединяли в вариационные ряды, в которыхпроводилсярасчетсреднихарифметическихвеличин(M)исреднихквадратических отклонений (σ) по стандартным формулам. Анализ осуществлялис использованием методов параметрической статистики.Для оценки статистической значимости различий средних величин внормально распределенных совокупностях рассчитывали t-критерий Стьюдента последующей формуле (2.1):tМ1 М 2m12 m22,где М1 и М2 – сравниваемые средние величины, m1 и m2 – средние ошибкисредних величин, соответственно.29Полученные значения t-критерия Стьюдента оценивали путем сравнения скритическимизначениями.Различияпоказателейсчиталистатистическизначимыми при уровне значимости p<0,05.Для сравнения нескольких групп пациентов (более 2) применялиоднофакторный дисперсионный анализ.
Статистическую значимость различийпоказателя оценивали путем расчета критерия F Фишера по следующей формуле(2.2).FQ1 /( m 1 )Q2 /( n m )где Q1 – сумма квадратов отклонений выборочных средних от общегосреднего, Q2 – сумма квадратов отклонений наблюдаемых значений, n – числоэлементов, m – число выборок.В том случае, если расчетное значение критерия Фишера F было меньшекритического, делали вывод об отсутствии статистически значимого влиянияизучаемого фактора на разброс средних значений признака. В противном случаепризнавали существенное влияние независимого фактора на разброс среднихзначений при определенном уровне статистической значимости.
В случаеобнаружения статистически значимых различий между группами, дополнительнопроводили парное сравнение совокупностей при помощи апостериорного критерияШеффе.Сравнение показателей, измеренных в номинальной шкале выполняли припомощи критерия χ2 Пирсона, позволяющего оценить значимость различий междуфактическим (выявленным в результате исследования) количеством исходов иликачественных характеристик выборки, попадающих в каждую категорию, итеоретическим количеством, которое можно ожидать в изучаемых группах присправедливости нулевой гипотезы (ожидаемое явление).Вначале рассчитывали ожидаемое количество наблюдений в каждой из ячеектаблицы сопряженности при условии справедливости нулевой гипотезы оботсутствии взаимосвязи.
Для этого перемножали суммы рядов и столбцов(маргинальных итогов) с последующим делением полученного произведения на30общее число наблюдений.Затем рассчитывали значение критерия χ2 по формуле (2.3):rc 2i 1 j 1( Oij Eij ) 2Eijгде i – номер строки (от 1 до r), j – номер столбца (от 1 до с) Oij – фактическоеколичество наблюдений в ячейке ij, Eij – ожидаемое число наблюдений в ячейке ij.Далее значение критерия χ2 Пирсона сравнивали с критическими значениямидля (r – 1) × (c – 1) числа степеней свободы. В том случае, если полученное значениекритерия χ2 превышало критическое, делали вывод о наличии статистическойвзаимосвязи между изучаемым фактором риска и исходом при соответствующемуровне значимости.В случае анализа четырехпольных таблиц, когда число ожидаемыхнаблюдений в любой из ячеек четырехпольной таблицы было менее 10, намирассчитывали критерий χ2 с поправкой Йейтса, позволяющей уменьшитьвероятность ошибки первого типа, т.е обнаружения различий там, где их нет.Поправка Йейтса заключается в вычитании 0,5 из абсолютного значения разностимежду фактическим и ожидаемым количеством наблюдений в каждой ячейке, чтоведет к уменьшению величины критерия χ2 (2.4).rc 2i 1 j 1( Oij Eij 0 ,5 )2EijВ тех случаях, когда число ожидаемых наблюдений в любой из ячеекчетырехпольной таблицы было менее 5, для оценки уровня значимости различийиспользовали точный критерий Фишера, который рассчитывали по формуле (2.5):Р( A B )! ( C D )! ( A C )! ( B D )!,A! B! C! D! N !где A, B, C, D – фактические количества наблюдений в ячейках таблицысопряженности, N – общее число исследуемых, ! – факториал, который равенпроизведению числа на последовательность чисел, каждое из которых меньшепредыдущего на 1.31ПолученноезначениеточногокритерияФишераРболее0,05свидетельствовало об отсутствии статистически значимых различий.
Значение Pменее 0,05 – об их наличии.В качестве количественной меры эффекта фактора риска нами использовалипоказатель отношения шансов (ОШ), определяемый как отношение вероятностинаступления события в группе, подвергнутой воздействию фактора риска, квероятности наступления события в другой группе.С целью проецирования полученных значений ОШ на генеральнуюсовокупность рассчитывали границы 95% доверительного интервала (95% ДИ) поформулам 2.6 и 2.7:Нижняя граница 95% ДИ = eln( OR) 1,96ln( OR )1,96Верхняя граница 95% ДИ = e1 1 1 1 A B C D1 1 1 1 A B C D(2.6)(2.7)Исходя из полученных данных, значимость фактора считали доказанной вслучае нахождения доверительного интервала за пределами границы отсутствияэффекта, принимаемой за 1.Построение прогностической модели для расчета риска возникновенияопределенной патологии выполняли при помощи метода бинарной логистическойрегрессии.
Выбор метода был обусловлен тем, что зависимая переменная являласьдихотомической, а предикторы были представлены как качественными, так иколичественными признаками, то есть могли измеряться по любой шкале.Прогностическую модель, построенная с помощью метода бинарнойлогистической регрессии, выражали с помощью следующей формулы (2.8):p 11,1 e zz = a0 + a1x1 + a2x2 + a3x3 + … + anxn,где p – вероятность наступления исхода, x1…xn – значения предикторов,измеренные в номинальной, порядковой или количественной шкале, a1…an –коэффициенты регрессии.32Отбор независимых переменных производили методом пошаговой прямойселекции с использованием в качестве критерия исключения статистики Вальда.Статистическую значимость полученной модели определяли с помощью критерияχ2.
Мерой определенности, указывающей на ту часть дисперсии, которая можетбыть объяснена с помощью логистической регрессии, в нашем служил показательНаделькеркеса.Длякаждойпрогностическоймоделиопределялипоказателидиагностической эффективности (доля правильно предсказанных случаев какналичия, так и отсутствия изучаемой патологии), чувствительности (доляправильно предсказанных случаев наличия патологии), специфичности (доляправильнопредсказанныхслучаевотсутствияпатологии).Определениепорогового уровня логистической функции, соответствующего наилучшемусочетаниючувствительностииспецифичностипрогностическоймодели,выполняли с помощью метода ROC-анализа.Оценка функции безрецидивной выживаемости пациентов проводили пометоду Каплана-Мейера.
График оценки функции выживаемости представляли изубывающей ступенчатой линии, значения функции выживаемости между точкаминаблюдений считали константными. Метод Каплана-Мейера позволяет выполнятьанализ цензурированных данных, т.е. оценивать выживаемость с учетом того, чтопациенты могут выбывать в ходе эксперимента или иметь разные срокинаблюдения.Сравнение безрецидивной выживаемости пациентов в зависимости отналичия или отсутствия фактора риска выполняли с помощью лог-ранк критерияМантеля-Кокса.Прогноз безрецидивной выживаемости пациентов определяли методомрегрессии Кокса, подразумевающим оценку риска наступления события длярассматриваемого объекта и оценку влияния заранее определенных независимыхпеременных (предикторов) на этот риск.
Риск рассматривается как функция,зависящая от времени.Базовые предположения, лежащие в основе метода, состоят в том, что все33объясняющие переменные независимы, линейно влияют на риск наступлениясобытия, а также что риски наступления события для любых двух объектов в любойотрезок времени были пропорциональны.Формула расчета риска наступления события для i-того объекта имеет вид:hi(t) = h0(t) × exp (β1Xi1 + β2Xi2 + … + βpXip),где h0 (t) — базовый риск, одинаковый для всех объектов; β1, …, βp —коэффициенты; X1 , …, Xp — независимые переменные, предикторы.При увеличении значения предиктора Xj на единицу (при отсутствииизменений значений остальных переменных) риск наступления события возрастаетв exp (βj) раз.Критическимуровнемзначимостиприпроведениистатистическойобработки данных во всех случаях считали 0,05.
В ряде случаев делалосьпредположение о наличии взаимосвязи между сопоставляемыми явлениями приуровне значимости p в диапазоне от 0,05 до 0,1.Работавыполненаврамкахосновнойнаучно-исследовательскойдеятельности кафедры акушерства и гинекологии с курсом перинатологиимедицинского факультета Медицинского института РУДН — «Репродуктивноездоровье населения Московского мегаполиса и пути его улучшения в современныхэкологических и социально-экономических условиях» (номер гос. регистрации01.9.70 007346, шифр темы 317712) в период 2006–2016 гг.
на базе кафедрыакушерства и гинекологии с курсом перинатологии (зав. кафедрой — член-корр.РАН, заслуженный деятель науки РФ, д.м.н., проф. Радзинский В.Е.) медицинскогофакультета Медицинского института федерального государственного автономногообразовательного учреждения высшего образования «Российский университетдружбы народов» (ректор — академик РАО, д. ф.-м. н., проф. В.М.