诊断试剂的统计学分析.docVIP

诊断试剂的统计学分析 对于定性试剂，主要是1、阳性符合率、阴性符合率、总体符合率及其95%（或99%）的置信区间。2、行四格表卡方或kappa检验以验证两种试剂定性结果的一致性。做完这些统计应该是足够了。这些在IVDstatistics中都有体现。这里探讨几个统计技术方面的话题：1、95%的可信区间：目前有好几种算法：可参见程序和帮助文件：个人感觉最常用的是二项分布法，这个算法应该是最准确的算法，但只能用程序算；另外用比较多的Wald法（点估计，近似正态分布法？），这个算法最简单，但准确度较低。2、配对卡方检验（McNemar）在国内的教科书中，都是用传统的公式，b+c40时用校正公式。但在不同的程序中，并不相同，SPSS只采用精确概率法，MedCalc在25时用精确概率法，而在25时用校正的公式，而SAS好象只用传统的公式计算。这里我无法认定用哪种算法好，但应都有道理，不能认定为错。我想可能理论上精确概率法最好，但只能用程序算，另外对于很大的数据，可能出现无法计算的情况。3、一致性检验 这是指导原则中的必选项之一。然而在一般的教科书中，只对Kappa系数计算进行了说明，对于其95%的可信区间和非0检验提的很少。统计上Kappa系数不只应用于配对的四格表，对于半定量的有序数据同样适用，反过来可认为四格表是有序数据的最简单的特例。在这里要注意的事Kappa的标准误有两个，分别用于可信区间和非0检验，计算公式不同，SPSS和MedCalc都没能同时给出计算值，另有限的几篇中文期刊文章竟然不少用错了。关于这两个Se的计算公式在程序的帮助里可以找到，Se（K）用于计算可信区间，Se0（K）用于非0的检验。 定量试剂的临床统计：1、以上指导原则均指出要进行回归分析，即计算回归方程y=a+bx，相关系数（R）或R2；从统计学角度，对方程进行检验，即a,b的检测，得出直线相关关系是否成立。事实上对方程的检验，对比的检验，还有对r值的检验结果和意义都是一样的，该检验和算法在方法上没有什么异义，教科书以及多数的软件结果都是一样的。在统计上，应该同时对这些值的95%CI进行计算，并作散点图，显示出更多或更直观的结果。注意的是如果数据不呈正态分布，此时r值不应采用简单相关系数，而应计算秩（spearman）相关系数。2、Bland-Altman分析：这在部分的指导原则中指出来了。Bland-Altman分析主要是作一个图，用差值或比值等，一般来说界外值在5%以内，说明一致性较好，但没有严格的标准。不过从图上可以直观的看出数据的离散程度。3、t检验或秩和检验，配对定量的数据需不需要t检验？从以上的指导原则上看并没有要求。可能因为是太习惯了吧，大多数人都可能会进行t检验，在算法上，t检验相对简单，也没有什么争议。但如果数据差值不呈正态分布，理论上应用秩和检验。4、定量数据的描述：拿到一组数据后，应对基本的情况进行描述，描述的量比较多，不过个人觉得太多也没有必要，在IVDstatistics中，提供均值、标准差、最大值、最小值、偏度、峰度，我想应该足够了，另外一个较为形象的描述是作直方图。有些指导原则里写了说样本应尽量均匀分布，我想这一点是很难做到的，非生理的疾病值不会按统计学上理想的状态分布，以偏态分布居多。如果做不到均匀分布，但我想要考察试剂的性能，高、中、低值的相对连续的分布不能有所缺失，用直方图可以直观的表示出来。5、正态分布：这是进行以上一些检验在统计学上的基本要求。正态分布算法很多，目前认为较好的算法是W检验和DAgostino检验。在计算方面，正态分布的计算很复杂，只有用程序进行计算。但也有人说，对于正态分布，不用太过计较，t检验等即使非正态分布的数据，计算结果也不会有大的出入。5、定量试剂的定性计算：这个在不少的指导原则中都提出来了，个人觉得应该对于有参考值的试剂应同时进行定性的统计。我想进行完以上的统计后，可以形成一个完整的报告了。半定量试验（有序变量）半定量检验试剂种类相对应该少一些。在临床统计上，个人觉得和定性试剂有些接近，或定性试剂是半定量试剂的一个特例。在相关指导原则上，明确指出统计方法的比较少。类比于比定性试剂，我想同样是在3个方面进行分析：1）基础的计算，也就是区间的符合率，这相当于定性的阳性或阴性符合率；2）差异性检验，在统计上对有序的变量一般采用秩和检验方法，而不是卡方检验。这里需要提出的是，理论上用配对的秩和检验是最合适的，然而配对的秩和检验将相同的结果不列入统计，只比较有差异的结果。由于半定量的试剂相同的结果数据很多，显然这种结果一些情况下能反映试剂的真实性能，这一点在很多文献中都指出来了。个人认为采用单向有序的秩和检验更能反映试剂的实际性能。在IVDstatistics中，可以