<\/p>\n
Neyman-bias<\/strong> (ook bekend als prevalentie-incidentiebias<\/em> ) is een vorm van bias die kan optreden in onderzoeken waarin extreem zieke of zeer gezonde individuen worden uitgesloten van de uiteindelijke onderzoeksresultaten, wat tot vertekende resultaten kan leiden.<\/span><\/p>\n Deze vertekening kan de resultaten van een onderzoek op twee manieren be\u00efnvloeden:<\/span><\/p>\n 1.<\/strong> Als extreem zieke personen worden uitgesloten van het onderzoek omdat ze zijn overleden, zal de ziekte minder ernstig lijken.<\/span><\/p>\n 2.<\/strong> Als zeer gezonde personen van het onderzoek worden uitgesloten omdat ze hersteld zijn en naar huis zijn gestuurd, zal de ziekte ernstiger lijken.<\/span><\/p>\n Hier zijn twee voorbeelden van Neyman-vooroordelen die in verschillende scenario\u2019s voorkomen:<\/span><\/p>\n Voorbeeld 1: Zieke personen uitgesloten van een onderzoek.<\/strong><\/span><\/p>\n Laten we zeggen dat een groep onderzoekers in een ziekenhuis de ernst van een bepaalde griepvariant wil onderzoeken. Ze selecteren willekeurig een steekproef van 40 mensen in het gebied die deze griepsoort oplopen en monitoren hun resultaten.<\/span><\/p>\n In dit scenario worden mensen die een bijzonder ernstig geval van griep oplopen en eraan overlijden, uitgesloten van het onderzoek. Dit betekent dat alleen mensen met milde gevallen in het onderzoek worden opgenomen, waardoor de griep minder ernstig wordt.<\/span><\/p>\n Voorbeeld 2: Gezonde personen uitgesloten van een onderzoek.<\/strong><\/span><\/p>\n Laten we zeggen dat een groep onderzoekers in een ziekenhuis de ernst van een bepaalde seizoensverkoudheid wil onderzoeken. Ze selecteren willekeurig een steekproef van 30 mensen in het gebied die verkoudheid oplopen en monitoren de gevolgen ervan.<\/span><\/p>\n In dit scenario zullen mensen die al verkouden zijn en hersteld zijn, niet in het onderzoek worden opgenomen, wat betekent dat alleen mensen met ernstigere gevallen en die niet hersteld zijn, in het onderzoek zullen worden opgenomen. Dit zou de kou ernstiger kunnen maken.<\/span><\/p>\n Neyman-bias komt het vaakst voor in onderzoeken waarin er een lange periode zit tussen individuen die een bepaalde ziekte oplopen en hun opname in een onderzoek, eenvoudigweg omdat het hen meer tijd geeft om (1) te herstellen en niet in het onderzoek te worden opgenomen, of (2 ) sterven en niet in het onderzoek worden opgenomen.<\/span><\/p>\n Case-control studies zijn het meest gevoelig voor dit soort bias, maar het kan ook voorkomen in cohortstudies en cross-sectionele studies.<\/span><\/p>\n Er zijn twee manieren om de valkuilen van het Neyman-vooroordeel te vermijden:<\/span><\/p>\n 1. Gebruik incidentgevallen in plaats van voorkomende gevallen.<\/strong><\/span><\/p>\n Een incidentgeval<\/strong> is een nieuw gediagnosticeerd ziektegeval. Een prevalent geval<\/strong> is een bestaand geval van een ziekte, waarbij een individu er doorgaans al langere tijd aan lijdt en daarom een meer geavanceerde en ernstige versie van de ziekte heeft. Door gebruik te maken van incidentgevallen is de kans kleiner dat individuen op een gegeven moment van het onderzoek worden uitgesloten, omdat het om een nieuwe casus gaat.<\/span><\/p>\n 2. Maak gebruik van vervolgonderzoek.<\/strong><\/span><\/p>\n Een andere manier om vooringenomenheid van Neyman te voorkomen is door gebruik te maken van een vervolgonderzoek waarbij onderzoekers individuen opvolgen en hun situatie beoordelen nadat het onderzoek is afgerond. Dit kan met name nuttig zijn voor het monitoren van personen die een onderzoek verlaten omdat ze herstelden van een ziekte, waardoor onderzoekers de langetermijneffecten van een ziekte beter kunnen begrijpen.<\/span><\/p>\n Wat is ondertellingsbias?<\/a> Neyman-bias (ook bekend als prevalentie-incidentiebias ) is een vorm van bias die kan optreden in onderzoeken waarin extreem zieke of zeer gezonde individuen worden uitgesloten van de uiteindelijke onderzoeksresultaten, wat tot vertekende resultaten kan leiden. Deze vertekening kan de resultaten van een onderzoek op twee manieren be\u00efnvloeden: 1. Als extreem zieke personen worden uitgesloten van […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1024","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeelden van Neyman-bias<\/strong><\/span><\/h3>\n
In welke soorten onderzoeken komt Neyman-vooroordeel naar voren?<\/strong><\/span><\/h3>\n
Hoe Neyman-vooringenomenheid te voorkomen<\/strong><\/span><\/h3>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Wat is SEO-bias?<\/a>
Wat is non-respons bias?<\/a>
Wat is behandelingsdiffusie?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"