Znaczenie statystyki w opiece zdrowotnej (z przykładami)

Dziedzina statystyki zajmuje się gromadzeniem, analizą, interpretacją i prezentacją danych.

W ochronie zdrowia statystyki są ważne z następujących powodów:

Powód 1 : Statystyka umożliwia pracownikom służby zdrowia śledzenie stanu zdrowia poszczególnych osób za pomocą statystyk opisowych.

Powód 2 : Statystyka umożliwia pracownikom służby zdrowia ilościowe określenie związku między zmiennymi przy użyciu modeli regresji.

Powód 3 : Statystyki umożliwiają pracownikom służby zdrowia porównywanie skuteczności różnych procedur medycznych za pomocą testowania hipotez.

Powód 4 : Statystyki pozwalają pracownikom służby zdrowia zrozumieć wpływ wyborów stylu życia na zdrowie na podstawie współczynnika zachorowalności.

W pozostałej części tego artykułu omówimy każdy z tych powodów.

Powód 1: Monitoruj zdrowie jednostek za pomocą statystyk opisowych

Statystyki opisowe służą do opisu danych.

Pracownicy służby zdrowia często obliczają następujące statystyki opisowe dla danej osoby:

• Średnie pozostałe tętno.
• Średnie ciśnienie tętnicze.
• Wahania masy ciała w określonym czasie.

Dzięki tym pomiarom pracownicy służby zdrowia mogą lepiej zrozumieć ogólny stan zdrowia poszczególnych osób.

Następnie mogą wykorzystać te pomiary, aby poinformować poszczególne osoby o sposobach poprawy swojego zdrowia, a nawet przepisać określone leki w zależności od ich stanu zdrowia.

Powód 2: Kwantyfikacja relacji między zmiennymi za pomocą modeli regresji

Statystyka jest również wykorzystywana w opiece zdrowotnej w formie modeli regresji .

Są to modele umożliwiające pracownikom służby zdrowia ilościowe określenie związku pomiędzy jedną lub większą liczbą zmiennych predykcyjnych azmienną odpowiedzi .

Na przykład pracownik służby zdrowia może mieć dostęp do danych dotyczących całkowitej liczby godzin spędzonych dziennie na ćwiczeniach, całkowitego czasu spędzanego dziennie w pozycji siedzącej oraz całkowitej masy ciała poszczególnych osób.

Następnie mogliby skonstruować następujący model regresji liniowej wielokrotnej:

Waga = 124,33 – 15,33 (godziny spędzone dziennie na ćwiczeniach) + 1,04 (godziny spędzone dziennie na siedzeniu)

Oto jak interpretować współczynniki regresji w tym modelu:

• Każda dodatkowa godzina spędzona dziennie na ćwiczeniach powoduje zmniejszenie całkowitej masy ciała średnio o 15,33 funta (zakładając, że liczba godzin spędzonych w pozycji siedzącej pozostaje stała).
• Każda dodatkowa godzina spędzona dziennie w pozycji siedzącej powoduje wzrost całkowitej masy ciała średnio o 1,04 funta (zakładając, że godziny spędzone na ćwiczeniach pozostają stałe).

Korzystając z tego modelu, pracownik służby zdrowia może szybko zrozumieć, że dłuższy czas ćwiczeń wiąże się z niższą wagą, a dłuższy czas spędzony w pozycji siedzącej wiąże się z większą wagą.

Mogą również dokładnie określić, w jakim stopniu ilość ćwiczeń i pozycja siedząca wpływają na wagę.

Powód 3: Porównaj procedury medyczne za pomocą testowania hipotez

Statystyka jest również wykorzystywana w opiece zdrowotnej w formie testowania hipotez .

Są to testy, z których mogą skorzystać pracownicy służby zdrowia w celu ustalenia, czy istnieje statystyczna istotność pomiędzy różnymi procedurami medycznymi lub terapiami.

Załóżmy na przykład, że lekarz uważa, że nowy lek jest w stanie obniżyć ciśnienie krwi u otyłych pacjentów. Aby to sprawdzić, przez miesiąc będzie mógł mierzyć ciśnienie krwi 40 pacjentom przed i po stosowaniu nowego leku.

Następnie przeprowadza test t dla sparowanych próbek, stosując następujące założenia:

• H ₀ : μ _po = μ _przed (średnie ciśnienie krwi jest takie samo przed i po zażyciu leku)
• H _A : μ _po < μ _przed (średnie ciśnienie krwi jest niższe po zażyciu leku)

Jeżeli wartość p testu jest poniżej pewnego poziomu istotności (np. α = 0,05), wówczas może on odrzucić hipotezę zerową i stwierdzić, że nowy lek powoduje obniżenie ciśnienia krwi.

Uwaga : to tylko jeden przykład testowania hipotez stosowanych w opiece zdrowotnej. Inne popularne testy obejmują test t dla jednej próbki , test t dla dwóch próbek , jednoczynnikową ANOVA i dwuczynnikową ANOVA .

Powód 4: Zrozumienie wpływu wyborów stylu życia na zdrowie na podstawie współczynnika zachorowalności

Raport dotyczący współczynnika zapadalności umożliwia pracownikom służby zdrowia porównanie współczynnika zapadalności pomiędzy dwiema różnymi grupami.

Załóżmy na przykład, że wiadomo, że u palaczy rak płuc występuje z częstością 7 na 100 osobolat.

I odwrotnie, załóżmy, że wiadomo, że u osób niepalących rak płuc zapada na raka płuc z częstością 1,5 na 100 osobolat.

Obliczalibyśmy współczynnik częstości występowania (często w skrócie IRR) w następujący sposób:

• IRR = współczynnik zachorowalności wśród palaczy / wskaźnik zachorowalności wśród osób niepalących
• IRR = (7/100) / (1,5/100)
• IRR = 4,67

Oto jak pracownik służby zdrowia zinterpretowałby tę wartość: Częstość występowania raka płuc wśród palaczy jest 4,67 razy wyższa niż u osób niepalących.

Dzięki tym prostym obliczeniom pracownicy służby zdrowia mogą lepiej zrozumieć, w jaki sposób różne wybory stylu życia (takie jak palenie) wpływają na zdrowie poszczególnych osób.

Dodatkowe zasoby

Poniższe artykuły wyjaśniają znaczenie statystyki w innych dziedzinach:

Dlaczego statystyki są ważne? (10 powodów, dla których statystyki są ważne!)
Znaczenie statystyki w pielęgniarstwie
Znaczenie statystyki w przedsiębiorstwach
Znaczenie statystyki w ekonomii
Znaczenie statystyki w edukacji