szaÂmaÂnak meghataÂrozaÂsa
Bereczky Zsuzsanna
A klinikai tanulmaÂnyok tervezeÂse soraÂn a helyesen feltett tudomaÂnyos keÂrdeÂs eÂs jo munkahipoteÂzisek (eÂs statisztikai hipoteÂzisek) megalkotaÂsaÂt koÈvetoÍen eleÂrkezett az idoÍ a tanulmaÂny protokolljaÂnak kidol-gozaÂsaÂra. Ennek elsoÍdleges eleme a reÂsztvevoÍ vizs-gaÂlati alanyok szaÂmaÂnak meghataÂrozaÂsa eÂs a reÂszveÂ-tel szempontjainak kidolgozaÂsa. E fejezet elsoÍsorban az obszervaÂcioÂs (nem intervencioÂs) klinikai tanul-maÂnyok tervezeÂse soraÂn felmeruÈloÍ keÂrdeÂseket taÂr-gyalja, az intervencioÂs tanulmaÂnyok e keÂrdeÂseivel a koÈnyv 5. fejezete foglalkozik. AbboÂl kell kiindul-nunk, hogy egy-egy tudomaÂnyos keÂrdeÂs, probleÂma egy-egy bizonyos tulajdonsaÂgokkal rendelkezoÍ po-pulaÂcioÂt eÂrint (peÂldaÂul myocardialis infarctuson aÂt-esett fiatal noÍk). A tanulmaÂny elveÂgzeÂse utaÂn az eredmeÂnyek alapjaÂn levont koÈvetkezteteÂseinket ter-meÂszetszeruÍleg erre a populaÂcioÂra, a populaÂcio min-den tagjaÂra kõÂvaÂnjuk kiterjeszteni. Ezt a populaÂcioÂt szokaÂsceÂlpopulaÂcioÂnakvagy forraÂspopulaÂcioÂnakis nevezni. MagaÂtoÂl eÂrtetoÍdik, hogy a ceÂlpopulaÂcio minden egyes tagjaÂt nem aÂll moÂdunkban vizsgaÂlni egy tanulmaÂny keretei koÈzoÈtt, sem idoÍ, sem peÂnz nem aÂll elegendoÍ mennyiseÂgben rendelkezeÂsre, illet-ve a foÈldrajzi korlaÂtokat is neheÂz lenne legyoÍzni.
E probleÂma aÂthidalaÂsaÂra vezetteÂk be azeleÂrhetoÍ po-pulaÂcioÂfogalmaÂt, mely a ceÂlpopulaÂcio olyan tagjait jelenti, akik teÂrben eÂs idoÍben eleÂrhetoÍek a vizsgaÂloÂk szaÂmaÂra (ez utoÂbbi populaÂcio meÂrete termeÂszetesen sokkal kisebb az eloÍzoÍneÂl). HiaÂba eleÂrhetoÍ elvben egy adott szemeÂly, de a gyakorlatban meÂgsem hozzaÂ-feÂrhetoÍ, ha elutasõÂtja a vizsgaÂlatban valo reÂszveÂtelt, vagy valamilyen egyeÂb ok miatt nem vonhato be a vizsgaÂlatba (laÂsd keÂsoÍbb). Azt az eloÍzoÍneÂl is kisebb csoportot, amelynek tagjai teÂnylegesen reÂszt vesznek a vizsgaÂlatban,vizsgaÂlati populaÂcioÂnakvagy mintapopulaÂcioÂnaknevezzuÈk. Ahhoz, hogy a vizsgaÂ-lati populaÂcio tagjain veÂgzett meÂreÂsek,
beavatkozaÂ-sok, megfigyeleÂsek aÂltalaÂnosõÂthatoÂak legyenek a ceÂl-populaÂcio tagjaira is, vagyis a minta reprezentatõÂv legyen, nagyon gondosan kell bevaÂlogatnunk a vizs-gaÂlati alanyokat, lehetoÍleg minimalizaÂlva a minta-veÂtelboÍl adoÂdo hibaÂkat. (MegjegyezzuÈk, hogy epide-mioloÂgiai eÂs statisztikai szempontboÂl ¹mintaÂnº a vizsgaÂlati populaÂcio tagjait eÂrtjuÈk, eÂs nem a beloÍ-luÈk szaÂrmazoÂ, pl. veÂr vagy DNS-mintaÂkat, ¹minta-veÂtelenº pedig azt az eljaÂraÂst, melynek soraÂn eleÂrhe-toÍve tesszuÈk az adott vizsgaÂlati alanyokat a vizsgaÂlat szaÂmaÂra.) Nagyon sok klinikai tanulmaÂny a minta-veÂtel helytelenseÂge miatt ¹bukik megº, eÂs a beloÍle szaÂrmazo koÈvetkezteteÂsek nem alkalmazhatoÂak az eredendoÍen a tudomaÂnyos keÂrdeÂsben megfogalma-zott ceÂlpopulaÂcioÂra. A suÂlyos mintaveÂteli hibaÂkat tartalmazo tanulmaÂnyok koÈzleÂse neheÂzseÂgekbe is uÈt-koÈzik; ma maÂr minden rangosabb folyoÂirat reÂszlete-sen keÂri a vizsgaÂlati populaÂcio reÂszletes jellemzeÂseÂt eÂs a bevaÂlogataÂs szabaÂlyait. MineÂl szofisztikaÂltabb mintaveÂteli eljaÂraÂsokat alkalmaz egy tanulmaÂny, an-naÂl inkaÂbb aÂltalaÂnosõÂthato az abban kapott ered-meÂny a ceÂlpopulaÂcioÂra. A kuÈloÈnboÈzoÍ mintaveÂteli technikaÂk befolyaÂsoljaÂk a tanulmaÂnyhoz szuÈkseÂges (eÂs az eloÍzetesen kiszaÂmõÂtott) mintanagysaÂgot, vala-mint megszabjaÂk az adatelemzeÂs statisztikai moÂdsze-reÂt is.
A reÂsztvevoÍk bevaÂlogataÂsaÂnak tervezeÂse az uÂn.
bevaÂlogataÂsi kriteÂriumok (inclusion criteria) megaÂl-lapõÂtaÂsaÂval kezdoÍdik. AlapvetoÍ bevaÂlogataÂsi kriteÂ-rium az a klinikai aÂllapot vagy betegseÂg, amire a ku-tataÂs iraÂnyul (peÂldaÂul myocardialis infarctuson aÂtesett egyeÂnek). Sok tanulmaÂnyban iraÂnyul a keÂr-deÂs egy bizonyos korcsoportra (pl. fiatalok), nemre (pl. noÍk), vagy rasszra (pl. kaukaÂzusi). Ezek a kriteÂ-riumok mind a bevaÂlogataÂs reÂszei lesznek, eÂs a pro-tokollban pontosan roÈgzõÂteni kell oÍket. A ceÂlpopulaÂ-cioÂt meghataÂrozo kriteÂriumok utaÂn a bevaÂlogataÂs
kriteÂriumait tovaÂbb kell pontosõÂtani, ami meghataÂ-rozza az eleÂrhetoÍ populaÂcioÂt. Ez alatt a bevaÂlogataÂs idoÍtartamaÂnak eÂs helyszõÂneÂnek meghataÂrozaÂsaÂt (pl.
2011. december 1. eÂs 2012. december 31. koÈzoÈtt a Debreceni Egyetem, OEC KardioloÂgiai InteÂzeteÂbe felvett szemeÂlyek) eÂrtjuÈk. A kriteÂriumok felaÂllõÂtaÂsa-kor tartsunk mindig szem eloÍtt keÂt fontos dolgot: az egyik az, hogy minden kriteÂriumot pontosan kell de-finiaÂlnunk. Az eloÍbbi peÂldaÂkat szemuÈgyre veÂve megaÂllapõÂthatjuk, hogy egy kriteÂrium nem volt pon-tosan megadva: a ¹fiatalº helyett konkreÂtan meg kell adnunk azt, hogy haÂny eÂvesek lehetnek a tanul-maÂnyban reÂsztvevoÍk, lehetoÍleg ¹-toÂlº ¹-igº megha-taÂrozaÂssal. Itt jegyezzuÈk meg, hogy a klinikai tanul-maÂnyok tuÂlnyomo toÈbbseÂge felnoÍtteket eÂrint, eÂs aÂltalaÂban a bevonaÂsi kriteÂriumok koÈzoÈtt szerepel az, hogy a vizsgaÂlando szemeÂlyek betoÈltoÈtteÂk a 18.
(vagy 21.) eÂleteÂvuÈket. A maÂsik fontos teÂnyezoÍ an-nak figyelembe veÂtele, hogy mineÂl toÈbb bevaÂlasztaÂsi kriteÂriumot alkalmazunk, aminek a vizsgaÂlati popu-laÂcio tagjai meg kell, hogy feleljenek, annaÂl keve-sebb szemeÂlyt tudunk egyseÂgnyi idoÍ alatt bevonni a vizsgaÂlatba, õÂgy a tanulmaÂnyunk kivitelezeÂseÂhez szuÈkseÂges idoÍ extreÂm hosszuÂra is nyuÂlhat, vagy a ta-nulmaÂny kivitelezeÂse egyenesen lehetetlenne vaÂlik.
A fordõÂtottja is veszeÂlyes, mineÂl keveÂsbe definiaÂljuk koÈruÈltekintoÍen a bevaÂlasztaÂsi kriteÂriumainkat, annaÂl toÈbb mintaÂnk lesz ugyan, de annaÂl pontatlanabb koÈ-vetkezteteÂst vonhatunk le az eredmeÂnyeinkboÍl, esetleg teljesen elteÂvelyedve az eredeti keÂrdeÂsfelte-veÂsuÈnktoÍl. AzeÂrt, hogy elkeruÈljuÈk az eredmeÂnyte-len, de draÂga vizsgaÂlatokat, maÂr a tervezeÂs faÂzisaÂban alkalmazzuk azt a szabaÂlyt, hogy csak a legszuÈkseÂge-sebb bevaÂlogataÂsi kriteÂriumokat aÂllõÂtsuk fel, de azo-kat igen! BaÂr elsoÍ laÂtaÂsra nem tuÍnhet fontosnak a bevaÂlogataÂs ideje eÂs helyszõÂne, de ennek is lehet je-lentoÍseÂge. Ha peÂldaÂul egy betegseÂg szezonaÂlis inga-dozaÂsokat mutat, akkor a bevaÂlogataÂs idoÍpontjaÂt ennek figyelembeveÂteleÂvel kell meghataÂroznunk.
Nem mindegy, hogy a primer betegellaÂto helyroÍl (haÂziorvosi rendeloÍ) vagy tercier egyetemi koÈzpont-boÂl toÈrteÂnik a reÂsztvevoÍk toborzaÂsa. Az egy adott betegseÂg suÂlyosabb tuÈneteit mutato betegeket aÂlta-laÂban speciaÂlis koÈzpontokban fekvoÍbetegkeÂnt keze-lik, mõÂg az enyhe lefolyaÂst mutato eseteket esetleg csak a haÂziorvos laÂtja. KuÈloÈnoÈsen neheÂz definiaÂlni az ¹egeÂszseÂgesº (kontroll) populaÂcioÂt. Azon tuÂl, hogy az egeÂszseÂgesseÂg relatõÂv fogalom, eÂs minden tanulmaÂnyban maÂsok a szempontok, a mintagyuÍjteÂs kivitelezeÂse is bonyolultabb, mint a beteg szemeÂlyek
eseteÂn. A magyarorszaÂgi aÂltalaÂnos populaÂcioÂt repre-zentaÂlo szemeÂlyek bevaÂlogataÂsa soraÂn (peÂldaÂul egy genetikai epidemioloÂgiai tanulmaÂny eseteÂn) igen hasznosnak bizonyul a HaÂziorvosi morbiditaÂsi adat-gyuÍjteÂs programboÂl (HMAP) szaÂrmazo mintaÂk hasznaÂlata. A HMAP a Debreceni Egyetem NeÂp-egeÂszseÂguÈgyi Iskola eÂs az A llami NeÂpegeÂszseÂguÈgyi eÂs Tisztiorvosi SzolgaÂlat egyuÈttmuÍkoÈdeÂse reÂveÂn 1998 maÂjusaÂban indult el HajduÂ-Bihar, GyoÍr-Mo-son-Sopron, Szabolcs-SzatmaÂr-Bereg eÂs Zala me-gyei A NTSZ-inteÂzetek, illetve a csatlakozo haÂzior-vosi praxisok reÂszveÂteleÂvel. KeÂsoÍbb csatlakozott a programhoz BaÂcs-Kiskun eÂs KomaÂrom-Esztergom megye. A program ceÂlja olyan moÂdszertan kidolgo-zaÂsa, bevezeteÂse eÂs teszteleÂse volt, mely megbõÂzhatoÂ, eÂs az orszaÂg lakossaÂgaÂra neÂzve kor eÂs nem szerint reprezentatõÂvnak tekinthetoÍ adatokat szolgaÂltat a legnagyobb neÂpegeÂszseÂguÈgyi jelentoÍseÂguÍ betegseÂ-gek prevalenciaÂjaÂroÂl eÂs incidenciaÂjaÂroÂl. A program-ban jelenleg 106 haÂziorvos reÂszveÂteleÂvel a magyar lakossaÂg mintegy 2%-a keÂpviselt mind a keleti, mind a nyugati, mind pedig az orszaÂg koÈzeÂpsoÍ reÂszeÂ-roÍl. A programban reÂsztvevoÍ haÂziorvosi praxisok kor eÂs nem szerint joÂl reprezentaÂljaÂk a programba vont megyeÂk eÂs az orszaÂg lakossaÂgaÂt. Az ezen praxi-sokboÂl szaÂrmazo demograÂfiai adatok eÂs DNS-min-taÂk segõÂtseÂgeÂvel toÈbb geÂnvariaÂns (polimorfizmus) eloÍfordulaÂsi gyakorisaÂga keruÈlt megaÂllapõÂtaÂsra a ma-gyar aÂltalaÂnos populaÂcioÂban.
A bevaÂlasztaÂsi kriteÂriumok mellett aÂltalaÂban kizaÂ-raÂsi kriteÂriumokat(exclusion criteria) is fel kell aÂllõÂta-nunk. Ezek nyilvaÂnvaloÂan csoÈkkentik a bevonhato alanyok szaÂmaÂt, de annak eÂrdekeÂben szuÈkseÂg van az alkalmazaÂsukra, hogy elkeruÈljuÈk olyan szemeÂlyek bevonaÂsaÂt, akik valamely tulajdonsaÂguk reÂveÂn zavar-jaÂk a tanulmaÂny sikeres kivitelezeÂseÂt, vagy az ered-meÂnyek eÂrtelmezhetoÍseÂgeÂt. KizaÂraÂsi kriteÂrium szo-kott lenni prospektõÂv vizsgaÂlatok eseteÂn peÂldaÂul a malignus betegseÂg, mivel a reÂsztvevoÍ eÂletkilaÂtaÂsait nagymeÂrteÂkben befolyaÂsolja, õÂgy a koÈveteÂs soraÂn ha-mar ¹kieshetº a csoportboÂl, vagy ± gyoÂgyszerhataÂs-vizsgaÂlatok eseteÂben ± a non-compliance, mivel ek-kor nem biztosõÂthatoÂ, hogy a vizsgaÂlt szemeÂly valoÂ-ban beveszi-e a kijeloÈlt gyoÂgyszert. De kizaÂraÂsi kri-teÂrium lehet baÂrmilyen betegseÂg megleÂte, ami befolyaÂsolhatja a vizsgaÂlati gyoÂgyszer hataÂsaÂt vagy a meÂreÂsi eredmeÂnyeket (peÂldaÂul trombocita-funkcioÂ-gaÂtlo teraÂpia hateÂkonysaÂgaÂnak vizsgaÂlata eseteÂn a trombocita-funkcioÂzavarral rendelkezoÍ szemeÂlyek).
AÂ ltalaÂnossaÂgban eÂrdemes szem eloÍtt tartani, hogy
mineÂl kevesebb a kizaÂraÂsi kriteÂrium, annaÂl teljesõÂt-hetoÍbb a mintaveÂtel, eÂppen ezeÂrt nagyon megfontolt-nak kell lenni a kriteÂriumrendszer kidolgozaÂsakor.
Ha nem vagyunk benne biztosak a vizsgaÂlat tervezeÂ-seÂnek idejeÂn, hogy egy adott tulajdonsaÂg megleÂte zavaro lesz-e az adatok elemzeÂse szempontjaÂboÂl a ta-nulmaÂny veÂgeÂn, akkor eleve ne zaÂrjuk ki az azzal a tulajdonsaÂggal rendelkezoÍket, de az adott tulajdon-saÂg megleÂteÂt dokumentaÂljuk, õÂgy keÂsoÍbb figyelembe vehetjuÈk.
A bevaÂlasztaÂsi eÂs kizaÂraÂsi kriteÂriumok megaÂllapõÂ-taÂsaÂt koÈvetoÍen kell elhataÂrozni a mintaveÂtel moÂdsze-reÂt. AlapvetoÍen keÂtfeÂle megkoÈzelõÂteÂs leÂtezik:a valoÂ-szõÂnuÍseÂgen alapulo eÂs a nem valoÂvaloÂ-szõÂnuÍseÂgen alapulo mintaveÂtel.UtoÂbbi esetben a ceÂlpopulaÂcioÂt alkoto egyeÂnek nem azonos, vagy nem ismert eseÂllyel ke-ruÈlnek a vizsgaÂlati csoportba. Az ilyen szelektaÂlt bekeruÈleÂs magaÂban hordozza a sziszteÂmaÂs hiba lehe-toÍseÂgeÂt, ugyanis eloÍteÂrbe helyezheti bizonyos tulaj-donsaÂgokkal rendelkezoÍ egyeÂnek bekeruÈleÂseÂt a ta-nulmaÂnyba, mõÂg maÂsokat kizaÂr abboÂl. Itt nyilvaÂn nem a tanulmaÂny szempontjaÂboÂl kulcstulajdonsaÂgroÂl van szoÂ, hanem egyeÂb, olyan teÂnyezoÍkroÍl, melyek befolyaÂsolhatjaÂk az eredmeÂnyeket. PeÂldaÂul, ha a be-vonaÂsi kriteÂrium (a tanulmaÂny ceÂlcsoportja) meÂlyveÂ-naÂs tromboÂzison aÂtesett fiatal szemeÂlyek, akkor ki-zaÂroÂlag a NoÍgyoÂgyaÂszati KlinikaÂroÂl bevaÂlogatott szemeÂlyek nem fogjaÂk megfeleloÍen reprezentaÂlni a ceÂlpopulaÂcioÂt, hiszen innen feÂrfiak nem keruÈlhetnek be a tanulmaÂnyba. Bizonyos koÈruÈlmeÂnyek koÈzoÈtt a nem valoÂszõÂnuÍseÂgen alapulo mintaveÂtel meÂgis alkal-mazhatoÂ. A klinikai kutataÂsban gyakran talaÂlkozunk az uÂn.keÂnyelmes mintaveÂteli eljaÂraÂssal, ami a nem valoÂszõÂnuÍseÂgen alapulo mintaveÂteli moÂdszer egyik altõÂpusa. Itt arroÂl van szoÂ, hogy a bevaÂlogataÂsi kriteÂ-riumoknak megfeleloÍ, olyan szemeÂlyek keruÈlnek a tanulmaÂnyba, akik a vizsgaÂlo szaÂmaÂra keÂnyelme-sen eleÂrhetoÍk. PeÂldaÂul, ha a vizsgaÂlo a sajaÂt szakren-deleÂseÂn megjelenoÍ, a bevaÂlasztaÂsi kriteÂriumoknak megfeleloÍ szemeÂlyeket vonja be a tanulmaÂnyaÂba.
Ez nyilvaÂn eloÍnyoÈs a logisztika eÂs a koÈltseÂgek szem-pontjaÂboÂl is, azonban csak akkor alkalmazhatoÂ, ha a bevonaÂs folyamatos, vagyis a kijeloÈlt mintagyuÍjteÂsi perioÂdus alattmindenszemeÂly bekeruÈl a tanulmaÂny-ba. IÂgy a bevonaÂsra szaÂnt idoÍ alatt minden potenciaÂ-lis reÂsztvevoÍnek 100% eseÂlye van bekeruÈlni a tanul-maÂnyba. Ez a fajta mintagyuÍjteÂsi forma a klinikai kutataÂsban szaÂmos keÂrdeÂs megvaÂlaszolaÂsaÂra alkal-mas eÂs elterjedt moÂdszer.
A valoÂszõÂnuÍseÂgen alapulo mintagyuÍjteÂsi moÂdszer az eloÍzoÍekneÂl bonyolultabb eÂs idoÍigeÂnyesebb, az õÂgy leÂtrehozott vizsgaÂlati populaÂcio azonban jobban reprezentaÂlja a ceÂlpopulaÂcioÂt. A kulcsfogalom eb-ben az eseteb-ben a random mintagyuÍjteÂs, ami azt jelenti, hogy minden potenciaÂlis reÂsztvevoÍ eloÍre meghataÂrozott, ismert eseÂllyel keruÈl a vizsgaÂlati csoportba. A leggyakrabban alkalmazott moÂdszer az egyszeruÍ random mintagyuÍjteÂs, amikor minden potenciaÂlis reÂsztvevoÍ azonos eseÂllyel keruÈl a vizsgaÂ-lati csoportba, eÂs senki nem tudja eloÍre, hogy az eleÂrhetoÍ szemeÂlyek koÈzuÈl kik lesznek azok, akik bekeruÈlnek. Ezt aÂltalaÂban szaÂmõÂtoÂgeÂp aÂltal generaÂlt random szaÂmok vagy random szaÂmtaÂblaÂzat segõÂtseÂ-geÂvel eÂrik el. PeÂldaÂul teÂtelezzuÈk fel, hogy egy vizs-gaÂloÂnak szuÈkseÂge van 50 betegre, akik reprezentaÂl-jaÂk a ceÂlpopulaÂcioÂt (myocardialis infarctuson aÂtesett 50 eÂv alatti noÍbetegek). Ekkor a komputer az eleÂrhetoÍ populaÂcio minden tagjaÂnak neveÂhez hozzaÂrendel egy szaÂmot (randomszeruÍen), majd sorba rendezi a szaÂmokat, eÂs kivaÂlasztja az elsoÍ 50 szaÂmhoz tartozo szemeÂlyt. A szisztematikus minta-veÂteli eljaÂraÂs azt jelenti, hogy valamilyen eloÍre meg-hataÂrozott szabaÂly szerint vaÂlasztja ki a vizsgaÂlo a reÂsztvevoÍket a listaÂjaÂroÂl, peÂldaÂul minden harma-dik szemeÂlyt, vagy minden szemeÂlyt, akinek a TAJ szaÂmaÂnak maÂsodik tagja 2-es, vagy a neve K-betuÍ-vel kezdoÍdik. Ezek az eljaÂraÂsok nem ajaÂnlatosak, ugyanis magaÂban hordozza a populaÂcioÂban leÂtezoÍ termeÂszetes periodicitaÂs aÂltal okozott hiba lehetoÍseÂ-geÂt, de manipulaÂcioÂra is lehetoÍseÂget ad. A reÂtegzett random mintaveÂteli eljaÂraÂs azt jelenti, hogy a vizs-gaÂlo alcsoportokat keÂpez az eleÂrhetoÍ populaÂcioÂn beluÈl (pl. noÍk vs. feÂrfiak) eÂs az egyszeruÍ random mintagyuÍjteÂs eljaÂraÂsaÂt az adott alcsoportokon beluÈl veÂgzi el. A klaszter mintaveÂtel adott termeÂszetes klaszteren (csoporton) beluÈl toÈrteÂnoÍ random minta-veÂtelt jelent. PeÂldaÂul az orszaÂg minden trauma-toloÂgiai osztaÂlya helyett csak neÂhaÂny, a vizsgaÂlo szaÂmaÂra joÂl megkoÈzelõÂthetoÍ osztaÂlyroÂl toÈrteÂnik min-tagyuÍjteÂs, persze azon beluÈl a random mintaveÂteli eljaÂraÂst alkalmazva. Ez az eljaÂraÂs magaÂban hordoz-za az adott klaszter homogenitaÂsaÂboÂl eÂs a maÂsik klasztertoÍl valo elteÂreÂseÂboÍl adoÂdo mintaveÂteli hiba lehetoÍseÂgeÂt. Van olyan helyzet azonban, amikor logisztikailag nem kivihetoÍ a valoÂdi egyszeruÍ ran-dom mintaveÂtel, a statisztikai elemzeÂskor azonban figyelembe kell venni az eloÍzetes csoportosõÂtaÂs teÂnyeÂt.
Gyakorlati tanaÂcsok vizsgaÂloÂhelyek reÂszeÂre
67
A reÂsztvevoÍk szaÂmaÂnak meghataÂrozaÂsa
Statisztikai megfontolaÂsok
MiutaÂn meghataÂroztuk a mintaveÂtel moÂdjaÂt, meg kell hataÂroznunk, hogy mekkora mintaÂra van szuÈk-seÂguÈnk, vagyis a reÂsztvevoÍk szaÂmaÂt, ami statisztikai moÂdszerekkel lehetseÂges. A metodika megeÂrteÂseÂhez teÂrjuÈnk vissza egy kis idoÍre a statisztikai hipoteÂzi-sekhez. A nullhipoteÂzisuÈnk azt mondja ki, hogy nincs oÈsszefuÈggeÂs keÂt vaÂltozo koÈzoÈtt a ceÂlpopulaÂcioÂ-ban. A vizsgaÂlati populaÂcioÂboÂl szaÂrmazo adatok alapjaÂn a vizsgaÂlo statisztikai szaÂmõÂtaÂsokat veÂgez an-nak megaÂllapõÂtaÂsaÂra, hogy talaÂl-e elegendoÍ bizonyõÂ-teÂkot a nullhipoteÂzis elveteÂseÂre. Azt a valoÂszõÂnuÍseÂgi eÂrteÂket, ami megmutatja, hogy megismeÂtelt tanul-maÂnyokban (elvi lehetoÍseÂg) mekkora valoÂszõÂnuÍseÂg-gel kaphatunk a jelen tanulmaÂnyunkhoz hasonlo eredmeÂnyeket, statisztikai szignifikanciaÂnak nevez-zuÈk, eÂs ¹pº-vel jeloÈljuÈk. MineÂl kisebb a p-eÂrteÂk, an-naÂl kisebb valoÂszõÂnuÍseÂggel kapnaÂnk az adott ered-meÂnyt a nullhipoteÂzis igaz volta eseteÂn (csupaÂn a veÂletlen muÍvekeÂnt), vagyis nagy a valoÂszõÂnuÍseÂge an-nak, hogy a vizsgaÂlt keÂt vaÂltozo koÈzoÈtt oÈsszefuÈggeÂs van, azaz ellentmond a nullhipoteÂzisnek. A p-eÂrteÂ-ket aÂltalaÂban 0,05 alatt tekintik szignifikaÂnsnak, ami 5%-os valoÂszõÂnuÍseÂgi szintnek felel meg, azaz a nullhipoteÂzis fennaÂllaÂsa eseteÂn csupaÂn 5% lenne an-nak a valoÂszõÂnuÍseÂge, hogy a jelen tanulmaÂnyunkban kapott eredmeÂnyekhez hasonloÂt talaÂljunk. Ha ¹pº kisebb, mint 0,05, akkor tehaÂt a nullhipoteÂzist aÂlta-laÂban elvetjuÈk. (Itt jegyezzuÈk meg, hogy a szignifi-kanciaszint maÂs eÂrteÂkre is beaÂllõÂthatoÂ, szokaÂs meÂg 0,1-re, vagy 0,01-re is beaÂllõÂtani, laÂsd keÂsoÍbb.) Ezek ismereteÂben koÈnnyen belaÂthatoÂ, hogy a nullhipoteÂ-zis birtokaÂban egy tanulmaÂny adatainak elemzeÂse-kor neÂgyfeÂle kimenetel, azaz koÈvetkezteteÂs alakul-hat ki:
± a nullhipoteÂzist nem vetjuÈk el, eÂs a vizsgaÂlt oÈssze-fuÈggeÂs valoÂban nem aÂll fenn az adott populaÂcioÂ-ban (helyes koÈvetkezteteÂs),
± a nullhipoteÂzist elvetjuÈk, eÂs a vizsgaÂlt oÈsszefuÈggeÂs fennaÂll az adott populaÂcioÂban (helyes koÈvetkezte-teÂs),
± a nullhipoteÂzist elvetjuÈk, mikoÈzben a vizsgaÂlt oÈsz-szefuÈggeÂs nem aÂll fenn az adott populaÂcioÂban (helytelen, azaz fals pozitõÂv koÈvetkezteteÂs,I. faju hiba, valoÂszõÂnuÍseÂgeÂnek jele),
± a nullhipoteÂzist nem vetjuÈk el, mikoÈzben a vizsgaÂlt oÈsszefuÈggeÂs fennaÂll az adott populaÂcioÂban
(helyte-len, azaz fals negatõÂv koÈvetkezteteÂs,II. faju hiba, valoÂszõÂnuÍseÂgeÂnek jele).
Az 1--eÂrteÂk a proÂba statisztikai ereje. A kutatoÂnak vizsgaÂlata tervezeÂsekor maÂr tisztaÂban kell azzal len-nie, hogy mekkora I. eÂs II. faju hibaÂt enged meg ta-nulmaÂnyaÂban. Ennek a doÈnteÂsnek hataÂsa van a min-taszaÂmra; mindkeÂt hibatõÂpus bekoÈvetkezeÂseÂnek eseÂlye csoÈkkenthetoÍ azzal, ha a tanulmaÂny mintaszaÂ-maÂt noÈveljuÈk. Az-eÂrteÂk, vagyis az I. faju hiba valoÂ-szõÂnuÍseÂge tulajdonkeÂppen a szignifikanciaszint, ez az, amit leggyakrabban 0,05-re aÂllõÂtanak be a tanul-maÂny tervezeÂsekor. IÂgy 5%-ra aÂllõÂtjaÂk be annak valoÂszõÂnuÍseÂgeÂt, hogy hibaÂsan vetik el a nullhipoteÂzist (5% tehaÂt peÂldaÂul annak a valoÂszõÂnuÍseÂge, hogy mi-koÈzben azt aÂllõÂtjuk az adataink elemzeÂseÂt koÈvetoÍen, hogy az emelkedett XIII-as faktor szint oÈsszefuÈggeÂs-ben van a myocardialis infarctussal, valoÂjaÂban a keÂt vaÂltozoÂnak egymaÂshoz semmi koÈze). A eÂrteÂkeÂt 0,10-nek vaÂlasztva, azt mondjuk, hogy 10%-os II. fa-ju hibaÂt toleraÂlunk a vizsgaÂlatunkban, vagyis ekkora eseÂllyel engedjuÈk meg, hogy egy valoÂjaÂban fennaÂllo oÈsszefuÈggeÂst ¹elteÂvesszuÈnkº kimutatni. A proÂbaÂnk statisztikai ereje ekkor 90%, vagyis ekkora bizton-saÂggal tudunk szignifikaÂnsnak kimutatni egy adott, fennaÂllo oÈsszefuÈggeÂst. IdeaÂlis esetben mind az , mind pedig aeÂrteÂke 0 lenne, ekkor soha nem teÂve-dneÂnk sem pozitõÂv, sem pedig negatõÂv iraÂnyban, ez azonban a gyakorlatban nem teljesuÈlhet, õÂgy csak arra tudunk toÈrekedni, hogy ezek az eÂrteÂkek mineÂl kisebbek legyenek. Igen aÂm, de mineÂl kisebbre vaÂ-lasztjuk ezeket az eÂrteÂkeket, annaÂl nagyobb minta-szaÂmra lesz szuÈkseÂguÈnk a tanulmaÂny soraÂn, hogy az eloÍre elkeÂpzelt meÂrteÂkuÍ oÈsszefuÈggeÂst (laÂsd alaÂbb) szignifikaÂnsnak tudjuk kimutatni. A hosszu eÂvek ta-pasztalata eÂs a statisztikai, szakmai megfontolaÂsok alapjaÂn az-t 0,01 eÂs 0,10koÈzoÈtti eÂrteÂknek (leggyak-rabban, mint emlõÂtettuÈk, 0,05-nek), a -t pedig 0,05 eÂs 0,20koÈzoÈtti eÂrteÂknek szokaÂs vaÂlasztani.
Annak a valoÂszõÂnuÍseÂge, hogy a tanulmaÂnyunkban a magyaraÂzo (prediktor) eÂs a kimeneteli vaÂltozo koÈ-zoÈtti oÈsszefuÈggeÂst ki tudjuk-e mutatni, attoÂl fuÈgg, hogy milyen eroÍs ez az oÈsszefuÈggeÂs. U gy is megkoÈ-zelõÂthetoÍ a keÂrdeÂs, hogy mineÂl nagyobb a kuÈloÈnbseÂg keÂt csoport koÈzoÈtt, azt annaÂl koÈnnyebb kimutatni.
A reÂsztvevoÍk szaÂmaÂnak meghataÂrozaÂsaÂhoz szuÈkseÂg van ennek a kimutatni kõÂvaÂnt oÈsszefuÈggeÂs (vagyis
kuÈloÈnbseÂg) nagysaÂgaÂnak a megaÂllapõÂtaÂsaÂra.
A keÂrdeÂs uÂgy is feltehetoÍ, hogy mekkora le-gyen az a legkisebb kuÈloÈnbseÂg a vizsgaÂlati csoportok koÈzoÈtt, amit, ha fennaÂll, a statisz-tikai proÂba szignifikaÂnsnak mutasson. Ez az angol nyelvuÍ biostatisztikai irodalomban
¹effect size, ESºneÂven ismeretes. MegfeleloÍ eÂrteÂket vaÂlasztani rendkõÂvuÈl neheÂz, eÂs tulaj-donkeÂppen meglehetoÍsen szubjektõÂv. A
ku-tato a vizsgaÂlat tervezeÂsekor nyilvaÂnvaloÂan nem tud-ja meÂg, hogy milyen eredmeÂnyeket fog kapni, eÂs hogy mekkora kuÈloÈnbseÂg lesz egy adott vaÂltozo te-kinteteÂben a keÂt vizsgaÂlt csoport koÈzoÈtt. KoÈnnyen belaÂthatoÂ, hogy ha ezt az eÂrteÂket igen nagynak vaÂ-lasztja meg, akkor relatõÂve kis leÂtszaÂmu vizsgaÂlati populaÂcio elegendoÍ ahhoz, hogy a statisztikai proÂ-baÂk szignifikaÂnsnak mutassaÂk a keÂt csoport koÈzoÈtt fennaÂllo kuÈloÈnbseÂget. MineÂl nagyobb leÂtszaÂmu a vizsgaÂlati populaÂcioÂnk, annaÂl kisebb kuÈloÈnbseÂg mu-tathato ki szignifikaÂnsnak a tesztek soraÂn. A kutato feleloÍsseÂge olyan eÂrteÂket vaÂlasztani, amely klinikai jelentoÍseÂggel bõÂr, azonban meÂg kezelhetoÍ nagysaÂgu mintaszaÂmot igeÂnyel. Ennek az eÂrteÂknek a megvaÂ-lasztaÂsa fuÈgg a tanulmaÂny ceÂljaÂtoÂl, a neÂpegeÂszseÂg-uÈgyi teÂmaÂju kutataÂsokban peÂldaÂul sokkal kisebb kuÈ-loÈnbseÂgek is jelentoÍsek lehetnek. A kimutatando kuÈloÈnbseÂg megvaÂlasztaÂsaÂhoz segõÂtseÂget nyuÂjthatnak hasonlo teÂmaÂban publikaÂlt koraÂbbi tanulmaÂnyok, il-letve annak koÈruÈltekintoÍ aÂtgondolaÂsa, hogy a klini-kum szempontjaÂboÂl milyen kuÈloÈnbseÂgnek lehet diagnosztikus, teraÂpiaÂs stb. jelentoÍseÂge. Gyakran eloÍfordul az a probleÂma, hogy az elvben rendelke-zeÂsre aÂllo szemeÂlyek szaÂma korlaÂtozott. Ilyen ese-tekben a kutato keÂnytelen ¹visszafeleº gondolkozni, vagyis azt szaÂmõÂtja ki, hogy a rendelkezeÂsre aÂllo mintaszaÂm ismereteÂben mekkora kuÈloÈnbseÂget fog tudni kimutatni a tanulmaÂnyaÂban. Vannak tanulmaÂ-nyok, amelyekben nem egyetlen hipoteÂzis teszteleÂse a ceÂl. Ezekben az esetekben akkor jaÂrunk el megfe-leloÍen, ha kuÈloÈn-kuÈloÈn meghataÂrozzuk a kimutatni kõÂvaÂnt kuÈloÈnbseÂgeket, eÂs a legnagyobb mintaszaÂmot igeÂnyloÍ hipoteÂzisnek megfeleloÍ mintaszaÂm eleÂreÂseÂre toÈrekszuÈnk.
A kimutatando kuÈloÈnbseÂg nagysaÂga mellett fontos teÂnyezoÍ annakvarianciaÂjavagy szoÂraÂsa is. MineÂl na-gyobb egy parameÂter varianciaÂja (akaÂr
intraindivi-duaÂlis, akaÂr interindividuaÂlis), annaÂl nagyobb valoÂ-szõÂnuÍseÂggel lesz aÂtfedoÍ a keÂt csoport, vagyis annaÂl keveÂsbe fogja a statisztikai eljaÂraÂs az aÂtlagos kuÈloÈnb-seÂget szignifikaÂnsnak kimutatni. Az egyeÂnek koÈzoÈt-ti variancia (vagy szoÂraÂsneÂgyzet) definõÂcio szerint a valoÂs aÂtlagtoÂl valo neÂgyzetes elteÂreÂs aÂtlaga. A szoÂ-raÂs (SD) ennek a neÂgyzetgyoÈke(6.1. aÂbra). Tekintet-tel arra, hogy a valoÂdi aÂtlageÂrteÂket aÂltalaÂban nem is-merjuÈk, ehelyett a keÂpletben a csoportaÂtlagot szokaÂs hasznaÂlni, õÂgy az osztoÂba N helyett N-1 keruÈl.
MõÂg az SD azt adja meg, hogy az individuaÂlis eredmeÂnyek mennyire teÂrnek el a valoÂdi aÂtlageÂrteÂk-toÍl, addig egy maÂsik fogalom, a standard error of mean(SEM, a mintaaÂtlag standard hibaÂja) azt mu-tatja meg, hogy az N egyeÂnboÍl aÂllo csoportban szaÂ-mõÂtott aÂtlageÂrteÂk mennyire teÂr el a valoÂdi aÂtlagtoÂl.
A keÂt fogalom koÈzoÈtt egyszeruÍ oÈsszefuÈggeÂs van (6.2. aÂbra):
A SEM csoÈkkenteÂseÂre is a mintanagysaÂg noÈveleÂse lehet megoldaÂs. A keÂpletboÍl joÂl laÂthatoÂ, hogy mineÂl nagyobb a mintaszaÂm, annaÂl kisebb lesz a becsuÈlt aÂtlagunk standard hibaÂja, vagyis annaÂl pontosabban megbecsuÈli, jobban megkoÈzelõÂti a tanulmaÂnyunk-ban elveÂgzett meÂreÂseink aÂtlaga a valoÂdi aÂtlagot.
Az oÈsszefuÈggeÂsboÍl az is laÂtszik, hogy a pontossaÂg, ami a SEM reciproka, neÂgyzetes oÈsszefuÈggeÂsben van a mintaszaÂmmal, azaz ahhoz hogy peÂldaÂul a becs-leÂsuÈnk pontossaÂgaÂt megduplaÂzzuk, a tanulmaÂnyban reÂsztvevoÍk szaÂmaÂt meg kell neÂgyszereznuÈnk.
6.1. aÂbra.
6.2. aÂbra.
A reÂsztvevoÍk szaÂmaÂnak meghataÂrozaÂsa
69
ToÈbbszoÈroÈs hipoteÂzisek eÂs post hoc hipoteÂzisek
Amennyiben egy tanulmaÂnyon beluÈl nem egy hipo-teÂzisuÈnk van, hanem egyszerre toÈbb, akkor annak valoÂszõÂnuÍseÂge, hogy pusztaÂn a szerencse folytaÂn a nullhipoteÂzisek koÈzuÈl valamelyiket el tudjuk vetni a statisztikai szaÂmõÂtaÂsaink alapjaÂn, megnoÍ. Ez azt eredmeÂnyezi, hogy a fals pozitõÂv oÈsszefuÈggeÂsek valoÂ-szõÂnuÍseÂge, azaz az I. faju hiba eseÂlye noÍ. PeÂldaÂul, ha 20 hipoteÂzist aÂllõÂtunk, eÂs mindegyiknek a szignifikan-ciaszintje eloÍre 0,05-re van beaÂllõÂtva, akkor annak valoÂszõÂnuÍseÂge, hogy legalaÂbb egy hipoteÂzist elvethe-tuÈnk, 1ÿ0,9520, vagyis 0,64, azaz 64%. JoÂl laÂthatoÂ, hogy milyen veszeÂlyes ez a tanulmaÂnyboÂl levont koÈ-vetkezteteÂseink szaÂmaÂra. EÂlesen meruÈl fel ez a keÂr-deÂs a genomikai tanulmaÂnyok eseteÂn, ahol szaÂz-szaÂmra tesztelik a geÂneket, polimorfizmusokat, eÂs proÂbaÂljaÂk azokat kapcsolatba hozni egy adott koÂr-keÂppel. Ilyen esetekben nyilvaÂnvaloÂ, hogy az eÂrteÂ-keÂt eleve nagyon alacsonyra kell aÂllõÂtani, hogy a fals pozitõÂv oÈsszefuÈggeÂsek kockaÂzataÂt csoÈkkenthessuÈk.
A Bonferroni-korrekcio azt jelenti, hogy a szignifi-kanciaszintet elosztjuk a teszteleÂsre vaÂro hipoteÂzisek szaÂmaÂval. Az eloÍzoÍ peÂldaÂboÂl kiindulva, ha a szignifi-kanciaszintuÈnk 0,05 volt, a tesztelni kõÂvaÂnt hipoteÂzi-suÈnk 20 darab, akkor erre a tanulmaÂnyra a vaÂlasz-tando uÂj -eÂrteÂkuÈnk 0,0025 lesz minden egyes hipoteÂzisre. Ez a mintaszaÂm jelentoÍs noÈveleÂseÂt teszi szuÈkseÂgesse (laÂsd keÂsoÍbb). A Bonferroni-korrekcioÂt sokan tuÂl szigoruÂnak tartjaÂk abboÂl kiindulva, hogy ha kuÈloÈn-kuÈloÈn tesztelve az adott hipoteÂziseket, megengedhetoÍ a nagyobb-eÂrteÂk, akkor, ha mind-ezek egy tanulmaÂnyban vannak, mieÂrt nem? Az igazsaÂg valahol a keÂt szeÂlsoÍseÂges aÂllapot koÈzoÈtt van:
abban az esetben eÂrdemes bevezetni a Bonferroni-korrekcioÂt, ha az egy tanulmaÂnyban tesztelni kõÂvaÂnt hipoteÂzisek szaÂma meghalad egy toleraÂlhato eÂrteÂket (aÂltalaÂban, ha toÈbb mint 10 hipoteÂzis van egy tanul-maÂnyban), eÂs ha az egyes nullhipoteÂzisek
abban az esetben eÂrdemes bevezetni a Bonferroni-korrekcioÂt, ha az egy tanulmaÂnyban tesztelni kõÂvaÂnt hipoteÂzisek szaÂma meghalad egy toleraÂlhato eÂrteÂket (aÂltalaÂban, ha toÈbb mint 10 hipoteÂzis van egy tanul-maÂnyban), eÂs ha az egyes nullhipoteÂzisek