结果跟预期是反的怎么办？基于R语言的可视化数据分析（附详细操作视频免费查看）

Posted 2021-04-27 EmpowerStats

临床上是个保护因素，自己数据做出来是个危险因素，是样本量不够大吗？还是数据质量不高？怎么办？

方案1

把“奇怪”的患者删掉。自己手动删数据，这跟造假、编数据没多大区别。不推荐。

方案2

扩大样本量。因为不知道为什么结果是反的，原因没有找到，盲目扩大样本量可能出力不讨好。不推荐。

方案3

基于R语言的可视化数据分析，看看高手是怎么做的吧。之前已分享了实例1：，继续看实例：

实例2

研究某指标A和非酒精性脂肪肝的关系。临床上认为指标A越高，非酒精性脂肪肝风险越高，即指标A是危险因素。然而研究者的数据得出的结果却是相反的，平滑曲线拟合结果如下：

 

横坐标是指标A的水平，纵坐标为非酒精性脂肪肝发生的概率（1=有，0=无）。红色的是曲线拟合，两边蓝色的是95%CI。看图可知指标A高的人脂肪肝发生的概率反而低，这个临床解释不通啊。

 

问题就集中在右边圈出来的研究对象，是他们导致结果很奇怪。下一步，想把这些人拎出来看看，到底有什么特殊性。想法很简单，实现起来也不难。

软件操作

用易侕软件数据分析菜单下的“诊断数据关联关系”模块实现。把X（指标A）放在X里，把Y（非酒精性脂肪肝）放在Y里。点击查看结果。

 

结果出来了，可以看到按照非酒精性脂肪肝分成两组，每个点是一个研究对象。可以在图上用鼠标拖拽选出左上方这些奇怪的人（指标A高且脂肪肝发生率低的）。

 

保存成一个组，其他的人是另一个组。自动计算其他所有变量在两组间的差异，可以看到第四个变量是ALT。选取的研究对象ALT很低，两组差异显著p=0.0026。

 

临床上解释为：对于肝功能很好的患者，就算指标A很高，也不会发生非酒精性脂肪肝。这就提示我们在研究的排除标准里面加上一条：排除肝功能情况很好的患者。至于如何定义ALT的范围，可以结合临床参考值范围确定。

这样做是不是玩弄数据呢？当然不是。如果研究者在做研究设计的时候，根据临床意义想到了这条排除标准，后面数据分析就不会出现这个问题了。然而谁能保证自己的研究设计是完美的呢？后期发现问题，就要及时补救。

怎么写排除标准和设置排除标准的原因呢？

可以参考这篇NEJM

这是2016年发表在新英格兰医学杂志的论文。题目是保留肺功能吸烟者的临床症状。文章排除了肥胖（BMI>40）的人，原因是既往文献报道肥胖可导致肺活量测定异常和呼吸困难，也就是跟本研究的Y关系密切的大混杂被排除了。

往期 精彩回顾

登录易侕学院官网

点击“易侕下载”免费下载安装

http://www.empowerstats.com/empowerU/#

扫一扫，惊喜不断！