›› Avaleht ›› Lugemik ›› Artiklid meilt ›› Meediku ja statistiku koostöö – on see vajalik?

Meediku ja statistiku koostöö – on see vajalik?

Heti Pisarev (Eesti Arst 2002; 81 (2): 85-87)

Tänapäeva kiiresti arenevas teadusmaailmas on üha enam ja enam oluline avastuste teaduslik tõestamine. Statistika on teadus, mis aitab tõestada või ümber lükata arstide poolt tõstatatud hüpoteese. Tõestada saab aga ainult korrektselt korraldatud uuringute tulemusi.

Seetõttu on äärmiselt oluline, et arstid kaasaksid statistikaspetsialiste uurimistöösse juba uuringute planeerimisel. Planeerimisel määratakse kindlaks kogu ülejäänud tegevus: uuringu tüüp, vorm, analüüsimeetodid. Ainult õigesti planeeritud uuringutel on teaduslik väärtus.

Kas peaks korraldama kliinilise katse või epidemioloogilise uuringu? Kas teha uurimiseks ankeet- või telefoniküsitlus? Milliseid küsimusi esitada? Kas kutsuda patsiendid kohale või minna ise nende juurde? Kuidas valida uuringurühm, kui suur see peaks olema? Mida saadud andmetega peale hakata? Kuidas tulemusi analüüsida ja interpreteerida? Kõigile neile küsimustele aitab leida vastuse uuringu statistiline planeerimine ja analüüs.

Näide 1.
Arst soovib uurida, kui suur osa Eesti rahvast on gripi vastu vaktsineeritud. Ta küsitleb 100 tuttavat ja saab teada, et neist 94 on gripivaktsiini süsti saanud. Arst teeb järelduse, et 94% Eesti inimestest on gripi vastu vaktsineeritud. Uurides ka põhjusi, miks on kuuel inimesel süst tegemata, selgus, et kaks neist olid süstimise ajal haiged, ühel on munavalguallergia, ühel on gripp juba olnud ja kaks on põhimõtteliselt vaktsineerimise vastu. Tausta uurides selgub, et arsti erialaks on infektsioonid ja ta on vaktsineerimise tuline pooldaja ning on tahes-tahtmata ka oma tuttavate hulgas vastavat selgitustööd teinud. Tulemused on selgelt ülehinnatud.

Selleks, et saada tegelikkusega kooskõlas olevaid tulemusi, oleks näites 1 kirjeldatud uuringus tulnud küsitletavad inimesed valida juhuslikult. Juhuslik valim või juhuvalim on selline valim, kus igal populatsioonis oleval indiviidil on võrdne võimalus sattuda valimisse ehk ühtegi inimest ei eelistata valiku tegemisel teisele.

Näide 2.
Arstid olid ravitöö käigus märganud, et ravimeetodit B kasutades on patsientide suremus väiksem (suri 2 patsienti 20st ehk 10%) kui ravimeetodit A kasutades (suri 4 patsienti 20st ehk 20%). Tekkis küsimus, kas ravim B on tõepoolest parem kui ravim A. Arvutades uuringu võimsuse (tõenäosuse, et me tõestame ravimi B paremuse õigesti) nimetatud patsientide hulga pealt, saame tulemuseks, et võimsus on kõigest 14,4%. Sellise hüpoteesi (ravimi B korral on suremus väiksem kui 10%) korrektseks tõestamiseks (testi võimsus mitte alla 80%) peaks meie uuringurühmas olema vähemalt 390 patsienti – mõlemas ravimigrupis 195 patsienti.

Tänapäeva meditsiin areneb kiiresti. Pidevalt töötatakse välja uusi ravimeid ja ravimeetodeid, mille eesmärgiks on ravida haigusi tõhusamalt. Tiheda konkurentsi tõttu on arvestatavad vaid need tulemused, mille tõesuse kohta on esitatud veenvad teaduslikud tõestused (1). Statistika on teadus, mis aitab uuringute planeerimise ja tulemuste analüüsimise abil arstide avastusi kinnitada või ümber lükata.

Artiklit sundis mind kirjutama kogemus, mille olen saanud TÜ arstiteaduskonna inimestega koos töötades. Tihti kiputakse statistika osa alahindama, arvates, et statistika on vaid millegi ülelugemine või kokkuliitmine. On esinenud juhtumeid, et minu juurde on tulnud arst ajakirjast tagasi saadetud artikliga, kus retsensent osutab statistiliste näitajate puudumisele või uuritavate hulga vähesusele. Paraku pole puudulikult tehtud uuringu korral isegi mitte statistiku võimuses tehtud apsakaid tagantjärgi heastada. Kõige sagedasemad põhjused artiklite tagasilükkamisel on järgmised (2):

• uuringu tulemus ei ole teaduslikult oluline; 
• uuring ei ole originaalne (keegi on teinud juba sama või sarnase uuringu);
• uuring ei kontrolli autori poolt püstitatud hüpoteese;
• hüpoteesi kontrollimiseks oleks pidanud hoopis teist tüüpi uuring olema;
• praktilised raskused (näiteks uuritavate kaasamisel) on viinud autorid kompromissidele esialgse uuringuplaaniga võrreldes;
• valimi suurus on liiga väike;
• uuring on korralikult kontrollimata; 
• statistilised analüüsid on valed või puudulikud; 
• autorid on teinud andmetelt põhjendamatuid järeldusi; 
• autorite huvide vahel on tugev konflikt; 
• artikkel on kirjutatud arusaamatult.

Probleem pole aktuaalne vaid Eestis (3–6).

Kas meie tulemus on juhuslik või ongi meie ravi hea? Kui kuuel juhul kümnest kulges ravi hästi, siis oleme saanud alles hüpoteesi, et see ravi võib osutuda edukaks. Et tõestada ravi headust, peame me hüpoteesi tõestama. Tavaliselt järgneb hüpoteesi püstitamisele uuring.

Tavapärane uuring jaguneb nelja suuremasse etappi (7):

• probleemi püstitamine;
• uuringu planeerimine;
• andmete kogumine;
• andmete analüüs ja tulemuste selgitamine.

Neist kõige olulisemaks ja ka keerulisemaks pean kahte esimest punkti.

Probleemi püstitamine annab uurijale kirjaliku sõnastamise abil võimaluse lõpuni selgeks mõelda, mis on uuringu eesmärgid, milleks me seda kõike tahame ette võtta. Probleemipüstitus peab olema selliselt kirjutatud, et ka asjasse pühendamatu inimene taipaks, mis on uuringu eesmärk. Ilma probleemi olemust ja põhjust selgitamata ei ole võimalik leida lahendusi.

Kui probleem on selgeks mõeldud ja kirja pandud, siis on paras aeg pöörduda asjatundja poole.

Planeerimine on kõige tähtsam ja mahukam etapp uuringu edukaks tegemiseks. Planeerimisel pannakse tegelik alus tervele uurimistööle ja tulemuste usaldusväärsusele. Kavandatakse uuringu vorm ja vajalikud protseduurid. Tehakse kindlaks uuritavate arv ja valimi võtmise viis. Juba uuringu planeerimisel määratakse kindlaks, kuidas ja milliste meetoditega andmeid analüüsima hakatakse. Kindlasti pannakse paika ka reeglid ootamatute olukordade lahendamiseks (nt valitud patsient keeldub uuringust).

Oluline on välja töötada ka uuringu kontrollskeem algmaterjali laekumise jälgimiseks ja analüüsi käigus ilmnevate vigade parandamiseks. Uuringu planeerimise etapis on vajadusel võimalik korrigeerida ka probleemi sõnastust, hiljem see enam võimalik ei ole.

Uuringu planeerimise etapp ei ole koht, kus tohiks aja- ja inimressursse kokku hoida. Statistiku peab kaasama kindlasti uuringusse juba sellest etapist alates. Paljud head ideed on jäänud halva planeerimise pärast lõpetamata!

Näide 3.
Ühe väga mahuka epidemioloogilise uuringu planeerimise käigus tehtud tööd:

• eesmärgi sõnastamine;
• uuringutüübi kindlaksmääramine: ankeetküsitlus + arstlik läbivaatus eriala spetsialisti poolt; 
• uuringu kontrollsüsteemi väljatöötamine (andmete laekumiste kontroll); 
• andmeanalüüsimeetodite määramine; 
• ankeedi ettevalmistamine; 
• valimi suuruse ja valimi võtmise eeskirjade läbimõtlemine; 
•  uuritavate ja abipersonali motivatsioonisüsteemi väljatöötamine; 
• eesmärgi korrigeerimine; 
• kõigi eelloetletud punktide uuesti läbitöötamine.

Uuringu töörühma on kaasatud kolm statistikaspetsialisti ja kaks arsti ning mõlema poole tööd koordineerivad assistendid. Planeerimine on lõpetatud ja uuring jõuab varsti andmete kogumise faasi.

Andmete kogumine võib olenevalt uuringust osutuda väga töömahukaks, kuid korraliku planeerimise korral on see protsess enamasti sujuv.

Andmete analüüs ja tulemuste selgitamine. Andmekogumise ja analüüsietapi vahele jääb ka veel andmete sisestamine. Andmete analüüsil parandatakse andmete sisestamisel tekkinud vead. Uuritakse seoseid andmestikus planeerimise etapil kindlaks tehtud analüüsimeetoditega. Oluline on ka selgitada statistika eest vastutavale uurijale tulemusi. Kindlasti peab arst esitama omapoolseid küsimusi, et kõik arusaamatused kõrvaldada.

Kirjeldatud tegevuskava tundub keeruline, kuid arstid ei peagi selle kõigega ise hakkama saama. On olemas spetsiaalse haridusega inimesed, keda kutsutakse statistikuteks. Otsige nad üles ning nõudke abi. Tehke seda kindlasti enne, kui uuringu tegelikult veerema lükkate.

Kokkuvõte olulisemast:

• Probleem tuleb korralikult sõnastada. 
• Planeerima peab põhimõttel: üheksa korda mõõda, üks kord lõika. 
• Kasutada spetsialisti abi.

Kirjandus

1. Altman DG. Statistics in medical journals: some recent trends. Stat Med 2000;19:3275–89.
2. Greenhalgh T. How to read a paper: getting your bearings (deciding what the paper is about). BMJ 1997;315:243–46.
3.  Altman DG. The scandal of poor medical research. BMJ 1994;308:283–84.
4. Black N. Why we need observational studies to evaluate the effectiveness of health care. BMJ 1996;312:1215–18.
5. Parker RA. Estimating the value of an internal biostatistical consulting service. Stat Med 2000;19:2131–45.
6. Smith GD. Increasing the accessibility of data. MBJ 1994;308:1519–20.
7. Pocock SJ. Clinical trials. John Wiley and sons 1989. 
   

Tänuavaldus 

Artikli koostamisel olid abiks Chris Pruunsild, Inga Vainumäe ja Külli Mitt TÜ lastekliinikust ning Krista Fischer TÜ tervishoiu instituudist. Autori südamlik tänu neile.