"သိသိသာသာ" က MS လေ့လာရေးတှငျအဘယျအဓိပ်ပာပါသလား?

"သိသာထင်ရှားသော" ဘာကိုဆိုလိုသလဲ တစ်ဦးအတွက် လက်တွေ့စမ်းသပ် တဲ့ဆေးရဲ့ဘေးကင်းလုံခြုံမှုနှင့်ထိရောက်မှု၏, "ကစာရင်းအင်းသိသာထင်ရှားသော" ဖြစ်ပါတယ်ရလဒ်ဒေတာ (သတင်းအချက်အလက်) သောတွေ့ရှိချက်ရလဒ်အခွင့်အလမ်းအားဖြင့်ဖြစ်ပျက်ခဲ့ကြမဖြစ်နိုင်ခဲ့ဟုတစ်သိပ္ပံနည်းကျနည်းလမ်းဖြစ်ပါတယ်။ ဒါကြောင့်ရလဒ်ကြောင့်လေ့လာခဲ့သောဆေးဝါးများ၏သက်ရောက်မှုဖွယ်ရှိသည်။

P-တန်ဖိုးများကိုနားလည်ခြင်း

ဟုတ်ပါတယ်, ကြောင်းနိဂုံးချုပ်ဖို့လာမယ့်သူကအသံကဲ့သို့ရိုးရှင်းမဟုတ်ပါဘူး။

သုတေသီများပုံမှန်အားလေ့လာမှုမှလေ့လာမှုကနေရလဒ်တွေကိုတိုင်းတာနှင့်အကဲဖြတ်ဖို့လူသိများနှင့်ယုံကြည်စိတ်ချရသောစာရင်းအင်းနည်းလမ်းကိုအသုံးပြုပါ။ ဒါဟာ "ကို p-တန်ဖိုးကို" ဟုခေါ်ကြောင်းလေ့လာမှုတစ်ခုရဲ့ရလဒ်တွေကိုအခွင့်အလမ်းအားဖြင့်ဖြစ်ပျက်ခဲ့သောဖြစ်နိုင်ခြေကိုတိုင်းတာပါတယ်။

အဆိုပါကို p-တန်ဖိုးလေ့လာမှုရလဒ်များစာရင်းအင်းစမ်းသပ်မှုအပေါ်အခြေခံပြီး, ထိုဖြစ်နိုင်ခြေကိုတစ်ရာခိုင်နှုန်းပေးပါသည်။ တစ်ဦးကို p-တန်ဖိုးကို 0.01 လျှင်ဒါ, ရလဒ်အခွင့်အလမ်းနှင့် 99% အခွင့်အလမ်းကြောင့်က wasn't-ကြောင်းကိုခဲ့တဲ့ 1% ဖြစ်နိုင်ခြေကိုလည်းမရှိ, အစားကဆေးဝါးများ၏အကျိုးသက်ရောက်မှုကြောင့်ဖြစ်ခဲ့သည်။

p-တန်ဖိုးများများအတွက်အသုံးအများဆုံး cut-off 0.05 ဖြစ်ပါသည် - ကြောင်း, တစ်ဦးကို p-တန်ဖိုးကို 0.06 လျှင်, အဲဒီနောက်ကစာရင်းအင်းသိသိသာသာမဟုတ်စဉ်းစားသည်။ တစ်ဦးကို p-တန်ဖိုးကို 0,04 လျှင်အခြားတစ်ဖက်တွင်, ထို့နောက်ရလဒ်ကစာရင်းအင်းသိသာသည်။

သည် "Null Hypothesis" ဆိုတာဘာလဲ

သင်ကစကားလုံးက "တရားမဝင်သော" နဲ့ဆက်စပ်ကြောင်းသိစေခြင်းငှါ "သုည။ " စာရင်းအင်းတိုင်းတာခြင်းဤအမျိုးအစားတွင်, သုတေသီများဥပမာအသစ်တခုဆေးဝါးနှင့်အဟောင်းတဦးတည်းအကြားသုညခြားနားချက်ယူဆခြင်းဖြင့်စတင်ပါ။

သူတို့ကအသစ်တစ်လုံးအဟောင်းများထဲမှထက် သာ. ကောင်း၏လျှင်ထွက်ရှာတွေ့ချင်ကတည်းကဒါဟာထူးဆန်းပုံပေါ်ပေမည်။ ဒါပေမယ့်အလုပ်ဖြစ်တယ်။ ဤတွင်ကိုဘယ်လိုဖွင့်:

ရဲ့လေ့လာမှုတစ်ခုအမှန်ပင်အသစ်တစ်ခုကိုဆေးဝါးအဟောင်းများထဲမှထက် သာ. ကောင်း၏လျှင်ကြည့်ဖို့ဒီဇိုင်းပြုလုပ်ထားသည်ဆိုပါစို့။ အဆိုပါတရားမဝင်သောယူဆချက် "အသစ်ကဆေးဝါး X နှင့်အဟောင်းများကိုဆေး Y. အကြားအကျိုးသက်ရောက်မှု (လူနာရလဒ်ကို) တွင်အဘယ်သူမျှမကွာခြားချက်ရှိပါသည်" အဖြစ်ဖော်ပြအပ်ပါသည် 0,04 ၏တစ်ဦးကို p-တန်ဖိုးကိုထို့နောက်စ: လေ့လာမှုအချက်အလက်ပေါ်အခြေခံပြီးနှစ်ခုဆေးဝါးများအကြားခြားနားခြင်းအလျှင်းမရှိသော 4% အခွင့်အလမ်းလည်းမရှိ။

သင်တန်း၏, သေသောသူတို့ကိုအကြားကွာခြားချက်ရှိသော 96% အခွင့်အလမ်းရှိပါတယ်ဆိုလိုသည်။

"သိသိသာသာ" ဘာဆိုလိုသနညျး တစ်ဦးကရီးရဲလ်-ဘဝကဥပမာ

အမှန်တကယ်ဥပမာသုံးစွဲဖို့, နဲ့လူများ၏လေးစားစွာလေ့လာမှုကိုကြည့်ကြကုန်အံ့ မျိုးစုံနဗ်ကြော (က MS) ။ ဒီလေ့လာမှုကဆေးနှင့်နှိုင်းယှဉ်လျှင် Copaxone မှ Rebif ။

တဦးတည်းရလဒ်ကို (ရလဒ်) ကဆေးဝါးများအပေါ်ဖြစ်ခြင်း၏ 96 ရက်သတ္တပတ်အကြာတွင်လူနာ '' ပထမဦးဆုံးက MS relapse မတိုင်မီလွန်သောအခြိနျကာလ၏ပမာဏဖြစ်ခဲ့သည်ကိုလေ့လာခဲ့ပါတယ်။ (ဒီများအတွက်သုတေသနအသုံးအနှုန်းဖြစ်ပါတယ် "ပထမဦးဆုံး relapse ဖို့အချိန်။ ") ဒီခြားနားချက်သည်ကို p-တန်ဖိုးကို p-တန်ဖိုးကို 0.05 ထက်ပိုမိုမြင့်မားသောကြောင့်, အချိန်ကာလအကြားမျှမကစာရင်းအင်းသိသာထင်ရှားသောခြားနားချက်သည်အထိရှိ၏အဓိပ္ပာယ်, p = 0,64 ခဲ့သည် တစ်ခုခုကိုဆေးဝါးအပေါ်လူနာများအတွက်ပထမဦးဆုံး relapse ။ ကွဲပြားခြားနားဖော်ပြထားမရှိကစာရင်းအင်းသိသာထင်ရှားသောခြားနားချက်ရှိကွောငျးကို 64% အခွင့်အလမ်းတခုရှိ၏။

သို့သော်အခြားရလဒ်များ၏အရေအတွက်ကိုဖြစ်ခဲ့သည်ကိုလေ့လာ တက်ကြွ ပေါ်တွင်တွေ့မြင်ခဲ့ကိုတွေ့ရှိရပါသည် MRI Scan ဖတ် ယင်းအုပ်စုနှစ်စု၏။ Copaxone နသေူမြားစကင်ကိုတစ်ဦးလျှင် 0,41 ကိုတွေ့ရှိရပါသည်ပျမ်းမျှခဲ့စဉ်က Rebif နဲ့ကုသလေ့လာမှုသင်တန်းသားများကိုစကင်ကိုတစ်ဦးလျှင် 0,24 က MS ကိုတွေ့ရှိရပါသည်ပျမ်းမျှခဲ့ကြောင်းထွက်လှည့်။ ဤကိစ္စတွင်ခုနှစ်, p = 0,0002, ဒီတစ်ဦးကစာရင်းအင်းသိသိသာသာတွေ့ရှိချက်ဖြစ်ခဲ့သည်အဓိပ္ပာယ်။

"သိသိသာသာ" တစ်ဦးချင်းလူနာများနှင့်သူတို့၏ဆရာဝန်များအဘယျသို့ဆိုလိုသနညျး

ဒါဟာ "ကစာရင်းအင်းသိသာထင်ရှားသော" သေချာပေါက်တစ်ခုခုတစ်ဦးချင်းစီမှဆေးခန်းသိသာထင်ရှားသောသို့မဟုတ်အဓိပ္ပါယ်ရှိသောကြောင်းဆိုလိုတာမဟုတ်ပါဘူးဆိုတာကိုသတိရဖို့အရေးကြီးပါတယ်။

ဥပမာ, အထက်ဆွေးနွေးလေ့လာမှုမှာတက်ကြွစွာက MS ကိုတွေ့ရှိရပါသည်၏နံပါတ်များအတွက်ခြားနားချက်ကကစာရင်းအင်းသိသိသာသာင်သော်လည်းသေးငယ်သည်။ ဒါကြောင့်ဖြစ်ကောင်းဆရာဝန်တစ်ဦးသည်အခြားကျော်ဆေးများထဲမှရွေးကောက်အဓိကအကြောင်းရင်းဖြစ်လိမ့်မည်မဟုတ်ပေ။ အဆိုပါဆရာဝန်ကုသမှုဆုံးဖြတ်ချက်အခြားအချက်များထက်ပိုသောအလေးချိန်ကိုပေးပါလိမ့်မယ်။ ဥပမာ, ဆေးဝါးများ '' ဘေးထွက်ဆိုးကျိုး, ကုန်ကျစရိတ်နှင့်ဆေးထိုးအကြိမ်ရေ။

တစ်ဦးလက်တွေ့လေ့လာမှုအစီရင်ခံစာမှာလိုက်ရှာတဲ့အခါမှာစိတ်ကိုထားပါမှအမှုအရာ

သငျသညျသံသယမယ်အဖြစ်တစ်ဦးလက်တွေ့လေ့လာမှုရဲ့နောက်ဆုံးကို p-တန်ဖိုးကိုရလဒ်များကိုသြဇာလွှမ်းမိုးနိုင်သည်ကိုပိုပြီးအများအပြားအချက်များ (ဥပမာ, မည်မျှသင်တန်းသားများကိုလေ့လာခဲ့ကြသည်ဒါမှမဟုတ်ရလဒ်တွေတိုင်းတာတွေဟာဘယ်လောက်) ရှိပါတယ်။

မည်သို့ပင်ဆိုစေကာ, p-တန်ဖိုးများကိုအဘယ်သို့ဆိုလိုသည်ကိုသိရှိခြင်းဟာလက်တွေ့လေ့လာမှုကနေသတင်းအချက်အလက်သုတေသီများ, ဆရာဝန်များနှင့်လူနာတွေအတွက်ဘာကိုဆိုလိုသလဲဆိုတာကိုနားလည်ဘို့ကြီးမားတဲ့အားသာချက်ဖြစ်ပါတယ်။

လေ့လာမှုအနည်းဆုံးစိတ္တဇ (အတိုအကျဉ်းချုပ်) ကိုဖတ်ပါ။ ဒါဟာသင်တစ်ဦးစျေးကွက်ရှာဖွေရေးအပိုင်းအစတစ်ခုသို့မဟုတ်လက်ကမ်းစာစောင်ခေါင်းစဉ်အတွက်တစ်လိုင်းကိုအကျဉ်းဖော်ပြချက်ကနေရနိုင်ထက်ဆေးအကြောင်းကိုပိုမိုအသေးစိတ်အချက်အလက်များကိုပေးနိုင်ပါသည်။

_{ရင်းမြစ်:}

_{Mikol DD, Barkhof က F, Chang: P, ကွိုင်း PK, Jeffery DR, Schwid SR, Stubinski B, Uitdehaag BM; လေးစားစွာလေ့လာ Group မှ။ တစ်ဦး multicentre Random, အပြိုင်, Open-တံဆိပ်ရုံးတင်စစ်ဆေး: မျိုးစုံနဗ်ကြော (Relapsing က MS ရောဂါအတွက် Glatiramer Acetate vs အဆိုပါ REbif [လေးစားစွာ] လေ့လာမှု) relapsing နှင့်အတူလူနာအတွက် glatiramer acetate နှင့်အတူအရေပြားအောက်ဆုံး interferon beta ကို-1A ၏နှိုင်းယှဉ်။ ကမ္ဘာကျော်ဆေးပညာဂျာနယ် Lancet Neurol ။ 2008 အောက်တိုဘာ; 7 (10): 903-914 ။}