2 Základní elementy kardiovaskulárních onemocnění (kolikrát více připadá pacientů s endpointem na pacienta bez endpointu) vzniku endpointu má pacient z jedné skupiny oproti pacientovi z druhé skupiny. z Poměr rizik je odvozen s pomocí analýzy přežití a jde o standardní výstup Coxova modelu proporcio- nálních rizik. V případě poměru rizik nelze vycházet z jednoduchých poměrů čísel v kontingenční tabulce jako u RR a OR, ale jde o poměr tzv. rizikových funkcí (závislosti rizika výskytu endpointu na době sledování) skupin pacientů. 2.8 Vícerozměrná analýza dat A SS faktor 1 B d. f. MS F 18 17 16 15 14 13 12 11 10 9 8 p souborů ve studiích z reálného světa (propensity skóre aj.), vycházíme z jednorozměrných metod a jejich předpokladů, je nicméně nezbytné mít na paměti i další zásady související specificky s vícerozměrnou analýzou:(8) z Výsledný vícerozměrný model by měl obsahovat při co největší výpovědní síle co nejmenší počet proměnných; velkým problémem je redundance proměnných (model obsahuje více proměnných s obdobným významem), která může vést ke zhroucení modelu nebo klinicky nerelevantním výsledkům. z Výsledný vícerozměrný model by měl být klinicky interpretovatelný; obecně je vždy nutné konfrontovat modelovaná proměnná (např. koncentrace biomarkeru) Faktor 2 I Faktor 2 II 18 17 16 15 14 13 12 11 10 9 8 modelovaná proměnná (např. koncentrace biomarkeru) modelovaná proměnná (např. koncentrace biomarkeru) Předchozí text se zabývá pouze jednorozměrnou statistickou analýzou jako základem pro všechny složitější přístupy. Ve skutečnosti můžeme každý objekt reálného světa popsat v mnohorozměrném prostoru, v extrémním případě jde až o desetitisíce dimenzí; biologická a klinická data jsou tak primárně mnohorozměrná a konečnou fází analýzy je často tvorba vícerozměrného modelu vztahů mezi potenciálními prediktory a end pointy. Při mnohorozměrné analýze, v kontextu analýzy klinických dat jde zejména o vícerozměrné predikční modely logistické regrese a Coxova modelu proporcionálních rizik nebo vícerozměrnou adjustaci struktury A faktor 1 SS d. f. B MS F p 26 24 22 20 18 16 14 12 10 8 A faktor 1 B SS d. f. MS F p 1978 1 1978 482,2 <0,001 Faktor 1 4 1 4 1,0 0,314 Faktor 1 5293 1 5293 1290,7 <0,001 1 1 1 0,3 0,602 Faktor 2 1891 1 1891 461,1 <0,001 Faktor 2 861 1 861 209,9 <0,001 F1*F2 1 1 1 0,3 0,570 F1*F2 1 1 1 0,3 F1*F2 1 1 1 0,3 0,570 Náhodná chyba 804 196 4 Náhodná chyba 804 196 4 Náhodná chyba 804 196 4 F p A SS faktor 1 B d. f. MS F 0,570 20 modelovaná proměnná (např. koncentrace biomarkeru) 18 17 16 15 14 13 12 11 10 9 8 modelovaná proměnná (např. koncentrace biomarkeru) modelovaná proměnná (např. koncentrace biomarkeru) Faktor 1 Faktor 2 18 16 14 12 10 8 p A SS faktor 1 B d. f. MS F 24 22 20 18 16 14 12 10 8 p A SS faktor 1 B d. f. MS Faktor 1 4 1 4 1,0 0,314 Faktor 1 920 1 920 224,3 <0,001 Faktor 1 4799 1 4799 1443,4 <0,001 Faktor 2 1 1 1 0,3 0,602 Faktor 2 1 1 1 0,3 0,602 Faktor 2 316 1 316 95,0 <0.001 F1*F2 867 1 867 211,3 <0,001 F1*F2 867 1 867 211,3 <0,001 F1*F2 175 1 175 52,5 <0,001 Náhodná chyba 804 196 4 Náhodná chyba 804 196 4 Náhodná chyba 804 196 4 Obr. 2.31 Interpretace hlavních efektů a interakce ve vícerozměrném modelu analýzy rozptylu d. f. – stupně volnosti (degrees of freedom), F – hodnota testové statistiky Fisherova-Snedecrova rozdělení, F1, F2 – samostatné faktory 1 a 2 (hlavní efekty), F1*F2 – interakce faktorů 1 a 2, MS – průměrný čtverec (mean square), p – statistická významnost dané komponenty modelu, SS – suma čtverců (sum of squares) 44