Converting Data into Evidence: A Statistics Primer for the Medical Practitioner

تبدیل داده‌ها به شواهد: یک آغازگر آماری برای پزشکان مقدمه‌ای کامل از تکنیک‌های آماری کلیدی که پزشکان در طول دوران حرفه‌ای خود با آن‌ها مواجه می‌شوند، ارائه می‌کند. این تکنیک ها نقش مهمی در پزشکی مبتنی بر شواهد یا EBM ایفا می کنند. پیروی از EBM به پزشکان نیاز دارد که از نتایج تحقیقات پزشکی همانطور که در مجلات عمومی و تخصصی خود گزارش شده است مطلع باشند. هسته اصلی این تحقیق علم آمار است. از طریق تکنیک‌های آماری است که محققان می‌توانند الگوهای موجود در داده‌هایی را که داستان بالینی ارزش گزارش کردن را بیان می‌کنند، تشخیص دهند. نویسندگان با بحث در مورد نمونه ها و جمعیت ها، مسائل مربوط به علیت و استنتاج علی و روش های توصیف داده ها شروع می کنند. سپس از طریق تکنیک‌های استنباطی اصلی آزمون و تخمین فرضیه‌ها، نمونه‌هایی از آزمون‌های تک متغیره و دو متغیره را ارائه می‌کنند. سپس پوشش به سمت مدل‌سازی آماری، از جمله رگرسیون خطی و لجستیک و تحلیل بقا حرکت می‌کند. در فصل آخر، مقدمه ای کاربرپسند برای برخی از تکنیک های رگرسیون جدیدتر، پیشرفته تر، مانند رگرسیون اثرات ثابت و مدل سازی منحنی رشد، گنجانده خواهد شد. ویژگی منحصر به فرد این کار، ارائه گسترده کاربردهای آماری از ادبیات پزشکی اخیر است. بیش از 30 مقاله مختلف در اینجا توضیح داده شده است که از چنین مجلاتی گرفته شده است. با کمک این پرایمر، محقق پزشکی ارتباط با آماردانان تیم تحقیقاتی خود را نیز آسان‌تر خواهد کرد. این کتاب شامل واژه نامه ای از اصطلاحات آماری برای دسترسی آسان است. این یک کار مرجع مهم برای قفسه‌های پزشکان، پرستاران، پزشکان پرستار، دستیاران پزشک، دانشجویان پزشکی و دستیاران است.

Converting Data into Evidence: A Statistics Primer for the Medical Practitioner provides a thorough introduction to the key statistical techniques that medical practitioners encounter throughout their professional careers. These techniques play an important part in evidence-based medicine or EBM. Adherence to EBM requires medical practitioners to keep abreast of the results of medical research as reported in their general and specialty journals. At the heart of this research is the science of statistics. It is through statistical techniques that researchers are able to discern the patterns in the data that tell a clinical story worth reporting. The authors begin by discussing samples and populations, issues involved in causality and causal inference, and ways of describing data. They then proceed through the major inferential techniques of hypothesis testing and estimation, providing examples of univariate and bivariate tests. The coverage then moves to statistical modeling, including linear and logistic regression and survival analysis. In a final chapter, a user-friendly introduction to some newer, cutting-edge, regression techniques will be included, such as fixed-effects regression and growth-curve modeling. A unique feature of the work is the extensive presentation of statistical applications from recent medical literature. Over 30 different articles are explicated herein, taken from such journals. With the aid of this primer, the medical researcher will also find it easier to communicate with the statisticians on his or her research team. The book includes a glossary of statistical terms for easy access. This is an important reference work for the shelves of physicians, nurses, nurse practitioners, physician’s assistants, medical students, and residents.