La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Metodologia di scrittura Formulating and Writing.

Presentazioni simili

Presentazione sul tema: "Metodologia di scrittura Formulating and Writing."— Transcript della presentazione:

1 Metodologia di scrittura Formulating and Writing

2 The Paper –Project gestation/incubation period –Project design –Writing the thesis

3 The Paper Gestation/incubation period - Before you put pen to paper Discuss the ideas/approach with others. Answer the following questions: –What issue am I addressing in the proposed project? –Why is the issue important and interesting? –Would the results of the project have significant impact?

4 Developing a Hypothesis Should increase understanding of normal biologic processes, diseases, or treatment and prevention Testable by current methods

5 The Paper - Project formulation Do consider the following.. Is there a clear hypothesis or question? Or is this a “fishing exercise”? Fishing has to be strongly justified. Projects solely aimed at creating a database not important.

6 The Application - Project formulation Do consider the following.. Is the project built on preliminary findings, past findings, your own or of others? Are there other groups doing the same thing? What is your competitive edge?

7 Common mistakes in project choice I like this topic. Should be based on significance, not your interest Although this is not new, I have been doing this for years Innovation is critical It was not funded last time because the reviewer was biased/ignorant But maybe not? This issue has not been studied But can it pass the “so what” test?

8 Common Mistakes Selecting project Establishing Hypothesis –Scientific flaws Setting goals (specific aims) Showing preliminary data Developing research plan Choosing methods

9 Common Mistakes in Developing Research Plan Descriptive Too ambitious No hypothesis No anticipated results No alternative plan Scientific flaws

10 Flaws Hypothesis is wrong Planned studies cannot demonstrate the hypothesis Methods are wrong or obsolete Statistic is poor or wrong

11 Project formulation and design Do not be too ambitious with what you aim to do, i.e. can you achieve everything proposed in the time?

12 Project design Think of the loopholes, controls required etc. Think of contingencies to cope with unexpected results or failure. Are all the necessary expertise, samples, reagents available? –Line up collaborators, co-investigators if possible (how to choose and manage collaborators…it needs a 6 years course)

13 “Too ambitious” Huge goals –Establish realistic goal(s) Vague hypothesis –Develop a testable hypothesis Unfocused aims –Set reasonable specific aims Too much work planned –More is not necessarily better –Plan feasible experiments

14 No alternative plan If you anticipate to have some difficulties, you need show an alternative plan Only for critical issues Clearly explain your alternative studies Don’t use too much space

15 The Ideal Project Hypothesis-driven –Asks important questions Innovative –To study mechanisms Realistic and focused –Not too controversial Feasible in the time frame

16 The Ideal Project You have track record You have preliminary data Statistics!!!

17 Writing your thesis

18 Sequence The syndrome of the blank screen Figures, tracings, tables Methods and Results Discussion and Introduction Abstract and Title

19 Farsi venire le idee  Osservare  Non sottovalutare ciò che colpisce  Dare un significato alle osservazioni: inferenze e principi inferenziali  La soggettività va valorizzata ed educata: prospettiva disciplinare e orientamento metodologico

20 Title Max information in least words The title is an invitation to read the paper Use catchy titles State results

21 Writing your thesis Abstract Short, simple explanation of what the project is about. Understandable by non- specialist Simple and concise. Clear statement of the hypothesis, objectives and importance of the project

22 Abstract Is your visiting card In most cases the only part that is read State clearly your thesis Some numbers, but not in excess Determines if thesis will be read Avoid acronyms

23 The context Need stretch of several hours Avoid distractions: phone, Ideas come while writing

24 Parole chiave  Devono comparire in titolo ed abstract  Suggerire la 'traccia' del lavoro  Trasmettere l'originalità del lavoro  Agire sul significato intaccando il meno possibile la forma

25 Introduction Keep it focused 1. Why the study is interesting (broad) 2. Why did we do it? (specific) 3. Hypothesis

26 Writing your thesis Objectives & Significance Summarise –the objective(s) of the project. –approaches to achieve main objective(s) –These should be clear, logically formulated. State if: –the project is addressed at clinical or environmental problems of particular local relevance, –the project may lead to downstream application.

27 La forza dell'argomentazione  Dipende dalla visione del mondo di chi ascolta e si fonda su: 1.Dati di fatto 2.Valori 3.Principi inferenziali 4.Metodo

28 Background: Are you up to date with the literature? The background should lead clearly to the question(s) to be asked. State question(s) you wish to ask or hypothesis you wish to test Writing your thesis

29 Background: Connect concepts Avoid ‘lateral’ concepts –The difficulty of a ‘straigth’ line Hyerarchical ‘top down’ flow of concepts –Not too broad –Not too narrow Writing your thesis

30 Background: Interest the reader! –Put questions –Suspense –Internal connection with discussion –Avoid details –Open issues –Clinical needs Writing your thesis

31 Common Mistakes Presentation: –Poorly organized –Language errors –Show muddled thinking

32 Common Mistakes in Objectives, Background and Significance Purpose –To demonstrate the significance of the project –To articulate critical issues to be addressed –Provide the rationale for your hypothesis. Problems: –Not focused, too long only review the related materials –Too many references cite only critical papers –Ignored the critical or new reports Cite recent important references relevant to the hypothesis

33 Methods Draft can be made while doing the study Enough information for an experienced investigator to repeat your work Avoid tiresome detail Tables preferred to long list of numbers or statistics

34 Methods Refer to data (Fig. X, Table Y) Do not repeat numbers in Tables Include ethics information (with Ethics Committee approval and i.c.) Include complete statistics section

35 Writing the thesis Research plan and methodology Have a clear plan of action, logical sequence of experiments to achieve aim. Avoid ambiguity For some projects e.g. in Molecular Biology, Clinical studies, some diagram attached may be helpful for the reader to understand vector/experimental design if these are not straightforward.

36 Writing your thesis Research plan and methodology Sample description is critical! –Number of subjects –Assessments (validated instruments, in line with literature etc.) –Reliability (have you performed interrater reliability?) –Power estimation (Cohen, J. (1988). Statistical power analysis for the behavioral sciences. Hillsdale, New Jersey, Lawrence Erlbaum Associates)

37 Writing the thesis Research plan and methodology Not usually necessary to describe methods in detail, unless they are very new approaches. –Clear explanation of rationale of approach is usually sufficient. Are all controls included? If human samples are involved, have these been collected or will be available?

38 Major findings Text and or table/graph One slide for each Message should be unambiguous

39 Tables and Figures Do before writing Exceed 1 sheet: redraw If small: move data to text Should be able to stand alone

40 Discussion First paragraph - State major findings Last paragraph - “In summary…” (2-3 sentences) - “In conclusion…” (biggest message, return to Intro, avoid speculation, avoid “need more work”

41 Discussion Middle paragraphs - Base each on a major result Always focus on your results Explain what is new without exaggerating Never discuss prior work without reference to your work (but do not forget appropriate identification of prior research)

42 Discussion Refer Tables and Figures Do not repeat results Include limitations section

43 References Cite high IF Journals Use editing programs Relevant and recent

44 Common Mistakes in Objectives, Background and Significance References: –Adequate to the concept Review or books for well known aspects Papers for details or similar studies to your one Always choose high IF among similar A non cited reviewer usually gets angry!

45 Write the thesis in two weeks? Never do it! Plan your writing as early as possible Have it read by a peer Leave enough time for modification

46 Formal aspects Avoid ambiguity Concise: Least words, short words, one word vs many Strengthen transition between sentences

47 Formal aspects Check narrative flow: tell a story that the reader wants to read from start to end Writing improves in proportion to deletion of unnecessary words After the second draft send ms to your collegues After the suggestions have been incorporated leave it for some time a re-read

48 Formal aspects If you do not have time to check the spelling you may have not had time to check the quality of your experiments Adherence to the formal style is crucial Check references Check and double check your work

49 First draft Write as quickly as possible As if thinking out loud Get everything down Ignore spelling, grammar, style Correct and rewrite only when the whole text is on paper Do not split the manuscript

50 Works should be focused, addressing important questions. Avoid convoluted arguments/justifications of approach. Do not try to address too many questions. Summary

51 Writing your thesis Presentation Don’t strain the reader’s eyes! Font size, at least 11.5 preferably 12pt Use sub-headings Margins. Avoid cramming everything in by shrinking the margins.

52 “Scientists are rated by what they finish, not by what they attempt”


54 How to prepare a scientific presentation

55 Before you start What does the audience already know about your topic? What are their interests? Why are you giving presentation?

56 Before you start What is your desired outcome? How much time do you have? What are key points?

57 Common Causes of Ineffective Presentations Failure to prepare the talk Confusing structure/not giving take home messages Gaps in logic Poorly designed slides Poor delivery

58 Organizing a Presentation i.Outline ii.Problem and background iii.Design and methods iv.Major findings v.Conclusion and recommendations

59 Outline 1 Problem/Background 2 Design/Methods 2 Major findings 3-5 Conclusion and Recommendations 1-2 Time Yourself Impact 5 min

60 Making slides Main points only One idea per slide Short words, few words (5 per line) Strong statements: active voice

61 The start Let audience know what they are going to hear Let them know how the presentation will be organized

62 Start broad, get specific, and end broad Start with the biggest questions and get progressively more specific The middle is your original contribution Focus now on conclusions

63 Introduction Context Study question Relevant knowledge on issue

64 Major findings Text and or table/graph One slide for each Message should be unambiguous

65 Audience attention curve

66 Conclusion and Recommendations Key points Implications One slide for each message

67 Formal aspects AVOID USING ALL CAPITAL LETTERS BECAUSE IT’S REALLY HARD TO READ! Dark letters against a light background (or the opposite) work Avoid some colour combinations (red- green)

68 Formal aspects Choose style that supports the tone Apply the same style to each slide Don’t Say It, Show It Be consistent!

69 Formal aspects Every slide should have a heading. Lists should contain no more than 3-4 items Limit text blocks to no more than two lines each. Be careful with the pointer!

70 Type size should be 20 points or larger: 18 point 20 point 24 point 28 point 36 point * References can be in 14 point font Formal aspects

71 Comunità oratore-auditorio Creare legami sociali ed emotivi con l'auditorio Creare una comunità di eguali

72 And do not forget to……. Relax Listen to what you are saying Pace and time yourself

73 And do not forget to……. Face the audience Never underestimate your audience! With time you will enjoy…..


75 How to prepare a scientific presentation “Tell me and I will forget, show me and I will remember, involve and I will understand”

76 Statistica T-test, Chi 2, ANOVA Scelta del test Limitazioni metodologiche

77 Obiettivi di questa parte del corso Imparare come specifiche domande possano ottenere risposte attraverso differenti tecniche statistiche Imparare a valutare in maniera critica uno studio dalla letteratura, distinguendo tra studi validi e non Imparare a riconoscere gli ‘abusi’ della statistica

78 A cosa serve la Statistica? Tipico Statistico imbonitore Blablabla media, #§, la variabile$, bla con la percentuale % della distribuzione del blabla… ma le statistiche dicono che blablabla…

79 “There are lies, damned lies and statistics” M.Twain "If you torture statistics enough they will confess to anything” Anonymous

80 “E’ la scienza che implica l’estrazione di informazioni da dati numerici ottenuti durante un esperimento su un campione.” Implica: 2. La raccolta e analisi dei dati3. Il trarre inferenze sulla popolazione basate sulle informazioni ottenute dal campione. 1. Il disegno dell’esperimento o del campionamento Statistica

81 Pessime abitudini… La maggior parte dei lettori delle riviste scientifiche dà per scontato che quando un articolo compare su una rivista sia stato valutato sotto ogni aspetto, compreso l’utilizzo dei metodi statistici

82 Cominciamo quindi dalla Statistica nelle pubblicazioni Da uno studio sul British Journal of Psychiatry del 95 (ma anche in molti altri) il tasso di errori statistici (in senso lato) nelle pubblicazioni sullo stesso BRJPSY varia dal 31 al 90%, in genere intorno al 50%!!! (“The use of Statistics in the British Journal of Psychiatry”-McGuigan S.M. Br J Psy (1995),167, )

83 Abusi in Statistica Le Statistiche possono mentire in molti modi… Non appropriati i metodi di raccolta dati CAMPIONI INADEGUATI (es auto-selezionati, non casuali) CAMPIONI PICCOLI (conclusioni basate su campioni troppo piccoli) Manipolazioni di analisi e grafiche (grafici e percentuali distorte)

84 Distribuzione Normale La maggior parte delle variabili biologiche e dei processi casuali si distribuisce secondo una curva a campana o “Gaussiana” (Gauss C.F ). La Distribuzione Normale viene poi “standardizzata” (cioè trasformata)  le aree vengono così espresse in termini di “deviata standardizzata” Distribuzione Standard Normale è quella distribuzione normale che ha media =0 e varianza =1.

85 X  Probabilità = 0.50 Distribuzione Normale di Probabilità Probabilità = 0.05

86 Distribuzione Standard Normale E’ una distribuzione di probabilità utilizzata per dati continui; la somma dell’area sotto la curva rappresenta il 100% di probabilità Ha la forma di una campana, simmetrica attorno alla media, con valori da -  a +  La formula è quella di una variabile Z distribuita casualmente con N ( ,  2 ) : x = qualsiasi punto sull’asse delle ascisse  = Deviazione Standard della distribuzione normale  = media della popolazione z = equivalente al valore della probabilità (numero di deviazioni standard tra il punto x e la media)

87 X Ciascuna ha una propria media e deviazione standard Ogni distribuzione richiederebbe una propria tabella di conversione per il calcolo delle probabilità... Poco pratico C’è un numero infinito di Distribuzioni Normali!

88  Z = 0  z  = 1 Z X   Distribuzione Normale Standardizzata Come standardizzare la Distribuzione Normale

89 Distribuzione Standard Normale Il 95% delle osservazioni (o degli individui) si trova entro circa 2 deviazioni standard dalla media 1.96s 95%

90 Distribuzione Standard Normale DS 68% Il 68% delle osservazioni (o degli individui) si trova entro 1 deviazione standard dalla media

91 Esempio P (3.8  X  5) Qual’è la Probabilità che X si trovi tra 3.8 e 5? Z  Z = 0  Z = Distribuzione Normale Distribuzione Normale Standardizzata X  = 5  =

92 Esempio: il QI ha una distribuzione normale con media 100 e DS di 16; qual’è il range di “normalità”? E voi dove vi situate?

93 Statistica Descrittiva e Statistica Inferenziale Media, Varianza, Deviazione Standard ed Errore Standard sono statistiche descrittive. La Statistica Inferenziale non può mai dire se qualcosa è vero (oppure no) Fornisce un bilancio di probabilità a riguardo: la probabilità che l’ipotesi sia vera (oppure no). EH???

94 Statistiche descrittive- descrizione del campione

95 Statistica Descrittiva E’ difficile visualizzare in un grafico tutte le informazioni significative. E’ possibile raggruppare le informazioni Per farlo sono necessarie 1) una misura di localizzazione 2) una misura di variabilità o dispersione

96 Misure di localizzazione e di dispersione MEDIA VARIANZA

97 Misure di localizzazione MEDIA o misura di tendenza centrale somma delle osservazioni, divisa per il loro numero Mediana se si dispongono le osservazioni in ordine crescente o decrescente è l’osservazione centrale Moda l’osservazione più frequente (X1+X2+X3+…Xn)  = n

98 Non è sufficiente una misura che indichi dove si situano in media gli individui. E’ necessaria una statistica che indichi quanto differiscono tra loro, la dispersione intorno alla media. E’ la varianza.

99 Misure di dispersione Range (intervallo di variabilità), Quartili VARIANZA è la sommatoria delle differenze tra le singole osservazioni e la media. o somma dei quadrati degli scarti dalla media (unità di misura x 2 ) DEVIAZIONE STANDARD è la radice quadrata della varianza misura la variabilità nei dati (stessa unità di misura di x !!)

100 3 distribuzioni – stessa media, differenti varianze

101 N= 5 reparti; Numero di pazienti per reparto: Ospedale di montagna: una piccola popolazione (N = 5) Nota che il denominatore per il calcolo della Deviazione Standard è N = 5 Media di pazienti per reparto

102 Vogliamo informazioni riguardo: Abbiamo a disposizione: Selezione Random Inferenza Parametro Statistica Popolazione Campione (Media del Campione) х ATTENZIONE!!! Il problema maggiore è che (Media della Popolazione) 

103 Se estraiamo a caso un campione di n =2 reparti estratto dalla “popolazione” di N =5 Attenzione: La Media del “campione” non è uguale a quella della “popolazione” (era 2.6). La Deviazione Standard del “campione” non è uguale a quella della “popolazione” (era 1.36).

104 Statistica applicata al Campione In realtà la formula della Deviazione Standard e della Varianza del campione hanno una formula differente rispetto a quella della popolazione Anche i simboli sono diversi! Infatti sono “stime” dei valori della popolazione, perché il valore reale è sconosciuto Gradi di libertà

105 Effetto della dimensione del Campione Più Numeroso Meno numeroso La media del campione più numeroso si avvicina alla media vera (rif: Teorema centrale del limite)

106 Dato il campione cosa possiamo dire della popolazione? Si suppone sempre che il campione sia sempre casualmente estratto dalla popolazione Si conosce la dimensione del campione n, la sua media x e la sua varianza s (NOTA La “popolazione” in Statistica non è un’entità reale ma l’idea di un’ipotetica popolazione generata da un numero indefinitamente grande di osservazioni)

107 Stima di  (media della popolazione) Dalla media campionaria come si stima la media VERA? –Esempio: Da un campione di 50 studenti, come si può calcolare il peso medio della popolazione degli studenti italiani? –Dall’effetto del farmaco A su un campione di pazienti cosa possiamo dire dell’effetto che avrà sulla popolazione? La stima che facciamo di  a partire dalla media campionaria x è valida? Sappiamo che probabilmente x sarà vicina a , poco probabile che sia esattamente uguale QUINDI?

108 Come si stimano i Parametri della Popolazione? (INFERENZA) Parametro Sconosciuto Campione Media Deviazione Standard S Errore Standard Un nuovo parametro: cos’è l’Errore Standard?

109 Torniamo all’ospedale di montagna (campione di n = 3 reparti) Campione Media 1,2, ,2,32.0 1,2, ,2,32.0 1,2, ,3,53.0 2,2, ,2,53.0 2,3,53.33

110 Su cosa si basa tutta la Statistica? Si basa sul concetto di p, cioè sulla PROBABILITA’ Utilizziamo la Statistica per discriminare se le differenze tra campioni o trattamenti sono “reali” oppure “dovute al caso” La p è la probabilità di ottenere quel risultato (o più estremo) se l’ipotesi nulla è vera.

111 IPOTESI NULLA e IPOTESI ALTERNATIVA Assunzione che non vi è nulla di “provato”, e che tutto si verifica per caso, seguendo le leggi della probabilità. Questa è chiamata IPOTESI NULLA(H 0 ) L ’ IPOTESI ALTERNATIVA è che qualcosa di improbabile, o “ significativo ” si sia verificato (H I ) (che capita di rado) Se il nostro test ci dice che abbiamo osservato un evento abbastanza improbabile allora possiamo RIFIUTARE l ’ ipotesi nulla e ACCETTARE l ’ ipotesi alternativa

112 Inferenza Se l’IPOTESI NULLA è respinta si può concludere che: –c’è una differenza tra i due trattamenti –la differenza osservata non è dovuta al caso –la differenza NON è detto che sia di rilevanza clinica Molto probabile che sia diverso  Probabile che sia molto diverso!!! In giurisprudenza è “innocente fino a prova contraria”.

113 D’accordo, la “p” è la via finale comune, ma come ci si arriva? Siete sicuri di sapere che tipo di test si deve usare, che conoscete le procedure del ‘ricercatore’? Allora rispondete alle seguenti domande..

114 Esempio 1 Volete studiare l’efficacia nel rallentare la frequenza cardiaca del farmaco XY Che test usate?

115 T-test Se la variabile indipendente è categoriale o binaria e la variabile dipendente è continua Possiamo anche misurare il parametro di interesse confrontando nello stesso campione i soggetti prima e dopo il trattamento utilizzando il “T test per gruppi appaiati” Oppure confrontare un solo gruppo con la media della popolazione “T test per gruppi NON appaiati”

116 T-test Se la media attesa (o della popolazione o del primo campione) e la media osservata (o del secondo campione) distano tra loro più di 1.96*DS allora possiamo respingere l’ipotesi nulla. Parametro Frequenza Reject H 0 Accept H 0 Observed Expected ee oo ee oo

117 T-test

118 Ricorda che… Il T-test può essere utilizzato solo se la distribuzione dei dati è Normale In caso contrario, è possibile utilizzare altri test, come il test di Mann-Whitney o il Test di Wilcoxon

119 Esercizio 1

120 Esempio 2 Volete confrontare l’effetto di 4 diversi tipi di trattamento sulla glicemia in pazienti con NIDDM (per esempio dieta, esercizio fisico, antidiabetico orale, fitoterapia). Voi pensate che vi sia un effetto straordinario della fitoterapia.. Che fate?

121 Regressione Multipla Serve per valutare l’effetto di più variabili sulla variabile dipendente Fornisce l’effetto di ognuna di esse indipendentemente dalle altre Attenzione: correlazioni tra le variabili indipendenti causano errori!

122 ANOVA Con questo test l’ipotesi nulla è che tutti i campioni siano simili in quanto tratti dalla stessa popolazione; H 0 = non differenze Se ogni campione è indipendente e… Ogni campione è estratto casualmente e… La popolazione è distribuita normalmente e… Le varianze sono uguali (anche se le medie sono differenti) ALLORA LA SI PUO’ USARE!!!

123 ANOVA Altrimenti? ANOVA di Kruskal-Wallis

124 Esempio 3 Sostenete fermamente che vi sia un’associazione tra il fumare e l’allergia ai crostacei Cosa fate?

125 Chi-quadrato (  2 ) Si usa se le variabili sono delle frequenze (o proporzioni) Confronta la differenza tra le frequenze osservate e quelle attese per caso. E=Expected (valore atteso) vs. O=Observed Significatività statistica (  = 0.05) (O – E ) 2  2 =  (df) E

126 Tabella di contingenza (o 2x2) Supponi di voler mettere a confronto l'efficacia di un nuovo antibiotico (nome di fantasia: xmicina) con un antibiotico già in uso (streptomicina) nella terapia di una malattia del cane (la leptospirosi). A questo scopo, intraprendi un test clinico su un campione di animali costituito dai cani affetti da leptospirosi che vengono presentati in alcuni ambulatori ed ospedali veterinari in un determinato periodo di tempo. Durante la sperimentazione, ogni cane viene assegnato a caso al gruppo dei trattati con il nuovo antibiotico oppure a quello dei trattati con la streptomicina. Tabella 1

127 I dati grezzi indicano che la xmicina è più efficace della streptomicina. Però la superiorità della xmicina potrebbe essere dovuta al caso...

128 Dati attesi I dati della precedente tabella dimostrano che indipendentemente dal tipo di antibiotico il trattamento è risultato efficace nel 74.8% dei casi. Infatti sono guariti, sempre complessivamente ed indipendentemente dall'antibiotico utilizzato, 52+40=92 animali (a+c) su 123 trattati. Applicando questa percentuale di successo (74.8%) a ciascuno dei due gruppi in esame, si ricavano i dati della sottostante tabella, che illustra la situazione ci si aspetterebbe se i due antibiotici avessero la stessa efficacia. Tabella 2

129 Quindi…

130 Ricorda che… Il test del Chi-quadrato è utilizzabile quando il valore di ogni cella è > 5 ed il numero totale di osservazioni è > 30 In caso contrario, è possibile utilizzare altri test, come il test esatto di Fisher, oppure utilizzare la correzione di Yates

131 Esercizio 2

132 Esempio 4 Volete studiare le recidive di gastrite dopo trattamento eradicante per Helycobacter, confrontando due diversi schemi di trattamento antibiotico. Che fate?

133 Con un punto di partenza ben definito (ingresso nello studio) e di arrivo (recidiva), differenti tempi di osservazione si calcolano le curve di sopravvivenza (Test log-rank) Analisi di sopravvivenza

134 Riassumendo… TEST PARAMETRICI (Media, Varianza, ANOVA) se la variabile dipendente è misurata con una scala intervallare Si effettuano assunzioni parametriche circa le caratteristiche delle popolazioni sottostanti (da cui sono estratti i campioni) SI POSSONO USARE SOLO SE le popolazioni sono normalmente distribuite i campioni derivano da distribuzioni con varianze uguali

135 TEST NON PARAMETRICI (Fisher exact test, Spearman, Mann-Whitney) non necessitano di assunzioni circa le distribuzioni SI POSSONO USARE con popolazioni distribuite in maniera NON NORMALE, dati ordinali o con piccoli campioni Riassumendo…

136 L’ Influenza dei Mass-Media Spesso le pubblicazioni scientifiche sono caratterizzate da Ingiustificabile grado di certezza Promessa di benefici immediati Dettaglio tecnico e gergo scarsamente comprensibili Esagerazione dei possibili rischi per scopi ‘di notizia’ “Notizie sponsorizzate”

137 Ma a voi cosa rimane per esempio se leggete la tabella di un articolo come questo? (Am J Psy …)

138 “Do Urbanicity and Familial Liability Coparticipate in Causing Psychosis?” Jim van Os et al. Am J Psychiatry 160: , 2003

139 Lista di “caveat” Tutti vi hanno sempre spiegato cosa fare Noi oggi vogliamo spiegarvi cosa NON fare –Errori riguardanti il campione Casi, controlli, numero,drop-out –Errori riguardanti la presentazione dei dati Grafici, forme di scrittura dei risultati –Errori riguardanti l’analisi Media, DS, SEM, scelta del test, missing data, drop out …

140 Gli errori più comuni: sul campione Come avete reclutato il vostro campione di pazienti? E’ rappresentativo della popolazione generale di pazienti? (Per età, gravità, trattamento, frequenze alleliche…) E’ casualmente estratto dalla popolazione? (auto-selezionato, più grave..) BIAS DI SELEZIONE DEL CAMPIONE Io faccio così. E allora?

141 Gli errori più comuni: sul campione II Come avete reclutato il vostro campione di controllo? In alcuni studi (i peggiori) i controlli non sono descritti per nulla... fine del problema In altri i controlli sono STORICI (?) oppure sono studenti, membri dello staff… BIAS DI SELEZIONE DEI CONTROLLI

142 Gli errori più comuni: sul campione III Avete fatto il calcolo del power prima di cominciare lo studio? Potreste ritrovarvi con una dimensione del campione inadeguata a individuare differenze clinicamente rilevanti BIAS DI NUMEROSITA’

143 Gli errori più comuni: il campione IV Cosa ne avete fatto dei drop-out? Buttati? Dove? L’analisi va fatta “intent- to- treat” e il come e il perché quei soggetti sono droppati va descritto con il maggiore dettaglio possibile BIAS SUI DROP-OUT

144 Gli errori più comuni: la descrizione grafica Sono banalità ma spesso omesse...

145 Gli errori più comuni: la descrizione grafica II Grafico senza senso

146 Gli errori più comuni: la descrizione grafica III Un punto importante è come si presentano i risultati: Devono essere SEMPRE esplicitati: 1.Il tipo di test usato 2.Il risultato del test 3.I gradi di libertà 4.La p Per es: F (2, 173) = 37.39, p =.0001 Test gradi di libertà

147 Gli errori più comuni: l’analisi In alcuni lavori non sono descritte… problema risolto. Avete sempre fornito al lettore una descrizione “statistica” del campione? La Media e la Deviazione Standard consentono di capire DOVE si situa il campione per una certa variabile NON si usa l’Errore Standard della Media!!! (misura della precisione con cui si stima la media della popolazione)

148 Gli errori più comuni: l’analisi II Far bene l’analisi fa bene all’analisi (statistica…) Conoscete bene la tecnica che state applicando? Che limiti ha? A cosa si applica e a cosa NON si applica? Per es forse non tutti sanno che –il T test è sensibile ai dati con distribuzione non simmetrica – il Chi quadrato non va usato se le osservazioni non sono indipendenti – l’ANOVA se la distribuzione non è normale..

149 Gli errori più comuni: l’analisi III Cosa vuole dire quella p??? La p deve essere indicata con esattezza, non soltanto se è “significativa” Se p < 0.05, allora respingiamo l’ipotesi nulla Ma ricordate sempre che p < 0.05 è interamente arbitrario! E in discussione deve essere molto chiaro: non differenza significativa  non differenza

150 Cos’è l’Intervallo di Confidenza? A cosa serve? IC: questo sconosciuto Quanti di voi l’hanno mai incluso nei loro articoli? Gli errori più comuni: l’analisi IV

151 Sono quelle osservazioni che “chiaramente” si situano al di fuori del range del dataset. Controllarle sempre; in genere derivano da errori di battitura… E’ corretto escluderli dalle analisi successive, ma questo deve sempre essere specificato nella sezione metodi. Attenzione, potrebbero essere le osservazioni più interessanti!!” Gli errori più comuni: gli outliers

152 Le tecniche di analisi multivariata (MANOVA) sono molto (troppo) sensibili agli outliers.. Gli errori più comuni: gli outliers II

153 Tristissimi... Il soggetto è perso.. (cambia medico, si riempie di pomfi e droppa, vi cade la provetta…) Non è zero!! I missing vanno inclusi nei conti (-1, 999, etc) Controllare di ogni tecnica come vengono considerati. In alcune analisi provocano difficoltà quasi “insormontabili”e devono essere esclusi. Gli errori più comuni: Missing data

154 Gli errori più comuni: i test multipli Perché non si devono fare (come qualsiasi altro test) se non si hanno gli occhi ben aperti!! Prendi dei soggetti da una popolazione e forma due gruppi; quindi testa H0: nessuna differenza Usando p = 0.05 sappiamo che respingeremo H0 una volta su 20 per caso, anche se non sono diversi. Questo è il significato di p = Adesso estrai 3 gruppi e applica H0: non differenza per ciascuna coppia 1-2, 1-3, 2-3

155 Gli errori più comuni: i test multipli II Sempre p=.05 per p1-p2,.05 per p2-p3... Per ciascuna coppia la probabilità di accettare H0 è 0.95 (pr che i campioni non siano diversi), quindi la probabilità di accettarle tutte e tre è 0.95*0.95*0.95 = Ne deriva che la probabilità di respingere H0 è (1-0.86) = 0.14 In altre parole ci “sbaglieremo”una volta su 7, non più una volta su 20!!!

156 Gli errori più comuni: i test multipli III Questo è il motivo per cui NON si può usare una significatività dello 0.05 se effettuiamo test multipli Bisogna sempre specificare quanti e quali test stiamo effettuando e applicare un criterio più ristretto Fa alterare moltissimo i referi..

157 Gli errori più comuni: i test multipli IV Se effettuiamo N differenti test sullo stesso set di dati il livello di significatività deve essere corretto; si può usare la formula p=1-(1-0.05) 1/N Es: 3 test, p corretta = (1/3) = E fare un Bonferroni?

158 Ancora 3 argomenti abbastanza scomodi… “Positivamente negativo” o “Negativamente negativo”? Post-hoc analysis Data dredging (Ricercatore ignaro di questi argomenti)

159 “Positivamente negativo” Il processo di sviluppo di un nuovo trattamento passa attraverso: –descrizione di risultati promettenti –diffusione in centri di eccellenza – informazione diffusa attraverso i mass-media con i pz stessi che richiedono di essere trattati con la nuova terapia. In queste prime fasi vengono pubblicate solo le ricerche con risultati positivi

160 Quando il trattamento viene adottato dalla comunità scientifica qualcuno si accorge che non sempre i risultati corrispondono a quelli attesi e propone di sottoporre il nuovo trattamento ad una ricerca rigorosa, randomizzata e controllata (RCT) Molti si oppongono al confronto verso placebo, ritenendolo non etico. La storia recente ha dimostrato che, se i risultati sono positivi il trattamento viene consacrato nelle linee guida, se negativi cade rapidamente nel discredito “Positivamente negativo”

161 “POSITIVE RESULT BIAS” è quel fenomeno per cui l’informazione viene distorta a favore dei risultati positivi, mentre quelli negativi sono più difficilmente pubblicati, o lo sono su riviste minori. Esempio: nel 1995 venne interrotta una ricerca multicentrica internazionale sull’efficacia di un vasodilatatore nei pz con scompenso cardiaco, a causa di un eccesso di mortalità; all’inizio 2005 i risultati non erano ancora stati pubblicati. “Positivamente negativo”

162 E negativamente negativo? Ma quanto è “negativa” una sperimentazione clinica negativa? In una elevata percentuale di casi il campione è troppo piccolo per avere una potenza (Power!) sufficiente Spesso ci troviamo ad “avere fiducia” in risultati negativi in maniera irragionevole tanto quanto l’abbiamo per risultati positivi!

163 Sono tutte quelle analisi statistiche non contemplate nel protocollo di ricerca che vengono effettuate dopo la conclusione della raccolta dei dati. In genere sono presenti nel 50-75% degli articoli! Possono essere ottenuti per caso e in genere sono poco affidabili o del tutto inaccettabili Post-hoc analysis

164 Esempio: Alla conclusione di un famoso studio multicentrico di confronto atenololo vs placebo in pazienti con Infarto Miocardico Acuto era stato valutato l’effetto del farmaco in sottogruppi di pazienti divisi per segno zodiacale. Venne osservato che l’atenololo era significativamente più efficace nei nati sotto il segno dello scorpione… Questo vuol dire che lo dobbiamo prescrivere solo a questi ultimi? E agli altri cosa diamo? Post-hoc analysis

165 Dragare i dati (data dredging) Uno dei maggiori pericoli di un trial clinico è che il gran numero di dati disponibili generi informazioni false Se i ricercatori hanno a disposizione un gran numero di parametri (due o più trattamenti, multipli end-point, misurazioni ripetute di molti parametri), le combinazioni sono pressoché infinite e i ricercatori sono tentati di svolgere molteplici confronti con l’unico scopo di trovare risultati statisticamente significativi.

166 E’ del tutto legittimo svolgere ulteriori analisi sui dati disponibili per indagare l’eventuale presenza di rapporti statistici tra due o più variabili, purché i risultati non vengano utilizzati per confermare ma solo per generare ipotesi. In genere questi risultati su sottogruppi sono smentiti da ricerche successive svolte proprio con lo scopo di verificare quel risultato Dragare i dati (data dredging)

167 Il lettore deve accertarsi che nel protocollo di ricerca siano state descritte ed elencate le ipotesi che gli autori si erano proposti di verificare e quali relazioni sarebbero state analizzate. Qualunque analisi derivante da ipotesi formulate a posteriori deve essere considerata con una certa cautela. Dragare i dati (data dredging)

168 Impact Factor H Index OUTPUT DEL PROGETTO




Scaricare ppt "Metodologia di scrittura Formulating and Writing."

Presentazioni simili

Annunci Google