Ланг и Сесик «Как описывать статистику в медицине»: обзор
Обзор Ланга и Сесик: как описать выборку, эффект и неопределённость. Проверенная библиография, три своих примера Python и шаблон аналитического отчёта.
Содержание статьи
Вы рассчитали эффект и доверительный интервал, а в итоговом слайде осталось «различия статистически значимы». Коллега не видит ни размера изменения, ни знаменателя, ни срока наблюдения. Книга Ланга и Сесик «Как описывать статистику в медицине» посвящена именно представлению анализа. Разберём, кому подходит такой справочник, что подтверждено об издании и как потренировать отчётность на трёх собственных синтетических примерах. Это обзор доступного описания и структуры, а не постраничная экспертиза всей книги.
Библиография и границы обзора
Авторы — Томас А. Ланг и Мишель Сесик; английское название — How to Report Statistics in Medicine: Annotated Guidelines for Authors, Editors, and Reviewers. Для русского издания используем карточку издательства «Практическая медицина»: 2016 год, перевод под редакцией В. П. Леонова, ISBN 978-5-98811-325-6. Имена авторов и оригинальное название дополнительно сверены по Google Books. Годы разных выпусков не объединяем в одну запись.
Издатель адресует книгу биостатистикам и исследователям биомедицины и указывает на рекомендации по описанию статистических методов и путеводитель по терминам. В доступном оглавлении английского издания видны блоки о дизайнах исследований, представлении таблиц и чисел, статистической терминологии и источниках ошибок. Это подтверждённая карта тем, без утверждения о совпадении всех деталей русского и английского выпусков.
Наш совет по уровню: книга полезнее, когда вы уже понимаете долю, среднее, разброс и доверительный интервал и хотите научиться ясно сообщать результат. Знания высшей математики не заменят редакторской точности. Если вы пока не различаете параметр и его оценку, сначала разберите один метод с данными, затем примените правила отчёта к собственному вычислению.
| Поле | Сведения |
|---|---|
| Авторы | Томас А. Ланг; Мишель Сесик |
| Оригинал | How to Report Statistics in Medicine: Annotated Guidelines for Authors, Editors, and Reviewers |
| Русское название | Как описывать статистику в медицине. Руководство для авторов, редакторов и рецензентов |
| Издательство / год | Практическая медицина, 2016 |
| Редактор перевода | В. П. Леонов |
| ISBN | 978-5-98811-325-6 |
| Наш ориентир по подготовке | Доли, средние, разброс, доверительные интервалы |
Чем справочник отчётности отличается от учебника расчётов
Учебный запрос «какую функцию вызвать» заканчивается получением результата. Запрос отчётности начинается раньше и заканчивается позже: какие данные описать, какие ограничения назвать, как показать эффект, чтобы читатель понял значение числа. Даже верное вычисление становится непроверяемым, если из текста исчезли единица анализа, обработка пропусков или направление сравнения. Поэтому такую книгу удобно держать рядом с черновиком отчёта, а не читать вместо любого другого руководства.
Логика доступной структуры полезна: описание дизайна задаёт происхождение данных, представление результатов делает видимым размер эффекта, таблицы связывают подписи и знаменатели, словарь помогает последовательно употреблять термины. Это краткая интерпретация карты тем, а не пересказ авторских глав. Все дальнейшие примеры и формулировки созданы для этой статьи и не перенесены из книги.
Слабое применение справочника — превратить его в набор косметических требований после завершения анализа. Если неизвестно, кого включали или когда закончился сбор, редактура не восстановит эти сведения. Используйте будущий отчёт как план ещё до расчёта: заранее определите, что должно стоять в подписи к таблице и какие значения понадобятся для проверки. Тогда отсутствие данных обнаружится до финального согласования.
Идея первая: одинаковый процент не означает одинаковую точность
В двух условных медицинских сериях благоприятный исход зарегистрирован у 9 из 30 и у 90 из 300 участников. В обоих случаях доля равна 30%. Фраза «результат получен у 30%» одинаково описывает точечную оценку, но скрывает разную информацию. При независимых наблюдениях 95%-й интервал Уилсона составляет примерно 16,66–47,88% для первой серии и 25,09–35,41% для второй.
Это не сравнение эффективности двух вмешательств: мы специально задали одинаковые доли и разные размеры, чтобы увидеть точность. Более узкий интервал не означает более высокую долю. Он означает меньшую неопределённость её оценки при выбранной процедуре. Если каждая серия собрана из зависимых измерений или нерепрезентативного отбора, простые интервалы не решают эти проблемы.
В тексте лучше написать «9/30 участников, 30%; 95%-й интервал Уилсона 16,7–47,9%». Знаменатель связан с конкретным исходом и сроком. Если у части участников исход неизвестен, объясните, исключены ли они из знаменателя и почему. Не используйте общее число включённых в исследование как автоматический знаменатель для всех таблиц: разные показатели могли измеряться у разных людей.
from statsmodels.stats.proportion import proportion_confint
for events,total in [(9,30),(90,300)]:
lo,hi = proportion_confint(events,total,method="wilson")
print(events,total,"proportion",events/total,"95% CI",lo,hi)Перенос на продукт: отчёт о воронке
Та же ситуация возникает, когда одна команда показывает конверсию небольшого пилота, а другая — большого потока. Одинаковые проценты не делают оценки равноточными. Сначала уточните числитель: уникальные пользователи с событием или количество событий. Затем знаменатель: все назначенные в вариант, все посетившие экран или только завершившие предыдущий этап. В отчёте эти варианты должны называться по-разному.
Если фильтр меняется после просмотра данных, сохраните причину и влияние на популяцию. Удаление пользователей с технической ошибкой может быть оправданным аудитом, а может исключить именно тех, кому новая версия мешала. Редактор не всегда способен решить этот вопрос, но обязан заметить, что правило включения влияет на вывод. Хорошая подпись к таблице делает такой разговор возможным.
Полезный тест черновика: попросите коллегу восстановить исходные количества по тексту. Если доступны только округлённые проценты, он не сможет проверить даже элементарное деление. Числитель и знаменатель занимают мало места, но защищают от множества расхождений между командами. Особенно когда данные пересчитываются каждый день и небольшой сдвиг окна незаметно меняет базу сравнения.
Идея вторая: SD, SE и интервал отвечают на разные вопросы
Возьмём восемь синтетических значений времени ожидания: 8, 9, 10, 10, 11, 12, 14, 16 минут. Среднее равно 11,25, выборочное стандартное отклонение SD — примерно 2,659, стандартная ошибка среднего SE — 0,940. При модели независимых нормальных наблюдений t-интервал среднего составляет 9,027–13,473 минуты. Код показывает все четыре результата на одном наборе.
SD описывает разброс наблюдений, SE — неопределённость оценки среднего, интервал — диапазон, построенный процедурой для параметра. Запись «11,25 ± 0,94» без расшифровки заставляет читателя угадывать. Если принять SE за SD, индивидуальная вариативность покажется существенно меньше. Если принять интервал среднего за диапазон будущих наблюдений, появится ложное обещание точности индивидуального прогноза.
Поэтому в описательной таблице укажите «среднее и SD», а при выводе о среднем — оценку и доверительный интервал с названием метода. Для асимметричных данных могут понадобиться медиана и квантили, но выбор должен соответствовать вопросу. Не заменяйте показатель только потому, что другой выглядит компактнее. Отчёт обязан сохранять смысл анализируемой величины, а не выравнивать числа визуально.
import numpy as np
from scipy import stats
x = np.array([8,9,10,10,11,12,14,16.])
sd = x.std(ddof=1)
se = sd/np.sqrt(len(x))
ci = stats.t.interval(.95,df=len(x)-1,loc=x.mean(),scale=se)
print("n,mean,SD,SE,95% CI",len(x),x.mean(),sd,se,ci)Как округлять, не меняя вывод
Храните расчёт с полной доступной точностью, округляйте при показе. Число знаков зависит от единицы измерения и смысла сравнения. Бессмысленно показывать множество десятичных цифр для грубо измеренного времени; так же неудачно округлить небольшой, но содержательно обсуждаемый эффект до нуля. Округление должно помогать чтению, не создавать ложную точность и не скрывать неопределённость.
Проверяйте согласованность разных мест отчёта. В таблице может стоять одна версия фильтра, в выводе — прежняя, а подпись графика пережить оба обновления. Лучше формировать ключевые числа из одного расчёта и отдельно читать готовый текст глазами. Автоматизация уменьшает копирование, но не обнаружит сама, что слово «риск» осталось рядом с отношением шансов.
Если p очень мало, не печатайте p = 0: вычислительное округление не означает невозможность нулевой модели. Если формат требует пороговой записи, используйте корректное неравенство. Но главное сообщение не должно состоять только из p. Читателю нужны величина эффекта, его неопределённость и дизайн, иначе формальная значимость превращается в замену содержательного ответа.
Идея третья: относительный эффект рядом с абсолютным
В собственной синтетической таблице нежелательный исход возник у 15 из 150 участников A и у 30 из 150 участников B за одинаковый срок. Риски равны 10% и 20%, разность A−B — −10 процентных пунктов, RR = 0,5. Приближённый логарифмический 95%-й интервал RR — 0,281–0,890. OR равен примерно 0,4444 и относится к шансам, а не вероятностям.
Неудачный текст: «метод значительно улучшил результат». Он не сообщает, какое событие анализировали, сколько людей участвовало и что означало улучшение. Более проверяемая формулировка: «В условных данных частота события в A составила 15/150 против 30/150 в B; разность −10 п.п., RR 0,50, 95%-й интервал 0,28–0,89». После этого отдельно обсуждают, позволяет ли дизайн причинную интерпретацию.
Показатели не нужно механически перечислять все подряд. Для понятного отчёта выберите основную меру под вопрос, а остальные используйте для раскрытия масштаба или связи с моделью. Если логистическая регрессия возвращает OR, обозначьте его правильно и дополните вероятностями, полученными подходящим способом. Замена названия ради доступности читателю делает текст проще ценой математической ошибки.
from statsmodels.stats.contingency_tables import Table2x2
# Синтетический исход: нежелательное событие к одному сроку.
t = Table2x2([[15,135],[30,120]],shift_zeros=False)
print("risk A,B",15/150,30/150)
print("risk difference",15/150-30/150)
print("RR",t.riskratio,"95% CI",t.riskratio_confint())
print("OR",t.oddsratio)Что полезно взять в рабочий шаблон
Начинайте раздел методов с происхождения данных, критерия включения, единицы анализа и определения исхода. Затем опишите подготовку: дубли, пропуски, окна, преобразования. После этого назовите оцениваемый эффект, процедуру, допущения, альтернативу и способ получения интервала. Версии программ нужны для воспроизведения, но они не заменяют эти содержательные сведения.
В разделе результатов сначала покажите состав и доступность наблюдений. Затем сообщите основной эффект и неопределённость, не пряча неудобный результат в приложении. Дополнительные разрезы подпишите как запланированные или исследовательские. Если после анализа возникла новая гипотеза, это нормальный результат работы, но её нельзя представлять как заранее подтверждаемую основную цель.
В обсуждении отделите наблюдаемую связь от причинного механизма и переноса на другую популяцию. Назовите ограничение, которое действительно способно изменить решение. Универсальная фраза «необходимы дальнейшие исследования» не объясняет, чего именно не хватает. Лучше указать недостаток срока, число неустановленных исходов, несопоставимый состав или неопределённость вокруг практического порога.
Чего книга не заменяет сегодня
Руководство по отчётности не является документацией актуальной библиотеки и не гарантирует корректность новой сложной модели. Для методов, которых нет в доступной карте тем или которые существенно развились, нужны профильные источники. Не следует приписывать книге исчерпывающий ответ на современные вопросы причинного машинного обучения, последовательных экспериментов или сложных зависимых данных только потому, что она широко охватывает статистическую отчётность.
Прикладной процесс тоже расширился: код, данные, версии и журналы преобразований часто составляют часть проверяемого результата. Это наше дополнение к чтению, а не утверждение об отсутствии конкретных требований в полном тексте. В рабочем проекте сохраните минимальный воспроизводимый пример и возможность получить итоговую таблицу с чистого запуска. Без этого даже тщательно отредактированный отчёт может остаться невоспроизводимым.
Не путайте рекомендации по представлению с механической оценкой качества исследования. Идеально оформленная таблица может быть построена по смещённой выборке. А неловко написанный текст иногда содержит полезные данные, которые нужно уточнить у авторов. Рецензирование включает обе задачи: сделать вывод понятным и проверить, действительно ли данные его поддерживают.
Кому читать и с чем сочетать
Книга подходит автору отчётов, редактору и аналитику, которому приходится объяснять статистику людям с разной подготовкой. Её удобно применять к своему черновику: взять одну таблицу, проверить знаменатели и термины, затем переписать вывод. Так вы увидите практическую пользу сразу и не превратите чтение в коллекционирование правил без применения.
Если вы только начинаете статистику, сначала разберите расчёт доли или сравнение средних на полном наборе данных. Если требуется формальное доказательство свойств оценок, нужен математический учебник. Если задача — проверить причинную применимость чужого исследования, добавьте чтение по доказательной медицине. Эти материалы дополняют справочник отчётности, потому что отвечают на разные вопросы.
Для короткой практики возьмите собственный старый слайд и закройте устное объяснение автора. Попробуйте определить по слайду популяцию, срок, единицу и эффект. Каждое место, где пришлось додумывать, станет конкретной редакционной правкой. Не увеличивайте объём ради полноты: часть сведений можно перенести в подпись или методическое приложение, сохранив видимость основных ограничений.
Что почитать дальше
Разбор относительного риска и отношения шансов поможет выбрать точную формулировку эффекта. Материал о доверительных интервалах — объяснить неопределённость. Обзор Ребровой продолжает путь к подготовке данных и выбору процедуры, а обзор книг по доказательной медицине — к оценке дизайна и переносимости. Выбор пары зависит от того, где прерывается ваша цепочка от вопроса к решению.
Оценка этого обзора ограничена проверенной библиографией, издательским описанием и доступной картой тем английского издания. Полный текст русского выпуска не проверялся постранично. Мы не утверждаем, что каждый собственный совет выше является точной рекомендацией авторов: это практикум по задачам статистической отчётности, а не конспект защищённого текста.
Материал образовательный. Синтетические медицинские примеры не дают оснований для диагностики или лечения конкретного человека.
Материалы по теме
Корреляция Спирмена и Пирсона: выбор, расчёт и ошибки
Корреляция Спирмена и Пирсона на условных медицинских данных: линейная и монотонная связь, выбросы, перестановочный тест в Python и перенос в продукт.
Относительный риск и отношение шансов: разница на примерах
Чем относительный риск отличается от отношения шансов: таблица 2×2, абсолютный эффект, доверительные интервалы, случай — контроль и A/B-тест в Python.
Чувствительность и специфичность теста: расчёт на примере
Чувствительность и специфичность теста, PPV и NPV на синтетических данных. Распространённость, пороги, интервалы и перенос в антифрод с кодом Python.