4 domande e 4 rispostecon Commander

Massimo Borelliborelli@units.it

".. quanta differenza sia da chi sa e non ha messo in opera ciò che sa, da quello che oltra il sapere ha più volte messo le mani, come dir si suole, in pasta, e dedutto il pensiero e concetto de l'animo suo in opera esteriore"

Matteo Bandello (Castelnuovo Scrivia, 1485 – Bazens, 1561)

scaletta

il nostro punto di partenzai dataset con cui ci eserciteremoesempi di dataset cliniciesercitazione con Commanderil "compito per casa"

massimo borelli didattica

punto di partenza: la "cartella"

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

1. .. c'è differenza tra i gruppi?

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

1. .. c'è differenza tra i gruppi?

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

2. .. c'è correlazione/associazione..

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

2. .. c'è correlazione/associazione..

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

3. .. una multivariata per l'outcome

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

4. .. le curve di sopravvivenza

genere(f, m)

triage(w < g < y < r)

fumo(no, sì)

età( # > 0 )

pressione( # > 0 )

outcome(dead, alive)

los( # > 0 )

bmi( # > 0 )

estensioneRx(mod < loc < amp)

5 ... quello che NON faremo ..

U. Lucangelo et al., Respiration, 2011

i datasetcon cui ci eserciteremo

studentiannoscorso

surgery

breastcancer

esempi di dataset clinici

MED/17 Malattie Infettive

BIO/14 FarmacologiaMED/28 Malattie Odontostomatol.

MED/41 Terapia intensiva

MED/40 Ginecologia e Ostetricia

MED/09 Medicina Interna

1. .. c'è differenza tra i gruppi?

peso vs. genere5

06

07

08

0

peso

50

60

70

80

peso f

50

60

70

80

peso m

peso vs. fumo5

06

07

08

0

peso

50

60

70

80

fumo NO

50

60

70

80

fumo SI

peso vs. sport5

06

07

08

0

peso

50

60

70

80

poco

50

60

70

80

saltuario

50

60

70

80

tanto

dispersione ed inaffidabilità

dalla variabilità all'inaffidabilità

"Error bars in A .. represent SD, while in C represent SEM"

Kaur et al., 2008

non confondere variabilità e inaffidabilità

deviazione standard sl'errore standard della media

non confondere variabilità e inaffidabilità

simulazione Monte Carlo

Teste/Croci in 100.000 sequenze

dieci lancicento lancimille lancidiecimila lanci

non confondere variabilità e inaffidabilità

simulazione Monte Carlo

02

46

810

dieci

3040

5060

70

cento

440

460

480

500

520

540

560

mille

4800

4900

5000

5100

5200

diecimila

dalla variabilità all'inaffidabilità

simulazione Monte Carlo

0.0

0.2

0.4

0.6

0.8

1.0

centomila sequenze (% di successi) di 10, 100, 1000 e 10000 lanci

dalla variabilità all'inaffidabilità

simulazione Monte Carlo

come varia la deviazione standard in centomila ripetizioni dei quattro esperimenti

lanci sd

10 1.58

100 5.01

1000 15.78

10000 49.93

dalla variabilità all'inaffidabilità

simulazione Monte Carlo

lo standard error non varia, al crescere del numero n di lanci

lanci sd sd / sqrt(n)

10 1.58 0.501

100 5.01 0.501

1000 15.78 0.499

10000 49.93 0.499