CC BY
78
ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИЙ - 2009 - Т. ХУ1, № 2 - С. 159
5. Петросян В.И. и др. // Биомедицинские технологии и радиоэлектроника. 2006. .№12. С.42-45.
6. Петросян В.И. и др. // Биомедицинская радиоэлектроника. 2000. №1. С.1-3.
7. Зенин С.В. // Докл. РАН. 1993. Т.332, №3. С. 328.
8. Терехов И.В. и др. // Саратовский научно-мед. ж. 2008. №1 (19). С.79-84.
9. Терехов И.В. Трансрезонансная функциональная топография в диагностике заболеваний органов дыхания (новый метод обработки информации). Автореф. дис...канд. мед. наук. Тула, 2007. 24с.
10. Чучалин А.Г. и др. Внебольничная пневмония у взрослых: практические рекомендации по диагностике, лечению и профилактике. М: М-Вести, 2006. 76 с.
11. Власов П.В. Лучевая диагностика заболеваний органов грудной полости. М.: Видар. 2006. 312 с.
STIMULATED LUMINESCENCE OF AQUEOUS NANOCLUSTER STRUCTURES AND ITS APPLICATION IN DIAGNOSTICS
OF INFLAMMATORY INFILTRATION CHANGES IN LUNGS
I.V. TEREKHOV, V.I. PETROSYAN, M.S. GROMOV Summary
To estimate the possibility of the use of self-emission produced by dynamic aqueous nanodimensional structures - i.e. water clusters, in diagnostics of low respiratory tract inflammation processes and in their monitoring during the treatment. The intensity level of self-emission of aqueous dynamic nanocluster structures can be useful both for the identification of inflammatory changes and their monitoring during the treatment.
Key words: water cluster, EHF-radiation, TRF-topography
УДК 614.1:364.444
РАЗРАБОТКА АЛГОРИТМА СТАТИСТИЧЕСКОЙ ОБРАБОТКИ ДАННЫХ В МЕДИКО-СОЦИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ
А. А. ВЕЛЬШ, М. Ш. МУХАМАТЗАНОВА, М. А. ЗАХАРОВА*
Ключевые слова: алгоритм, статистическая обработка
Перед медико-социологической статистической наукой сегодня стоят проблемы совершенствования системы показателей, приемов и методов сбора, обработки, хранения и анализа статистической информации. Статистическая работа состоит в том, чтобы собрать числовые данные о массовых явлениях, обработать их, представить в форме, удобной для анализа, проанализировать и интерпретировать полученные результаты. Сбор данных лежит в основе всего исследования. Недостаточное внимание уделяется планированию исследований, в результате чего после окончания этапа сбора информации при попытке применить методы обработки может оказаться, что собранных данных недостаточно для формирования статистически значимого вывода. В этом случае даже самые сложные математические методы анализа полученных результатов не спасают ситуацию, т.к. они были получены в ходе неграмотно спланированного исследования. В этой связи особенно пристальное внимание современными исследователями уделяется дизайну исследования, который включает в себя последовательность действий. Наиболее удобным для понимания и восприятия видится представление такой последовательности в виде алгоритма (рис.).
На этапе выбора метода критериального анализа, в зависимости от изучаемого признака и вида исследования основной задачей является доказательство эффективности полученных результатов [1, 2]. Чтобы ориентироваться в выборе доказательного критерия есть ряд алгоритмов [1, 2]. Множество критериев, приводимых обычно в учебниках по математической статистике и сложное описание процедур их вычисления, часто смущает исследователя. Многие из них используются достаточно редко. Каждый исследователь (и научный руководитель в том числе) предпочитает статистические критерии, исходя из своих знаний, опыта, типа задачи и вида данных, которые подлежат обработке.
Новосибирский ГМУ, каф. общей гигиены, гигиены детей и подростков, социологии медицины, 630091, г. Новосибирск, Красный пр. 52
Для математической обработки данных, например, анализа изменчивости признака могут использоваться и-критерий Манна - Уитни, критерий Краскела - Уоллиса, Т-критерий Вилкоксона, критерий Фридмана. Для исследования влияния или взаимовлияния ряда факторов на изучаемый параметр полезнее может быть дисперсионный анализ. Исследователь исходит из предположения, что одни переменные могут рассматриваться как причины, а другие - как следствия. Переменные первого рода считаются факторами, а переменные второго рода - результативными признаками. В этом отличие дисперсионного анализа от корреляционного, в котором предполагается, что изменения одного признака просто связаны с определенными изменениями другого [4].
Если гипотеза подтверждена, то исследователь переходит к формированию выводов и составлению рекомендаций. Если гипотеза не подтверждается на этапе доказательства эффективности полученных результатов, то существует ряд причин: допущена ошибка (на рис. отмечена пунктирной линией) либо на на уровне первичного анализа данных (исследователь нечетко представил, каков признак), либо на уровне постановки аналитических задач (неверно выбран статистический критерий), либо гипотеза не верна - это тоже результат. Опровержение гипотезы влечет за собой постановку новых научных задач.
Включая признак в описание данных, исследователь должен достаточно четко представить, для чего этот признак понадобится ему в дальнейшем [3]. Это надо, чтобы избежать перегруженности информации, но база данных должна быть достаточно полной и информативной. В зависимости от типа данных выбираем метод описательных статистик. Для количественных данных, подчиняющихся нормальному закону распределения, рассчитывают среднее и стандартное отклонение. Представляются в виде M±StD. Для количественных данных, не подчиняющихся нормальному закону распределения, рассчитывают медиану и квартили (процентили). Представляются в виде Ме ^1^3) (например, возраст участников исследования составил 10 (5-11) лет). Для качественных данных рассчитываются частоты или проценты. Представляются либо только относительные величины (встречаемость заболевания «Х» в исследуемой совокупности составила 25%), либо абсолютные и относительные вместе (выявлено 16 случаев заболеваний «Х», что составило 25%).
Алгоритм применительно к медико-социологическим исследованиям может помочь в формулировании цели, разработке дизайна, выборе статистического метода для выявления статистически значимого различия, непосредственно в проведении анализа полученных результатов, формировании заключения.
Литература
1. Гланц С. Медико-биологическая статистика. М.: Практика, 1999. 461 с.
2. Жилина Н. М. Приложения математической статистики к медицинским научным исследованиям: уч. пос. Новокузнецк: Изд-во МОУ ДПО ИПК, 2005. 41 с.
3. Сепетлиев Д. Статистические методы в научных медицинских исследованиях: Пер. с болг. М.: Медицина, 1968. 419 с.
4. Сергиенко В. И., Бондарева И. Б. Математическая статистика в клинических исследованиях. М.: ГЭОТАР МЕДИЦИНА, 2000. 256 с.
