醫學統計學論文范文

前言：我們精心挑選了數篇優質醫學統計學論文文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

在各種醫學期刊中，半數以上是療效觀察方面的論著。現擇其較普遍存在的統計學問題，結合實驗設計基本原則加以討論。

（一）對照與均衡性測定

國內醫學期刊有關臨床療效觀察的文章甚多，不少雜志刊登了一些事先未設計對照的文章，其結論難以令人信服。如《用柴葛解肌湯治療上呼吸感染》一文，報道治愈好轉率為97.7％，因無對照，無法斷定其效果如何，因此，治愈好轉率中含有假像。

對照的方法雖有多種，但對照的基本原則是與實驗組齊同可比，最好作均衡性測定。

（二）安慰劑與盲法試驗

安慰劑與盲法試驗是醫研（主要是比較性研究）中常用的科研方法，結果準確、誤差性小。安慰劑在形、量、色、味等要與實驗藥物一樣，不能給受試者和執行者任何暗示。這種試驗就是雙盲法試驗。但近年來，尚有人用改良的雙盲法，此法分兩期：第一期（公開期）試驗有效者留，無效者棄。有效者進入第二期（雙盲試驗），以確定療效是否系安慰劑的作用。在預防效果觀察時可采用該法，臨床上應用諸多困難，應視具體情況而定。

（三）樣本含量與重復原則

沒有足夠樣本的研究結果，是經不起重復試驗的，有的論文憑少數病例觀實的結果下結論，是不慎重的。如《重癥肺炎并發DIC29例》一文，作者觀察腦型患者3例，其中死亡一例，就得出“一般腦型病死率高達57％，本組腦型病死率較低，看來及早用肝素阻斷DIC過程，對降低腦型病死率可能具有重要意義”的結論。因無對照，結論不可靠。

（四）隨機分組與實驗設計類型

隨機化分組即每個實驗對象有同等機會被抽樣（分配）到各組去，而不受任何系統因素的影響。常用的實驗設計類型有完全隨機設計、自身對照設計、交義設計、配偶設計、隨機區組設計、拉丁方設計、正文（析因）設計、序貫設計、半數效量實驗設計（動物試驗），回顧性與前贍性調查研究設計等。科研設計時應根據研究目的要求選擇不同類型的實驗設計方法，進行相應的統計處理。

第2篇

概率分布（probabilitydistribution）是醫學統計學中多種統計分析方法的理論基礎。授課內容一般包括：二項分布、Possion分布、正態分布、t分布、F分布等。

借助概率分布常常可以幫助我們了解生命指標的特征、醫學現象的發生規律等等。例如，臨床檢驗中計量實驗室指標的參考值范圍就是依據正態分布和t分布的原理計算得到；許多醫學試驗的“陽性”結果服從二項分布，因此它被廣泛用于化學毒性的生物鑒定、樣本中某疾病陽性率的區間估計等；而一定人群中諸如遺傳缺陷、癌癥等發病率很低的非傳染性疾病患病數或死亡數的分布，單位面積（或容積）內細菌數的分布等都服從Poisson分布，我們就可以借助Poisson分布的原理定量地對上述現象進行研究。

在生物信息學中概率分布也有一定應用。例如，Poisson分布可以用于基因（蛋白質）序列的相似性分析。被研究者廣泛使用的分析工具BLAST(BasicLocalAlignmentSearchTool)能迅速將研究者提交的蛋白質（或DNA）數據與公開數據庫進行相似性序列比對。對于序列a和b，BLAST發現的高得分匹配區稱為HSPs。而HSP得分超過閾值t的概率P(H(a,b)>t)可以依據Poisson分布的性質計算得到。

二、假設檢驗

假設檢驗（hypothesis）是醫學統計學中統計推斷部分的重要內容。假設檢驗根據反證法和小概率原理，首先依據資料性質和所需解決的問題，建立檢驗假設；在假設該檢驗假設成立的前提下，采用適當的檢驗方法，根據樣本算得相應的檢驗統計量；最后，依據概率分布的特點和算得的檢驗統計量的大小來判斷是否支持所建立的檢驗假設，進而推斷總體上該假設是否成立。其基本方法包括：u檢驗、t檢驗、方差分析（ANOVA）和非參數檢驗方法。

假設檢驗為醫學研究提供了一種很好的由樣本推斷總體的方法。例如，隨機抽取某市一定年齡段中100名兒童，將其平均身高（樣本均數）與該年齡段兒童應有的標準平均身高（總體均數）做u檢驗，其檢驗結果可以幫助我們推斷出該市該年齡段兒童身高是否與標準身高一致，為了解該市該年齡段兒童的生長發育水平提供參考。又如，醫學中常常可以采用t檢驗、秩和檢驗比較兩種藥物的療效有無差別；用2檢驗比較不同治療方法的有效率是否相同等等。

這些假設檢驗的方法在生物實驗資料的分析前期應用較多，但由于研究目的和資料性質不同，一般會對某些方法進行適當調整和結合。

例如，基于基因芯片實驗數據尋找差異表達基因的問題。基因芯片（genechip）是近年來實驗分子生物學的技術突破之一，它允許研究者在一次實驗中獲得成千上萬條基因在設定實驗條件下的表達數據。為了從這海量的數據中尋找有意義的信息，在對基因表達數據進行分析的過程中，找到那些在若干實驗組中表達水平有明顯差異的基因是比較基礎和前期的方法。這些基因常常被稱為“差異表達基因”，或者“顯著性基因”。如果將不同實驗條件下某條基因表達水平的重復測量數據看作一個樣本，尋找差異表達基因的問題其實就可以采用假設檢驗方法加以解決。

如果表達數據服從正態分布，可以采用t-檢驗（或者方差分析）比較兩樣本（或多樣本）平均表達水平的差異。

但是，由于表達數據很難滿足正態性假定，目前常用的方法基于非參數檢驗的思想，并對其進行了改進。該方法分為兩步：首先，選擇一個統計量對基因排秩，用秩代替表達值本身；其次，為排秩統計量選擇一個判別值，在其之上的值判定為差異顯著。常用的排秩統計量有：任一特定基因在重復序列中表達水平M值的均值；考慮到基因在不同序列上變異程度的統計量，其中，s是M的標準差；以及用經驗Bayes方法修正后的t-統計量：，修正值a由M的方差s2的均數和標準差估計得到。三、一些高級統計方法在基因研究中的應用

（一）聚類分析

聚類分析（clusteringanalysis）是按照“物以類聚”的原則，根據聚類對象的某些性質與特征，運用統計分析的方法，將聚類對象比較相似或相近的歸并為同一類。使得各類內的差異相對較小，類與類間的差異相對較大1。聚類分析作為一種探索性的統計分析方法，其基本內容包括：相似性度量方法、系統聚類法（HierarchicalClustering）、K-means聚類法、SOM方法等。

聚類分析可以幫助我們解決醫學中諸如：人的體型分類，某種疾病從發生、發展到治愈不同階段的劃分，青少年生長發育分期的確定等問題。

近年來隨著基因表達譜數據的不斷積累，聚類分析已成為發掘基因信息的有效工具。在基因表達研究中，一項主要的任務是從基因表達數據中識別出基因的共同表達模式，由此將基因分成不同的種類，以便更為深入地了解其生物功能及關聯性。這種探索完全未知的數據特征的方法就是聚類分析，生物信息學中又稱為無監督的分析（UnsupervisedAnalysis）。常用方法是利用基因表達數據對基因（樣本）進行聚類，將具有相同表達模式的基因（樣本）聚為一類，根據聚類結果通過已知基因（樣本）的功能去認識那些未知功能的基因。對于基因表達數據而言，系統聚類法易于使用、應用廣泛，其結果——系統樹圖能提供一個可視化的數據結構，直觀具體，便于理解。而在幾種相似性的計算方法中，平均聯接法(AverageLinkageClustering)一般能給出較為合理的聚類結果2。

（二）判別分析

判別分析（discriminantanalysis）是根據觀測到的某些指標的數據對所研究的對象建立判別函數，并進行分類的一種多元統計分析方法。它與聚類分析都是研究分類問題，所不同的是判別分析是在已知分類的前提下，判定觀察對象的歸屬3。其基本方法包括：Fisher線性判別（FLD）、最鄰近分類法（k-NearestNeighborClassifiers）、分類樹算法（ClassificationTreeAlgorithm），人工神經網絡（ANNs）和支持向量機（SVMs）。

判別分析常用于臨床輔助鑒別診斷，計量診斷學就是以判別分析為主要基礎迅速發展起來的一門科學。如臨床醫生根據患者的主訴、體征及檢查結果作出診斷；根據各種癥狀的嚴重程度預測病人的預后或進行某些治療方法的療效評估；以及流行病學中某些疾病的早期預報，環境污染程度的堅定及環保措施、勞保措施的效果評估等。

在生物信息學針對基因的研究工作中，由于借助了精確的生物實驗，研究者通常能得到基因（樣本）的準確分類，如，基因的功能類、樣本歸結于疾病（正常）狀態等等。當利用了這些分類信息時，就可以采用判別分析的方法對基因進行分類，生物信息學中又稱為有監督的分析（SupervisedAnalysis）。例如，基因表達數據分析中，對于已經過濾的基因，前三種方法的應用較為簡單。而支持向量機（SVMs）和人工神經網絡（ANNs）是兩種較新，但很有應用前景的方法。

（三）相關分析

相關分析（correlationanalysis）是醫學統計學中研究兩變量間關系的重要方法。它借助相關系數來衡量兩變量之間的關系是否存在、關系的強弱，以及相互影響的方向。其基本內容包括：線性相關系數、秩相關系數、相關系數的檢驗、典型相關分析等。

我們常常可以借助相關分析判斷研究者所感興趣的兩個醫學現象之間是否存在聯系。例如，采用秩相關分析我們發現某種食物中黃曲霉毒素相對含量與肝癌死亡率間存在正相關關系；采用線性相關方法發現中年女性體重與血壓之間具有非常密切的正相關關系等等。

生物信息學中可以利用相關分析建立基因調控網絡。如果將兩個不同的基因在不同實驗條件下的表達看作是兩個變量，相關分析所研究的正是兩者之間的調控關系。如采用線性相關系數進行兩基因關系的分析時，其大小反應了基因調控關系的強弱，符號則反應了兩基因是協同關系（相關系數為正），還是抑制關系（相關系數為負）。

四、意義

生物信息學不僅是醫學統計學的研究前沿，更是醫學研究由宏觀向微觀拓展的重要領域，其研究內容已逐漸為多數醫學院校的學員了解和熟悉。而如何對新技術產生的生物實驗數據進行準確合理的分析，卻成為生物信息學研究的主要瓶頸之一。

在醫學統計學課堂教學中引入生物信息學實例，而不僅僅局限于常見的醫學、衛生領域的例子，將難以理解的統計理論和方法與前沿的生物實例相結合，拓寬了學員的視野，提高了學員的學習興趣，更可以加深對所學知識的理解；與此同時，使學員掌握了生物實驗數據的先進分析方法，擴大了學員的知識面，提高了他們今后開展醫學科研工作的能力。

第3篇

 

醫學統計學的教學應以提高研究生解決實際科研問題的能力為目標，使研究生形成正確的和嚴謹的統計學思維方法和技能，幫助醫學研究生在今后的科研工作中正確運用醫學統計學方法，順利完成研究生學業以及將來在工作中的科研任務。然而，筆者在教學實踐中發現有一些需要改進的問題。

 

一、研究生醫學統計學教學中遇到的主要問題

 

(一)研究生統計學基礎知識較為薄弱

 

雖然大部分學生在大學本科期間學習過統計學，但多數人僅學習過較簡單的統計學基礎知識，進入研究生階段醫學統計學學習后，學習比較吃力，并且由于總學時數的限制，教師在理論課的教學中對單個統計學方法的使用講解較多，而對一些研究生在完成學位論文期間或將來畢業后較為實用的統計學方法卻沒有時間講解，這就造成了研究生對學過的統計學方法一知半解，而將來可能用得上的統計學方法卻沒有學會。筆者在解答一些已經畢業參加工作的研究生的問題時，發現有些問題十分基礎，本應該在研究生學習階段掌握而沒有掌握。

 

(二)課題設計統計學缺陷較常見

 

目前，國內大部分高校研究生醫學統計學課程一般安排在研一上學期，而研究生應用統計學知識進行課題設計要到研究生二年級才啟動。許多研究生在課堂學習階段對統計學知識本來就沒有徹底學透，又要再經過一年多才進入課題設計有實驗研究，對學習過的統計學知識已經有一些遺忘，所以在進行課題設計時不能正確運用學過的相關知識，造成課題設計中有較多的統計學缺陷。而課題設計如果不正確，無法保證后續的研究結果的科學性和可信性。

 

(三)學位論文統計學錯誤普遍存在

 

國內外期刊對論文中的統計學方法要求都很高，因此研究生的科研論文需要正確運用統計學知識對研究數據進行分析、整理。但與此形成鮮明對比的是，很多研究生不能把學習過的統計學知識正確運用到研究論文中。尤其是學習臨床專業的醫學研究生，很多研究資料和數據來源于人群研究，涉及樣本量、對照組的選擇等基本的統計學常識，這些基礎性錯誤卻在研究生的論文中大量存在。這些問題與現在對高素質人才的培養已經不相適應，需要加以改進。

 

二、對策與建議

 

(一)強化課堂教學，鞏固醫學統計學知識基礎

 

鞏固基本統計方法和知識是醫學統計學的基礎，通過課堂教學，使學生掌握基本的統計方法原理、計算過程和結果解釋。在教學中既要注重基本原理和基本概念的講解，使研究生切實掌握基本的統計學知識，在論文寫作中不出現低級的統計學錯誤。在此基礎上，老師在課堂上應該由簡到繁，深入淺出，逐步增加難度和深度，講解一些研究生在學習階段和將來工作中有用的、較為高級的統計學方法。目前，科學技術更新速度很快，同樣統計學的重要工具——統計軟件也更新很快，因此，老師要及時更新自己的知識，并向學生介紹最新、最先進的統計方法和軟件。

 

(二)注重學用銜接，提升研究生課題設計的科學性

 

研究生的課題設計是科學研究成敗的關鍵之一，教師在教學過程中要向學生強調其重要性，讓學生帶著課題設計中的問題進入課程學習，讓學生結合自己的專業，做好論文前期的準備工作，完成科研選題，為畢業論文開題做好準備。要指出課題設計中應當注意的統計學問題，如樣本量、對照組選擇等，使學生意識到統計學的基本知識是保證自己課題設計科學性的關鍵，在今后的課題設計中自覺以正確的統計學方法作為指導，從而保證課題設計的科學性，為其成長為高層次的醫學科研人才打下良好的基礎。

 

(三)采用實例分析，減少研究論文中的統計學錯誤

 

在課堂上以一些已經發表的高水平論文為例，詳細講解醫學統計學方法的具體應用，使研究生在撰寫論文時，減少論文中的統計學錯誤，減少文章因為統計學問題而被拒稿;教師在課堂上也可以用一些已經發表的、但是有明顯統計學錯誤的論文作為反面教材，給學生進行分析、講解，使學生從正反兩個方面知道避免論文中的統計學錯誤的重要性。另外，要注意提醒學生，在數據處理和論文撰寫過程中，運用統計學方法時要注意其使用條件，切不可誤用，對審稿人指出的統計學錯誤要認真進行修改或答復。