Çoğu zaman istatistik deyince bilimsel araştırma okurları için "istatistiksel anlamlı ya da anlamsız sonuç" ifadesi aranan cümledir. Halbuki istatistik bize sayılardan çok daha fazlasını söyler ve doğru analiz yapılmadığı takdirde hatalı yorumlamaya oldukça müsaittir.
Her şeyden önce tip 1 hatanın, nam-ı diğer 'p'' değerinin sonucu doğrudan hedef olmayıp analizin önceki basamaklarının da çok şey ifade ettiğini birkaç örnek ile inceleyelim.
Bir yoğun bakım ünitesinde 10 hasta yatıyor olsun. Bu 10 hastanin 7'si daha önce aşı olan, 3'ü daha önce aşı olmayan bireyler olsun. Biz bu bilgilere dayanarak yoğun bakımda yatan bireylerin %70'inin aşılı %30'unun aşısız olduğunu söyleyebiliriz. Ancak yorumlarken aşı olanlar daha çok yoğun bakıma giriyor demek doğru mudur? Hadi tartışalım.
Aslında elimizdeki veriler ile yoğun bakımdakilerin çoğunun aşılı olduğu ortada; ancak aşı olanlar / aşı olmayanlardan daha fazla yoğun bakıma giriyor diyemeyiz. Çünkü bu yorumu yapabilmemiz için aşı olan ve olmayan bireylerin toplam sayısını bilmemiz gerekiyor. Nasıl mı?
Toplumun nüfusunun 110 olduğunu düşünelim. Elimizdeki verilerde 100 kişinin aşı olduğu, 10 kişinin aşı olmadığı verisine ulaşırsak, oranlar aslında şöyle görünecektir: Aşı olanların %7'si (7/100) yoğun bakıma girmişken aşı olmayanların %30'u (3/10) yoğun bakıma girmiş. Şimdi sonuç itibariyle %7 vs %30 olacak şekilde aşı olmayanların, aşı olanlara kıyasla yoğun bakıma daha fazla girdiğini söyleyebiliriz.
Tüm bu örneği anlatma nedenim sayıların nasıl yanlış ve tehlikeli yorumlara neden olabileceğini göstermekti. Sayılar yalan söylemez. Doğru! Ancak hipotez ve bulgular iyi tahlil edilmediği zaman yanlış yorumlar ortaya çıkabilir.
Bilimsel araştırmalarda veri toplanmadan önce güç analizi yapılır. Bu da istatistiksel anlamlılığın klinik anlamlılıkla uyumlu bir sonuca ulaşması için olmazsa olmazlardan biridir. Teknik alt yapısını yine bir örnek üzerinden inceleyelim.
3264 kadın basketbol oyuncusu ile 3426 erkek basketbol oyuncusunun boylarını karşılaştıracak olursak. Elimizdeki verilere göre kadınların boy ortalaması 192,1 +/- 5,4 cm ve erkeklerin ortalaması 193,5 +/- 6,1 cm olduğunda p değeri <0,001, yani güçlü derecede istatistiksel anlamlı fark göstermektedir. Bu analizde veri sayısının çokluğundan dolayı 1 cm'lik fark anlamlı çıkmıştır. Bu örnekte analiz yapmadan önce ideal örneklem sayısının önemine dikkat edelim.
Bir başka örnekte de etki büyüklüğünün önemine değinelim. Potasyum'un kandaki degeri 5 civarındadır. Bu değer 2 birim arttığında ciddi kardiyak problemler ortaya çıkabilir. Ancak CRP değerinin (referans <5) 200 birim olmasıyla 300 birim olması arasında anlamlı bir klinik fark olmayabilir. Bu örnekte de bir değer için 2 birimin bir başka değer için 100 birim farka kıyasla daha anlamlı olabileceğine dikkat edelim. Bu nedenle analiz öncesi güç analizi yapılırken etki büyüklüğü dikkatle değerlendirilmelidir.
Sevgili okuyucular! Bu yazıda bahsetmek istediğim ana tema istatistiksel anlamlılığın her zaman klinik anlamlılığı göstermediği ve istatistiksel analiz basamaklarındaki herhangi bir dikkatsizliğin yanlış neticelere varabileceğidir. Temel terimlerle vurgulamak istediğim bu kritik noktalar, ileri düzey istatistiklerde çok daha fazla detayın denkleme girmesiyle daha karmaşık bir hal alabilir. Bu nedenle bilimsel makale okurken, yorumlarken ve yazarken klinik bakışı her zaman ön planda tutmak, bulgulara şüpheyle yaklaşmak ve ince eleyip sık dokumak bilimsel hatadan kaçınmak için faydalı olacaktır. Umarım faydalı bir içerik olmuştur. Esen kalın.