|
Moments incohérents auxquels les mesures sont prises |
La corrélation entre les mesures prises à différents moments devient moins significative |
Une mesure de la fonctionnalité des membres peut être obtenue de POD1 à POD7, mais une mesure de la douleur postopératoire ne peut être obtenue que jusqu'à POD1. |
|
Mauvaises mesures obtenues |
Les analyses sont beaucoup moins significatives |
En utilisant l'exemple directement ci-dessus, il pourrait être plus significatif non seulement d'obtenir la douleur postopératoire via le POD7 - mais d'obtenir la douleur avec un (spécifié) activité plutôt que la douleur au repos à mettre en relation avec la fonctionnalité. |
|
Demander aux patients de faire des calculs |
Les patients ont leurs propres problèmes post-chirurgicaux et autres à s'inquiéter, d'où la fiabilité et la validité de leurs réponses sont limitées |
Tout comme on ne demanderait pas aux patients de calculer leur propre IMC, on ne devrait pas leur demander de faire de la « calisthénie mentale », par exemple : « Comparativement à il y a une semaine, comment évaluez-vous votre douleur actuelle ? » |
|
Collecte de données qui ne figurent pas dans un « dictionnaire de données » |
Cela peut dérouter le statisticien ou l'analyste de données qui peut alors exécuter des analyses inappropriées |
Un analyste de données peut ne pas savoir que le kétorolac n'est administré par voie intraveineuse que dans certains hôpitaux (donc uniquement aux patients hospitalisés). Ici, le kétorolac ne serait pas inclus avec d'autres médicaments pour la gestion de la douleur après le congé. |
|
Valeurs manquantes |
Les tests statistiques et les estimations d'effet sont moins précis et peuvent même être biaisés. Les statisticiens et les analystes de données sont réticents à imputer des valeurs lorsqu'il manque plus de, disons, 5 à 10 %. |
Les données de suivi peuvent ne pas être collectées complètement – que ce soit par les assistants de recherche ou par les sujets eux-mêmes. Ainsi, il peut être difficile, voire impossible, de résumer les scores totaux d'un instrument. Quand il est connu a priori que des données spécifiques sont susceptibles d'être manquantes, les statisticiens peuvent inscrire les méthodes d'imputation des données dans le plan d'analyse statistique (PAS). |
|
Cyber reconnaissance v variables catégorielles |
Utilisation du paramétrique v analyses non paramétriques |
Le résumé modifié q5 demande "Au cours des dernières 24 heures, quel soulagement les traitements anti-douleur des médicaments ont-ils apporté ?" Les réponses sont disponibles pour que le patient encercle de 0 % (pas de soulagement) à 100 % (soulagement complet) par tranches de 10 %. Strictement parlant, il ne s'agit pas d'une variable continue (par exemple, les patients ne répondent pas/ne peuvent pas répondre avec 69 %, etc.), mais cette variable est probablement analysée comme continue. Une meilleure idée est probablement de catégoriser la variable comme < 50 % v ≥ 50 % de soulagement. |
|
Pièces Détachées v entiers |
Les analyses pourraient très bien être à double dipping (similaire à des comparaisons multiples) |
L'OBAS q7 demande « Etes-vous satisfait de votre traitement contre la douleur au cours des dernières 24 heures (0=pas du tout à 4=beaucoup) ? » Par conséquent, il serait tentant d'utiliser cet élément pour obtenir la « satisfaction à l'égard des soins anesthésiques ». Cependant, le score total OBAS est un résumé des 7 éléments dérivés par un algorithme particulier, donc en utilisant tous les deux OBAS q7 et le score total OBAS en tant qu'analyses séparées équivalent à une duplicité. |
