2.3. Статистический анализ

    Статистическая обработка полученных результатов, построение графиков и диаграмм производилась с помощью пакета прикладных программ SPSS Statistics 17.0. Оценка нормальности распределения каждой выборки осуществлялась с помощью непараметрического критерия Колмогорова-Смирнова. В случае нормального распределения признака описательная статистика имела вид среднее (± стандартное отклонение), в случае применения смешанной линейной модели указаны оцененные маргинальные средние (ОМС) и доверительный интервал (ДИ) для среднего.

    В исследованиях встречаются два варианта статистической обработки офтальмологических данных: в первом случае объектом изучения является пациент и учитывается либо случайно выбранный глаз пациента, либо усредненное значение между парными глазами; во втором случае принимаются показатели парных глаз как объекты исследования. Применение продвинутых регрессионных методов статистики с поправкой на корреляцию между парными глазами позволяет максимально использовать полученный в результате исследования клинический материал [52, 69]. В немногих отечественных работах, посвященных качеству статистической обработки результатов офтальмологических исследований, также есть указание на возможность учета корреляции между парными глазами и, таким образом, использования всего полученного клинического материала [6]. Поэтому в данной работе объектом как поперечного, так и проспективного исследования принят глаз пациента с поправкой на корреляцию между ними.

    Для ориентировочного сравнения групп применен традиционный t-критерий Стьюдента, предварительно для сравнения трех групп использован однофакторный дисперсионный анализ (ANOVA). Кроме этого построена линейная смешанная модель. Выбор этого метода статистической обработки обусловлен многофакторностью, возможностью включения парных наблюдений, нечувствительностью к пропущенным данным, к разному количеству наблюдений в исследуемых группах, толерантностью к малым выборкам [4, 59, 69]. Для оценки предсказательной способности исследуемых параметров по отношению к диагнозам БА и МКС применялась бинарная логистическая регрессия, для наилучших параметров построены характеристические кривые (ROC), рассчитана площадь под характеристической кривой, которая считается параметром, наилучшим образом характеризующим качество биомаркера [115].

    На графике ROC – кривой выбрана так называемая точка отсечения: ближайшая к левому верхнему углу графика точка, которая соответствует значению биомаркера при «оптимальном» соотношении чувствительности и специфичности. Однако исследователь имеет возможность выбирать эту точку, а соответственно и соотношение чувствительности специфичности на графике в зависимости от поставленных целей [124]. При выборе оптимальных чувствительности и специфичности исходили из целей биомаркера. А именно, в случае офтальмологического биомаркера БА и МКС, цель его на данном этапе изучения этого вопроса позволить офтальмологу заподозрить когнитивные нарушения и отправить на дообследование к специалисту, то есть психиатру. Учитывая, что данное подозрение не влечет за собой психологической травмы пациента, дорогостоящего лечения или иных последствий, правомочно переместить баланс «чувствительность – специфичность» в сторону чувствительности, допуская некую гипердиагностику когнитивных нарушений за счет невысокой специфичности. Еще одной характеристикой информативности биомаркера по отношению к диагнозу была выбрана прогностичность положительного результата, величина которой зависит и от частоты встречаемости патологии в популяции. Данный параметр показывает долю действительно страдающих заболеванием, среди людей с «положительными» результатами биомаркера [51, 126].