Statistical analysisUnivariate diff

Statistical analysis
Univariate differences in cost were compared using nonparametric tests (Wilcoxon rank-sum test or Kruskal– Wallis test). To assess the multivariate association between cost and postoperative complications, loss of independence and hospital mortality, we performed a multiple linear regression, controlling for age, ASA, OS and FI-CGA. These factors have been associated with health care costs in previous research.4,20–24 Even after truncating the data, the data continued to be right-skewed. The cost data were logarithmically transformed to adjust for the skewness. Log-transforming the data improved the fit diagnostics of the models, demonstrated by more homogeneous, random residuals plots. Additionally, the R2 value of the cost model increased from 0.3554 to 0.5735 with log-transformation of cost data, indicating better fit to the regression line. We calculated adjusted median costs by exponentiating the least squares means of the logtransformed total costs using general linear models. The increase in cost associated with each level of an ordinal factor was calculated by exponentiating the β coefficient (e.g., x unit increase in complication severity results in exp [coefficient] increase in cost).19,25 We calculated the costs attributable to adverse events (most severe postoperative complication, hospital mortality and loss of independence) using a regression-based approach.26

ผลลัพธ์ (ไทย) 1:

การวิเคราะห์ทางสถิติไร Univariate ความแตกต่างในค่าใช้จ่ายถูกเมื่อเทียบกับการใช้ nonparametric การทดสอบ (ทดสอบผลรวมลำดับที่ของ Wilcoxon หรือ Kruskal – ทดสอบ) เพื่อประเมินความสัมพันธ์ของตัวแปรพหุระหว่างต้นทุนและภาวะแทรกซ้อนหลังผ่าตัด สูญเสียเอกราชและโรงพยาบาลตาย เราทำการถดถอยเชิงเส้นหลาย ควบคุมสำหรับอายุ ASA, OS และเน็ต CGA ปัจจัยเหล่านี้ได้เชื่อมโยงกับค่าใช้จ่ายสุขภาพใน research.4,20–24 ก่อนหน้านี้แม้หลังจากตัดทอนข้อมูล ข้อมูลยังคงเป็นเบ้ขวา ข้อมูลต้นทุนได้เปลี่ยนรูปในเชิงลอการิทึมกลายการปรับที่ความเบ้ แปลงข้อมูลบันทึกการวินิจฉัยพอดีของรูปแบบ แสดงให้เห็น โดยแปลงเหลือเหมือนมาก สุ่มขึ้น นอกจากนี้ ค่า R2 ของแบบจำลองต้นทุนเพิ่มขึ้นจาก 0.3554 เพื่อ 0.5735 กับบันทึกการเปลี่ยนแปลงของข้อมูลต้นทุน การแสดงพอดีกับเส้นถดถอยดีกว่า เราสามารถคำนวณต้นทุนเฉลี่ยที่ปรับปรุง โดย exponentiating หมายถึงกำลังสองน้อยสุดของต้นทุนรวมของ logtransformed โดยใช้รูปแบบเชิงเส้นทั่วไป การเพิ่มขึ้นของต้นทุนที่เกี่ยวข้องกับแต่ละระดับของปัจจัยลำดับการคำนวณ โดย.19,25 exponentiating βสัมประสิทธิ์ (เช่น x หน่วยเพิ่มขึ้นในภาวะแทรกซ้อนรุนแรงผล exp [ค่าสัมประสิทธิ์] เพิ่มในต้นทุน) เราคำนวณต้นทุนนของเหตุการณ์ไม่พึงประสงค์ (อาการแทรกซ้อนหลังผ่าตัดที่รุนแรงมากที่สุด โรงพยาบาลตาย และเสียเอกราช) โดยใช้การถดถอยตาม approach.26

ผลลัพธ์ (ไทย) 3:

สถิติที่ใช้ในการวิเคราะห์ข้อมูลความแตกต่างของต้นทุนการรักษาเปรียบเทียบการทดสอบนอนพาราเมตริก ( Wilcoxon rank sum หรือ Kruskal Wallis test ( ทดสอบ ) เพื่อประเมินความสัมพันธ์หลายตัวแปรระหว่างต้นทุนและภาวะแทรกซ้อนหลังผ่าตัด สูญเสียเอกราชและอัตราการตายในโรงพยาบาล เราก็แสดงเป็นสมการถดถอยพหุคูณ การควบคุมสำหรับอายุ , อาสา , OS และ fi-cga . ปัจจัยที่มีความสัมพันธ์กับการดูแลสุขภาพค่าใช้จ่ายในงานวิจัยก่อนหน้า 4,20 – 24 หลังจากตัดข้อมูล ข้อมูลยังคงถูกเอียง ข้อมูลค่าใช้จ่าย logarithmically เปลี่ยนปรับระดับความเบ้ . เข้าสู่ระบบเปลี่ยนข้อมูลปรับปรุงพอดีกับการวินิจฉัยของแบบจำลองที่แสดงโดยเป็นเนื้อเดียวกันมากขึ้น ค่าคลาดเคลื่อนสุ่มแปลง นอกจากนี้ , R2 ค่าของแบบจำลองต้นทุนเพิ่มขึ้นจาก 0.3554 เพื่อ 0.5735 กับบันทึกการแปลงข้อมูลต้นทุน ซึ่งดีกว่าพอดีกับเส้นถดถอย . เราคำนวณต้นทุนโดยเฉลี่ยปรับ exponentiating สี่เหลี่ยมก็แสดงว่าของ logtransformed ค่าใช้จ่ายรวมโดยใช้ตัวแบบเชิงเส้นทั่วไป เพิ่มขึ้นในค่าใช้จ่ายที่เกี่ยวข้องกับระดับของปัจจัยแต่ละอันดับได้คำนวณสัมประสิทธิ์บีตา exponentiating ที่ ( เช่น x หน่วยเพิ่มภาวะแทรกซ้อนรุนแรงส่งผล exp [ 1 ] เพิ่มต้นทุน ) 19,25 เราคำนวณต้นทุนจากเหตุการณ์ไม่พึงประสงค์ ( อัตราการตายในโรงพยาบาลหลังผ่าตัด ภาวะแทรกซ้อนที่รุนแรงที่สุด และการสูญเสียเอกราช ) โดยใช้การถดถอย ตาม approach.26