Elk jaar worden duizenden medische manuscripten afgewezen. Een van de meest voorkomende opmerkingen van reviewers luidt:
"De keuze van statistische methoden is ongepast, wat de betrouwbaarheid van de conclusies ondermijnt."
Achter die zin schuilen meestal drie zeer specifieke fouten.
Fout 1: Scheve data rapporteren met Gemiddelde ± SD
Hebt u ooit zoiets geschreven?
"De ziekenhuisopnameduur was 8,3 ± 12,7 dagen."
Gemiddelde 8,3, standaarddeviatie 12,7. De SD is groter dan het gemiddelde — wat bijna altijd wijst op een rechtsscheve verdeling.
Opnameduur, medische kosten, overlevingstijd — deze variabelen hebben een natuurlijke ondergrens van nul en een lange rechterstaart. Ze beschrijven met een gemiddelde is als het gemiddelde inkomen beschrijven in een klas waar de helft van de studenten naast een miljardair zat: technisch accuraat, volledig misleidend.
Wat u in plaats daarvan kunt doen:
- Rapporteer als Mediaan (IQR) in plaats van Gemiddelde ± SD
- Vervang t-toetsen door Mann-Whitney U (twee groepen) of Kruskal-Wallis (meerdere groepen)
Veel onderzoekers kennen deze regel in theorie. Maar wanneer ze een algemene AI om hulp vragen bij de analyse, geeft de AI standaard gemiddelde ± SD en t-toetsen zonder ooit naar de gegevensverdeling te vragen.
Fout 2: Meervoudige vergelijkingen uitvoeren zonder correctie
U vergelijkt vier behandelingsarmen met zes paarsgewijze toetsen, elk met p < 0,05 als drempelwaarde.
Het probleem: met zes toetsen overschrijdt de kans op minstens één vals-positief resultaat de 26%.
Dit is het Probleem van Meervoudige Vergelijkingen. Elke toets is een muntgooiing voor een vals-positief resultaat. Hoe meer toetsen u uitvoert, hoe groter de kans dat u iets vindt dat niet echt is.
Ervaren reviewers herkennen dit onmiddellijk. Het is een van de voornaamste redenen waarom manuscripten worden teruggestuurd voor grote revisie.
Wat u in plaats daarvan kunt doen:
- Gebruik Bonferroni-correctie (conservatief; goed voor bevestigend onderzoek)
- Of FDR-correctie (Benjamini-Hochberg) (hogere statistische power; beter voor ontdekkend onderzoek)
Fout 3: Stapsgewijze regressie gebruiken voor variabelenselectie
"Ik heb stapsgewijze regressie gebruikt om te selecteren welke variabelen in het definitieve model kwamen."
Deze zin is al decennia een waarschuwingssignaal voor statistische reviewers.
De problemen met stapsgewijze regressie:
- Instabiele resultaten — wissel van steekproef en de geselecteerde variabelen kunnen volledig anders zijn
- Vertekende p-waarden — na meerdere filterrondes kunnen de p-waarden in het definitieve model niet meer correct worden geïnterpreteerd
- Overfitting — het model presteert goed op uw data maar generaliseert slecht naar nieuwe patiënten
Deze methode werd populair in de jaren zeventig vanwege computationele beperkingen. Die beperkingen zijn verdwenen. De tekortkomingen van de methode blijven.
Wat u in plaats daarvan kunt doen:
- LASSO-regressie (L1-regularisatie; verkleint automatisch onbelangrijke coëfficiënten naar nul)
- Elastic Net (combineert LASSO en Ridge; gaat beter om met multicollineariteit)
- Of baseer de variabelenselectie op voorafgaande klinische kennis, niet op datagestuurde automatisering
Waarom AI deze fouten niet kan opsporen zonder regels
Vraag ChatGPT "help me statistische methoden te kiezen" en u ontvangt typisch:
- Een lijst met methoden die er redelijk uitziet
- Gekwalificeerd met zinnen als "afhankelijk van uw data" of "gewoonlijk aanbevolen"
Wat u niet krijgt: een AI die vraagt of uw data scheef verdeeld zijn, controleert of u meervoudige vergelijkingen uitvoert, of weigert stapsgewijze regressie aan te bevelen.
Deze controles vereisen expliciete regels — het soort dat een senior biostatisticus automatisch doorloopt bij het beoordelen van een methodensectie.
Onze Statistical Method Advisor codeert deze regels rechtstreeks in de AI-tool:
- Detecteert scheve data → beveelt standaard niet-parametrische methoden aan
- Markeert meervoudige vergelijkingen → vraagt om correctiestrategie
- Verbiedt stapsgewijze regressie → verwijst door naar LASSO of Elastic Net
Vul uw datakeschrijving in. Ontvang een statistisch plan dat reviewers niet zullen terugsturen.
Snelreferentie
| Fout | Correct alternatief |
|---|---|
| Gemiddelde ± SD voor scheve data | Mediaan (IQR) |
| Meervoudige vergelijkingen zonder correctie | Bonferroni of FDR |
| Stapsgewijze regressie | LASSO / Elastic Net |
Statistische methoden zijn niet gecompliceerd — maar elke regel in gedachten houden onder deadlinedruk wel. Een gespecialiseerde AI-onderzoekstool automatiseert die checklist voor u.
Gebruik de Statistical Method Advisor → · Bekijk alle onderzoeksoplossingen →