Tıbbi istatistik ve biyoistatistik, sağlık bilimlerinde üretilen bilginin güvenilir, yorumlanabilir ve klinik açıdan anlamlı hale gelmesini sağlayan temel metodolojik alanlardır. Modern klinik araştırmaların, epidemiyolojik çalışmaların, halk sağlığı analizlerinin ve sağlık hizmetleri değerlendirmelerinin merkezinde istatistiksel düşünme yer alır. Nitekim biyostatistiğin modern tıp araştırmalarının çekirdeğinde yer aldığı ve epidemiyoloji ile sağlık hizmetleri araştırmaları gibi alanları doğrudan beslediği vurgulanmaktadır.
Bu alan yalnızca “veri analizi yapmak” ile sınırlı değildir. Araştırma sorusunun kurulması, örneklem planı, değişken tanımı, sonlanım ölçütlerinin seçimi, veri toplama araçlarının niteliği, analiz yönteminin belirlenmesi, bulguların yorumlanması ve raporlanması aynı bütünün parçalarıdır. FDA’nın klinik araştırmalar için istatistik ilkelerine ilişkin kılavuzları da istatistiksel metodolojinin klinik çalışmaların tasarımı, yürütülmesi ve yorumlanması açısından merkezi rolünü açık biçimde ortaya koyar.
Bu yazıda tıbbi istatistik ve biyoistatistik alanını, en çok sorulan sorular üzerinden, farklı disiplinlerden örneklerle ele alacağım.
Tıbbi istatistik ile biyoistatistik aynı şey midir?
Gündelik kullanımda çoğu zaman birbirinin yerine kullanılır; ancak tam olarak aynı değildir. Biyoistatistik daha geniş bir çerçevedir ve biyoloji, tıp, halk sağlığı, epidemiyoloji, genetik, çevre sağlığı ve sağlık hizmetleri araştırmaları dahil olmak üzere yaşam bilimleri alanında istatistik yöntemlerinin geliştirilmesi ve uygulanmasını kapsar. Tıbbi istatistik ise daha çok klinik tıp, tanı, tedavi, prognoz, hasta sonuçları ve sağlıkla ilgili araştırma verilerinin analizi üzerinde yoğunlaşır. Biyoistatistiğin tıbbi araştırma alanında yöntem geliştirme, uygulama ve yorumlama işlevi üstlendiği özellikle belirtilmektedir.
Başka bir ifadeyle, her tıbbi istatistik uygulaması biyostatistiğin bir parçası olarak görülebilir; ancak biyoistatistik yalnızca klinik tıpla sınırlı değildir. Örneğin bir halk sağlığı araştırmasında obezite prevalansının bölgelere göre değişimini incelemek biyostatistiğin alanına girer; bir onkoloji çalışmasında sağkalım analizi yapmak ise daha dar anlamda tıbbi istatistik örneğidir.
Tıbbi istatistik neden bu kadar önemlidir?
Çünkü sağlık alanında kararlar çoğu zaman sayıların diliyle verilir. Bir tedavi etkili mi, iki yöntem arasında fark var mı, bir risk faktörü gerçekten anlamlı mı, bir testin duyarlılığı yeterli mi, bir müdahale sonrası sonuçlar klinik olarak iyileşmiş mi sorularının güvenilir cevabı ancak uygun istatistiksel çerçeve ile verilebilir. Klinik araştırmalarda istatistiğin kanıta dayalı uygulamanın temellerinden biri olduğu ve yeni araştırmaların yürütülmesi ile yorumlanmasında anahtar rol oynadığı vurgulanmıştır.
Buradaki kritik nokta şudur: İstatistik yalnızca “sonuç üretmek” için değil, yanıltıcı sonuçlardan kaçınmak için de gereklidir. Yetersiz örneklem, uygunsuz test seçimi, yanlış sonlanım tanımı veya bağlamdan kopuk yorumlama, klinik uygulamada hatalı çıkarımlara yol açabilir. FDA’nın klinik deneylere ilişkin istatistik ilkeleri ve genel klinik çalışma kılavuzları, araştırma kalitesinin baştan planlanması gerektiğini vurgular.
Biyoistatistik yalnızca analiz aşamasında mı devreye girer?
Hayır. Bu, en yaygın yanlış anlamalardan biridir. Biyoistatistik araştırmanın sonunda devreye giren bir “teknik servis” değildir; araştırmanın daha en başında yer almalıdır. Araştırma sorusunun ölçülebilir hale getirilmesi, primer ve sekonder sonlanımların ayrılması, örneklem büyüklüğü hesabı, körleme ve randomizasyon düzeni, veri toplama zamanlarının planlanması gibi kararlar istatistiksel düşünmeden bağımsız verilemez. Klinik çalışma tasarımında primer, sekonder ve keşifsel sonlanımların ayrımının kritik olduğu özellikle vurgulanmaktadır.
Örneğin bir kardiyoloji araştırmasında primer sonlanımı önceden netleştirmeden çok sayıda değişken toplamak, analiz aşamasında ciddi yorum karmaşası yaratabilir. Aynı şekilde bir hemşirelik tezinde örneklem hesabı yapılmadan veri toplamaya başlamak, çalışmanın istatistiksel gücünü baştan zayıflatabilir. Bu nedenle doğru yaklaşım “veriyi toplayayım, sonra bakarız” değil; “önce neyi nasıl ölçeceğimi ve nasıl analiz edeceğimi planlayayım” olmalıdır.
Tıbbi istatistik hangi araştırmalarda kullanılır?
Neredeyse sağlık alanındaki bütün nicel çalışmalarda kullanılır. Klinik deneyler, kohort araştırmaları, vaka-kontrol çalışmaları, kesitsel prevalans çalışmaları, tanısal doğruluk araştırmaları, prognoz çalışmaları, sağkalım analizleri, meta-analizler, kalite iyileştirme projeleri ve sağlık hizmetleri araştırmaları bunun içindedir. STROBE, gözlemsel araştırmaların üç ana tipini kohort, vaka-kontrol ve kesitsel çalışmalar olarak tanımlar; CONSORT ise randomize kontrollü çalışmaların raporlanmasına yönelik standart çerçeve sunar.
Örneğin:
Klinik tıpta iki antihipertansif ilacın kan basıncı düşürücü etkisini karşılaştırmak için istatistik gerekir.
Diş hekimliğinde iki restoratif materyalin başarısını karşılaştırmak için istatistik gerekir.
Halk sağlığında çocukluk çağı obezite oranlarının sosyoekonomik düzeye göre değişimini incelemek için istatistik gerekir.
Psikiyatride depresyon ölçeği puanlarının tedavi öncesi ve sonrası değişimini göstermek için istatistik gerekir.
Eczacılıkta biyoeşdeğerlik çalışmalarında farmakokinetik parametrelerin karşılaştırılması için istatistik gerekir.
Biyoistatistikte en temel kavramlar nelerdir?
Araştırmacının ilk aşamada anlaması gereken kavramlar; evren, örneklem, değişken, sonlanım, hipotez, hata türleri, dağılım, güven aralığı, etki büyüklüğü, p-değeri, yanlılık ve karıştırıcı değişkendir. Bu kavramlar yalnızca teknik terimler değil, araştırma mantığının temel taşlarıdır.
Evren, sonuçlarını genellemek istediğiniz topluluğu ifade eder. Örneklem, bu evrenden çalışmaya dahil ettiğiniz gruptur. Sonlanım ölçütü, araştırmanın odaklandığı ana sonuç değişkenidir. Güven aralığı, tahminin belirsizliğini gösterir. Etki büyüklüğü, bulgunun pratik önemine yaklaşmamızı sağlar. P-değeri ise verinin, belirli bir model altında ne kadar uyumsuz göründüğüne ilişkin bilgi verir; ama sonucu tek başına anlamlı kılmaz. ASA’nın açıklamasında p-değerinin bir model bağlamında verinin uyumsuzluğunu gösterebildiği, ancak hipotezin doğru olasılığını ya da sonucun önemini tek başına vermediği açıkça ifade edilir.
P-değeri neden bu kadar yanlış anlaşılıyor?
Çünkü çoğu zaman p<0,05 çıktığında araştırmacılar otomatik olarak “kanıtlandı” gibi düşünür. Oysa p-değeri, bir model ve sıfır hipotezi bağlamında gözlenen verinin ne kadar beklenmedik olduğunu gösterir; klinik önem, nedensellik veya sonucun mutlak doğruluğu hakkında tek başına karar vermez. ASA’nın 2016 bildirisi, p-değerinin sıfır hipotezinin doğru olasılığı olmadığını ve bilimsel sonuçların yalnızca tek bir eşik değere indirgenemeyeceğini özellikle vurgular.
Örneğin 5.000 kişilik bir veri setinde çok küçük ama klinik olarak anlamsız bir fark p<0,05 verebilir. Buna karşılık küçük örneklemli ama klinik açıdan önemli bir etki, istatistiksel anlamlılık eşiğini geçemeyebilir. Bu yüzden p-değeri her zaman güven aralığı, etki büyüklüğü, çalışma tasarımı ve klinik bağlamla birlikte okunmalıdır. NCBI StatPearls içeriğinde de istatistiksel sonuçların otomatik olarak klinik önemi belirlemediği açıkça vurgulanmaktadır.
Güven aralığı neden p-değerinden daha öğretici olabilir?
Çünkü güven aralığı yalnızca “anlamlı mı değil mi” sorusunu değil, etkinin büyüklüğünü ve belirsizlik sınırlarını gösterir. Bu, özellikle klinik yorum açısından çok değerlidir. Bir tedavinin etkisi istatistiksel olarak anlamlı olabilir; ancak güven aralığı çok genişse tahmin kararsız olabilir. Dar güven aralığı ise sonucun daha istikrarlı olduğuna işaret eder.
Örneğin bir cerrahi tekniğin komplikasyon riskini azalttığı düşünülüyorsa, sadece p-değerine değil, risk oranının ve güven aralığının ne söylediğine bakmak gerekir. Bu yaklaşım araştırmacıyı ikili “vardır-yoktur” mantığından çıkarıp daha nüanslı düşünmeye zorlar. ASA ve NCBI kaynaklarının birlikte verdiği çerçeve de tam olarak bunu destekler.
Örneklem büyüklüğü neden araştırmanın kaderini belirler?
Çünkü örneklem büyüklüğü doğrudan istatistiksel güçle ilişkilidir. Yetersiz örneklem gerçek bir farkı gösteremeyebilir; aşırı büyük örneklem ise çok küçük farkları aşırı önemliymiş gibi gösterebilir. Bu nedenle örneklem hesabı, etik açıdan da metodolojik açıdan da kritik bir adımdır. FDA’nın klinik çalışma kılavuzları ve istatistik ilkeleri, çalışma kalitesinin baştan planlanması gerektiğini vurgularken, bu vurgu örneklem planlamasını da kapsar.
Örneğin ortopedide yeni bir implant tasarımını değerlendiren çalışmada yalnızca 12 hastalık örneklemle güçlü sonuç iddia etmek zayıf kalabilir. Buna karşılık toplum temelli bir prevalans araştırmasında birkaç bin kişi gerekebilir. Her araştırmanın ihtiyacı aynı değildir; örneklem hesabı araştırma sorusu, beklenen etki, varyans ve hata düzeyine göre yapılmalıdır.
Klinik araştırmalarda randomizasyon ve körleme neden önemlidir?
Çünkü yanlılığı azaltır. Randomizasyon, gruplar arasındaki bilinen ve bilinmeyen farkların dengelenmesine yardım eder. Körleme ise ölçüm, uygulama ve yorumlama aşamasındaki önyargıyı azaltabilir. CONSORT’un randomize çalışmalar için raporlama standardı geliştirmesi, bu öğelerin araştırma kalitesi açısından ne kadar merkezi olduğunun göstergesidir. CONSORT 2025 açıklamasına göre randomize çalışmaların raporlanmasında tasarım, analiz ve yorumun standart şekilde sunulması beklenmektedir.
Bir ilaç çalışmasında randomizasyon yoksa, gözlenen fark ilacın etkisinden çok hasta gruplarının başlangıçtaki farklarından kaynaklanabilir. Benzer şekilde körleme yoksa araştırmacının beklentisi ölçüm sonucunu etkileyebilir. Bu nedenle tıbbi istatistik yalnızca son test aşaması değil; tasarımın yanlılığı azaltacak şekilde kurgulanmasıdır.
Gözlemsel çalışmalarda istatistiğin rolü nedir?
Gözlemsel çalışmalarda araştırmacı müdahale etmez; var olan durumu inceler. Bu nedenle karıştırıcı değişkenler, seçilim yanlılığı ve ölçüm yanlılığı daha büyük sorun haline gelebilir. STROBE, gözlemsel araştırmaların raporlanmasında tasarım, ölçüm ve analiz süreçlerinin şeffaf biçimde sunulmasını amaçlar.
Örneğin endokrinolojide diyabet ile obezite arasındaki ilişkiyi kesitsel veride göstermek, nedenselliği tek başına kanıtlamaz. Burada yaş, cinsiyet, fiziksel aktivite ve sosyoekonomik durum gibi değişkenler ilişkiyi etkileyebilir. Bu yüzden gözlemsel çalışmalarda regresyon modelleri, tabakalama ya da eşleştirme gibi yöntemler daha sık gündeme gelir. Tıbbi istatistik bu tür karmaşıklıkları görünür ve yönetilebilir hale getirir.
Tıbbi istatistik ile epidemiyoloji arasındaki ilişki nedir?
Epidemiyoloji, hastalıkların toplum içindeki dağılımını ve belirleyicilerini inceler; biyostatistik ise bu incelemenin nicel araçlarını sağlar. Bu yüzden iki alan sıkı biçimde iç içedir. Biyoistatistiğin halk sağlığı ve epidemiyoloji araştırmalarının merkezinde yer aldığı açıkça belirtilmektedir.
Örneğin salgın araştırmalarında insidans, prevalans, relatif risk, odds oranı, atfedilebilir risk gibi ölçütler epidemiyolojik kavramlardır; ama bunların hesaplanması ve yorumlanması biyoistatistiksel çerçeve gerektirir. Bir halk sağlığı yüksek lisans tezinde bölgesel aşılama oranları ile kızamık görülme sıklığı arasındaki ilişkiyi incelemek, tam olarak bu iki alanın kesişiminde yer alır.
Niteliksel sağlık araştırmalarında istatistiğin yeri var mı?
Doğrudan sayısal test anlamında her zaman olmayabilir; ancak çalışma tasarımının mantığı, örneklem seçimi, veri doygunluğu ve raporlama kalitesi yine metodolojik disiplin gerektirir. Tıbbi istatistik ve biyoistatistik daha çok nicel omurgayı temsil etse de, karma yöntemli araştırmalarda nitel ve nicel bileşenler birlikte kullanılabilir.
Örneğin yoğun bakım hastalarının yakınlarının deneyimlerini görüşmelerle inceleyen bir araştırma esasen nitel olabilir. Ancak bu çalışmanın eşlik eden demografik tanımlayıcı verileri, örneklem akışı ve bazı yardımcı nicel özetleri yine istatistiksel okuryazarlık gerektirir. Bu yüzden sağlık araştırmalarında istatistik okuryazarlığı yalnızca test çalıştıran kişiler için değil, araştırma tasarımının bütününe hâkim olmak isteyen herkes için önemlidir.
Hangi istatistik testi hangi durumda kullanılır?
Bu soru çok yaygındır ama tek cümlelik cevap verilemez. Test seçimi; veri tipine, dağılıma, örneklem yapısına, grup sayısına, bağımlı-bağımsız ölçümlere ve araştırma sorusuna bağlıdır. Sürekli verilerde iki bağımsız grubun ortalamaları karşılaştırılacaksa t-testi düşünülebilir; dağılım uygun değilse parametrik olmayan alternatifler gündeme gelebilir. Birden fazla grup varsa ANOVA ailesi veya nonparametrik eşdeğerleri kullanılabilir. Kategorik veriler için ki-kare testleri sık kullanılır. Sağkalım verilerinde Kaplan-Meier ve Cox regresyonu gibi yöntemler öne çıkar.
Fakat asıl önemli ilke şu: Test, veriye sonradan uydurulmaz; araştırma sorusuna göre seçilir. FDA’nın istatistik ilkeleri de tasarım ve analiz kararlarının önceden planlanmasının önemini vurgular.
Sağkalım analizi neden özel bir alandır?
Çünkü burada yalnızca olayın olup olmadığı değil, ne zaman olduğu da önemlidir. Özellikle onkoloji, kardiyovasküler hastalıklar, yoğun bakım, transplantasyon ve bazı cerrahi araştırmalarda ölüm, nüks veya komplikasyon gibi olayların zamanı araştırmanın merkezindedir. Bu yüzden klasik oran karşılaştırmaları yetersiz kalır; zaman boyutunu içeren sağkalım yöntemleri gerekir.
Örneğin iki kanser tedavisinin yalnızca toplam ölüm sayıları benzer olabilir; ama bir tedavi daha uzun medyan sağkalım sağlıyor olabilir. Böyle durumlarda Kaplan-Meier eğrileri ve hazard oranları anlamlı hale gelir. Tıbbi istatistik bu tip verilerin doğasına özel çözümler geliştirir.
Tanı testlerinde istatistik neden kritiktir?
Çünkü bir testin yalnızca “pozitif” ya da “negatif” vermesi yeterli bilgi değildir. Duyarlılık, özgüllük, pozitif kestirim değeri, negatif kestirim değeri ve ROC eğrileri gibi ölçütler, testin klinik kullanım değerini anlamamızı sağlar. Bir radyoloji çalışmasında yeni görüntüleme yönteminin başarısını değerlendirirken, sadece vaka sayısı değil bu tür performans ölçütleri de gerekir.
Burada istatistik, testi pazarlayan bir araç değil; testin sınırlarını da gösteren araçtır. Bir test çok duyarlı olabilir ama özgüllüğü düşükse yalancı pozitif oranı artabilir. Klinik karar bu dengenin anlaşılmasıyla verilir.
Farklı sağlık alanlarından kısa örnekler tıbbi istatistiğin rolünü nasıl gösterir?
Kardiyolojide bir girişimsel işlemin komplikasyon oranını klasik tedaviyle karşılaştırmak için uygun oran karşılaştırmaları ve gerekirse sağkalım analizi gerekir.
Onkolojide progresyonsuz sağkalım ve toplam sağkalım gibi sonlanımlar, zaman temelli analizler gerektirir.
Diş hekimliğinde iki dolgu materyalinin dayanıklılık süresini ya da hasta memnuniyeti skorlarını karşılaştırmak için uygun parametrik veya nonparametrik analizler gerekir.
Hemşirelikte eğitim müdahalesi öncesi ve sonrası bilgi puanlarını karşılaştırmak için eşleştirilmiş ölçüm mantığı gerekir.
Psikolojide depresyon düzeyini yordayan faktörleri incelemek için regresyon modelleri kullanılabilir.
Eczacılıkta farmakokinetik parametrelerin karşılaştırılması daha özgül biyostatistiksel yaklaşım ister.
Halk sağlığında bir ilçedeki sigara kullanım prevalansının yaş ve cinsiyete göre dağılımı epidemiyolojik ve biyostatistiksel birlikte okumayı gerektirir.
Bu örnekler, istatistiğin yalnızca “sayısal ek bölüm” değil, her alanın araştırma mantığını şekillendiren temel bileşen olduğunu gösterir.
Raporlama rehberleri neden önemlidir?
Çünkü iyi analiz yapılmış bir çalışma, kötü raporlanırsa etkisini kaybeder. CONSORT randomize çalışmalar için, STROBE ise gözlemsel araştırmalar için asgari raporlama standartları sunar. CONSORT’un randomize çalışmaların tasarım, analiz ve yorumunun şeffaf raporlanmasını amaçladığı; STROBE’un ise kohort, vaka-kontrol ve kesitsel çalışmaların raporlanmasını güçlendirmek için geliştirildiği açıkça belirtilmektedir.
Bu rehberler araştırmacıya şunu hatırlatır: iyi araştırma yalnızca yapılmaz, aynı zamanda doğru anlatılır. Örneğin örneklem akış şeması, eksik veri bilgisi, sonlanım tanımı, istatistiksel yöntemlerin net açıklanması ve sınırlılıkların belirtilmesi hem okuyucu hem hakem açısından güven oluşturur.
Tıbbi istatistik bilmeden makale okunabilir mi?
Okunabilir, ama tam anlamıyla değerlendirilemeyebilir. NCBI StatPearls kaynağında da belirtildiği gibi, biyostatistik bilgisi sağlık profesyonellerinin tıbbi literatürü eleştirel biçimde değerlendirmesine ve bulguları uygun şekilde uygulamasına yardım eder. İstatistiksel sonuçların nasıl üretildiğini anlamayan bir okuyucu, makalenin bulgularını yüzeysel biçimde kabul etme riski taşır.
Örneğin bir çalışmada anlamlı fark bulunmadı diye gerçekten fark yok mu, yoksa çalışma yetersiz güçte mi? Ya da anlamlı fark bulundu diye bu fark klinik olarak önemli mi? Bu tür sorulara yanıt verebilmek için temel tıbbi istatistik okuryazarlığı gerekir. Bu bilgi yalnızca araştırmacılar için değil, klinisyenler için de temel ihtiyaçtır.
Tıbbi istatistik öğrenmeye nereden başlanmalıdır?
En sağlıklı başlangıç, formüllerden değil araştırma sorularından başlamaktır. Önce şu kavramlar oturtulmalıdır: araştırma tipi nedir, sonlanım nedir, veri tipi nedir, hipotez nedir, örneklem neden önemlidir, p-değeri neyi söyler, güven aralığı neyi gösterir. Bu temel kavramlar oturmadan ileri analizlere geçmek çoğu zaman mekanik ezbere yol açar.
Daha sonra basit tanımlayıcı istatistikler, temel karşılaştırma testleri, ilişki analizleri ve regresyon mantığı kademeli olarak öğrenilebilir. Aynı anda raporlama rehberleri okumak da büyük fayda sağlar; çünkü bu rehberler hangi bilgilerin gerçekten önemli olduğunu gösterir. CONSORT ve STROBE bu açıdan yalnızca raporlama değil, düşünme kılavuzu da sunar.
Sonuç
Tıbbi istatistik ve biyoistatistik, sağlık araştırmalarının teknik eki değil, epistemolojik omurgasıdır. Araştırma sorusunun biçimlenmesinden analiz planına, bulguların sunumundan klinik yorumuna kadar her aşamada belirleyici rol oynar. Modern klinik araştırmanın, epidemiyolojinin ve sağlık hizmetleri değerlendirmesinin merkezinde istatistiksel düşünme bulunduğu açıkça gösterilmiştir.
Doğru anlaşılmış bir tıbbi istatistik yaklaşımı, araştırmacıyı yalnızca “hangi test” sorusundan çıkarır; “hangi soru, hangi tasarım, hangi sonlanım, hangi yorum” düzeyine taşır. P-değerini bağlamından koparmadan okumak, güven aralıklarını ve etki büyüklüğünü dikkate almak, randomizasyon ve gözlemsel tasarım farkını bilmek, raporlama rehberlerini izlemek ve klinik önem ile istatistiksel anlamlılığı ayırmak bu alanın temel olgunluk göstergeleridir.
Başka bir deyişle, tıbbi istatistik iyi araştırmanın sonradan eklenen süsü değil; baştan itibaren kurucu unsurudur. Bu gerçeği kavrayan araştırmacı, sadece daha iyi analiz yapmaz; aynı zamanda daha iyi soru sorar, daha iyi çalışma tasarlar ve daha güvenilir bilim üretir.
