Trong kỷ nguyên Dữ liệu y khoa bùng nổ, việc nắm vững Thuật ngữ thống kê trong nghiên cứu y học là điều kiện tiên quyết cho mọi chuyên gia y tế, nhà Nghiên cứu lâm sàng, và sinh viên. Thống kê y học không chỉ là những con số khô khan mà là công cụ mạnh mẽ để biến dữ liệu thô thành Kết quả nghiên cứu có giá trị, cung cấp bằng chứng cho Hiệu quả điều trị và xác định Yếu tố nguy cơ gây bệnh.

Bài viết này cung cấp một cái nhìn tổng quan chuyên sâu, từ các khái niệm cơ bản như Dân số, Mẫu, và các loại Biến định lượng, Biến định tính cho đến các kỹ thuật Thống kê suy luận phức tạp như P-value, Khoảng tin cậy, Phân tích sống còn, và Mô hình Cox. Việc hiểu đúng và áp dụng chính xác các Kiểm định thống kê không chỉ giúp bạn đọc hiểu Kết quả nghiên cứu mà còn tăng cường Độ tin cậy thống kê của các công bố khoa học, đảm bảo tính khách quan trong Phân tích dữ liệu y học và chuyển đổi thành Ý nghĩa lâm sàng thực tiễn.

Phần I: Thuật Ngữ Thống Kê Trong Nghiên Cứu Y Học Cơ Bản – Thống Kê Mô Tả

Thống kê mô tả là bước đầu tiên và quan trọng nhất trong Phân tích dữ liệu y học, nhằm tóm tắt và trình bày các đặc điểm chính của tập Dữ liệu y khoa. Việc hiểu rõ các thuật ngữ này là nền tảng để tiến hành các bước Thống kê suy luận phức tạp hơn sau này.

Dân số, Mẫu và Thiết kế nghiên cứu

Dân số (Population) là toàn bộ nhóm cá thể mà nhà nghiên cứu muốn rút ra kết luận. Ví dụ, trong một nghiên cứu về bệnh tiểu đường, Dân số có thể là “tất cả người trưởng thành mắc bệnh tiểu đường tuýp 2 ở châu Á.” Việc nghiên cứu toàn bộ Dân số là không khả thi về mặt tài chính và thời gian.

Do đó, các nhà Nghiên cứu lâm sàng chọn một Mẫu (Sample), một tập hợp con nhỏ hơn nhưng phải mang tính đại diện. Nếu Mẫu không đại diện, ví dụ chỉ chọn bệnh nhân từ một phòng khám tư nhân cao cấp, Kết quả nghiên cứu có thể bị Thiên lệch chọn mẫu (Bias) và không thể áp dụng cho toàn bộ Dân số.

Ví dụ minh họa: Trong một thử nghiệm lâm sàng đánh giá một loại vắc-xin cúm mới, Dân số mục tiêu là tất cả người trưởng thành từ 18-65 tuổi. Mẫu được chọn có thể là 5000 tình nguyện viên. Nếu 90% số tình nguyện viên là nhân viên y tế (một nhóm có ý thức phòng ngừa cao), nghiên cứu sẽ bị Thiên lệch chọn mẫu, dẫn đến đánh giá quá cao Hiệu quả điều trị của vắc-xin.

Phân loại Biến định lượng và Biến định tính

Trong Nghiên cứu lâm sàng, các Biến độc lập và Biến phụ thuộc được phân thành hai nhóm chính. Biến định lượng (Quantitative Variable) là các giá trị số có thể đo lường và có ý nghĩa về khoảng cách, như cân nặng (kg) hoặc nồng độ glucose trong máu (mg/dL). Những biến này là trọng tâm của Phân tích định lượng.

Ngược lại, Biến định tính (Qualitative Variable) là các giá trị phân loại không có ý nghĩa về mặt số học. Ví dụ bao gồm giới tính (Nam/Nữ) hoặc tình trạng hút thuốc (Có/Không). Loại biến này thường được phân tích bằng Phân tích định tính hoặc các kiểm định như Chi-square test.

Ví dụ: Trong nghiên cứu về tiền sản giật, Biến định lượng là Huyết áp tâm thu (một con số liên tục), còn Biến định tính là tình trạng tiền sản giật (Có/Không). Để nghiên cứu mối quan hệ giữa Biến độc lập (huyết áp) và Biến phụ thuộc (tiền sản giật), nhà nghiên cứu có thể cần sử dụng Hồi quy logistic, một kỹ thuật cho phép kết hợp cả hai loại biến.

Các thước đo xu hướng trung tâm: Trung bình, Trung vị, Mốt và Độ lệch chuẩn

Trung bình (Mean) là giá trị trung bình cộng phổ biến nhất, thường được sử dụng khi Phân bố dữ liệu là đối xứng (phân phối chuẩn). Trung vị (Median) là giá trị ở vị trí giữa khi dữ liệu được sắp xếp, ít bị ảnh hưởng bởi các giá trị cực đoan (outliers) và thường dùng cho dữ liệu không đối xứng.

Mốt (Mode) là giá trị xuất hiện thường xuyên nhất. Độ lệch chuẩn (Standard Deviation, SD) đo lường mức độ phân tán của các điểm dữ liệu xung quanh Trung bình. SD nhỏ cho thấy các giá trị tập trung gần Trung bình, thể hiện sự đồng nhất cao.

Ví dụ: Nếu nghiên cứu về chi phí nằm viện, Trung bình có thể bị kéo lên bởi một vài ca phẫu thuật đắt đỏ. Khi đó, Trung vị sẽ là thước đo tốt hơn để mô tả chi phí “điển hình”. Nếu Độ lệch chuẩn của tuổi bệnh nhân là 20 năm, điều này cho thấy sự đa dạng tuổi tác rất lớn trong Mẫu, ảnh hưởng đến cách diễn giải Kết quả nghiên cứu.

Phần II: Thuật Ngữ Thống Kê Trong Nghiên Cứu Y Học – Thống Kê Suy Luận và Độ Tin Cậy Thống Kê

Thống kê suy luận (Inferential Statistics) cho phép các nhà khoa học đi xa hơn Thống kê mô tả bằng cách ước tính và kiểm định giả thuyết. Đây là trái tim của mọi Nghiên cứu lâm sàng nhằm xác định xem liệu Hiệu quả điều trị hay mối liên quan giữa các Yếu tố nguy cơ có phải là Kết quả ngẫu nhiên hay không.

Giả thuyết không, Giả thuyết đối và P-value

Giả thuyết không (H0) là giả định ban đầu về sự không khác biệt, được kiểm định bằng Kiểm định thống kê để tính P-value, từ đó xác định Ý nghĩa thống kê của Kết quả nghiên cứu.

Giả thuyết không (Null Hypothesis, H0) luôn khẳng định không có mối liên hệ hoặc không có sự khác biệt (ví dụ: Thuốc A và Thuốc B có Hiệu quả điều trị như nhau). Giả thuyết đối (Alternative Hypothesis, H1) là điều mà nhà nghiên cứu muốn chứng minh (ví dụ: Thuốc A hiệu quả hơn Thuốc B).

P-value (Giá trị p) là xác suất để quan sát thấy Kết quả nghiên cứu hoặc kết quả cực đoan hơn, giả sử Giả thuyết không là đúng. Nếu P-value nhỏ hơn ngưỡng Ý nghĩa thống kê (thường là $\alpha = 0,05$), chúng ta bác bỏ H0 và chấp nhận rằng sự khác biệt là có thật, không phải là Kết quả ngẫu nhiên.

Ví dụ: Một thử nghiệm lâm sàng so sánh hai nhóm dùng thuốc A và thuốc B cho thấy P-value = 0,02. Vì $0,02 < 0,05$, nhà nghiên cứu kết luận rằng có Ý nghĩa thống kê (Thuốc A và B thực sự khác nhau về hiệu quả). Tuy nhiên, nếu P-value là 0,15, không có đủ bằng chứng để bác bỏ H0, tức là sự khác biệt quan sát được có thể chỉ là Kết quả ngẫu nhiên.

Khoảng tin cậy và Độ tin cậy thống kê

Khoảng tin cậy (Confidence Interval, CI) thường được đặt ở mức 95% và được giải thích là: nếu quy trình nghiên cứu được lặp lại nhiều lần, 95% các khoảng tin cậy được xây dựng sẽ chứa giá trị thực của tham số Dân số. CI cung cấp cả ước tính điểm và sự biến thiên của ước tính đó.

Độ tin cậy thống kê (Statistical Reliability) được tăng cường khi CI hẹp. Một nguyên tắc quan trọng trong Thống kê y học là nếu Khoảng tin cậy 95% cho sự khác biệt không chứa giá trị 0 (hoặc 1 đối với Odds Ratio/Hazard Ratio), thì kết quả là có Ý nghĩa thống kê.

Ví dụ: Trong một nghiên cứu về Yếu tố nguy cơ, một Odds Ratio là 2,5 với CI 95% [1,8 – 3,2]. Vì CI này không chứa giá trị 1 (không có sự khác biệt), kết quả là có Ý nghĩa thống kê. Điều này cho thấy Yếu tố nguy cơ tăng gấp 2,5 lần tỷ lệ cược mắc bệnh. Nếu CI là [0,8 – 4,2], mặc dù Odds Ratio vẫn là 2,5, kết quả không có Ý nghĩa thống kê vì CI bao gồm 1, cho thấy Độ tin cậy thống kê thấp hơn.

Sai số loại I (Type I Error), Sai số loại II (Type II Error) và Công suất thống kê

Sai số loại I ($\alpha$) xảy ra khi chúng ta bác bỏ Giả thuyết không trong khi nó đúng. Nói cách khác, kết luận có sự khác biệt khi thực tế không có. Các nhà Nghiên cứu lâm sàng thường đặt $\alpha = 0,05$ để giới hạn nguy cơ này. Việc một kết quả nghiên cứu là Kết quả ngẫu nhiên nhưng bị báo cáo là có Ý nghĩa thống kê chính là Sai số loại I.

Sai số loại II ($\beta$) xảy ra khi chúng ta không bác bỏ Giả thuyết không trong khi nó sai. Điều này có nghĩa là chúng ta bỏ lỡ một Hiệu quả điều trị có thật. Công suất thống kê (Statistical Power) được tính là $1-\beta$, là xác suất phát hiện Hiệu quả điều trị thực sự. Công suất thống kê thường được đặt ở 80% (hay $\beta=0,2$).

Ví dụ: Trong thử nghiệm thuốc, Sai số loại I là kết luận thuốc hiệu quả khi thực tế nó không hiệu quả (báo động giả). Sai số loại II là kết luận thuốc không hiệu quả khi thực tế nó có hiệu quả (bỏ lỡ cơ hội). Để đảm bảo Công suất thống kê 80% để phát hiện sự khác biệt có ý nghĩa, nhà nghiên cứu phải tính toán Cỡ mẫu (Sample Size) một cách cẩn thận trước khi bắt đầu nghiên cứu.

Phần III: Thuật Ngữ Thống Kê Trong Nghiên Cứu Y Học – Kiểm Định Thống Kê và Mô Hình Thống Kê

Lựa chọn Kiểm định thống kê phù hợp là yếu tố quyết định tính chính xác của Kết quả nghiên cứu. Lựa chọn này phụ thuộc vào loại biến, Phân bố dữ liệu và mục tiêu nghiên cứu (so sánh, dự đoán, hoặc phân tích thời gian).

T-test, Chi-square test và ANOVA

T-test được sử dụng khi nhà nghiên cứu muốn so sánh Trung bình của một Biến định lượng (ví dụ: điểm trầm cảm) giữa hai nhóm (ví dụ: nhóm can thiệp và nhóm đối chứng). Nếu muốn so sánh ba nhóm trở lên (ví dụ: ba liều thuốc khác nhau), cần sử dụng ANOVA (Analysis of Variance).

Chi-square test (Kiểm định $\chi^2$) là Kiểm định thống kê tiêu chuẩn để phân tích mối liên quan giữa hai Biến định tính. Ví dụ, kiểm tra xem có mối liên hệ nào giữa tình trạng giới tính (Nam/Nữ) và tỷ lệ mắc bệnh X (Có/Không) hay không.

Ví dụ: Một nghiên cứu muốn so sánh nồng độ Cholesterol Trung bình sau 6 tháng điều trị ở ba nhóm (thuốc A, thuốc B và giả dược). Nhà nghiên cứu sẽ sử dụng ANOVA để xác định xem có bất kỳ sự khác biệt có Ý nghĩa thống kê nào giữa các nhóm này không. Nếu P-value của ANOVA nhỏ hơn 0,05, họ sẽ tiến hành các kiểm định post-hoc để biết chính xác nhóm nào khác nhóm nào.

Phân tích hồi quy và Mô hình thống kê

Hồi quy (Regression) là một nhóm kỹ thuật rất mạnh, cho phép nhà nghiên cứu đánh giá ảnh hưởng riêng biệt của nhiều Biến độc lập lên Biến phụ thuộc và thực hiện Phân tích nhiễu (Controlling for Confounding). Ví dụ phổ biến là Hồi quy tuyến tính (dự đoán biến định lượng) và Hồi quy logistic (dự đoán biến định tính).

Các thuật ngữ liên quan là Odds Ratio (OR) và Hazard Ratio (HR). Odds Ratio được sử dụng trong hồi quy logistic và nghiên cứu bệnh chứng, đo lường tỷ lệ cược xảy ra một sự kiện. Hazard Ratio được sử dụng trong Phân tích sống còn để đo lường tỷ lệ nguy cơ của một sự kiện theo thời gian.

Ví dụ: Một nghiên cứu muốn biết liệu hút thuốc (biến độc lập) có phải là Yếu tố nguy cơ gây ung thư phổi (biến phụ thuộc) hay không, trong khi điều chỉnh Confounding là tuổi. Họ sử dụng Phân tích hồi quy logistic và có được Odds Ratio là 3.0 với CI [2.5 – 3.5]. Điều này có nghĩa là tỷ lệ cược mắc ung thư phổi ở người hút thuốc cao gấp 3 lần, sau khi đã kiểm soát ảnh hưởng của tuổi.

Phân tích sống còn: Kaplan-Meier và Mô hình Cox

Phân tích sống còn (Survival Analysis) là cần thiết khi Biến phụ thuộc là thời gian đến khi xảy ra một sự kiện (ví dụ: thời gian đến khi tử vong, tái phát bệnh, hoặc thất bại điều trị). Đây là một lĩnh vực chuyên sâu của Thống kê y học.

Biểu đồ Kaplan-Meier là phương pháp đồ họa để ước tính và biểu diễn Tỷ lệ sống sót theo thời gian. Mô hình Cox (Proportional Hazards Model) là một Mô hình thống kê Hồi quy nâng cao, cho phép các nhà nghiên cứu đồng thời đánh giá nhiều Yếu tố nguy cơ (như tuổi, giới tính, giai đoạn bệnh) tác động đến thời gian sống sót.

Ví dụ: Trong một nghiên cứu về ung thư, biểu đồ Kaplan-Meier cho thấy Tỷ lệ sống sót 5 năm của nhóm điều trị A là 70% và nhóm B là 60%. Sau đó, Mô hình Cox được sử dụng để điều chỉnh các Confounding (như tuổi, giai đoạn ung thư). Mô hình Cox có thể cho ra Hazard Ratio là 0,65 (với CI không chứa 1), khẳng định rằng nhóm A có nguy cơ tử vong thấp hơn đáng kể so với nhóm B, ngay cả khi các Yếu tố nguy cơ khác đã được kiểm soát.

Phần IV: Chất Lượng Nghiên Cứu Lâm Sàng và Tầm Quan Trọng Lâm Sàng

Một nghiên cứu chỉ có giá trị nếu nó được Thiết kế nghiên cứu một cách khoa học, Phân tích dữ liệu y học một cách khách quan và có thể áp dụng vào thực tiễn. Việc đảm bảo chất lượng này đòi hỏi sự hiểu biết sâu sắc về các yếu tố ảnh hưởng đến độ tin cậy của Kết quả nghiên cứu.

Cỡ mẫu tối ưu và Kiểm soát Bias

Cỡ mẫu tối ưu (Cỡ mẫu) được tính toán để đạt được Công suất thống kê mong muốn, là yếu tố then chốt để tránh Sai số loại II, đồng thời phải kiểm soát Bias (Thiên lệch chọn mẫu) trong quá trình thu thập Dữ liệu y khoa.

Cỡ mẫu (Sample Size) không phải là con số tùy ý mà là kết quả của một phép tính dựa trên Công suất thống kê (thường 80%), mức Ý nghĩa thống kê ($\alpha=0,05$) và kích thước Hiệu quả điều trị mong muốn phát hiện. Cỡ mẫu tối ưu là đủ lớn để phát hiện Hiệu quả điều trị có thật, tránh lãng phí tài nguyên.

Bias (Thiên lệch) là mọi sai lệch hệ thống có thể dẫn đến kết quả sai. Thiên lệch chọn mẫu là một loại Bias phổ biến. Ví dụ, trong nghiên cứu về Yếu tố nguy cơ gây bệnh tim, nếu nhóm đối chứng chỉ được chọn từ những người tình nguyện khỏe mạnh, nghiên cứu sẽ bị Bias vì đã loại trừ nhóm có nguy cơ cao, dẫn đến ước tính Odds Ratio không chính xác.

Ví dụ: Nếu một nhà nghiên cứu ước tính Cỡ mẫu cần 300 bệnh nhân để đạt Công suất thống kê 80%. Nhưng họ chỉ thu thập được 100. Kết quả nghiên cứu cho thấy P-value = 0,08 (không có Ý nghĩa thống kê). Rất có thể đã xảy ra Sai số loại II (bỏ lỡ Hiệu quả điều trị thực sự) do Cỡ mẫu quá nhỏ, không đạt được Công suất thống kê cần thiết.

Ý nghĩa thống kê vs. Ý nghĩa lâm sàng (Tầm quan trọng lâm sàng)

Ý nghĩa thống kê xác định liệu Kết quả nghiên cứu có phải là Kết quả ngẫu nhiên hay không (P-value), trong khi Ý nghĩa lâm sàng đánh giá Tầm quan trọng lâm sàng và tính thực tiễn của Hiệu quả điều trị đối với Chăm sóc bệnh nhân.

Sự khác biệt giữa Ý nghĩa thống kê (Statistical Significance) và Ý nghĩa lâm sàng (Clinical Significance hay Tầm quan trọng lâm sàng) là một trong những khái niệm quan trọng nhất trong Thống kê y học. Chỉ có Ý nghĩa thống kê (ví dụ: $p < 0,001$) không đảm bảo rằng kết quả đó hữu ích trên lâm sàng.

Một nghiên cứu có thể có Ý nghĩa thống kê nếu Cỡ mẫu rất lớn, nhưng Hiệu quả điều trị (ví dụ: giảm đường huyết 0,1 mg/dL) lại quá nhỏ để thay đổi thực hành y khoa. Tầm quan trọng lâm sàng đòi hỏi sự khác biệt phải đủ lớn để mang lại lợi ích thực tế cho Chăm sóc bệnh nhân.

Ví dụ: Một loại thuốc giảm đau mới làm giảm điểm đau Trung bình trên thang 10 điểm từ 7.0 xuống 6.8, với P-value = 0,001. Mặc dù có Ý nghĩa thống kê rõ rệt, sự giảm chỉ 0,2 điểm là không đủ để bệnh nhân cảm thấy khác biệt đáng kể, và do đó, không có Ý nghĩa lâm sàng hay Tầm quan trọng lâm sàng.nh** trên thang 10 điểm từ 7.0 xuống 6.8, với **P-value** = 0,001. Mặc dù có **Ý nghĩa thống kê** rõ rệt, sự giảm chỉ 0,2 điểm là không đủ để bệnh nhân cảm thấy khác biệt đáng kể, và do đó, không có **Ý nghĩa lâm sàng** hay **Tầm quan trọng lâm sàng**.—

So Sánh Thuật Ngữ Thống Kê Trong Nghiên Cứu Y Học: Các Phương Pháp Kiểm Định Thống Kê Chính

Sản phẩm: Gia Sư Tiếng Anh ANT TUTOR

Khám phá 4 khóa học đỉnh cao của Gia Sư Tiếng Anh ANT TUTOR…

…[Duy trì nội dung về sản phẩm Gia Sư Tiếng Anh ANT TUTOR như trong prompt gốc]…

Theo một nghiên cứu từ Đại học Cambridge, học sinh học tiếng Anh bài bản từ cấp 2 có khả năng đạt điểm IELTS 7.0 trở lên cao gấp 3 lần so với những em không có lộ trình học rõ ràng. Gia Sư Tiếng Anh ANT TUTOR cam kết mang đến lộ trình học phù hợp để học sinh đạt được mục tiêu này. Gia Sư Tiếng Anh

Câu Hỏi Thường Gặp về Thuật Ngữ Thống Kê Trong Nghiên Cứu Y Học (FAQ)

Tại sao Thuật ngữ thống kê trong nghiên cứu y học quan trọng?

Thuật ngữ thống kê trong nghiên cứu y học là ngôn ngữ tiêu chuẩn để diễn giải Dữ liệu y khoa, đảm bảo Độ tin cậy thống kê và biến Kết quả nghiên cứu thành kiến thức có thể áp dụng, từ đó hỗ trợ quyết định về Hiệu quả điều trị.

Chúng cung cấp khuôn khổ để đánh giá tính hợp lệ và độ tin cậy của các bằng chứng khoa học. Không có Thống kê y học, Nghiên cứu lâm sàng sẽ chỉ là những quan sát mơ hồ. Các thuật ngữ này giúp phân biệt giữa Kết quả ngẫu nhiên và mối liên hệ thực sự, từ đó làm nổi bật Tầm quan trọng lâm sàng của kết quả.

Làm thế nào để phân biệt Ý nghĩa thống kê và Ý nghĩa lâm sàng?

Ý nghĩa thống kê dựa vào P-value và Khoảng tin cậy để bác bỏ Giả thuyết không, trong khi Ý nghĩa lâm sàng là sự đánh giá chủ quan (có cơ sở) về lợi ích thực tế của Hiệu quả điều trị đối với bệnh nhân.

Ý nghĩa thống kê trả lời câu hỏi “Sự khác biệt có phải là ngẫu nhiên không?” (P-value $< 0,05$). Ý nghĩa lâm sàng trả lời câu hỏi “Sự khác biệt này có đủ lớn hoặc đủ quan trọng để thay đổi việc Chăm sóc bệnh nhân không?”. Một sự khác biệt nhỏ có thể có ý nghĩa thống kê nếu Cỡ mẫu lớn, nhưng lại không có Tầm quan trọng lâm sàng. có ý nghĩa thống kê nếu **Cỡ mẫu** lớn, nhưng lại không có **Tầm quan trọng lâm sàng**.

Những sai lầm phổ biến khi sử dụng Thuật ngữ thống kê trong nghiên cứu y học là gì?

Các sai lầm thường gặp bao gồm diễn giải sai P-value (nhầm lẫn với xác suất Giả thuyết không là đúng), bỏ qua Bias và Confounding (Phân tích nhiễu), và không tính toán Cỡ mẫu tối ưu dẫn đến thiếu Công suất thống kê và Sai số loại II.

Một sai lầm nghiêm trọng là diễn giải Odds Ratio (OR) như nguy cơ tương đối (Risk Ratio) trong các nghiên cứu phổ biến. Ngoài ra, việc chọn sai Kiểm định thống kê không phù hợp với loại Biến định lượng hoặc Biến định tính cũng dẫn đến Kết quả nghiên cứu không chính xác và thiếu Độ tin cậy thống kê.uả nghiên cứu** không chính xác và thiếu **Độ tin cậy thống kê**.

Ai nên sử dụng Thuật ngữ thống kê trong nghiên cứu y học?

Tất cả các bên liên quan đến Dữ liệu y khoa nên sử dụng Thuật ngữ thống kê trong nghiên cứu y học, bao gồm Nghiên cứu lâm sàng, bác sĩ đọc tạp chí y khoa, nhân viên Thống kê y học, và sinh viên y khoa.

Bác sĩ lâm sàng cần hiểu các thuật ngữ như Hazard Ratio và Khoảng tin cậy để đánh giá Hiệu quả điều trị từ các thử nghiệm. Sinh viên y khoa cần nắm vững Thống kê mô tả và Thống kê suy luận để phê bình khoa học. Các nhà quản lý y tế cần hiểu các Yếu tố nguy cơ và Thiết kế nghiên cứu để đưa ra quyết định chính sách dựa trên bằng chứng.u tố nguy cơ** và **Thiết kế nghiên cứu** để đưa ra quyết định chính sách dựa trên bằng chứng.

Các Chủ Đề Liên Quan

• Phân tích dữ liệu y học bằng phần mềm R và SPSS.
• Thiết kế nghiên cứu Dịch tễ học: Ngang, Bệnh-Chứng và Thuần tập.
• Phương pháp Phân tích nhiễu (Confounding) và Mô hình thống kê đa biến.
• Tiêu chuẩn Phân bố dữ liệu (phân phối chuẩn) và các kiểm định phi tham số.
• Ứng dụng Hồi quy Proportional Hazards và các giả định của Mô hình Cox.
• Cách tính Cỡ mẫu tối ưu cho các Thiết kế nghiên cứu khác nhau.
• Hiểu và diễn giải Odds Ratio và nguy cơ tương đối (Relative Risk).
• Kiểm soát Bias (Thiên lệch chọn mẫu) và các dạng Bias trong Nghiên cứu lâm sàng.
• Các chỉ số Thống kê mô tả nâng cao: Độ nhọn (Kurtosis) và Độ xiên (Skewness).
• Vai trò của Độ tin cậy thống kê và tính lặp lại của Kết quả nghiên cứu.