Học R không khó như bạn nghĩ! Demo trực quan cho thống kê Y học

Chào các bạn sinh viên y khoa và bác sĩ lâm sàng thân mến! Chúng mình biết rằng khi nhắc đến “thống kê y học”, nhiều bạn sẽ nghĩ ngay đến những con số khô khan và phần mềm phức tạp. Đặc biệt là khi nghe đến “R” – một ngôn ngữ lập trình thống kê mạnh mẽ, không ít bạn sẽ cảm thấy ái ngại . Nhưng đừng lo lắng nhé! Bài viết này sẽ chứng minh cho các bạn thấy: R không hề “khó nhằn” như lời đồn !

Tại sao R lại quan trọng trong nghiên cứu y học?

R không chỉ là một phần mềm thống kê, mà còn là một công cụ đắc lực giúp các bạn khám phá và hiểu sâu hơn về dữ liệu y tế. Nó cho phép chúng mình thực hiện các phân tích phức tạp, tạo ra những biểu đồ trực quan và đưa ra những kết luận chính xác, có giá trị trong thực hành lâm sàng và nghiên cứu khoa học. Đặc biệt, R là phần mềm ưa thích với những nhà nghiên cứu y khoa chuyên nghiệp tại các quốc gia phát triển đó.

Phần 1: Làm quen với R

* Nguồn gốc: R ra đời từ những năm 90, được phát triển bởi các nhà thống kê học hàng đầu. Nó là “hậu duệ” của ngôn ngữ S, được thiết kế đặc biệt để phân tích thống kê và trực quan hóa dữ liệu.

* Ưu điểm: R là phần mềm mã nguồn mở, hoàn toàn miễn phí và chạy được trên mọi hệ điều hành (Windows, MacOS, Linux). Hơn nữa, R sở hữu một cộng đồng người dùng vô cùng lớn mạnh, luôn sẵn sàng hỗ trợ và chia sẻ kiến thức.

* Ví dụ: Các bạn cứ tưởng tượng R như một “siêu anh hùng” trong thế giới thống kê. Nó có thể làm mọi thứ, từ phân tích dữ liệu đơn giản đến xây dựng các mô hình dự đoán phức tạp.

Phần 2: “Bắt tay” xử lý dữ liệu y tế với R

* Các thư viện cần nắm vững đầu tiên khi học R: Để xử lý dữ liệu một cách hiệu quả, chúng mình cần đến sự trợ giúp của các “trợ thủ” đắc lực, đó là các gói phần mềm (package) trong R. Ví dụ:

* `dplyr`: Giúp chúng mình dễ dàng chọn lọc, sắp xếp, biến đổi dữ liệu.

* `tidyr`: Giúp “dọn dẹp” dữ liệu, biến đổi dữ liệu từ dạng “rộng-wide format” sang “dài-long format” và ngược lại.

* Ví dụ thực tế:

* Giả sử, chúng mình có một bộ dữ liệu về bệnh nhân tim mạch, bao gồm các biến như tuổi, giới tính, huyết áp, cholesterol, tiền sử bệnh,…

* Sử dụng `dplyr`, chúng mình có thể lọc ra những bệnh nhân trên 60 tuổi, có tiền sử tăng huyết áp. Sau đó, sử dụng `tidyr` để chuyển đổi dữ liệu sang dạng phù hợp cho việc phân tích.

Phần 3: “Vẽ” nên bức tranh dữ liệu sống động với ggplot2

* `ggplot2` là một gói phần mềm cực kỳ mạnh mẽ để tạo ra các biểu đồ đẹp mắt và trực quan. Với `ggplot2`, chúng mình có thể dễ dàng tạo ra các biểu đồ cột, biểu đồ đường, biểu đồ phân tán,… để thể hiện dữ liệu một cách rõ ràng và dễ hiểu.

* Ví dụ:

* Chúng mình có thể sử dụng `ggplot2` để tạo biểu đồ cột so sánh số lượng bệnh nhân tim mạch theo giới tính và nhóm tuổi.

* Hoặc, chúng mình có thể tạo biểu đồ đường để theo dõi sự thay đổi của số ca mắc COVID-19 theo thời gian.

Phần 4: Mô hình hóa và phân tích dữ liệu chuyên sâu

* R cung cấp rất nhiều công cụ để xây dựng các mô hình thống kê phức tạp. Ví dụ:

* Phân tích hồi quy: Sử dụng gói `stats` để tìm hiểu mối liên hệ giữa các yếu tố nguy cơ (như hút thuốc, béo phì) và nguy cơ mắc bệnh tim mạch.

* Phân tích sinh tồn: Sử dụng gói `survival` để phân tích thời gian sống của bệnh nhân ung thư và xác định các yếu tố ảnh hưởng đến tỷ lệ sống sót.

* Ví dụ:

* Chúng mình có thể xây dựng mô hình hồi quy Cox (Cox regression) để đánh giá ảnh hưởng của các yếu tố như tuổi, giai đoạn bệnh, phương pháp điều trị đến thời gian sống của bệnh nhân ung thư phổi.

Phần 5: Phân tích định tính và định lượng

* Phân tích định tính: Sử dụng kiểm định Chi-squared (Chi-squared test) để xem xét mối liên quan giữa nhóm máu (A, B, O, AB) và nguy cơ mắc bệnh tiểu đường.

* Phân tích định lượng: Sử dụng kiểm định t (t-test) hoặc ANOVA để so sánh mức đường huyết trung bình giữa nhóm bệnh nhân dùng thuốc A và nhóm dùng thuốc B. Hoặc sử dụng phân tích hồi quy tuyến tính để xem xét mối liên quan giữa chỉ số BMI và huyết áp tâm thu.

Phần 6: Tạo báo cáo chuyên nghiệp với Rmarkdown

* `Rmarkdown` là một công cụ tuyệt vời để tạo ra các báo cáo khoa học chuyên nghiệp, kết hợp giữa văn bản, mã R và kết quả phân tích. Với `Rmarkdown`, các bạn có thể dễ dàng chia sẻ kết quả nghiên cứu của mình với đồng nghiệp và cộng đồng khoa học.

KR không hề đáng sợ như bạn nghĩ! Với sự trợ giúp của các gói phần mềm và cộng đồng hỗ trợ nhiệt tình, các bạn hoàn toàn có thể làm chủ R và ứng dụng nó vào công việc nghiên cứu và thực hành lâm sàng của mình.

Hành động ngay!

* Tham gia nhóm hỗ trợ R của Học viện MedAcademy chúng mình để được giải đáp thắc mắc và chia sẻ kinh nghiệm.

* Tìm hiểu thêm về R qua các khóa học trực tuyến, sách, blog,…

* Thực hành thường xuyên để nâng cao kỹ năng của bạn.

Chúng mình tin rằng, với sự kiên trì và đam mê, các bạn sẽ trở thành những “cao thủ” R trong tương lai!