📐 Từ ký hiệu đến công thức — Bản chất của các con số

3.1. Các chỉ số xu hướng trung tâm (Measures of Central Tendency)

Khi đối diện với một tập hợp dữ liệu, câu hỏi đầu tiên của mỗi bác sĩ lâm sàng nên là: "Con số nào đại diện tốt nhất cho tập hợp này?" Ba ứng cử viên chính là mean, median và mode, mỗi cái đều có ưu và nhược điểm riêng.

Trung bình cộng (Mean):
x̄ = Σxᵢ / n = (x₁ + x₂ + ... + xₙ) / n

Trung bình có trọng số (Weighted Mean):
x̄_w = Σ(wᵢ × xᵢ) / Σwᵢ

Trung bình cộng là chỉ số quen thuộc nhất: cộng tất cả các giá trị rồi chia cho số lượng. Tuy nhiên, như câu chuyện con sông đã chỉ ra, nó cực kỳ nhạy cảm với các giá trị ngoại lai. Một bệnh nhân có đường huyết 15.3 (thay vì 8.0) có thể kéo mean lên đáng kể. Trung vị (median) là giá trị ở vị trí chính giữa khi sắp xếp dữ liệu theo thứ tự tăng dần. Với dữ liệu đường huyết của bác sĩ Lan (mean = 8.2, median = 7.8), độ lệch giữa hai giá trị này là một tín hiệu cảnh báo: dữ liệu bị lệch phải (right-skewed), nghĩa là có một nhóm bệnh nhân có đường huyết rất cao đang kéo mean lên. Yếu vị (mode) là giá trị xuất hiện nhiều nhất — nó cho biết "điểm đến phổ biến nhất" của tập dữ liệu. Trong một số trường hợp, dữ liệu có thể có hai mode (bimodal), gợi ý rằng tập hợp bệnh nhân thực ra là sự pha trộn của hai nhóm khác nhau.

3.2. Các chỉ số phân tán (Measures of Dispersion)

Một con số trung tâm không bao giờ đủ — bạn cũng cần biết dữ liệu "trải rộng" hay "co cụm" thế nào. Phương sai (variance) đo trung bình của các bình phương độ lệch so với mean. Độ lệch chuẩn (standard deviation — SD, σ) là căn bậc hai của phương sai, đưa đơn vị trở về đơn vị gốc (mmol/L thay vì mmol²/L²). Khoảng tứ phân vị (interquartile range — IQR) là khoảng từ Q1 (percentile thứ 25) đến Q3 (percentile thứ 75), thường dùng cùng với median. Khoảng (range) là min-max, nhạy cảm nhất với outlier.

Phương sai mẫu (Sample Variance):
s² = Σ(xᵢ − x̄)² / (n − 1)

Độ lệch chuẩn mẫu (Sample SD):
s = √[Σ(xᵢ − x̄)² / (n − 1)]

Trong thực hành lâm sàng, bạn thường thấy dạng viết "mean ± SD" — ví dụ "8.2 ± 2.1 mmol/L". Nếu dữ liệu có phân phối chuẩn (sẽ học ở Chuyên đề 05), điều này có nghĩa là khoảng 68% bệnh nhân có đường huyết trong khoảng 6.1 đến 10.3 mmol/L (mean ± 1 SD), và khoảng 95% trong khoảng 4.0 đến 12.4 mmol/L (mean ± 1.96 SD). Nhưng nếu dữ liệu không chuẩn — như trường hợp của bác sĩ Lan — "mean ± SD" có thể gây hiểu lầm, và nên dùng "median (IQR)" thay thế.

3.3. Biểu đồ so sánh BMD theo Genotype (kèm Error Bars)

Một trong những ứng dụng quen thuộc của mean và SD là xây dựng biểu đồ cột với error bars (thanh sai số), cho phép so sánh trực quan giữa các nhóm. Ví dụ dưới đây trình bày mật độ xương (BMD) của 100 phụ nữ được phân loại theo genotype TT, Tt và tt — một nghiên cứu điển hình về loãng xương.

Biểu đồ cho thấy genotype TT có BMD trung bình cao nhất (1.25 g/cm²), trong khi tt có BMD thấp nhất (1.00 g/cm²). Error bars biểu diễn ± 1 SD, cho thấy độ phân tán trong từng nhóm. Lưu ý rằng nhóm tt có SD nhỏ nhất (0.06) — có thể vì nhóm này nhỏ hơn (n = 15), nhưng cũng có thể vì các cá thể tt có mật độ xương đồng nhất hơn. Trung bình có trọng số (weighted mean) của ba nhóm là: (40×1.25 + 45×1.10 + 15×1.00) / (40 + 45 + 15) = 113 / 100 = 1.13 g/cm² — một con số thấp hơn đáng kể so với mean của nhóm TT, phản ánh sự đóng góp của các genotype có BMD thấp hơn.

Tại sao weighted mean lại quan trọng trong y học? Khi bạn tổng hợp dữ liệu từ nhiều nghiên cứu (meta-analysis) hoặc nhiều trung tâm khác nhau, các nhóm thường có cỡ mẫu rất khác nhau. Một trung tâm có 500 bệnh nhân sẽ đóng góp nhiều hơn một trung tâm chỉ có 50 bệnh nhân vào kết quả chung. Weighted mean cho phép bạn tính toán chính xác "bức tranh toàn cảnh" mà không bị một trung tâm nhỏ nhưng có kết quả cực đoan làm nhiễu loạn. Đây là nền tảng của phân tích gộp (meta-analysis) — một trong những công cụ mạnh nhất của y học dựa trên bằng chứng (EBM).