Kim byli Douglas G. Altman i J. Martin Bland?
Douglas G. Altman (1948–2018) był brytyjskim statystykiem medycznym, członkiem Royal Statistical Society od 1970 r. Przez ponad 20 lat kierował Centre for Statistics in Medicine na Uniwersytecie Oksfordzkim, które sam założył, i był profesorem statystyki w medycynie. Był też starszym redaktorem statystycznym „British Medical Journal”, a jego podręcznik Practical Statistics for Medical Research sprzedał się w ponad 50 tys. egzemplarzy (Royal Statistical Society, 2018). Zmarł 3 czerwca 2018 r. (Institute of Social and Preventive Medicine, 2018).
J. Martin Bland (ur. 1947) studiował matematykę i statystykę w Imperial College w Londynie, a po trzech latach pracy statystyka w firmie ICI Plant Protection przeszedł do medycyny. Był wykładowcą w St Thomas’s Hospital Medical School (1972–1976), potem przez 27 lat pracował w St George’s Hospital Medical School, od 1995 r. jako profesor; doktorat z epidemiologii obronił w 1980 r. W latach 2003–2015 był profesorem statystyki zdrowia na University of York, gdzie jest dziś profesorem emeritus (Bland, 2016).
Najważniejsze pomysły
- Zgodność zamiast korelacji (1983–1986). Wysoka korelacja dwóch metod pomiaru mówi tylko, że wyniki rosną razem, a nie że są takie same. Bland i Altman (1986) zaproponowali w „Lancecie” prostą alternatywę: wykres różnicy pomiarów względem ich średniej i granice zgodności – średnia różnica ± 1.96 SD różnic. Dziś to metoda Blanda–Altmana, podstawa badań nad rzetelnością pomiaru klinicznego.
- Rozwinięcia (1999). W „Statistical Methods in Medical Research” autorzy opisali m.in. przedziały ufności granic, logarytmowanie i regresję, gdy różnica zależy od wielkości pomiaru, oraz pomiary powtarzane (Bland i Altman, 1999).
- „Statistics Notes”. Od 1994 r. redagowali w BMJ serię krótkich tekstów objaśniających lekarzom pojedyncze pojęcia statystyczne; lista Blanda obejmuje 68 not z lat 1994–2018 (Bland, 2018).
- Jakość raportowania (Altman). Altman założył sieć EQUATOR i był siłą napędową wytycznych CONSORT dla badań klinicznych; współtworzył też STROBE (Institute of Social and Preventive Medicine, 2018). O wyborze właściwej listy pisze wpis STROBE, CONSORT i TRIPOD; pokrewne są wytyczne STARD. W 1997 r. dostał Medal Bradforda Hilla, a w 2015 r. nagrodę BMJ za całokształt (Royal Statistical Society, 2018).
Ciekawostka
Dane do najsłynniejszego artykułu o zgodności pomiarów zebrano wśród rodziny i znajomych. Bland i Altman (1992) wspominają, że około 1980 r. kardiolodzy niezależnie pytali każdego z nich o korelację jako sposób porównania metod. Uzgodnili przez telefon, że trzeba patrzeć na różnice; tekst z 1983 r. w „The Statistician” był jednak – jak piszą – za bardzo matematyczny dla klinicystów.
Na prośbę kolegów lekarzy napisali wersję z przykładem. Bland poprosił „nielosową próbę” – samych autorów, kolegów, przyjaciół i krewnych – o dmuchanie w mierniki szczytowego przepływu wydechowego. W artykule z 1986 r. jest 17 osób zmierzonych dużym miernikiem Wrighta i miniaturowym, wszystkie pomiary wykonał Bland (Bland i Altman, 1986). Autorzy przyznają, że na awans bardziej liczyła się dla nich praca w czasopiśmie statystycznym – a to tekst w „Lancecie” stał się klasyką.
Przykład na prawdziwych danych
Zbiór arsenate z pakietu deming zawiera – według pliku pomocy – stężenie arsenianu w 30 próbkach wody rzecznej (µg/l), oznaczone dwiema metodami: absorpcyjną (AAS) i emisyjną (AES) spektrometrią atomową; źródłem jest praca Ripleya i Thompsona z 1987 r. o wykrywaniu obciążenia analitycznego.
Klasyczne granice. Korelacja metod wynosi r = .959, a średnia różnica AES − AAS tylko −0.03 µg/l (SD = 1.21). Granice zgodności 95% sięgają od −2.39 do 2.34 µg/l; poza nimi leżą 2 próbki z 30.
Rozrzut zależy od poziomu. Bezwzględna różnica rośnie ze średnią (rho Spearmana = .59, p = .001), więc jedna para granic nie pasuje do wszystkich stężeń. Logarytmowanie nie wchodzi w grę, bo trzy oznaczenia AAS i jedno AES wynoszą 0. Stosujemy więc wariant regresyjny z pracy z 1999 r.: modelujemy różnicę i bezwzględne reszty jako liniowe funkcje średniej. Przy stężeniu 0.5 µg/l granice wynoszą od −0.57 do 1.34, przy 5 µg/l – od −2.55 do 2.15, a przy 17.5 µg/l – od −8.04 do 4.40. Nachylenie różnicy (−0.13 na 1 µg/l, p = .024) sugeruje też, że AES daje niższe wyniki przy wysokich stężeniach – ale opiera się głównie na jednej próbce o średniej 17.6.
Na rysunku
Co widać. Obie drogi łączą dwie wspólne publikacje: artykuł z 1986 r. i serię not w BMJ od 1994 r.
Na co uważać. Cytowane źródła nie podają roku założenia ośrodka w Oksfordzie ani sieci EQUATOR, więc nie ma ich na osi.
Podpis do pracy:
deming::arsenate (Ripley i Thompson, za plikiem pomocy). Obliczenia i rysunek: R, pakiety ggplot2 i patchwork.Co widać. W panelu A stałe granice są za szerokie dla niskich stężeń i za wąskie dla wysokich: przy stężeniach poniżej 2 µg/l różnice prawie nie przekraczają ±1, a przy 8–18 µg/l sięgają −3.4. Panel B oddaje ten lejek.
Na co uważać. Próbek jest tylko 30, a powyżej 10 µg/l – dwie, więc kształt lejka po prawej stronie to w dużej mierze ekstrapolacja. Czy rozbieżność jest do przyjęcia, rozstrzyga wymaganie ustalone z góry, nie wykres.
Podpis do pracy:
Gdzie spotkasz Altmana i Blanda w swojej pracy
- Gdy walidujesz nowe narzędzie pomiaru (aplikację, czujnik, skrócony test) względem starego: podaj średnią różnicę, granice zgodności z przedziałami ufności i wykres; jeśli rozrzut rośnie z poziomem – logarytm albo wariant regresyjny. Uzupełnieniem są ICC i współczynnik zgodności Lina, a przy pytaniu o kalibrację – regresja Deminga.
- Gdy liczysz błąd pomiaru i minimalną zmianę: standardowy błąd pomiaru i MDC opisują inną stronę tego samego problemu.
- Gdy piszesz raport z badania klinicznego lub obserwacyjnego: listy CONSORT i STROBE, przy których pracował Altman, pomagają opisać badanie kompletnie.
Spory, mity i trudne strony
- Korelacja wciąż wraca. Już w 1992 r. autorzy pisali, że mimo sukcesu artykułu korelację nadal podaje się jako miarę zgodności, czasem obok ich metody, a sama metoda bywa stosowana niewłaściwie; zmiana utartej praktyki jest bardzo trudna (Bland i Altman, 1992). W przykładzie r = .959 nie mówi nic o tym, że przy wysokich stężeniach metody różnią się o kilka µg/l.
- Granice to nie test. Metoda opisuje rozbieżność, nie ogłasza „zgodności”. W artykule z 1986 r. autorzy podkreślali, że dane o przepływie wydechowym zebrano dla zilustrowania metody i nie są dowodem, że mierniki są wymienne.
- Gdzie publikować? Bland i Altman (1992) zauważali, że dla statystyków medycznych artykuł w czasopiśmie medycznym może mieć znacznie większy wpływ niż w statystycznym, i apelowali, by brały to pod uwagę komisje awansowe. Według RSS praca z 1986 r. miała w 2018 r. ponad 40 tys. cytowań w Google Scholar (Royal Statistical Society, 2018).
Granice zgodności Blanda–Altmana w R
Kod wczytuje dane Ripleya i Thompsona, liczy klasyczne granice zgodności, sprawdza, czy rozrzut różnic rośnie z poziomem, i wyznacza granice zależne od poziomu metodą regresyjną z pracy Blanda i Altmana (1999), a potem rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Granice stałe i zależne od poziomu: rysunek 2
Kod R rysunku 2
# Bland i Altman: granice zgodności stałe i zależne od poziomu (deming::arsenate – dane z pracy Ripleya i Thompsona z 1987 r.)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
kol <- c(punkty = "#0072B2", bias = "#D55E00", stale = "#000000", regresja = "#009E73") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(arsenate, package = "deming")
# aas – arsenian w µg/l oznaczony absorpcyjną spektrometrią atomową; aes – emisyjną spektrometrią atomową
a <- arsenate[, c("aas", "aes")]
a$roznica <- a$aes - a$aas
a$srednia <- (a$aes + a$aas) / 2
c(N = nrow(a), zera_aas = sum(a$aas == 0), zera_aes = sum(a$aes == 0), r_Pearsona = round(cor(a$aas, a$aes), 3))
# 1. Klasyczne granice zgodności (Bland i Altman, 1986): średnia różnica ± 1.96 SD różnic
b <- mean(a$roznica); s <- sd(a$roznica)
round(c(srednia_roznica = b, SD_roznic = s, dolna_LoA = b - 1.96 * s, gorna_LoA = b + 1.96 * s,
poza_LoA = sum(abs(a$roznica - b) > 1.96 * s)), 3)
# 2. Czy rozrzut rośnie z poziomem? Korelacja Spearmana |różnicy| ze średnią
ct <- cor.test(abs(a$roznica), a$srednia, method = "spearman", exact = FALSE)
round(c(rho = unname(ct$estimate), p = ct$p.value), 3)
# 3. Granice zależne od poziomu (Bland i Altman, 1999): regresja różnicy na średnią,
# potem regresja |reszt| na średnią; SD reszt = sqrt(pi / 2) · przewidziana |reszta|
m_b <- lm(roznica ~ srednia, data = a)
m_s <- lm(abs(resid(m_b)) ~ srednia, data = a)
round(rbind(roznica = summary(m_b)$coef["srednia", ], abs_reszty = summary(m_s)$coef["srednia", ]), 3)
siatka <- data.frame(srednia = c(0.5, 2, 5, 10, 17.5))
siatka$bias <- predict(m_b, siatka)
siatka$polowa <- 1.96 * sqrt(pi / 2) * predict(m_s, siatka)
siatka$dolna <- siatka$bias - siatka$polowa
siatka$gorna <- siatka$bias + siatka$polowa
round(siatka, 2)
# Rysunek: A – wykres Blanda–Altmana ze stałymi granicami; B – granice zależne od poziomu
linie <- data.frame(y = c(b, b - 1.96 * s, b + 1.96 * s), rodzaj = c("średnia różnica", "granice 95%", "granice 95%"))
pA <- ggplot(a, aes(srednia, roznica)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_hline(data = linie, aes(yintercept = y, colour = rodzaj, linetype = rodzaj), linewidth = 0.9) +
geom_point(colour = kol[["punkty"]], size = 2.4, alpha = 0.85) +
scale_colour_manual(values = c("granice 95%" = kol[["stale"]], "średnia różnica" = kol[["bias"]]), name = NULL) +
scale_linetype_manual(values = c("granice 95%" = "22", "średnia różnica" = "solid"), name = NULL) +
coord_cartesian(ylim = c(-8.5, 6)) +
labs(title = sprintf("A. Granice stałe: %.2f ± %.2f µg/l", b, 1.96 * s),
x = "Średnia z dwóch metod (µg/l)", y = "Różnica AES − AAS (µg/l)") +
motyw
gesta <- data.frame(srednia = seq(min(a$srednia), max(a$srednia), length.out = 200))
gesta$bias <- predict(m_b, gesta)
gesta$polowa <- 1.96 * sqrt(pi / 2) * predict(m_s, gesta)
pB <- ggplot(a, aes(srednia, roznica)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_ribbon(data = gesta, aes(x = srednia, ymin = bias - polowa, ymax = bias + polowa), inherit.aes = FALSE,
fill = kol[["regresja"]], alpha = 0.15) +
geom_line(data = gesta, aes(srednia, bias - polowa), colour = kol[["regresja"]], linetype = "22", linewidth = 0.9) +
geom_line(data = gesta, aes(srednia, bias + polowa), colour = kol[["regresja"]], linetype = "22", linewidth = 0.9) +
geom_line(data = gesta, aes(srednia, bias), colour = kol[["bias"]], linewidth = 0.9) +
geom_point(colour = kol[["punkty"]], size = 2.4, alpha = 0.85) +
coord_cartesian(ylim = c(-8.5, 6)) +
labs(title = "B. Granice zależne od poziomu",
subtitle = "ciągła: przewidywana różnica; przerywane: granice 95%",
x = "Średnia z dwóch metod (µg/l)", y = "Różnica AES − AAS (µg/l)") +
motyw
p2 <- pA + pB
p2Wynik w R
N zera_aas zera_aes r_Pearsona
30.000 3.000 1.000 0.959
srednia_roznica SD_roznic dolna_LoA gorna_LoA poza_LoA
-0.025 1.206 -2.390 2.339 2.000
rho p
0.587 0.001
Estimate Std. Error t value Pr(>|t|)
roznica -0.130 0.054 -2.381 0.024
abs_reszty 0.126 0.029 4.391 0.000
srednia bias polowa dolna gorna
1 0.5 0.38 0.96 -0.57 1.34
2 2.0 0.19 1.42 -1.23 1.61
3 5.0 -0.20 2.35 -2.55 2.15
4 10.0 -0.85 3.90 -4.75 3.05
5 17.5 -1.82 6.22 -8.04 4.402. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Douglas G. Altman (1948–2018) i J. Martin Bland (ur. 1947) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1948, 1986, 1994, 1997, 2015, 2018,
1947, 1972, 1976, 1980, 1986, 1994, 2003),
osoba = c(rep("Douglas G. Altman", 6), rep("J. Martin Bland", 7)),
opis = c("urodził się", "artykuł w „Lancecie”\n(z Blandem)", "pierwsza z „Statistics\nNotes” w BMJ",
"Medal Bradforda Hilla", "nagroda BMJ\nza całokształt", "zmarł",
"urodził się", "wykładowca\n(St Thomas’s)", "St George’s\nHospital Medical School", "doktorat\nz epidemiologii",
"artykuł w „Lancecie”\n(z Altmanem)", "pierwsza z „Statistics\nNotes” w BMJ", "profesor\nw Yorku"),
rodzaj = c("życie", "publikacja", "publikacja", "wyróżnienie", "wyróżnienie", "życie",
"życie", "praca", "praca", "praca", "publikacja", "publikacja", "praca"),
poziom = c(0.5, 0.5, -0.5, 0.5, -0.5, 0.5,
0.5, -0.5, 0.5, -0.5, 0.5, -0.5, 0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
0.5, 0.5, 1, 0.5, 0.5, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("Douglas G. Altman", "J. Martin Bland"))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
facet_wrap(~ osoba, ncol = 1) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1940, 2025), breaks = seq(1940, 2020, by = 10)) +
scale_y_continuous(limits = c(-1.6, 1.6)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (regresje i korelacja – pakiet stats; dane – pakiet deming; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- deming (wersja 1.4.1): Therneau, T. (2024). deming: Deming, Theil-Sen, Passing-Bablock and total least squares regression [R package]. https://doi.org/10.32614/CRAN.package.deming
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim byli Douglas Altman i Martin Bland?
Brytyjskimi statystykami medycznymi. Altman (1948–2018) kierował Centre for Statistics in Medicine w Oksfordzie, był redaktorem statystycznym BMJ i założycielem sieci EQUATOR. Bland (ur. 1947) pracował w St Thomas’s i St George’s w Londynie, a od 2003 r. na University of York. Razem napisali artykuł z 1986 r. o zgodności metod pomiaru.
Skąd pochodzą dane z artykułu Blanda i Altmana z 1986 roku?
Od 17 osób z otoczenia autorów: Bland poprosił kolegów, przyjaciół i krewnych o dmuchanie w dwa mierniki szczytowego przepływu wydechowego – duży miernik Wrighta i miniaturowy – i sam wykonał wszystkie pomiary. Dane miały tylko zilustrować metodę.
Dlaczego według Blanda i Altmana korelacja nie mierzy zgodności?
Bo korelacja mówi, czy wyniki dwóch metod rosną razem, a nie czy są takie same. Metoda, która każdemu dodaje stałą wartość albo myli się bardziej przy dużych wartościach, może korelować bardzo wysoko. W przykładzie r = .959, a przy wysokich stężeniach różnice sięgają kilku µg/l.
Czym są Statistics Notes w BMJ?
To seria krótkich artykułów, które Altman i Bland redagowali w „British Medical Journal” od 1994 r.; każdy objaśnia lekarzom jedno pojęcie statystyczne. Lista Blanda obejmuje 68 not z lat 1994–2018.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Badanie rzetelności pomiaru klinicznego
Plan badania powtarzalności, forma ICC, SEM i MDC95, wykres Blanda–Altmana, zgodność dwóch urządzeń i raport według GRRAS – z przykładem w R.
Czytaj →PoradnikSTROBE, CONSORT i TRIPOD – która lista
Jak dobrać listę raportowania do schematu badania, wypełnić ją z numerami stron i obsłużyć punkty „nie dotyczy” – z tabelą i schematem wyboru.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bland, J. M. (2016). Curriculum vitae: John Martin Bland. University of York (strona autorska). https://www-users.york.ac.uk/~mb55/about/jmbcv.htm ● Otwarty dostęp
- Bland, J. M. (2018). BMJ Statistics Notes. University of York (strona autorska). https://www-users.york.ac.uk/~mb55/pubs/pbstnote.htm ● Otwarty dostęp
- Bland, J. M., & Altman, D. G. (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet, 327(8476), 307–310. https://doi.org/10.1016/s0140-6736(86)90837-8
- Bland, J. M., & Altman, D. G. (1992). This week’s citation classic: Comparing methods of clinical measurement. Current Contents: Clinical Medicine, 20(40), 8.
- Bland, J. M., & Altman, D. G. (1999). Measuring agreement in method comparison studies. Statistical Methods in Medical Research, 8(2), 135–160. https://doi.org/10.1177/096228029900800204
- Institute of Social and Preventive Medicine. (2018). Doug Altman of Oxford University has died. University of Bern. https://ispm.unibe.ch/about_us/news/doug_altman_of_oxford_university_has_died/index_eng.html ● Otwarty dostęp
- Royal Statistical Society. (2018). Douglas Altman, 1948–2018. https://rss.org.uk/news-publication/news-publications/2018/general-news/douglas-altman-1948-2018/ ● Otwarty dostęp
Cytowania BibTeX
@misc{blandcv2016, author={Bland, J. Martin}, title={{Curriculum vitae: John Martin Bland}}, howpublished={University of York (strona autorska)}, year={2016}, url={https://www-users.york.ac.uk/~mb55/about/jmbcv.htm}}@misc{bland2018statisticsnotes, author={Bland, J. Martin}, title={{BMJ Statistics Notes}}, howpublished={University of York (strona autorska)}, year={2018}, url={https://www-users.york.ac.uk/~mb55/pubs/pbstnote.htm}}@article{bland1986statistical, author={Bland, J. Martin and Altman, Douglas G.}, title={{Statistical methods for assessing agreement between two methods of clinical measurement}}, journal={The Lancet}, year={1986}, volume={327}, number={8476}, pages={307--310}, doi={10.1016/s0140-6736(86)90837-8}}@article{bland1992citationclassic, author={Bland, J. Martin and Altman, Douglas G.}, title={{This week’s citation classic: Comparing methods of clinical measurement}}, journal={Current Contents: Clinical Medicine}, year={1992}, volume={20}, number={40}, pages={8}}@article{bland1999measuring, author={Bland, J. Martin and Altman, Douglas G.}, title={{Measuring agreement in method comparison studies}}, journal={Statistical Methods in Medical Research}, year={1999}, volume={8}, number={2}, pages={135--160}, doi={10.1177/096228029900800204}}@misc{ispm2018altman, author={{Institute of Social and Preventive Medicine, University of Bern}}, title={{Doug Altman of Oxford University has died}}, howpublished={University of Bern}, year={2018}, url={https://ispm.unibe.ch/about_us/news/doug_altman_of_oxford_university_has_died/index_eng.html}}@misc{rss2018altman, author={{Royal Statistical Society}}, title={{Douglas Altman, 1948–2018}}, year={2018}, url={https://rss.org.uk/news-publication/news-publications/2018/general-news/douglas-altman-1948-2018/}}