1.4: Вступ до таблиць 2 x 2, дизайн епідеміологічного дослідження та заходи асоціації
- Page ID
- 105380
Цілі навчання
Прочитавши цю главу, ви зможете зробити наступне:
- Інтерпретувати дані, знайдені в таблиці 2 x 2
- Порівняйте та порівняйте 4 найпоширеніші типи епідеміологічних досліджень: когортні дослідження, рандомізовані контрольовані дослідження, дослідження кейс-контролю та дослідження поперечного перерізу
- Розрахувати та інтерпретувати відносні заходи асоціації (коефіцієнти ризику, коефіцієнти ставок, коефіцієнти коефіцієнтів)
- Поясніть, які заходи є кращими для яких конструкцій дослідження та чому
- Обговоріть відмінності між абсолютними та відносними показниками асоціації
В епідеміології нас часто турбує ступінь, в якій конкретний вплив може спричинити (або запобігти) певному захворюванню. Як детально описано пізніше в розділі 10, важко стверджувати про причинні наслідки одного епідеміологічного дослідження; отже, ми говоримо натомість, що опромінення та захворювання є (або не є) статистично пов'язаними. Це означає, що вплив непропорційно розподіляється між особами з хворобою та без неї. Ступінь, з якою пов'язані впливу та наслідки для здоров'я, передається через міру асоціації. Який показник асоціації вибрати, залежить від того, чи працюєте ви з даними про захворюваність чи поширеність, що, в свою чергу, залежить від типу використовуваного дизайну дослідження. Таким чином, ця глава надасть короткий контур загальних конструкцій епідеміологічних досліджень, що переплітаються з обговоренням відповідних заходів (ів) асоціації для кожного. У розділі 9 ми повернемося до вивчення конструкцій для більш глибокого обговорення їх сильних і слабких сторін.
Необхідний перший крок: 2 x 2 позначення
Перш ніж приступати до вивчення конструкцій та заходів асоціації, важливо зрозуміти позначення, що використовуються в епідеміології для передачі даних про вплив та захворювання: таблиця 2 х 2. Таблиця 2 x 2 (або таблиця два на два) - це компактний підсумок даних для 2 змінних з дослідження, а саме, впливу та результату здоров'я. Скажімо, ми проводимо дослідження на 10 осіб щодо куріння та гіпертонії та збираємо наступні дані, де Y вказує на так, а N вказує ні:
| # учасника | Курець? | Гіпертонія? |
|---|---|---|
| 1 | У | У |
| 2 | У | П |
| 3 | У | У |
| 4 | У | У |
| 5 | П | П |
| 6 | П | У |
| 7 | П | П |
| 8 | П | П |
| 9 | П | У |
| 10 | П | П |
Ви можете бачити, що у нас 4 курців, 6 некурящих, 5 осіб з гіпертонією та 5 без. У цьому прикладі куріння - це вплив, а гіпертонія - це результат здоров'я, тому ми говоримо, що 4 курців «піддаються» (Е +), 6 некурящих «не піддаються» (Е -), 5 людей з гіпертонією «хворіють» (D +), а 5 людей без гіпертонії «не хворіють» (D -). Цю інформацію можна організувати в таблицю 2 × 2:
| Д+ | Д- | |
|---|---|---|
| E+ | 3 | 1 |
| Е- | 2 | 4 |
Таблиця 2 × 2 узагальнює інформацію з довшої таблиці вище, щоб ви могли швидко побачити, що 3 особи були як піддані, так і хворі (особи 1, 3 та 4); одна людина була піддана, але не хвора (особа 2); дві особи були непіддані, але хворі (особи 6 і 9); а решта 4 особи не піддавалися впливу і не хворіли (особи 5, 7, 8 і 10). Хоча насправді не має значення, чи вплив чи хвороба розміщується зліва або вгорі таблиці 2 × 2, конвенція в епідеміології полягає в тому, щоб мати вплив зліва і хвороба вгорі.
При обговоренні таблиць 2 х 2 епідеміологи використовують наступну стенографію для позначення конкретних клітин:
| Д+ | Д- | |
|---|---|---|
| E+ | A | Б |
| Е- | C | D |
Часто корисно обчислити підсумки маржі для таблиці 2 х 2:
| Д+ | Д- | Всього | |
| E+ | 3 | 1 | 4 |
| Е- | 2 | 4 | 6 |
| Всього | 5 | 5 | 10 |
Або:
| Д+ | Д- | Всього | |
| E+ | A | Б | А+Б |
| Е- | C | D | С+Д |
| Всього | А+С | Б+Д | А+Б+С+Д |
Підсумки маржі іноді корисні при розрахунку різних заходів асоціації (і для перевірки себе на вихідні дані).
Безперервні проти категоріальних змінних
Безперервні змінні - це такі речі, як вік або зріст, де можливі значення для даної людини нескінченні або близькі до нього. Категоричні змінні - це такі речі, як релігія або улюблений колір, де є дискретний список можливих відповідей. Дихотомні змінні - це особливий випадок категоричної змінної, де є лише 2 можливі відповіді. Можна дихотомізувати неперервну змінну - якщо у вас є змінна «вік», ви можете розділити її на «стару» та «молоду». Однак чи не завжди доцільно це робити, оскільки втрачається багато інформації. Крім того, як вирішити, де дихотомізувати? «Старий» починається в 40, або 65? Епідеміологи зазвичай вважають за краще залишати безперервні змінні безперервними, щоб уникнути необхідності робити ці виклики судження.
Тим не менш, наявність дихотомічних змінних (людина або піддається впливу, або ні, або хворий, або ні) робить математику набагато легше зрозуміти. Для цілей цієї книги ми припустимо, що всі дані про вплив та захворювання можуть бути змістовно дихотомізовані та розміщені в таблицях 2 × 2.
Дослідження, які використовують дані про захворюваність
Когорти
Існує 4 типи епідеміологічних досліджень, які будуть висвітлені в цій книзі, [1] два з яких збирають дані про захворюваність: проспективні когортні дослідження та рандомізовані контрольовані дослідження. Оскільки ці проекти дослідження використовують дані про захворюваність, ми миттєво знаємо 3 речі про ці типи досліджень. По-перше, ми шукаємо нові випадки захворювання. По-друге, існує певне поздовжнє спостереження, яке повинно відбутися, щоб дозволити розвиватися цим новим випадкам. По-третє, ми повинні почати з тих, хто був у групі ризику (тобто без захворювання або результату здоров'я) як наш базовий рівень.
Процедура перспективного когортного дослідження (далі називається просто «когортним дослідженням», хоча див. вставку ретроспективних когортних досліджень пізніше в цьому розділі) починається з цільової популяції, яка містить обидва хворі і не хворі особини:
Як обговорювалося в розділі 1, ми рідко проводимо дослідження цілих популяцій, оскільки вони занадто великі, щоб це було логістично здійсненним для вивчення всіх в популяції. Тому ми малюємо зразок і проводимо дослідження з особами в вибірці. Для когортного дослідження, оскільки ми будемо обчислювати захворюваність, ми повинні почати з осіб, які ризикують результатом. Таким чином, ми проводимо нехвору вибірку з цільової групи населення:
Наступним кроком є оцінка стану експозиції осіб у нашому зразку та визначення, чи піддаються вони впливу чи ні:
Оцінивши, які учасники були виставлені, наша таблиця 2 х 2 (використовуючи приклад даних про куріння/HTN 10 осіб зверху) виглядала б так:
| Д+ | Д- | Всього | |
| E+ | 0 | 4 | 4 |
| Е- | 0 | 6 | 6 |
| Всього | 0 | 10 | 10 |
За визначенням, на початку когортного дослідження все ще схильні до ризику розвитку захворювання, а тому в колонці D+ немає індивідів. У цьому гіпотетичному прикладі, виходячи з наведених вище даних, ми будемо спостерігати 5 випадків інцидентної гіпертензії в міру прогресування дослідження, але на початку жодного з цих випадків ще не відбулося.
Потім ми стежимо за учасниками нашого дослідження протягом деякого часу і спостерігаємо випадки інцидентів у міру їх виникнення.
Як згадувалося в розділі 2, тривалість спостереження варіюється залежно від розглянутого процесу захворювання. Для дослідження питання щодо дитячого впливу та раку з пізнім початком тривалості спостереження становитиме десятиліття. Для спалаху інфекційного захворювання тривалість спостереження може становити лічені дні або навіть години, залежно від інкубаційного періоду конкретного захворювання.
Припускаючи, що ми обчислюємо пропорції захворюваності (які використовують кількість людей, які ризикують у знаменнику) у нашій когорті, наша таблиця 2 × 2 в кінці дослідження куріння/HTN виглядала б так:
| Д+ | Д- | Всього | |
| E+ | 3 | 1 | 4 |
| Е- | 2 | 4 | 6 |
| Всього | 5 | 5 | 10 |
Важливо визнати, що коли епідеміологи говорять про таблицю 2 × 2 з когортного дослідження, вони означають таблицю 2 × 2 в кінці дослідження - таблиця 2 × 2 з самого початку була набагато менш цікавою, оскільки стовпець D + був порожнім!
З цієї таблиці 2 × 2 ми можемо обчислити ряд корисних заходів, докладно описаних нижче.
Приклад\(\PageIndex{1}\): Calculating the Risk Ratio from the Hypothetical Smoking/Hypertension Cohort Study
Ми можемо почати з розрахунку загальної частоти захворювань у нашій вибірці (припустимо, що наше дослідження куріння/HTN включало 10 років спостереження):
\[\text { Incidence proportion = population at risk at baseline }=\frac{5}{10}\]
Це 50 випадків на 100 осіб за 10 років
Використовуючи позначення ABCD для таблиці 2 x 2, формула загальної частки захворюваності:
Також ми можемо обчислити захворюваність тільки серед піддаються впливу осіб:
\[I_{E+}=\frac{A}{(A+B)}=\frac{3}{4}=75 \text { per } 100 \text { in } 10 \text { years }\]
Так само ми можемо обчислити захворюваність лише серед неопромінених осіб:
\[\mathrm{I}_{\mathrm{E}-}=\frac{C}{(C+D)}=\frac{2}{6}=33 \text { per } 100 \text { in } 10 \text { years }\]
Нагадаємо, що нашою первісною метою з когортним дослідженням було з'ясувати, чи пов'язане вплив із захворюванням. Таким чином, нам потрібно порівняти I E+ з I E-. Найпоширеніший спосіб зробити це - розрахувати їх комбіноване співвідношення:
\[\text { Risk Ratio }=\frac{I_{E+}}{I_{E-}}=\frac{75 \text { per } 100 \text { in } 10 \text { years }}{33 \text { per } 100 \text { in } 10 \text { years }}=2.27\]
Використовуючи ABCD позначення, формула для RR така:
\[RR=\frac{\frac{A}{(A+B)}}{\frac{C}{(C+D)}}\]
Зверніть увагу, що коефіцієнти ризику (RR) не мають одиниць, оскільки залежні від часу одиниці для 2 інцидентів скасовуються.
Якщо RR більше 1, це означає, що ми спостерігали більше захворювання в групі, що піддається впливу, ніж в неопроміненій групі. Так само, якщо RR менше 1, це означає, що ми спостерігали менше захворювань у групі, що піддається впливу, ніж у неопроміненій групі. Якщо припустити причинно-наслідковий зв'язок, вплив з RR < 1 запобігає захворюванню, а вплив з RR > 1 викликає захворювання. Нульове значення для коефіцієнта ризику становить 1,0, що означало б, що не спостерігалося зв'язку між впливом та захворюванням. Ви можете побачити, як це було б так - якби частота була ідентичною в експонованих і неекспонованих групах, то RR буде дорівнює 1, оскільки x розділений на x дорівнює 1.
Оскільки значення null дорівнює 1.0, слід бути обережним, якщо при інтерпретації RR використовуються слова вище або нижче. Наприклад, RR 2,0 означає, що захворювання в два рази частіше, або вдвічі вище, у опромінених порівняно з непідданими - не те, що воно в 2 рази частіше, або в 2 рази вище, що було б RR 3.0 (оскільки нульове значення дорівнює 1, а не 0). Якщо ви не бачите різниці між ними, не потійте це - просто запам'ятайте та використовуйте шаблонне речення нижче, і ваше тлумачення буде правильним.
Правильне тлумачення RR - це:
Використовуючи наш приклад куріння/HTN:
Ключова фраза в рази вище; з нею шаблонне речення працює незалежно від того, чи є RR вище або нижче 1. Для RR 0.5, кажучи «0.5 рази вище» означає, що ви помножуєте ризик у неекспонованих на 0,5, щоб отримати ризик у викритому, що дає меншу частоту впливу - як очікується з RR < 1.
Якщо натомість наше когортне дослідження використовувало підхід до часу людини, таблиця 2 x 2 наприкінці дослідження мала б стовпець для суми часу людини в групі ризику (PTAR):
| Д+ | Д- | Всього | Σ ПТАР | |
| E+ | 3 | 1 | 4 | 27,3 ПІР |
| Е- | 2 | 4 | 6 | 52,9 ПІР |
| Всього | 5 | 5 | 10 | 80,2 ПІН |
Приклад\(\PageIndex{2}\): Calculating the Rate Ratio from the Hypothetical Smoking/Hypertension Cohort Study
Використовуючи знаменник людино-час, частота захворюваності для загального дослідження становить:
Так само рівень захворюваності серед осіб, що піддаються впливу, становить:
А захворюваність серед осіб, які не піддаються впливу, становить:
Знову візьмемо співвідношення захворюваності в піддається захворюваності в неекспонованих, на цей раз обчислюючи коефіцієнт швидкості (також скорочено RR):
Як і при використанні пропорцій захворюваності, одиниці скасовуються, і нам залишається лише число.
Тлумачення таке ж, як і для співвідношення ризику; потрібно просто замінити слово rate на слово ризик:
Зверніть увагу, що речення про тлумачення все ще включає тривалість дослідження, хоча деякі особи (4, які розвинули гіпертонію) до цього часу піддавалися цензурі. Це пов'язано з тим, що знати, як довго за людьми стежили (і, таким чином, дали час для розвитку хвороби) все ще важливо при інтерпретації висновків. Як обговорювалося в розділі 2, 100 років особистого часу можна накопичувати будь-якою кількістю різних способів; знаючи, що тривалість дослідження становила 10 років (а не 1 рік або 50 років), може мати значення з точки зору того, як (або якщо) застосувати висновки на практиці.
«Відносний ризик»
І коефіцієнт ризику, і коефіцієнт ставки скорочено RR. Ця абревіатура (і коефіцієнт ризику та/або коефіцієнт) часто називають епідеміологами відносним ризиком. Це приклад непослідовного лексикону в галузі епідеміології; у цій книзі я використовую співвідношення ризику та співвідношення ставок окремо (а не відносний ризик як парасольковий термін), оскільки це корисно, на мій погляд, розрізняти дослідження з використанням населення в групі ризику проти тих, хто використовує підхід до ризику під час людини. Незважаючи на це, міра асоціації, яка називається RR, завжди розраховується як частота випадків впливу, розділена на частоту неекспонованих.
Ретроспективні когортні дослідження
Протягом цієї книги я зосереджуся на перспективних когортних дослідженнях. Можна також провести ретроспективне когортне дослідження, згадане тут, оскільки громадська охорона здоров'я та клінічні практики зіткнуться з ретроспективними когортними дослідженнями в літературі. Теоретично ретроспективне когортне дослідження проводиться точно так само, як проспективне когортне дослідження: починається з нехворої вибірки з цільової популяції, визначає, хто був підданий, і «слідує» за зразком протягом x днів/місяців/років, шукаючи інцидентні випадки захворювання. Різниця полягає в тому, що для ретроспективного когортного дослідження все це вже сталося, і одна реконструює цю інформацію, використовуючи існуючі записи. Найбільш поширеним способом проведення ретроспективних когортних досліджень є використання трудових книжок (які часто мають посадові інструкції, корисні для передбачуваного впливу - наприклад, менеджер підлоги, ймовірно, піддавався впливу будь-яких хімічних речовин, які були на заводському поверсі, тоді як співробітники людських ресурсів, ймовірно, не були), медична записи або інші набори адміністративних даних (наприклад, військові записи).
Продовжуючи наш 10-річний приклад когорти куріння/HTN, можна зробити ретроспективну когорту, використовуючи медичні записи наступним чином:
- Поверніться до всіх записів 10 років тому і визначте, хто вже мав гіпертонію (ці люди не піддаються ризику і тому не мають права) або іншим чином не відповідає критеріям включення вибірки
- Визначте, серед тих, хто знаходиться в групі ризику 10 років тому, які особини були курцями
- Визначте, у яких членів зразка потім розвинулася гіпертонія протягом інтервенційних 10 років
Ретроспективні когорти аналізуються так само, як і перспективні когорти, тобто шляхом розрахунку коефіцієнтів ставок або коефіцієнтів ризику. Однак для початківців студентів епідеміології ретроспективні когорти часто плутають з дослідженнями кейс-контролю; тому ми зосередимося виключно на перспективних когортах для решти цієї книги. (Дійсно, зрідка навіть досвідчені вчені плутаються з приводу різниці е!) я
Рандомізовані контрольовані випробування
Процедура рандомізованого контрольованого дослідження (RCT) точно така ж, як процедура для перспективної когорти, за одним винятком: замість того, щоб дозволити учасникам самостійно вибирати в «викриті» та «неекспоновані» групи, слідчий у RCT випадковим чином призначає деяких учасників (як правило, половину) до «викритих» а друга половина до «неекспонованих». Іншими словами, стан експозиції визначається цілком випадково. Це тип дослідження, який вимагає Управління з контролю за продуктами і ліками для схвалення нових препаратів: половина учасників дослідження випадковим чином призначається до нового препарату, а половина - до старого препарату (або до плацебо, якщо препарат призначений для лікування чогось раніше не піддавалося лікуванню). Схема для РКТ виглядає наступним чином:
Зауважте, що єдина відмінність між RCT та перспективною когортою - це перша коробка: замість вимірювання існуючих експозицій ми тепер говоримо людям, чи будуть вони піддаватися впливу чи ні. Ми все ще вимірюємо інцидентну хворобу, і тому ми все ще розраховуємо або коефіцієнт ризику, або коефіцієнт.
Спостережні проти експериментальних досліджень
Когортні дослідження - це підклас спостережних досліджень, тобто дослідник просто спостерігає за тим, що відбувається в реальному житті - люди в дослідженні самостійно вибирають піддаються впливу чи ні залежно від своїх особистих уподобань та життєвих обставин. Потім дослідник вимірює і записує рівень впливу даної людини. Дослідження поперечного перерізу та кейс-контролю також є спостережливими. Рандомізовані контрольовані випробування, з іншого боку, є експериментальними дослідженнями - дослідник проводить експеримент, який включає в себе розповісти людям, чи будуть вони піддаватися стану чи ні (наприклад, до нового препарату).
Дослідження, які використовують дані про поширеність
Слідувати за учасниками в очікуванні інцидентних випадків захворювання є дорогим і трудомістким. Часто епідеміологам потрібна більш швидка (і дешевша) відповідь на своє питання про ту чи іншу комбінацію опромінення/захворювання. Натомість можна скористатися поширеними випадками захворювань, які за визначенням вже відбулися і тому не вимагають очікування. Є 2 таких конструкції, які я висвітлю: перехресні дослідження і кейс-контрольні дослідження. Для обох цих випадків, оскільки ми не використовуємо випадки інцидентів, ми не можемо обчислити RR, оскільки у нас немає даних про захворюваність. Натомість ми розраховуємо коефіцієнт коефіцієнта (АБО).
Поперечний переріз
Поперечні дослідження часто називають знімками або дослідженнями поширеності: один робить «знімок» в певний момент часу, визначаючи, хто піддається впливу і хто хворий одночасно. Нижче наведено візуальне:
Зауважте, що вибірка тепер більше не складається повністю з тих, хто піддається ризику, оскільки ми використовуємо поширені випадки - таким чином, за визначенням, певна частина зразка буде хворіти на вихідному рівні. Як уже згадувалося, ми не можемо обчислити RR в цьому сценарії, тому замість цього ми обчислюємо АБО.
Приклад\(\PageIndex{3}\): Calculating the Odds Ratio from the Hypothetical Smoking/Hypertension Cross-Sectional Study
Формула АБО для дослідження поперечного перерізу така:
\[\mathrm{OR}=\frac{\text { odds of disease in the exposed group }}{\text { odds of disease in the unexposed group }} \nonumber\]
Шанси події визначаються статистично як кількість людей, які пережили подію, поділена на кількість людей, які її не зазнали. Використовуючи позначення 2 × 2, формула OR така:
\[\mathrm{OR}=\frac{\frac{A}{B}}{\frac{C}{D}}=\frac{A D}{B C} \nonumber\]
Для нашого прикладу куріння/HTN, якщо ми припустимо, що ці дані надійшли з дослідження поперечного перерізу, АБО буде:
\[\mathrm{OR}=\frac{\frac{3}{1}}{\frac{2}{4}}=\frac{3 * 4}{2 * 1}=6.0 \nonumber\]
Знову одиниць немає.
Тлумачення АБО таке ж, як і у RR, при цьому слово коефіцієнти замінено на ризик:
Зауважте, що зараз ми більше не згадуємо час, оскільки ці дані надійшли з поперечного дослідження, яке не передбачає часу. Як і при інтерпретації RR, ОР більше 1 означають, що експозиція частіше зустрічається серед хворих, а ОР менше 1 означають, що експозиція менш поширена серед хворих. Значення null знову дорівнює 1.0.
За таблицями 2 х 2 з досліджень поперечного перерізу можна додатково розрахувати загальну поширеність захворювання як
Нарешті, деякі автори будуть посилатися на АБО в поперечному дослідженні як коефіцієнт поширеності шансів - імовірно, так само, як нагадування про те, що дослідження поперечного перерізу проводяться на поширених випадках. Розрахунок такої міри точно такий же, як і ОР, представлений вище.
АБО проти RR
Як видно з (гіпотетичних) даних прикладу в цьому розділі, АБО завжди буде далі від нульового значення, ніж RR. Чим частіше захворювання, тим більше це вірно. Якщо захворювання має поширеність близько 5% і менше, то АБО дійсно забезпечує близьке наближення РР; однак, у міру того, як розглядається захворювання стає все більш поширеним (як в цьому прикладі, при поширеності гіпертонії 40%), АБО відхиляється все далі і далі від РР.
Іноді ви побачите когортне дослідження (або дуже рідко, RCT), яке повідомляє АБО замість RR. Технічно це не правильно, оскільки когорти та RCT використовують випадки інцидентів, тому найкращим вибором для міри асоціації є RR. Однак одна поширена методика статистичного моделювання - логістична регресія - автоматично обчислює ОР. Хоча можна зворотно-обчислювати RR з цих цифр, часто слідчі не турбуються і замість цього просто повідомляють про АБО. Це клопітно з кількох причин: по-перше, людському мозку легше інтерпретувати ризики на відміну від шансів, і тому ризики слід використовувати, коли це можливо; і по-друге, когортні дослідження та RCT майже завжди мають відносно загальні результати (див. Розділ 9), таким чином, звітність АБО робить це здається, ніби експозиція є більшою проблемою (або кращим рішенням, якщо OR < 1), ніж це «насправді».
Кейс-контроль
Останнім типом епідеміологічного дослідження, який зазвичай використовується, є кейс-контрольне дослідження. Це також починається з поширених випадків і, таким чином, швидше і дешевше, ніж поздовжні (перспективна когорта або RCT) конструкції. Для проведення кейс-контрольного дослідження спочатку проводять вибірку хворих осіб (випадки):
Потім зразок нехворих особин (контрольні):
Перш за все, зауважте, що і випадки, і контроль надходять від однієї і тієї ж базової групи населення. Це надзвичайно важливо, щоб дослідник не проводив упереджене дослідження кейс-контролю (докладніше про це див. розділ 9). Після випадків відбору проб і контролю, один вимірює експозиції в якийсь момент в минулому. Це може бути вчора (для харчової хвороби) або десятиліття тому (для остеопорозу):
Знову ж таки, ми не можемо обчислити захворюваність, оскільки ми використовуємо поширені випадки, тому замість цього ми обчислюємо АБО таким же чином, як і вище. Інтерпретація ідентична, але тепер ми повинні звернутися до періоду часу, оскільки ми явно розглянули минулі дані про експозицію:
Зверніть увагу, однак, що неможливо обчислити загальну поширеність вибірки за допомогою таблиці 2 × 2 з дослідження кейс-контролю, оскільки ми штучно встановлюємо поширеність у нашій вибірці (зазвичай на рівні 50%), навмисно вибираючи людей, які були хворі для наших випадків.
Вплив АБО проти хвороби АБО
Технічно для дослідження кейс-контролю обчислюється хвороба АБО, а не експозиція АБО (яка представлена в рамках поперечних досліджень). Іншими словами, оскільки в дослідженнях кейс-контролю ми починаємо з хвороби, ми обчислюємо шанси бути підданим серед хворих порівняно з шансами піддатися впливу серед тих, хто не хворий:
\[\mathrm{OR}_{\text {disease }}=\frac{(A / C)}{(B / D)}=\frac{A D}{B C}\]
Коефіцієнт коефіцієнта впливу, ви пам'ятаєте, обчислює шанси захворіти серед тих, хто піддається впливу, порівняно з шансами захворіти серед тих, хто не піддається впливу:
\[\mathrm{OR}_{\text {exposure }}=\frac{(A / B)}{(C / D)}=\frac{A D}{B C}\]
Очікується, що на просунутих заняттях епідеміології можна оцінити нюанси цієї різниці та сформулювати обґрунтування цього. Однак, оскільки і коефіцієнти впливу, і шансів захворювання спрощують до одного і того ж остаточного рівняння, тут ми не будемо розрізняти їх. Інтерпретація однакова: АБО > 1 означає, що захворювання частіше зустрічається у групі, що піддається впливу (або вплив частіше зустрічається у хворої групі - те ж саме), а АБО < 1 означає, що захворювання рідше зустрічається в групі, що піддається впливу (або вплив рідше зустрічається в хворої групі - знову ж таки, те ж саме).
Різниця ризиків
RR та OR відомі як відносні або коефіцієнтні заходи асоціації зі зрозумілих причин. Ці заходи можуть вводити в оману, однак, якщо абсолютні ризики (випадки) невеликі. [2] Наприклад, якщо було проведено когортне дослідження, і дослідники спостерігали захворюваність на 1 на 1 000 000 за 20 років та захворюваність у неекспонованих, а захворюваність у неекспонованих 2 на 1,000,000 протягом 20 років, RR становитиме 0,5: зменшується на 50% захворювання в виставлена група. Виривайте втручання в охорону здоров'я! Однак цей показник співвідношення маскує важливу істину: абсолютна різниця в ризику досить мала: 1 на мільйон.
Для вирішення цього питання епідеміологи іноді обчислюють замість цього різницю ризиків:
\[RD = I_{E+} – I_{E-}\]
На жаль, ця абсолютна міра асоціації не часто зустрічається в літературі, можливо, тому, що інтерпретація передбачає причинно-наслідковий зв'язок більш явно або тому, що важче контролювати змішані змінні (див. Розділ 7) при обчисленні різницевих заходів.
Незважаючи на це, у нашому прикладі куріння/HTN RD є:
\[\mathrm{RD}=\mathrm{I}_{\mathrm{E}+}-\mathrm{I}_{\mathrm{E}-}=75 \text { per } 100 \text { in } 10 \text { years }-33 \text { per } 100 \text { in } 10 \text { years }=42 \text { per } 100 \text { in } 10 \text { years }\]
Зверніть увагу, що РД має ті ж одиниці, що і падіння, так як одиниці не скасовуються при відніманні. Тлумачення виглядає наступним чином:
За 10 років надлишкова кількість випадків ХТН, пов'язаних з курінням, становить 42; решта 33 відбулися б у будь-якому випадку.
Ви можете побачити, як це тлумачення призначає більш явно причинно-наслідкову роль впливу.
Більш поширеними (але все ще не настільки поширеними, як заходи співвідношення) є пара заходів, отриманих від РД: атрибутивний ризик (AR) та кількість, необхідна для лікування/числа, необхідного для шкоди (NNT/NNH).
AR розраховується як RD/I E+. Тут,
\[\mathrm{AR}=42 \text { per } 100 \text { in } 10 \text { years } / 75 \text { per } 100 \text { in } 10 \text { years }=56 \%\]
Тлумачення:
56% випадків можна віднести до куріння, а решта все одно сталося б.
Знову ж таки, це означає причинність; крім того, оскільки всі захворювання мають більше однієї причини (див. Розділ 10), АРС для кожної можливої причини становитимуть значно більше 100%, що робить цей захід менш корисним.
Нарешті, розрахунок NNT/NNH (обидва з яких схожі, причому перший призначений для профілактичних впливів, а другий - для шкідливих) простий:
\[\text{NNT} = \dfrac{1}{\text{RD}\]
У нашому прикладі
\[\mathrm{NNH}=1 / 42 \text { per } 100 \text { per } 10 \text { years }=1 / 0.42 \text { per } 10 \text { years }=2.4\]
Тлумачення:
За 10 років на кожні 2,4 курця у 1 буде розвиватися гіпертонія.
Для захисного впливу NNT (зазвичай використовується в клінічних колах) інтерпретується як число, яке потрібно лікувати, щоб запобігти одному випадку поганого результату. Для шкідливих впливів, як у нашому прикладі куріння/HTN, це число, яке потрібно піддавати, щоб спричинити один поганий результат. Для багатьох наркотиків у загальному вживанні, NNT знаходяться в сотнях або навіть тисячах. [Iii] [iv]
Висновки
Епідеміологічні дані часто зведені в таблиці 2 × 2. Існує 2 основні заходи асоціації, які зазвичай використовуються в епідеміології: співвідношення ризику/ставка (відносний ризик) та співвідношення шансів. Перший розрахований на дослідження конструкцій, які збирають дані про захворюваність: когорти і РКТ. Останній розрахований на дослідження конструкцій, які використовують поширені випадки: дослідження поперечного перерізу та кейс-контрольні дослідження. Абсолютні заходи асоціації (наприклад, різниця ризиків) не розглядаються так часто в епідеміологічній літературі, але, тим не менш, завжди важливо пам'ятати про абсолютні ризики (випадки) при інтерпретації результатів.
Нижче наведена таблиця, що узагальнює поняття з цієї глави:
| Дизайн дослідження | Резюме методів | Інцидент чи поширені випадки? | Бажаний захід асоціації |
|---|---|---|---|
| Когорта | Почніть з нехворої проби, визначте вплив, стежте за часом. | інцидент | Коефіцієнт ризику або коефіцієнт ставки |
| RCT | Почніть з нехворої проби, призначте вплив, стежте за часом | інцидент | Раціон ризику або коефіцієнт |
| Кейс-контроль | Почніть з хворих (випадків), набирайте порівнянних нехворих (контролів), подивіться на попередні експозиції | Поширені | Коефіцієнт коефіцієнтів |
| Поперечний переріз | На основі зразка одночасно оцінюйте як стан впливу, так і стан захворювання | Поширені | Коефіцієнт коефіцієнтів |
Посилання
i., Боднер К, Боднер-Адлер Б., Віеррані Ф, Майерхофер К, Фусек С, Нідермайр А., Грюнбергер. Вплив водних пологів на результати матері та новонароджених. Відень Клін Воченчер 2002; 114 (10-11) :391-395. (0 Повернення)
II. Declercq E. абсолютна сила відносного ризику в дебатах щодо повторного кесаревого розтину та домашніх пологів у Сполучених Штатах. J Клінна етика. 2013; 24 (3) :215-224.
iii. Морх LS, Сковлунд CW, Ханнафорд ПК, Іверсен Л, Філдінг S, Лідегаард Ø. Сучасна гормональна контрацепція та ризик раку молочної залози. N Енгл Дж Мед. 2017; 377 (23) :2228-2239. дої:10.1056/Неджмоа1700732 (Повернення)
IV. Бріссон М., Ван де Вельде Н, Де Уолс П, Бойлі М-К. Оцінювання кількості, необхідної для вакцинації для запобігання захворювань і смерті, пов'язаних з папіломавірусною інфекцією людини. CMAJ може мед доц. Дж. 2007; 177 (5) :464-468. дої:10.1503/cmaj.061709 (Повернення)
- Ці 4 конструкції дослідження є основою майже всіх інших (наприклад, дослідження case-crossover є підтипом досліджень кейс-контролю). Кілька додаткових конструкцій висвітлюються в главі 9, але тверде розуміння 4 конструкцій, розглянутих в цій главі, дозволить початківцям епідеміології студентам мати можливість критично читати по суті всю літературу. ←
- Declercq E. абсолютна сила відносного ризику в дебатах щодо повторного кесаревого розтину та домашніх пологів у Сполучених Штатах. Етика Клінів Дж. 2013; 24 (3) :215-224