Základy Epidemiologie
Po přečtení této kapitoly budete schopni provést následující:
- Vysvětlit, jaký vliv modifikace je
- Rozlišovat mezi zkreslující jevy a vliv modifikátorů
- Chování stratifikovanou analýzu k určení, zda vliv modifikace je přítomen v datech
V předchozí kapitole jsme diskutovali matoucí. Zmatek, vzpomenete si, je třetí proměnná, která, pokud není správně kontrolována, vede k zaujatému odhadu asociace. Modifikace efektu zahrnuje také třetí proměnnou (ne expozici a ne výsledek)-ale v tomto případě ji absolutně Nechceme kontrolovat. Spíše přítomnost modifikace efektu je sama o sobě zajímavým zjištěním a zdůrazňujeme to.
pokud je přítomna modifikace efektu (nazývaná také interakce), budou existovat různé výsledky pro různé úrovně třetí proměnné (nazývané také kovariabilní). Například, pokud budeme dělat kohortní studie na množství spánku a GPA mezi Oregon State University (OSU), které studenti v průběhu jednoho období, můžeme shromažďovat tyto údaje:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| Množství Spánku | < 8 hodin | 25 | 25 |
| > 8 hodin | 25 | 25 | |
Protože to byl kohortní studie, můžeme vypočítat poměr rizika (RR):
Neexistuje žádná souvislost mezi množstvím spánku a následné GPA. Pomocí šablony věta, to může být uvedeno:
toto je poměr rizik z kohortní studie, takže musíme zahrnout časový rámec—což jsem udělal tím, že jsem řekl „ukončit termín“. Stejně jako pro matoucí, označujeme to jako neupravené nebo hrubé RR.
z rozhovoru se studenty se však ptáme, zda pohlaví může být důležitým kovariovatelným. Stejně jako u confounding bychom provedli stratifikovanou analýzu, abychom zkontrolovali změnu účinku. Opět nakreslíme tabulky 2 × 2 se stejnou expozicí (spánek) a výsledkem (GPA), ale nakreslíme samostatné tabulky pro muže a ženy (pohlaví je kovariabilní). Děláme to tak, že se podíváme zpět na nezpracovaná data a zjistíme, kolik z 25 lidí v buňce A (E+, D+) výše byli muži a kolik žen. Předpokládejme, že z 25 lidí, kteří hlásili <8 hodin a měli GPA < 3.0, 11 byli muži a 14 byly ženy. Pak jsme podobně rozdělte účastníky z B, C, a D buňky, a aby stratum-zvláštní 2 x 2 tabulky:
| Muži | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Množství Spánku | < 8 hodin | 11 | 14 |
| 8+ hodin | 17 | 9 | |
| Ženy | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Množství Spánku | < 8 hodin | 14 | 11 |
| 8+ hodin | 8 | 16 | |
RRmen= \frac{(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen= \frac{(\frac{14}{25})}{(\frac{8}{24})} = 1.7
Interpretace:
Mezi mužskými studenty, ti, kteří spali méně než 8 hodin za noc měl 0.68 krát riziko, že GPA <3.0 na konci období, ve srovnání s těmi, kteří hlásili 8 nebo více hodin.
mezi studentkami měli ti, kteří spali méně než 8 hodin za noc, 1,7 násobek rizika GPA <3,0 na konci semestru, ve srovnání s těmi, kteří hlásili 8 nebo více hodin.
Spí méně než 8 hodin, je spojeno—v těchto hypotetických dat s vyšší GPA mezi mužskými studenty („výsledek“, je nízká GPA, takže RR menší než 1 znamená, že vystavené jedinci jsou méně pravděpodobné, že mají nízké GPA), ale s nižším GPA mezi studentkami.
pohlaví v tomto případě působí jako modifikátor účinku: asociace mezi spánkem a GPA se liší podle vrstev kovariovatelných. Můžete si všimnout účinek modifikace když dělá stratifikované analýzy s ohledem na následující:
- stratum-konkrétní opatření sdružení jsou jiné, než se navzájem
- surové spadá mezi ně.
Pokud máte efekt modifikace, dalším krokem je, aby zpráva stratum-konkrétní opatření. Nepočítáme upravené opatření (bylo by to blízko 1,0, podobné surovému); zajímavé je, že muži a ženy reagují na spánek jinak. Změna efektu je něco, co chceme v našich výsledcích zdůraznit, ne něco, co by se mělo upravit.
na Rozdíl od matoucích, kde se 10% změna ze surové upravenými je uznávanou definici matoucí, existuje žádná taková standardizované definice, jak se liší stratum-zvláštní opatření, která musí být na volání něco, vliv modifikátoru. Práh by měl být pravděpodobně vyšší než potřebné, aby prohlásil něco confounder, protože jednou prohlásil něco vliv modifikátoru, jste následně povinen ohlásit výsledky samostatně pro každou úroveň covariable—něco, co snižuje vaše energie nejméně v polovině. V epidemiologii tedy zřídka vidíme důkazy o modifikaci účinku uvedené v literatuře. Dlouhý příběh krátce,“ odlišný „dost pro úpravu efektu je“ jednoznačně odlišný.“
při čtení článků, modifikace efektu se někdy nazývá interakce, nebo autoři mohou jen říci, že hlásí stratifikované analýzy. Každá z těchto 3 frází je vodítkem, že existuje proměnná působící jako modifikátor efektů.
efekt modifikace Example II
po recesi v roce 2008 (to je expozice) přišla americká ekonomika o mnoho pracovních míst. Zde je graf ukazující počet lidí, kteří pracovali (výsledek) před, během a po recesi. Výsledky jsou prezentovány rozvrstvené podle pohlaví (kovariabilní), což znamená, že analytik měl podezření, že pohlaví může působit jako modifikátor účinku. Opravdu, výsledky jsou mírně odlišné: muži (v modrém) prohrál větší část pracovních míst, a od roku 2014 měl ještě zpět k pre-úrovně recese, vzhledem k tomu, že ženy (v červeném) prohráli méně pracovních míst a do roku 2014 plně zotavilo.
Zdroj: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
Co kdybychom také stratifikovat podle věku? První, zde je graf ukazující, jak recese ovlivnila pracovní místa pro lidi ve věku 55 a starší:
Zdroj: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
recese neměla mít vliv starších pracujících Američanů. Nevidíme ani úpravu efektu podle pohlaví – the 2 řádky jsou téměř paralelní.
a co mladí dospělí?
Zdroj: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
Tady máme zásadní vliv modifikace podle pohlaví mladí muži přišli o velký podíl volných pracovních míst a neměl plně obnoveny od roku 2014. To není překvapující, protože recese byla způsobena převážně bublinou bydlení a stavební dělníci jsou většinou mladí muži. Naproti tomu mladé ženy ztratily malou část pracovních míst a rychle se zotavily na lepší než předdůchodovou úroveň.
a Konečně, podíváme se na pracovní místa pro 25 až 54-rok-olds:
Zdroj: https://fred.stlouisfed.org/graph/?id=LNS12000061
Zde vidíme velmi smutný obraz. V této věkové skupině došlo ke ztrátě pracovních míst-více u mužů než u žen-a od roku 2014 se vůbec nezotavila.
Tedy při zkoumání trhu práce je reakcí na recesi roku 2008, vidíme podstatný vliv modifikace podle věku (místa obnovení drasticky lišily podle věku) a v některých věkových kategoriích, také některé důkazy o efektu modifikace podle pohlaví. Dopady recese na pracovní místa se u lidí různého věku a pohlaví lišily.
to je důležité, protože politické důsledky by byly velmi odlišné. Představte si, že jste pracovali jako součást federální vlády a snažili se navrhnout ekonomický stimul nebo balíček obnovy. Pokud by jediná data, která jste přišli z prvního grafu, bez věkových členění, potenciální politická řešení by byla velmi odlišná, než kdybyste měli přístup k stratifikované analýze podle věku.
s confounding, jste zpočátku dostat špatnou odpověď, protože confounder není distribuován rovnoměrně mezi skupinami. To zkresluje míru asociace, kterou vypočítáte (pamatujte: mít větší nohy je spojeno s rychlostí čtení pouze kvůli zmatení podle úrovně stupně). Takže místo toho musíte přepočítat míru přidružení, tentokrát přizpůsobení pro zmatek.
S účinkem změny, také jste původně dostat špatnou odpověď, ale tentokrát to je proto, že váš vzorek obsahuje alespoň 2 podskupiny, v nichž expozice/onemocnění sdružení je jiný. V tomto případě je třeba trvale oddělit tyto podskupiny a vykazovat výsledky (které mohou nebo nemusí být zmateny ještě jinými kovariably) zvlášť pro každou vrstvu: v tomto případě mají muži, kteří spí méně, vyšší GPA než muži, kteří spí více, ale zároveň ženy, které spí více, mají vyšší GPA než ženy, které spí méně.
zde je souhrnná tabulka označující postup pro řešení potenciálních zmatků a modifikátorů efektů. Moc tento proces je stejný bez ohledu na to, který typ covariable máte (ve všech případech, musíte změřit covariable během svého studia, a měřit to dobře!). Oblasti rozdílu jsou zobrazeny červeně.
| Matoucí | Efekt Modifikace | |
| Před Plánování Studie | zamyslete se, jaké proměnné by mohly působit jako zkreslující jevy na základě toho, co víte o expozice/chorobného procesu v rámci studie. | Přemýšlejte o tom, jaké proměnné mohou působit jako modifikátory účinku na základě toho, co víte o studovaném procesu expozice / onemocnění. |
| Během Studie | Shromažďovat údaje o případných covariables—vrstevnatý/upravit analýz nemohou být provedeny bez údaje o covariable! | shromažďujte údaje o případných kovariovatelných-stratifikované/upravené analýzy nelze provádět bez údajů o kovariovatelných! |
| Analýza: Krok 1 | Vypočítat hrubé míry asociace (ignoruje covariable). | Vypočítejte hrubou míru přidružení (ignorujte kovariabilní). |
| analýza: Krok 2 | Vypočítejte míry přidružení specifické pro stratum tak, aby každá úroveň kovariovatelnosti měla svou vlastní tabulku 2 x 2. | Vypočítejte míry přidružení specifické pro stratum tak, aby každá úroveň kovariovatelnosti měla svou vlastní tabulku 2 x 2. |
| Analýza: Krok 3 | Pokud stratum-konkrétní opatření jsou podobné navzájem, a to nejméně 10%, jiný než surový (která nespadá mezi nimi), pak covariable je confounder. | pokud jsou opatření specifická pro stratum odlišná od sebe a surová leží mezi nimi, pak je kovariabilní modifikátor účinku. |
| výsledky zápisu | hlásí upravenou míru přidružení, která kontroluje zmatek. | oznamte opatření asociace specifická pro stratum. |
Představte si, že jste to udělat průřezovou studii fyzické aktivity a demence u starších lidí, a vypočítat hrubé odds ratio (OR) 2.0. Myslíte si, že rodinný stav může být důležitým covariable, takže stratifikaci tím, že „v současné době ženatý“ versus „není v současné době ženatý“ (který zahrnuje nikdy ženatý, rozvedený, ovdovělý). OR mezi aktuálně ženatými lidmi je 3,1 A mezi ne v současné době ženatými lidmi je 3,24. V tomto případě rodinný stav funguje jako zmatek a my bychom nahlásili upravený nebo (což by bylo 3,18 nebo tak).
Představte si, že děláte randomizovanou studii středomořské stravy, abyste zabránili předčasnému porodu u těhotných žen. Uděláte zkoušku a vypočítáte RR 0,90. Myslíte si, že možná parita může být důležitá kovariabilní, takže provedete stratifikovanou analýzu. Mezi nullipary je RR 0,60 a mezi multiparami je RR 1,15. Ty jsou odlišné od sebe navzájem, a hrubý leží mezi nimi. V tomto případě parita funguje jako modifikátor efektu, a tak byste hlásili 2 stratum specifické RRs Samostatně.
Představte si, že děláte případovou kontrolní studii melanomu a předchozího použití solária. Hrubý nebo je 3,5, ale možná je pohlaví důležitým kovariovatelným. Stratifikovaná analýza poskytuje OR 3,45 u mužů a 3,56 u žen. V tomto případě kovariabilní (pohlaví) není ani matoucí, ani modifikátor účinku. Můžeme říci, že to není confounder, protože (1) surové leží mezi 2 vrstvy-konkrétní odhady, ale také (2) stratum-konkrétní odhady jsou ne více než 10%, jiný než surový. Říkáme, že to není modifikátor účinku, protože 3.45 a 3.56 se neliší—v obou případech existuje podstatný účinek (přibližně 3, 5krát vyšší). Nahlásili bychom hrubý odhad asociace, protože nevyžaduje úpravu ani stratifikaci, aby se zohlednily účinky pohlaví.
Ano! Obvykle to vidíme, když je dotyčná kovariovatelná spojitá proměnná, dichotomizovaná pro účely kontroly modifikace efektu. Například, pokud si myslíme, že věk může být modifikátorem účinku, mohli bychom náš vzorek rozdělit na“ starý „a“ mladý “ pro stratifikovanou analýzu—řekněme, starší než 50 proti 50 nebo mladší. Do té míry, že 51-rok-olds jsou ne jako 70-rok-olds, možná chybí některé důležité nuance ve výsledcích, možná proto, že existuje v datech další účinek modifikace s více kategorií (což by pokles síly téměř nic, byly jsme se hlásit odděleně na další vrstvy) nebo „zbytkové“ mást, jak je popsáno v předchozí kapitole. Další podrobnosti jsou nad rámec této knihy, ale vím, že stejné covariable mohou teoreticky působit jako confounder a vliv modifikátoru—ale to jen zřídka vidí v praxi.
Závěr
na Rozdíl od matoucích, jejíž účinky chceme zbavit v naší analýze, vliv modifikace je zajímavá zjištění samo o sobě, a my to nahlásit. Chcete-li zkontrolovat modifikaci účinku, proveďte stratifikovanou analýzu. Pokud stratum-konkrétní opatření sdružení jsou jiné než každé jiné a surové leží mezi nimi, pak je pravděpodobné, že proměnná jedná jako účinný modifikátor. Výsledky nahlaste zvlášť pro každou vrstvu kovariovatelného.
jedna konečná tabulka:
| Pokud jsou vaše ORs/RRs: | ||||
| Surové/Neupravené | Stratum | Stratum | Pak covariable je… | A ty by zpráva… |
| 2.0 | 1.0 | 3.2 | vliv modifikátoru | 2 vrstvy-konkrétní opatření z asociace |
| 2.0 | 3.5 | 3.6 | a confounder | upravit opatření |
| 2.0 | 1.9 | 2.0 | nic zajímavého | surové opatření |
systematická chyba ve studii (někteří lidé to nazývají zkreslení; raději ne), který je způsoben třetí proměnnou zasahovat do expozice-nemoc vztah.
odkazuje na scénář, kdy se vztah mezi expozicí a výsledkem liší na základě třetí proměnné. Například, možná jóga zabraňuje zranění ACL u žen, ale ne u mužů. Sex v tomto scénáři je modifikátorem účinku. Modifikace efektu není stejná jako matoucí.
pravděpodobnost, že vaše studie najde něco, co tam je. Power = 1-β; beta je chybovost typu II. Malé studie, nebo studie vzácných příhod, jsou obvykle nedostatečně napájeny.
kolik dětí žena měla. Nulipar (aka nulliparas) dosud měli jejich první dítě (které může být těhotná, ale neměla dítě zatím), a pářících se žen, které mají alespoň jeden předchozí dítě. Multiparas měli nejméně dvě předchozí děti; primiparas měli jedno předchozí dítě.
Toto je první těhotenství ženy.
tato žena měla další děti.