Foundations of Epidemiology
kun olet lukenut tämän luvun, voit tehdä seuraavat:
- selitä, mitä efektimuutos on
- erota confounderit ja efektimuuttajat
- tee ositettu analyysi sen määrittämiseksi, onko efektimuutos aineistossa
edellisessä kappaleessa puhuimme hämmentämisestä. Muistanette, että sekoittaja on kolmas muuttuja, jota jos sitä ei valvota asianmukaisesti, se johtaa puolueelliseen arvioon assosiaatiosta. Vaikutusmuutokseen liittyy myös kolmas muuttuja (ei altistus eikä tulos)—mutta tässä tapauksessa emme missään nimessä halua kontrolloida sitä. Pikemminkin efektin muutos on itsessään mielenkiintoinen havainto, ja korostamme sitä.
kun efektimuutos (jota kutsutaan myös interaktioksi) esiintyy, saadaan erilaisia tuloksia kolmannen muuttujan eri tasoille (kutsutaan myös kovarianttiseksi). Jos esimerkiksi teemme kohorttitutkimuksen unen määrästä ja keskiarvosta Oregon State Universityn (OSU) opiskelijoiden keskuudessa yhden lukukauden aikana, saatamme kerätä näitä tietoja:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| unen määrä | < 8 tuntia | 25 | 25 |
| > 8 tuntia | 25 | 25 | |
koska kyseessä oli kohorttitutkimus, laskemme riskisuhteen (RR):
unen määrän ja myöhemmän GPA: n välillä ei ole yhteyttä. Mallilausetta käyttäen tämä voidaan todeta:
tämä on riskisuhde kohorttitutkimuksesta, joten meidän on sisällytettävä aikajänne—jonka tein sanomalla ”lopettaa termi”. Aivan kuten sekoittaminen, me kutsumme tätä oikaisematon tai karkea RR.
oppilaiden kanssa keskusteltaessa mietitään kuitenkin, voisiko sukupuoli olla tärkeä kovariantti. Kuten sekoittaminen, tekisimme ositetun analyysin tarkistaaksemme vaikutuksen muutoksen. Jälleen, piirrämme 2 × 2 taulukoita samalla altistuksella (uni) ja tulos (GPA), mutta piirtää erilliset taulukot miehille ja naisille (sukupuoli on kovariable). Teemme tämän tarkastelemalla raakadataa ja selvittämällä, kuinka monta edellä olevan A (E+, D+) – solun 25 ihmisestä oli miehiä ja kuinka monta naisia. Oletetaan, että niistä 25 ihmisestä, jotka raportoivat <8 tuntia ja joilla oli GPA < 3.Miehiä oli 0, miehiä 11 ja naisia 14. Sitten vastaavasti jakaa osallistujat B, C, ja D soluja, ja tehdä ositekohtainen 2 x 2 taulukoita:
| miehet | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| unen määrä | < 8 tuntia | 11 | 14 |
| 8+ tuntia | 17 | 9 | |
| naiset | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| unen määrä | < 8 tuntia | 14 | 11 |
| 8+ tuntia | 8 | 16 | |
RRmen = \frac {(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen = \frac {(\frac{14}{25})}{(\frac{8}{24})} = 1.7
tulkinnat:
miesopiskelijoilla, jotka nukkuivat alle 8 tuntia yössä, oli 0,68-kertainen riski saada GPA <3.0 kauden lopussa, verrattuna niihin, jotka ilmoittivat 8 tai enemmän tuntia.
naisopiskelijoilla, jotka nukkuivat alle 8 tuntia yössä, oli 1, 7-kertainen riski saada keskiarvo <3, 0 lukukauden lopussa verrattuna niihin, jotka raportoivat vähintään 8 tuntia.
alle 8 tunnin nukkuminen liittyy-näissä hypoteettisissa tiedoissa-korkeampaan GPA: han miesopiskelijoiden keskuudessa (”tulos” on alhainen GPA, joten RR alle 1 osoittaa, että altistuneilla henkilöillä on vähemmän todennäköisesti alhainen GPA), mutta alempi GPA naisopiskelijoiden keskuudessa.
sukupuoli toimii tässä tapauksessa efektin muuntelijana: unen ja GPA: n yhteys vaihtelee kovarianttisten kerrostumien mukaan. Voit paikalla vaikutus muutos, kun teet ositettu analyysi, koska seuraavat:
- osittaiskohtaiset assosiaatiomittarit ovat keskenään erilaisia
- niiden välinen karkea aleneminen
jos vaikutusmuutoksia on, seuraavassa vaiheessa ilmoitetaan osittaiskohtaiset toimenpiteet. Emme laske mukautettu toimenpide (se olisi lähellä 1.0, samanlainen raakaöljyn); mielenkiintoista tässä on se, että miehet ja naiset reagoivat uneen eri tavalla. Efektimuokkaus on jotain, jota haluamme korostaa tuloksissamme, ei jotain, jota voidaan säätää pois.
toisin kuin sekoittamisessa, jossa 10%: n muutos raa ’ asta mukautettuun on hyväksytty määritelmä sekoittamiselle, ei ole olemassa tällaista standardoitua määritelmää sille, kuinka erilaisia ositteiden on oltava, jotta jotakin voidaan kutsua efektimuunnokseksi. Kynnyksen pitäisi todennäköisesti olla korkeampi kuin se, joka tarvitaan jonkin ilmoittamiseen sekavaksi, koska kun julistat jonkin efektin muuntelijaksi, olet myöhemmin velvollinen raportoimaan tulokset erikseen jokaisen kovarianttisen tason osalta—joka leikkaa tehosi vähintään puoleen. Niinpä epidemiologiassa nähdään harvoin todisteita siitä, että kirjallisuudessa olisi raportoitu vaikutusten muuntelusta. Pitkä tarina lyhyesti, ” erilainen ”tarpeeksi vaikutus muutos on” yksiselitteisesti erilainen.”
artikkeleita lukiessa efektin muokkausta kutsutaan joskus vuorovaikutukseksi, tai kirjoittajat saattavat vain sanoa raportoivansa ositetuista analyyseistä. Mikä tahansa näistä 3 lauseesta on vihje siitä, että on olemassa muuttuja, joka toimii tehosteen muuntajana.
Vaikutusmuutosesimerkki II
vuoden 2008 asuntokuplavetoisen laman jälkeen (tämä on altistus) Yhdysvaltain talous menetti paljon työpaikkoja. Tässä on kaavio, joka osoittaa niiden ihmisten määrän, jotka työskentelivät (tulos) ennen taantumaa, sen aikana ja sen jälkeen. Tulokset esitetään sukupuolen mukaan kerrostettuna (kovariable), eli analyytikko epäili, että sukupuoli saattaa toimia efektin muuntajana. Tulokset ovatkin hieman erilaisia: miehet (sinisissä) menettivät suuremman osan työpaikoista, eivätkä olleet vielä vuonna 2014 toipuneet taantumaa edeltäneelle tasolle, kun taas naiset (punaisissa) menettivät vähemmän työpaikkoja ja vuoteen 2014 mennessä olivat täysin toipuneet.
lähde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
entä jos ositamme myös iän mukaan? Ensinnäkin tässä on kaavio, joka osoittaa, miten lama vaikutti 55-vuotiaiden ja sitä vanhempien ihmisten työpaikkoihin:
lähde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
taantuma ei vaikuttanut ikääntyviin työssäkäyviin amerikkalaisiin lainkaan. Emme myöskään näe vaikutusta muutoksen sukupuolen—2 linjat ovat lähes samansuuntaisia.
entä nuoret Aikuiset?
lähde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
tässä meillä on suuri vaikutus muutos sukupuolen-nuoret miehet menettivät valtavan osan käytettävissä olevista työpaikoista ja eivät olleet toipuneet täysin kuin 2014. Tämä ei ole yllättävää, sillä lama johtui pitkälti asuntokuplasta, ja rakennusmiehet ovat enimmäkseen nuoria miehiä. Sen sijaan nuoret naiset menettivät pienen osan työpaikoista ja toipuivat nopeasti aiempaa paremmalle tasolle.
lopuksi tarkastellaan 25-54-vuotiaiden työpaikkoja:
lähde: https://fred.stlouisfed.org/graph/?id=LNS12000061
Tässä näemme hyvin synkän kuvan. Tässä ikäryhmässä työpaikkoja menetettiin-enemmän miehillä kuin naisilla-ja vuodesta 2014 lähtien ne eivät olleet elpyneet lainkaan.
tarkastellessamme työmarkkinoiden reaktiota vuoden 2008 taantumaan havaitsemme merkittävää iän mukaan tapahtuvaa vaikutusmuutosta (työpaikkojen elpyminen vaihteli rajusti iän mukaan) ja joissakin ikäryhmissä myös jonkin verran näyttöä sukupuolen mukaan tapahtuvasta vaikutusmuutoksesta. Laman vaikutukset työpaikkoihin olivat erilaiset eri-ikäisille ja eri sukupuolille.
tämä on tärkeää, koska politiikan vaikutukset olisivat hyvin erilaiset. Kuvittele työskenteleväsi osana liittohallitusta ja yrittäväsi suunnitella taloudellista elvytyspakettia. Jos ainoa tieto olisi peräisin ensimmäisestä kuvaajasta, ilman ikäjakaumaa, mahdolliset poliittiset ratkaisut olisivat hyvin erilaisia kuin jos sinulla olisi myös pääsy ositettuun ikäanalyysiin.
kun hämmentää, saa aluksi väärän vastauksen, koska sekoittaja ei jakaudu tasaisesti ryhmien kesken. Tämä vääristää laskemaasi assosiaation mittaa (muista: isommat jalat liittyvät lukunopeuteen vain siksi, että ne sekoittuvat luokkatasolla). Joten sen sijaan sinun täytyy laskea uudelleen assosiaation mitta, tällä kertaa säätämällä sekasortoa varten.
vaikutusmuutoksella saat myös aluksi väärän vastauksen, mutta tällä kertaa se johtuu siitä, että otoksessasi on vähintään 2 alaryhmää, joissa altistuksen/sairauden yhteys on erilainen. Tässä tapauksessa sinun on erotettava pysyvästi nämä alaryhmät ja raportoitava tulokset (joita voidaan sekoittaa tai ei saa sekoittaa vielä muihin kovariaableihin) erikseen kunkin ositteen osalta.: tällöin miehillä, jotka nukkuvat vähemmän, on korkeammat GPA: t kuin miehillä, jotka nukkuvat enemmän, mutta samaan aikaan naisilla, jotka nukkuvat enemmän, on korkeammat GPA: t kuin naisilla, jotka nukkuvat vähemmän.
tässä on yhteenvetotaulukko, joka ilmaisee prosessin mahdollisten sekoittajien ja efektinmuuntajien käsittelemiseksi. Suuri osa prosessista on sama riippumatta siitä, minkä tyyppinen kovariable sinulla on (kaikissa tapauksissa, sinun täytyy mitata kovariable aikana tutkimuksen, ja mitata se hyvin!). Eroalueet on merkitty punaisella.
| sekoittaminen | vaikutuksen muuttaminen | |
| ennen kuin suunnittelet tutkimusta | , mieti, mitkä muuttujat voisivat toimia sekoittajina sen perusteella, mitä tiedät tutkittavasta altistus/sairausprosessista. | mieti, mitkä muuttujat voisivat toimia vaikutusmuuttujina sen perusteella, mitä tiedät tutkittavasta altistus/sairausprosessista. |
| tutkimuksen aikana | kerää tietoja mahdollisista kovariaabeleista—ositettuja / mukautettuja analyysejä ei voida tehdä ilman kovariaabelin tietoja! | kerää tietoja mahdollisista kovariaableista—ositettuja/mukautettuja analyysejä ei voida tehdä ilman kovariaablesta kertovia tietoja! |
| analyysi: Vaihe 1 | laske assosiaation karkea mitta (ottamatta huomioon kovarianttia). | laske assosiaation karkea mitta (piittaamatta kovarianssista). |
| analyysi: Vaihe 2 | lasketaan osittekohtaiset assosiaatiomittarit siten, että jokaisella kovarianttisella tasolla on oma 2 x 2-taulukkonsa. | lasketaan osittaiskohtaiset assosiaatiomittarit siten, että jokaisella kovarianttisella tasolla on oma 2 x 2-taulukkonsa. |
| analyysi: Vaihe 3 | jos osittekohtaiset mittarit ovat keskenään samanlaisia ja vähintään 10% erilaisia kuin raakamittaristo (joka ei kuulu niiden väliin), kovariantti on sekoittaja. | jos osittekohtaiset mittayksiköt ovat keskenään erilaisia ja karkea sijoittuu niiden väliin, kovariantti on efektimuunnos. |
| Kirjoitustulokset | kertovat mukautetusta assosiaatiomittarista, joka kontrolloi sekoittajaa. | ilmoita osittekohtaiset assosiaatiotoimenpiteet. |
kuvitelkaa, että teette poikkileikkaustutkimuksen vanhusten fyysisestä aktiivisuudesta ja dementiasta ja laskette korjaamattoman kertoimen (tai) 2,0. Luulet, että siviilisääty voi olla tärkeä kovariable, joten ositetaan ”tällä hetkellä naimisissa” vastaan ”ei tällä hetkellä naimisissa” (joka sisältää koskaan naimisissa, Eronnut, ja leski). Tällä hetkellä naimisissa olevien keskuudessa OR on 3,1, ja ei tällä hetkellä naimisissa olevien keskuudessa OR on 3,24. Tässä tapauksessa siviilisääty toimii sekavana, ja ilmoittaisimme oikaistun tai (joka olisi 3,18 tai niin).
Kuvittele, että teet satunnaistetun kokeilun Välimeren ruokavalio estää keskosena raskaana oleville naisille. Tee koe ja laske RR 0,90. Ajattelet, että ehkä pariteetti voisi olla tärkeä kovariable, joten teet ositettu analyysi. Nulliparoilla RR on 0,60 ja multipareilla RR on 1,15. Nämä ovat keskenään erilaisia, ja raakuus on niiden välissä. Tässä tapauksessa pariteetti toimii efektin muokkaajana, joten ilmoittaisit 2 osittekohtaisen RRs: n erikseen.
Kuvittele, että olet tekemässä tapauskontrollitutkimusta melanoomasta ja aiemmasta solariumkäytöstä. Karkea tai on 3,5, mutta ehkä sukupuoli on tärkeä kovariantti. Ositetun analyysin tulos on miehillä 3,45 ja naisilla 3,56. Tällöin kovariable (sukupuoli) ei ole confounder eikä vaikutus modifier. Sanomme, että se ei ole sekoittaja, koska (1) Karkea sijoittuu 2 osittekohtaisten arvioiden väliin, mutta myös (2) osittekohtaiset arviot poikkeavat enintään 10% raakaöljyn arvosta. Sanomme, että se ei ole vaikutus modifier, koska, 3.45 ja 3.56 eivät ole niin erilaisia—molemmissa tapauksissa on merkittävä vaikutus (noin 3.5 kertaa niin korkea). Ilmoittaisimme karkean arvion assosiaatiosta, sillä sukupuolen vaikutusten huomioon ottaminen ei vaadi sopeutumista eikä ositusta.
Kyllä! Yleensä näemme tämän, kun kyseessä oleva kovariantti on jatkuva muuttuja, dikotomisoitu vaikutusmuutosten tarkistamista varten. Esimerkiksi, jos ajattelemme Ikä voisi olla vaikutus modifier, voisimme jakaa meidän näyte ”vanha” ja ”nuori” varten ositettu analyysi—vaikkapa vanhempi kuin 50 vs. 50 tai nuorempi. Siinä määrin, että 51-vuotiaat eivät ole kuin 70-vuotiaat, saatamme menettää joitakin tärkeitä vivahteita tuloksia, mahdollisesti koska on olemassa tietoja edelleen vaikutus muutos enemmän luokkia (joka pudottaisi teho lähes mitään, jos raportoimme erikseen muita ositteita) tai ”jäännös” hämmentävä kuten edellisessä luvussa. Tarkemmat tiedot ovat tämän kirjan ulottumattomissa, mutta tiedä, että sama kovariable voi teoriassa toimia sekä sekoittajana että efektin muuntajana—mutta että harvoin näkee tätä käytännössä.
päätelmä
toisin kuin hämmentävä, jonka vaikutuksista haluamme analyysissamme päästä eroon, efektimuuntelu on sinänsä mielenkiintoinen löydös ja raportoimme siitä. Tarkistaaksesi vaikutuksen muutoksen, tee ositettu analyysi. Jos osittekohtaiset assosiaatiomittarit ovat keskenään erilaisia ja karkea sijoittuu niiden väliin, on todennäköistä, että kyseinen muuttuja toimii efektimuuntajana. Raportoidaan tulokset erikseen kovarianssikertoimen kunkin ositteen osalta.
yksi finaali, put-it-all-together-taulukko:
| jos nämä ovat sinun ORs/RRs: | ||||
| raakaöljy / oikaisematon | Osite | Osite | silloin kovariantti on … | ja ilmoittaisit… |
| 2.0 | 1.0 | 3.2 | efektimuunnos | 2 ositteen assosiaatiokohtaiset mittarit |
| 2.0 | 3.5 | 3.6 | a confounder | an adjusted measure |
| 2.0 | 1.9 | 2.0 | ei mitään kiinnostavaa | karkea mitta |
systemaattinen virhe tutkimuksessa (jotkut ihmiset kutsuvat sitä bias; En mieluummin), joka johtuu kolmas muuttuja häiritsee altistuksen ja taudin suhde.
viittaa skenaarioon, jossa vastuun ja tuloksen välinen suhde vaihtelee kolmannen muuttujan perusteella. Esimerkiksi jooga ehkä ehkäisee ETURISTISIDEVAMMOJA naisilla mutta ei miehillä. Seksi siinä skenaariossa on efektin muokkaaja. Vaikutus muutos ei ole sama kuin hämmentävä.
todennäköisyys, että tutkimus löytää jotain, joka on olemassa. Teho = 1-β; beta on tyypin II virhetaso. Pienet tutkimukset tai harvinaisten tapahtumien tutkimukset ovat tyypillisesti alitehoisia.
kuinka monta lasta nainen on saanut. Synnyttämättömät naiset (eli nulliparat) eivät ole vielä saaneet ensimmäistä lastaan (he saattavat olla raskaana, mutta eivät ole vielä saaneet lasta), ja synnyttäjät ovat saaneet ainakin yhden aikaisemman lapsen. Multiparasilla on ollut ainakin kaksi aikaisempaa lasta, primiparasilla yksi aiempi lapsi.
kyseessä on naisen ensimmäinen raskaus.
tällä naisella on ollut muitakin lapsia.