az epidemiológia alapjai
a fejezet elolvasása után a következőket teheti:
- magyarázza el, mi a hatásmódosítás
- különbség a zavaró tényezők és az effektusmódosítók között
- rétegzett elemzést végezzen annak megállapítására, hogy a hatásmódosítás jelen van-e az adatokban
az előző fejezetben, megbeszéltük zavaró. A zavaró, emlékezni fog, egy harmadik változó, amelyet ha nem megfelelően szabályoznak, az asszociáció elfogult becsléséhez vezet. A hatásmódosítás egy harmadik változót is magában foglal (nem az expozíciót és nem az eredményt)—de ebben az esetben egyáltalán nem akarjuk ellenőrizni. Inkább a hatásmódosítás jelenléte önmagában is érdekes megállapítás, amelyet kiemelünk.
amikor a hatásmódosítás (más néven interakció) jelen van, a harmadik változó (más néven kovariábilis) különböző szintjeire eltérő eredmények lesznek. Például, ha egy kohorsz tanulmányt készítünk az alvás mennyiségéről és a GPA-ról az Oregon Állami Egyetem (OSU) hallgatói között egy ciklus alatt, akkor ezeket az adatokat gyűjthetjük:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| az alvás mennyisége | < 8 órák | 25 | 25 |
| > 8 órák | 25 | 25 | |
mivel ez kohorsz vizsgálat volt, kiszámítjuk a kockázati arányt (RR):
nincs összefüggés az alvás mennyisége és az azt követő GPA között. A sablonmondat használatával ez kijelenthető:
ez egy kohorsz vizsgálat kockázati aránya, ezért bele kell foglalnunk az időkeretet—amit úgy tettem, hogy “a kifejezés befejezéséhez”mondtam. Csakúgy, mint a zavaró, utalunk erre a kiigazítatlan vagy nyers RR.
a hallgatókkal való beszélgetés során azonban azon tűnődünk, vajon a nem lehet-e fontos kovariálható. Mint a zavaró, rétegzett elemzést végeznénk a hatás módosításának ellenőrzésére. Ismét rajzolunk 2 6. számú táblázatot azonos expozícióval (alvás) és eredménnyel (GPA), de külön táblázatokat rajzolunk a férfiak és a nők számára (a nem a kovariálható). Ezt úgy tesszük, hogy visszatekintünk a nyers adatokra, és kitaláljuk, hogy a fenti A (E+, D+) cellában lévő 25 ember közül hányan voltak férfiak és hányan voltak nők. Tegyük fel, hogy a 25 ember közül, akik <8 órát jelentettek, és a GPA < 3 volt.0, 11 férfi és 14 nő volt. Ezután hasonlóan osztjuk fel a résztvevőket a B, C és D cellákból, és rétegspecifikus 2 x 2 táblázatot készítünk:
| férfiak | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| az alvás mennyisége | < 8 órák | 11 | 14 |
| 8+ órák | 17 | 9 | |
| nők | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| az alvás mennyisége | < 8 órák | 14 | 11 |
| 8+ órák | 8 | 16 | |
RRmen = \ frac {(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen = \ frac {(\frac{14}{25})}{(\frac{8}{24})} = 1.7
értelmezések:
a férfi hallgatók körében azoknál, akik éjszakánként kevesebb mint 8 órát aludtak, 0,68-szor nagyobb volt a GPA kockázata <3.0 a kifejezés végén, összehasonlítva azokkal, akik 8 vagy több órát jelentettek.
a női hallgatók körében azoknál, akik éjszakánként kevesebb, mint 8 órát aludtak, 1, 7-szer nagyobb volt a kockázata annak, hogy a GPA < 3, 0 a ciklus végén, összehasonlítva azokkal, akik 8 vagy több órát jelentettek.
a 8 óránál kevesebb alvás—ezekben a hipotetikus adatokban—magasabb GPA-val jár a férfi hallgatók körében (az” eredmény ” alacsony GPA, tehát az 1-nél kisebb RR azt jelzi, hogy a kitett egyéneknél kevésbé valószínű, hogy alacsony a GPA), de alacsonyabb a GPA a női hallgatók körében.
A nemek ebben az esetben hatásmódosítóként működnek: az alvás és a GPA közötti összefüggés a kovariáns rétegei szerint változik. A rétegzett elemzés során észreveheti a hatás módosítását, figyelembe véve a következőket:
- a rétegspecifikus asszociációs intézkedések különböznek egymástól
- a nyers esik közöttük
ha van hatásmódosítás, a következő lépés a rétegspecifikus intézkedések jelentése. Nem számítunk ki korrigált mértéket (közel 1,0 lenne, hasonlóan a nyershez); az érdekes dolog az, hogy a férfiak és a nők másképp reagálnak az alvásra. A hatásmódosítás az, amit ki akarunk emelni az eredményeinkben, nem pedig valami, amit ki kell igazítani.
ellentétben a zavaró, ahol a 10% – os változás nyers korrigált elfogadott meghatározása zavaró, nincs ilyen szabványosított meghatározása, hogy milyen eltérő a réteg – specifikus intézkedéseket kell hívni valamit hatás módosító. A küszöbértéknek valószínűleg magasabbnak kell lennie, mint ami ahhoz szükséges, hogy valamit zavarónak nyilvánítson, mert ha egyszer valamit hatásmódosítónak nyilvánít, akkor később köteles az eredményeket külön—külön jelenteni a kovariable minden szintjén-ami legalább felére csökkenti az erejét. Így az epidemiológiában ritkán látunk bizonyítékot a szakirodalomban közölt hatásmódosításról. Hosszú történet rövid,” Különböző “elég hatás módosítása” egyértelműen más.”
cikkek olvasásakor, a hatásmódosítást néha interakciónak nevezik, vagy a szerzők csak azt mondhatják, hogy rétegzett elemzésekről számolnak be. A 3 mondat bármelyike arra utal, hogy van egy változó, amely hatásmódosítóként működik.
Hatásmódosítási példa II
a 2008-as lakásbuborék-vezérelt recessziót követően (ez az expozíció) az amerikai gazdaság sok munkahelyet veszített el. Itt van egy grafikon, amely megmutatja, hogy hány ember dolgozott (az eredmény) a recesszió előtt, alatt és után. Az eredményeket nemek szerint rétegezve mutatják be (kovariálható), vagyis az elemző azt gyanította, hogy a nemek hatásmódosítóként működhetnek. Valójában az eredmények némileg eltérnek: a férfiak (kék színnel) nagyobb arányban vesztették el a munkahelyeket, és 2014-től még nem álltak helyre a recesszió előtti szintre, míg a nők (piros színnel) kevesebb munkahelyet veszítettek el, és 2014-re teljesen felépültek.
forrás: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
mi lenne, ha életkor szerint is rétegeznénk? Első, itt van egy grafikon, amely bemutatja, hogy a recesszió hogyan befolyásolta az 55 éves vagy annál idősebb emberek munkahelyeit:
forrás: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
a recesszió egyáltalán nem érintette az idősebb dolgozó amerikaiakat. Nem látjuk a hatás módosítását nemek szerint sem-a 2 a vonalak majdnem párhuzamosak.
mi a helyzet a fiatal felnőttekkel?
forrás: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
itt van a nemek szerinti jelentős hatásmódosítás—a fiatal férfiak elvesztették a rendelkezésre álló munkahelyek hatalmas részét, és 2014-től nem álltak helyre teljesen. Ez nem meglepő, mivel a recessziót nagyrészt a lakásbuborék okozta, az építőmunkások többnyire fiatal férfiak. Ezzel szemben a fiatal nők elvesztették a munkahelyek egy kis részét, és gyorsan helyreálltak az előmenetelnél jobb szintre.
végül megvizsgáljuk a 25-54 évesek munkahelyeit:
forrás: https://fred.stlouisfed.org/graph/?id=LNS12000061
itt egy nagyon sivár képet látunk. Ebben a korcsoportban munkahelyek szűntek meg—több férfi, mint nő—, és 2014-től egyáltalán nem állt helyre.
így a munkaerőpiac 2008-as recesszióra adott válaszának vizsgálatakor jelentős hatásváltozást tapasztalunk életkor szerint (a munkahelyek helyreállítása drasztikusan változott életkor szerint), és néhány korosztályon belül a hatás nemek szerinti módosulásának néhány bizonyítékát is látjuk. A recesszió munkahelyekre gyakorolt hatása a különböző korú és nemű emberek esetében eltérő volt.
ez azért fontos, mert a politikai következmények nagyon eltérőek lennének. Képzelje el, hogy a szövetségi kormány részeként dolgozik, és megpróbál egy gazdaságélénkítő vagy gazdaságélénkítő csomagot kidolgozni. Ha az egyetlen adat, amelyet az első grafikonból kapott, az életkor szerinti bontás nélkül, a lehetséges politikai megoldások nagyon eltérőek lennének, mint ha hozzáférne a kor szerinti rétegzett elemzéshez is.
a confounding segítségével kezdetben rossz választ kap, mert a confounder nem oszlik el egyenletesen a csoportok között. Ez torzítja az asszociáció mértékét, amelyet kiszámít (ne feledje:a nagyobb lábak csak az olvasási sebességhez kapcsolódnak, mert az évfolyam szerint zavaró). Tehát ehelyett újra kell számolnia az asszociáció mértékét, ezúttal a zavaróhoz igazítva.
a hatásmódosítással kezdetben rossz választ is kap, de ezúttal azért, mert a minta legalább 2 alcsoportot tartalmaz, amelyekben az expozíció/betegség társulása eltérő. Ebben az esetben véglegesen el kell különíteni ezeket az alcsoportokat, és az eredményeket (amelyeket még más kovariánsok is megzavarhatnak vagy nem) külön kell jelenteni minden rétegre: ebben az esetben a kevesebbet alvó férfiaknál magasabb a GPA, mint a többet alvó férfiaknál, ugyanakkor a többet alvó nőknél magasabb a GPA, mint a kevesebbet alvó nőknél.
itt van egy összefoglaló táblázat, amely a lehetséges zavarók és hatásmódosítók kezelésének folyamatát jelöli. A folyamat nagy része ugyanaz, függetlenül attól, hogy milyen típusú kovariábilis van (minden esetben meg kell mérni a kovariábilis során a tanulmány, és mérje meg jól!). A különbség területei piros színnel jelennek meg.
| zavaró | Hatásmódosítás | |
| a vizsgálat megtervezése előtt | gondoljon arra, hogy milyen változók lehetnek zavarók a vizsgált expozíciós/betegségfolyamatról szerzett ismeretek alapján. | gondoljon arra, hogy milyen változók működhetnek hatásmódosítóként annak alapján, amit tud a vizsgált expozíciós/betegségfolyamatról. |
| egy vizsgálat során | gyűjtsön adatokat minden lehetséges kovariánsról-rétegzett / korrigált elemzések nem végezhetők el a kovariánsra vonatkozó adatok nélkül! | gyűjtsön adatokat a lehetséges kovariánsokról-rétegzett / korrigált elemzések nem végezhetők el a kovariánsra vonatkozó adatok nélkül! |
| elemzés: 1. lépés | Számítsa ki az asszociáció nyers mértékét (figyelmen kívül hagyva a kovariánst). | Számítsa ki az asszociáció nyers mértékét (figyelmen kívül hagyva a kovariábilisat). |
| elemzés: 2. lépés | Számítsa ki a rétegspecifikus asszociációs mértékeket úgy, hogy a kovariábilis minden szintjének saját 2 x 2 táblázata legyen. | Számítsa ki a rétegspecifikus asszociációs mértékeket úgy, hogy a kovariábilis minden szintjének saját 2 x 2 táblázata legyen. |
| elemzés: 3. lépés | ha a rétegspecifikus intézkedések hasonlóak egymáshoz, és legalább 10% – ban különböznek a nyerstől (amely nem esik közöttük), akkor a kovariálható zavaró. | ha a rétegspecifikus mértékek különböznek egymástól, és a nyers közöttük fekszik, akkor a kovariábilis hatásmódosító. |
| írási eredmények | jelentés egy korrigált asszociációs mértékről, amely a zavaró számára vezérli. | jelentse az egyesülési rétegspecifikus intézkedéseket. |
képzelje el, hogy keresztmetszeti vizsgálatot végez az idős emberek fizikai aktivitásáról és demenciájáról, és kiszámítja a kiigazítatlan esélyhányadost (OR) 2,0-ra. Úgy gondolja, hogy a családi állapot fontos kovariálható lehet, ezért a “jelenleg házas” versus A “jelenleg nem házas” (amely magában foglalja a soha nem házas, elvált és özvegy). A jelenleg házasok körében a legkülső régiók száma 3,1, a jelenleg nem házasok körében pedig a legkülső régiók száma 3,24. Ebben az esetben a családi állapot zavaróként működik, és jelentenénk a korrigált vagy (ami körülbelül 3,18 lenne).
képzelje el, hogy egy mediterrán étrend randomizált vizsgálatát végzi a terhes nők koraszülésének megelőzése érdekében. Elvégzi a próbát, és kiszámítja az RR-t 0,90-re. Úgy gondolja, hogy talán a paritás fontos kovariálható lehet, ezért rétegzett elemzést végez. A nulliparák között az RR 0,60, a multiparák között pedig az RR 1,15. Ezek különböznek egymástól, és a nyers fekszik közöttük. Ebben az esetben a paritás hatásmódosítóként működik, ezért külön jelentené a 2 rétegspecifikus RR-t.
Képzeld el, hogy csinálsz egy eset-kontroll vizsgálat melanoma és előzetes szolárium használata. A nyers vagy 3,5, de talán a nem fontos kovariálható. A rétegzett elemzés a férfiaknál 3,45, a nőknél 3,56 OR-t eredményez. Ebben az esetben a kovariálható (nem) sem zavaró, sem hatásmódosító. Azt mondjuk, hogy ez nem zavaró, mert (1) A NYERS a 2 rétegspecifikus becslés között fekszik, de (2) a rétegspecifikus becslések sem különböznek több mint 10%-kal a nyers értéktől. Azt mondjuk, hogy ez nem hatásmódosító, mert a 3,45 és a 3,56 nem annyira különbözik egymástól—mindkét esetben jelentős hatás van (körülbelül 3,5-szerese). Jelentenénk az asszociáció nyers becslését, mivel a nemek hatásainak figyelembevételéhez sem kiigazításra, sem rétegződésre nincs szükség.
Igen! Általában ezt akkor látjuk, amikor a szóban forgó kovariábilis folyamatos változó, dichotomizált a hatásmódosítás ellenőrzése céljából. Például, ha úgy gondoljuk, hogy az életkor lehet hatásmódosító, akkor a mintát “öregre” és “fiatalra” oszthatjuk a rétegzett elemzéshez—mondjuk 50-nél idősebb vagy 50-nél fiatalabb. Amennyiben az 51 évesek nem olyanok, mint a 70 évesek, hiányozhatnak néhány fontos árnyalat az eredményekben, valószínűleg azért, mert az adatokban további hatásmódosítás létezik több kategóriával (ami szinte semmire sem csökkentené a hatalmat, ha külön beszámolnánk további rétegekről) vagy “maradék” zavaró, amint azt az előző fejezetben tárgyaltuk. További részletek túlmutatnak a könyv keretein, de tudd, hogy ugyanaz a kovariálható elméletileg mind zavaró, mind hatásmódosítóként működhet—de ezt a gyakorlatban ritkán látják.
következtetés
a zavaró hatásoktól eltérően, amelyek hatásaitól elemzésünk során meg akarunk szabadulni, a hatásmódosítás önmagában is érdekes megállapítás, és beszámolunk róla. A hatásmódosítás ellenőrzéséhez végezzen rétegzett elemzést. Ha az asszociáció rétegspecifikus mértéke különbözik egymástól, és a nyers közöttük fekszik, akkor valószínű, hogy a kérdéses változó hatásmódosítóként működik. Jelentse az eredményeket külön-külön a kovariábilis minden rétegére.
egy utolsó, összerakott asztal:
| ha ezek az Ön ORs/RRs: | ||||
| nyers / kiigazítatlan | Stratum | Stratum | akkor a kovariábilis értéke … | és a következőt jelentené:… |
| 2.0 | 1.0 | 3.2 | hatásmódosító | az asszociáció 2 rétegspecifikus mértéke |
| 2.0 | 3.5 | 3.6 | egy zavaró | egy korrigált mérték |
| 2.0 | 1.9 | 2.0 | semmi érdekes | a nyers intézkedés |
szisztematikus hiba egy tanulmányban (egyesek elfogultságnak hívják; inkább nem), amelyet egy harmadik változó okoz, amely zavarja az expozíció-betegség kapcsolatot.
arra a forgatókönyvre utal, amikor az expozíció és az eredmény közötti kapcsolat egy harmadik változó alapján változik. Például, talán a jóga megakadályozza az ACL sérüléseket nőknél, de nem férfiaknál. A szex ebben a forgatókönyvben a hatásmódosító. A hatásmódosítás nem ugyanaz, mint a zavaró.
annak a valószínűsége, hogy a tanulmány talál valamit, ami ott van. Teljesítmény = 1-6; béta a II. típusú hibaarány. Kis tanulmányok, vagy ritka események tanulmányozása, általában alulteljesítettek.
hány gyermeke volt egy nőnek. A Nulliparous nőknek (más néven nulliparas) még nem született első gyermekük (lehet, hogy terhes, de még nem született a gyermek), a parous nőknek pedig legalább egy korábbi gyermekük volt. A multiparasnak legalább két korábbi gyermeke volt; a primiparasnak egy korábbi gyermeke volt.
ez egy nő első terhessége.
ennek a nőnek más gyermekei is voltak.