Grunnlag For Epidemiologi
etter å ha lest dette kapittelet, vil du kunne gjøre følgende:
- Forklar hvilken effektmodifisering som er
- Differensiere mellom confounders og effektmodifikatorer
- Utfør en stratifisert analyse for å avgjøre om effektmodifisering er tilstede i dataene
i forrige kapittel, vi diskuterte confounding. En confounder, du vil huske, er en tredje variabel som hvis den ikke styres riktig, fører til et partisk estimat av forening. Effektmodifisering innebærer også en tredje variabel (ikke eksponeringen og ikke utfallet)—men i dette tilfellet vil vi absolutt ikke kontrollere for det. Snarere er tilstedeværelsen av effektmodifisering i seg selv et interessant funn, og vi fremhever det.
når effektendring (også kalt interaksjon) er til stede, vil det være forskjellige resultater for forskjellige nivåer av den tredje variabelen (også kalt en kovariabel). Hvis vi for eksempel gjør en kohortstudie om søvnmengde og GPA blant Oregon State University (OSU) – studenter i løpet av ett semester, kan vi samle inn disse dataene:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| Mengde Søvn | < 8 åpningstider | 25 | 25 |
| > 8 åpningstider | 25 | 25 | |
siden dette var en kohortstudie, beregner vi risk ratio (rr):
det er ingen sammenheng mellom søvnmengde og påfølgende GPA. Ved hjelp av malsetningen kan dette angis:
dette er et risikoforhold fra en kohortstudie, så vi må inkludere tidsrammen-som jeg gjorde ved å si «for å avslutte begrepet». Akkurat som for confounding, refererer vi til dette som ujustert ELLER rå RR.
men fra å snakke med studenter, lurer vi på om kjønn kan være en viktig kovariabel. Som med confounding, ville vi gjennomføre en stratifisert analyse for å sjekke for effektendring. Igjen tegner vi 2 × 2 tabeller med samme eksponering (søvn) og utfall (GPA), men tegner separate tabeller for menn og kvinner (kjønn er kovariabelt). Vi gjør dette ved å se tilbake på rådataene og finne ut hvor mange av de 25 personene i a (E+, D+) cellen ovenfor var menn og hvor mange var kvinner. La oss anta at av de 25 personene som rapporterte < 8 timer og hadde EN GPA < 3.0, 11 var menn og 14 var kvinner. Vi deler deretter deltakere fra b -, C-og D-cellene, og lager stratumspesifikke 2 x 2-tabeller:
| Menn | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Mengde Søvn | < 8 åpningstider | 11 | 14 |
| 8+ åpningstider | 17 | 9 | |
| Kvinner | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Mengde Søvn | < 8 åpningstider | 14 | 11 |
| 8+ åpningstider | 8 | 16 | |
RRmen = \ frac {(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen = \ frac {(\frac{14}{25})}{(\frac{8}{24})} = 1.7
Tolkninger:
blant mannlige studenter hadde de som sov mindre enn 8 timer per natt 0,68 ganger risikoen for Å ha EN GPA <3.0 på slutten av siktet, sammenlignet med de som rapporterte 8 eller flere timer.
blant kvinnelige studenter hadde de som sov mindre enn 8 timer per natt 1,7 ganger risikoen for Å ha EN GPA <3,0 ved slutten av semesteret, sammenlignet med de som rapporterte 8 eller flere timer.
Sove færre enn 8 timer er assosiert—i disse hypotetiske dataene—med en høyere GPA blant mannlige studenter («utfallet» er lav GPA, så en RR mindre enn 1 indikerer at eksponerte personer er mindre sannsynlig å ha en lav GPA), men med en lavere GPA blant kvinnelige studenter.
Kjønn i dette tilfellet virker som en effektmodifikator: sammenhengen mellom søvn og GPA varierer i henhold til lag av kovariabel. Du kan oppdage effektendring når du gjør stratifisert analyse gitt følgende:
- de stratumspesifikke tiltakene av forening er forskjellige enn hverandre
- råoljen faller mellom dem
hvis du har effektendring, er neste trinn å rapportere de stratumspesifikke tiltakene. Vi beregner ikke et justert mål (det ville være nær 1,0, lik råoljen); det interessante her er at menn og kvinner reagerer på å sove annerledes. Effektmodifisering er noe vi ønsker å fremheve i våre resultater, ikke noe som skal justeres bort.
I Motsetning til for confounding, hvor en 10% endring fra råolje til justert er en akseptert definisjon for confounding, finnes det ingen slik standardisert definisjon for hvor forskjellige stratum – spesifikke tiltak må være å kalle noe en effekt modifikator. Terskelen bør trolig være høyere enn den som er nødvendig for å erklære noe en confounder, fordi når du erklærer noe en effektmodifikator, er du senere forpliktet til å rapportere resultatene separat for hvert nivå av kovariable-noe som kutter strømmen din i minst halvparten. I epidemiologi ser vi derfor sjelden bevis på effektmodifisering rapportert i litteraturen. Lang historie kort,» annerledes «nok for effektendring er» utvetydig annerledes.»
når du leser artikler, vil effektendring noen ganger bli kalt interaksjon, eller forfatterne kan bare si at de rapporterer stratifiserte analyser. Noen av disse 3 setningene er en anelse om at det er en variabel som virker som en effektmodifikator.
Effect Modification Example II
Etter den boligbobledrevne resesjonen i 2008 (dette er eksponeringen) mistet DEN AMERIKANSKE økonomien mange jobber. Her er en graf som viser antall personer som jobbet (utfallet) før, under og etter lavkonjunkturen. Resultatene blir presentert stratifisert etter kjønn( en kovariabel), noe som betyr at analytikeren mistenker at kjønn kan fungere som en effektmodifikator. Faktisk er resultatene litt forskjellige: menn (i blått) mistet en større andel jobber, og fra 2014 hadde de ennå ikke gjenopprettet til pre-resesjonsnivå, mens kvinner (i rødt) mistet færre jobber og i 2014 hadde fullstendig gjenopprettet.
Kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
Hva om vi også stratifiserer etter alder? Først, her er en graf som viser hvordan resesjonen påvirket jobber for folk i alderen 55 og eldre:
Kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
nedgangen påvirket ikke eldre arbeidende Amerikanere i det hele tatt. Vi ser heller ikke effektendring etter kjønn – de 2 linjene er nesten parallelle.
hva med unge voksne?
Kilde: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
her har vi stor effektendring etter kjønn—unge menn mistet en stor andel ledige jobber og hadde ikke gjenopprettet fullt ut fra 2014. Dette er ikke overraskende, da lavkonjunkturen i stor grad skyldes boligboblen, og byggearbeidere er for det meste unge menn. Derimot mistet unge kvinner en liten andel jobber og raskt gjenopprettet til bedre enn prerecession nivåer.
Til slutt ser Vi på jobber for 25 til 54-åringer:
Kilde: https://fred.stlouisfed.org/graph/?id=LNS12000061
Her ser vi et veldig dystert bilde. I denne aldersgruppen gikk jobber tapt—mer for menn enn kvinner—og fra 2014 hadde det ikke kommet seg i det hele tatt.
når vi undersøker arbeidsmarkedets respons på lavkonjunkturen i 2008, ser Vi derfor betydelig effektendring etter alder (jobbgjenoppretting varierte drastisk etter alder) og, innen noen aldersgrupper, også noen bevis på effektendring etter kjønn. Effektene av lavkonjunkturen på arbeidsplasser var forskjellige for folk i ulike aldre og kjønn.
Dette er viktig fordi de politiske implikasjonene vil være svært forskjellige. Tenk deg at du jobbet som en del av den føderale regjeringen og prøvde å designe en økonomisk stimulans eller gjenopprettingspakke. Hvis de eneste dataene du hadde, kom fra den første grafen, uten aldersfordelingen, ville de potensielle policyløsningene være svært forskjellige enn hvis du også hadde tilgang til stratifisert-etter-aldersanalyse.
med confounding får du i utgangspunktet feil svar fordi confounder ikke fordeles jevnt mellom gruppene dine. Dette forvrenger mål på foreningen som du beregne (husk: å ha større føtter er forbundet med lesehastighet bare på grunn av confounding av klassetrinn). Så i stedet må du beregne mål på foreningen, denne gangen justere for confounder.
med effektendring får du også i utgangspunktet feil svar, men denne gangen er det fordi prøven inneholder minst 2 undergrupper der eksponerings – /sykdomsforeningen er forskjellig. I dette tilfellet må du permanent skille disse undergruppene og rapportere resultater (som kan eller ikke kan bli forvirret av fortsatt andre kovariable) separat for hvert lag: i dette tilfellet har menn som sover mindre høyere Gpa enn menn som sover mer, men samtidig har kvinner som sover mer høyere Gpa enn kvinner som sover mindre.
Her er en sammendragstabell som angir prosessen for å håndtere potensielle confounders og effekt modifikatorer. Mye av prosessen er den samme uansett hvilken type kovariabel du har (i alle tilfeller må du måle kovariabelen under studien, og måle den godt!). Områder med forskjell er vist i rødt.
| Forvirrende | Effekt Modifikasjon | |
| Før Du Planlegger En Studie | Tenk på hvilke variabler som kan fungere som confounders basert på hva du vet om eksponeringen/sykdomsprosessen under studien. | Tenk på hvilke variabler som kan fungere som effektmodifikatorer basert på hva du vet om eksponerings – /sykdomsprosessen under studien. |
| Under En Studie | Samler data om potensielle kovariable-stratifiserte / justerte analyser kan ikke utføres uten data om kovariable! | Samle inn data om potensielle kovariable-stratifiserte / justerte analyser kan ikke utføres uten data om kovariable! |
| Analyse: Trinn 1 | Beregn det grove tiltaket av forening(ignorerer kovariable). | Beregn det grove tiltaket av forening(ignorerer kovariable). |
| Analyse: Trinn 2 | Beregn stratum-spesifikke mål for forening, slik at hvert nivå av kovariable har sitt eget 2 x 2 bord. | Beregn stratum-spesifikke mål for forening, slik at hvert nivå av kovariable har sin egen 2 x 2 tabell. |
| Analyse: Trinn 3 | hvis de stratumspesifikke tiltakene ligner hverandre, og minst 10% forskjellig fra råoljen (som ikke faller mellom dem), er den kovariable en confounder. | Hvis de stratumspesifikke tiltakene er forskjellige enn hverandre, og råoljen ligger mellom dem, er den kovariable en effektmodifikator. |
| Skrive Resultater | Rapporter et justert mål for tilknytning som styrer for confounder. | Rapporter stratum-spesifikke tiltak av foreningen. |
Tenk deg at du gjør en tverrsnittsstudie av fysisk aktivitet og demens hos eldre, og du beregner et ujustert oddsforhold (OR) på 2,0. Du tror at sivilstatus kan være en viktig kovariabel, så du stratifiserer med «for tiden gift «versus» ikke for tiden gift «(som inkluderer aldri gift, skilt og enke). OR blant for tiden gifte mennesker er 3,1, og blant ikke for tiden gifte mennesker ER OR 3,24. I dette tilfellet fungerer sivilstatus som en confounder,og vi vil rapportere den justerte ELLER (som ville være 3,18 eller så).
Tenk deg at du gjør en randomisert studie Av Et Middelhavsdiett for å forhindre for tidlig fødsel hos gravide kvinner. Du gjør rettssaken og beregne EN RR på 0,90. Du tror at kanskje paritet kan være en viktig kovariabel, så du utfører en stratifisert analyse. Blant nulliparas ER RR 0,60, og blant multiparas er RR 1,15. Disse er forskjellige enn hverandre, og råolje ligger mellom dem. I dette tilfellet fungerer paritet som en effektmodifikator, og så vil du rapportere 2 stratum-spesifikke RRs separat.
Tenk deg at du gjør en case-control studie av melanom og tidligere tanning bed bruk. Den rå ELLER er 3,5, men kanskje kjønn er en viktig kovariabel. Den stratifiserte analysen gir EN OR på 3,45 blant menn og 3,56 blant kvinner. I dette tilfellet er det kovariable (kjønn) verken en confounder eller en effektmodifikator. Vi sier at det ikke er en confounder fordi (1) råoljen ligger mellom de 2 stratumspesifikke estimatene, men også (2) stratumspesifikke estimatene ikke er mer enn 10% forskjellige enn råoljen. Vi sier at det ikke er en effektmodifikator fordi 3,45 og 3,56 ikke er så forskjellige—i begge tilfeller er det en betydelig effekt (omtrent 3,5 ganger så høy). Vi vil rapportere det grove estimatet av forening, da det ikke krever justering eller stratifisering for å redegjøre for effekten av kjønn.
Ja! Vanligvis ser vi dette når den kovariable i spørsmålet er en kontinuerlig variabel, dikotomisert for å sjekke for effektmodifisering. For eksempel, hvis vi tror at alder kan være en effektmodifikator, kan vi dele vår prøve i «gammel» og » ung » for stratifisert analyse-si eldre enn 50 mot 50 eller yngre. I den grad 51 – åringer ikke er som 70-åringer, kan vi savne noen viktige nyanser i resultatene, muligens fordi det finnes i dataene ytterligere effektendring med flere kategorier (som ville slippe kraften til nesten ingenting, hvis vi skulle rapportere separat på flere lag) eller «gjenværende» confounding som diskutert i forrige kapittel. Ytterligere detaljer er utenfor rammen av denne boken, men vet at den samme kovariable kan teoretisk fungere som både en confounder og en effekt modifikator—men at man sjelden ser dette i praksis.
Konklusjon
I Motsetning til confounding, hvis effekter vi vil bli kvitt i vår analyse, er effektmodifisering et interessant funn i seg selv, og vi rapporterer det. For å sjekke om effektendring, utfør en stratifisert analyse. Hvis de stratumspesifikke tiltakene for forening er forskjellige enn hverandre og råoljen ligger mellom dem, er det sannsynlig at variabelen i spørsmålet virker som en effektmodifikator. Rapporter resultatene separat for hvert lag av den kovariable.
en endelig, sette-det-alt-sammen tabell:
| Hvis Dette er Din ORs / RRs: | ||||
| Rå / Ujustert | Stratum | Stratum | så er kovariabel… | Og du vil rapportere… |
| 2.0 | 1.0 | 3.2 | en effekt modifier | de 2 stratum-spesifikke tiltak av foreningen |
| 2.0 | 3.5 | 3.6 | en confounder | et justert mål |
| 2.0 | 1.9 | 2.0 | ingenting interessant | det grove tiltaket |
en systematisk feil i en studie (noen kaller det en bias, jeg foretrekker ikke å) som skyldes en tredje variabel som forstyrrer eksponeringssykdomsforholdet.
refererer til scenariet når forholdet mellom en eksponering og et utfall varierer på grunnlag av en tredje variabel. For eksempel forhindrer kanskje yoga KORSBÅNDSKADER hos kvinner, men ikke menn. Kjønn i det scenariet er effektmodifikatoren. Effekt modifikasjon er ikke det samme som confounding.
sannsynligheten for at studien din vil finne noe som er der. Effekt = 1-β; beta er type II feilrate. Små studier, eller studier av sjeldne hendelser, er vanligvis under-drevet.
Hvor mange barn en kvinne har hatt. Nulliparøse kvinner (aka nulliparas) har ennå ikke hatt sitt første barn (de kan være gravid, men har ikke hatt barnet ennå), og parøse kvinner har hatt minst ett tidligere barn. Multiparas har hatt minst to tidligere barn; primiparas har hatt ett tidligere barn.
dette er en kvinnes første graviditet.
denne kvinnen har hatt andre barn.