Fundamenten van Epidemiologie
Na het lezen van dit hoofdstuk zult u in staat het volgende te doen:
- Leg uit wat het effect van de wijziging is
- Onderscheid tussen beïnvloedende factoren en het effect modifiers
- het uitvoeren van een gestratificeerde analyse om te bepalen of het effect modificatie is het aanwezig zijn in de gegevens
In het vorige hoofdstuk bespraken we confounding. Een confounder, zoals u zich zult herinneren, is een derde variabele die, indien niet op de juiste wijze gecontroleerd, leidt tot een bevooroordeelde schatting van associatie. Effect modificatie omvat ook een derde variabele (niet de blootstelling en niet de uitkomst) – maar in dit geval, we absoluut niet willen controleren voor het. Integendeel, de aanwezigheid van effect modificatie is zelf een interessante bevinding, en we benadrukken het.
wanneer effectmodificatie (ook wel interactie genoemd) aanwezig is, zullen er verschillende resultaten zijn voor verschillende niveaus van de derde variabele (ook covariabel genoemd). Bijvoorbeeld, als we een cohort studie over de hoeveelheid slaap en GPA bij de Oregon State University (OSU) studenten in de loop van een termijn, kunnen we deze gegevens verzamelen:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| Hoeveelheid Slaap | < 8 uur | 25 | 25 |
| > 8 uur | 25 | 25 | |
Sinds dit was een cohort studie berekenen we de risico ratio (RR):
er is geen verband tussen de hoeveelheid slaap en de daaropvolgende GPA. Met behulp van de template zin kan dit worden gezegd:
dit is een risicoratio van een cohortstudie, dus we moeten het tijdsbestek opnemen—wat ik deed door te zeggen “om de term te beëindigen”. Net als voor verstorende, we verwijzen naar dit als de niet-aangepaste of ruwe RR.
uit gesprekken met studenten vragen we ons echter af of geslacht wel of niet een belangrijke covariabele kan zijn. Net als bij confounding, zouden we een gestratificeerde analyse uitvoeren om te controleren op effect modificatie. Nogmaals, we trekken 2 × 2 tabellen met dezelfde blootstelling (slaap) en resultaat (GPA), maar trekken aparte tabellen voor mannen en vrouwen (geslacht is de covariabele). We doen dit door terug te kijken naar de ruwe gegevens en uit te zoeken hoeveel van de 25 mensen in de A (E+, D+) cel hierboven waren mannen en hoeveel waren vrouwen. Laten we aannemen dat van de 25 mensen die <8 uur meldden en een GPA < hadden 3.0, 11 waren mannen en 14 waren vrouwen. We verdelen dan op dezelfde manier deelnemers uit de B -, C-en D-cellen en maken stratum-specifieke 2 x 2-tabellen:
| mannen | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Hoeveelheid Slaap | < 8 uur | 11 | 14 |
| 8+ uur | 17 | 9 | |
| Vrouwen | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| Hoeveelheid Slaap | < 8 uur | 14 | 11 |
| 8+ uur | 8 | 16 | |
RRmen= \frac{(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen= \frac{(\frac{14}{25})}{(\frac{8}{24})} = 1.7
Interpretaties:
Onder mannelijke studenten, die sliep minder dan 8 uur per nacht had 0.68 keer het risico van het hebben van een GPA <3.0 aan het einde van de termijn, vergeleken met degenen die 8 of meer uren meldden.
onder vrouwelijke studenten hadden degenen die minder dan 8 uur per nacht sliepen 1,7 maal het risico op een GPA <3,0 aan het einde van de termijn, vergeleken met degenen die 8 of meer uren meldden.
slapen minder dan 8 uur wordt geassocieerd—in deze hypothetische gegevens-met een hogere GPA onder mannelijke studenten (de “uitkomst” is laag GPA, dus een RR minder dan 1 geeft aan dat blootgestelde personen minder kans hebben op een lage GPA) maar met een lagere GPA onder vrouwelijke studenten.
geslacht werkt in dit geval als een effect modifier: de associatie tussen slaap en GPA varieert afhankelijk van lagen van de covariabele. U kunt effect modificatie ter plaatse bij het doen van gestratificeerde analyse gegeven de volgende:
- de stratum-specifieke maatregelen van associatie zijn verschillend
- de ruwe valt tussen hen
Als u effect modificatie, de volgende stap is het rapporteren van de stratum-specifieke maatregelen. We berekenen geen aangepaste maat (het zou in de buurt 1.0, vergelijkbaar met de ruwe); het interessante is dat mannen en vrouwen anders reageren op slaap. Effect modificatie is iets wat we willen benadrukken in onze resultaten, niet iets om weg te worden aangepast.
in tegenstelling tot bij verstorende factoren, waar een verandering van 10% van ruw naar Aangepast een geaccepteerde definitie is voor verstorende factoren, bestaat er geen gestandaardiseerde definitie voor hoe verschillend de stratum-specifieke maatregelen moeten zijn om iets een effect modifier te noemen. De drempel zou waarschijnlijk hoger moeten zijn dan de drempel die nodig is om iets een confounder te verklaren, want zodra je iets een effect modifier verklaart, ben je vervolgens verplicht om de resultaten afzonderlijk te rapporteren voor elk niveau van het covariabele—iets dat je kracht in ten minste de helft snijdt. In de epidemiologie zien we dus zelden bewijs van effectmodificatie in de literatuur. Lang verhaal kort, “anders” genoeg voor effect modificatie is ” ondubbelzinnig anders.”
bij het lezen van artikelen, effect wijziging zal soms worden genoemd interactie, of de auteurs kunnen gewoon zeggen dat ze rapporteren gestratificeerde analyses. Elk van deze 3 zinnen is een aanwijzing dat er een variabele werkt als een effect modifier.
Effect modificatie voorbeeld II
na de door de huizenzeepbel gedreven recessie van 2008 (Dit is de blootstelling) verloor de Amerikaanse economie veel banen. Hier is een grafiek met het aantal mensen dat werkte (de uitkomst) voor, tijdens en na de recessie. Resultaten worden gepresenteerd gestratificeerd naar geslacht (een covariabele), wat betekent dat de analist vermoed dat geslacht zou kunnen fungeren als een effect modifier. De resultaten verschillen inderdaad enigszins: mannen (in het blauw) verloren een groter deel van de banen en hadden zich in 2014 nog niet hersteld tot het niveau van vóór de recessie, terwijl vrouwen (in het rood) minder banen verloren en in 2014 volledig waren hersteld.
bron: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
wat als we ook stratificeren op leeftijd? Ten eerste, hier is een grafiek die laat zien hoe de recessie getroffen banen voor mensen van 55 en ouder:
bron: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
de recessie had geen invloed op oudere werkende Amerikanen helemaal. Evenmin zien we effectmodificatie door geslacht—de twee lijnen zijn bijna parallel.
hoe zit het met jongvolwassenen?
bron: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
hier hebben we grote effect modificatie naar geslacht—jonge mannen verloren een groot deel van de beschikbare banen en had niet volledig hersteld vanaf 2014. Dit is niet verwonderlijk, omdat de recessie grotendeels werd veroorzaakt door de huizenzeepbel, en bouwvakkers zijn meestal jonge mannen. Jonge vrouwen daarentegen verloren een klein deel van de banen en herstelden zich snel tot een niveau dat beter was dan het niveau dat vooraf was gegaan.
ten slotte kijken we naar banen voor 25-tot 54-jarigen:
bron: https://fred.stlouisfed.org/graph/?id=LNS12000061
hier zien we een heel somber beeld. In deze leeftijdsgroep gingen banen verloren—meer voor mannen dan voor vrouwen—en sinds 2014 was het helemaal niet hersteld.Bij het onderzoeken van de reactie van de arbeidsmarkt op de recessie van 2008 zien we dus een aanzienlijke wijziging van het effect per leeftijd (het herstel van de werkgelegenheid varieerde drastisch per leeftijd) en, binnen sommige leeftijdscategorieën, ook enig bewijs van een wijziging van het effect per geslacht. De gevolgen van de recessie voor de werkgelegenheid waren verschillend voor mensen van verschillende leeftijden en geslachten.
dit is belangrijk omdat de beleidsimplicaties zeer verschillend zouden zijn. Stel je voor dat je werkte als onderdeel van de federale overheid en probeerde een economisch stimulerings-of herstelpakket te ontwerpen. Als de enige gegevens uit de eerste grafiek zouden komen, zonder de leeftijdsafwijkingen, zouden de mogelijke beleidsoplossingen heel anders zijn dan als je ook toegang had tot de gestratificeerde analyse per leeftijd.
met confounding krijgt u in eerste instantie het verkeerde antwoord omdat de confounder niet gelijkmatig over uw groepen is verdeeld. Dit vervormt de mate van associatie die je berekent (onthoud: het hebben van grotere voeten wordt geassocieerd met leessnelheid alleen vanwege verstorende rangniveau). Dus in plaats daarvan moet je de mate van associatie herberekenen, deze keer aanpassen voor de confounder.
met effect modificatie krijgt u in eerste instantie ook het verkeerde antwoord, maar dit keer is het omdat uw monster ten minste 2 subgroepen bevat waarin de blootstelling/ziekte associatie anders is. In dit geval moet u deze subgroepen permanent scheiden en resultaten (die al dan niet kunnen worden verward door nog andere covariabelen) afzonderlijk rapporteren voor elk stratum.: in dit geval hebben mannen die minder slapen hogere GPA ’s dan mannen die meer slapen, maar tegelijkertijd hebben vrouwen die meer slapen hogere GPA’ s dan vrouwen die minder slapen.
hier is een overzichtstabel die het proces aangeeft voor het omgaan met potentiële confounders en effectmodifiers. Veel van het proces is hetzelfde, ongeacht welk type covariabele je hebt (in alle gevallen moet je de covariabele tijdens je studie meten, en het goed meten!). Gebieden van verschil worden weergegeven in rood.
| Confounding | Effect modificatie | |
| voordat u een studie plant | overweeg welke variabelen als verstorende factoren kunnen werken op basis van wat u weet over het blootstellings – /ziekteproces dat wordt bestudeerd. | bedenk welke variabelen kunnen werken als effectmodificatoren op basis van wat u weet over het blootstellings – /ziekteproces dat wordt bestudeerd. |
| Verzamel tijdens een studie | gegevens over mogelijke covariabelen—gestratificeerde / aangepaste analyses kunnen niet worden uitgevoerd zonder gegevens over de covariabele! | Verzamel gegevens over mogelijke covariabelen-gestratificeerde / aangepaste analyses kunnen niet worden uitgevoerd zonder gegevens over de covariabele! |
| analyse: Stap 1 | Bereken de ruwe maat van associatie (waarbij de covariabele wordt genegeerd). | Bereken de ruwe maat van associatie (waarbij de covariabele buiten beschouwing wordt gelaten). |
| analyse: Stap 2 | Bereken stratum-specifieke associatiemaatstaven, zodat elk niveau van de covariabele zijn eigen 2 x 2 tabel heeft. | Bereken stratum-specifieke associatiemaatstaven, zodat elk niveau van de covariabele zijn eigen 2 x 2 tabel heeft. |
| analyse: Stap 3 | als de stratum-specifieke maatregelen op elkaar lijken en ten minste 10% verschillen van de ruwe (die er niet tussen valt), dan is de covariabele een confounder. | als de stratum-specifieke maatregelen verschillend zijn van elkaar, en de ruwe ligt ertussen, dan is de covariabele een effect modifier. |
| Schrijfresultaten | rapporteren een aangepaste maat voor de associatie die de confounder controleert. | verslag over de stratum-specifieke associatiemaatregelen. |
stel je voor dat je een cross-sectionele studie doet van fysieke activiteit en dementie bij ouderen, en je berekent een onaangepaste odds ratio (OR) van 2,0. Je denkt dat de burgerlijke staat een belangrijke covariabele zou kunnen zijn, dus je stratify door “momenteel getrouwd” versus “niet momenteel getrouwd” (die omvat nooit getrouwd, gescheiden, en weduwnaar). De OR onder momenteel gehuwde mensen is 3.1, en onder niet momenteel gehuwde mensen de OR is 3.24. In dit geval fungeert de burgerlijke staat als een confounder, en we zouden de aangepaste OR (Die zou 3.18 of zo).
stel je voor dat je een gerandomiseerde proef doet van een Mediterraan Dieet om vroegtijdige geboorte bij zwangere vrouwen te voorkomen. Je doet de proef en berekent een RR van 0.90. Je denkt dat pariteit misschien een belangrijke covariabele kan zijn, dus je voert een gestratificeerde analyse uit. Bij nulliparas is de RR 0,60, en bij multiparas is de RR 1,15. Deze zijn verschillend van elkaar, en de ruwe ligt tussen hen. In dit geval werkt pariteit als een effect modifier, en dus zou je de 2 stratum-specifieke RRs afzonderlijk rapporteren.
stel je voor dat je een case-control studie van melanoom en eerdere zonnebank gebruik doet. De ruwe OR is 3,5, maar misschien is geslacht een belangrijke covariabele. De gestratificeerde analyse levert een OR van 3,45 bij mannen, en 3,56 bij vrouwen. In dit geval is het covariabele (geslacht) noch een confounder, noch een effect modifier. We zeggen dat het geen confounder is omdat (1) de ruwe ligt tussen de 2 stratum-specifieke schattingen, maar ook (2) de stratum-specifieke schattingen zijn niet meer dan 10% verschillend van de ruwe. We zeggen dat het geen effect modifier omdat, 3.45 en 3.56 zijn niet zo verschillend-in beide gevallen is er een substantieel effect (ongeveer 3,5 keer zo hoog). We zouden de ruwe schatting van associatie rapporteren, omdat het noch aanpassing noch stratificatie vereist om rekening te houden met de effecten van geslacht.
Ja! Meestal zien we dit wanneer de covariabele in kwestie een continue variabele is, dichotomized met het oog op het controleren op effect modificatie. Bijvoorbeeld, als we denken dat leeftijd een effect modifier kan zijn, kunnen we onze steekproef te verdelen in ” Oud ” en “jong” voor de gestratificeerde analyse—laten we zeggen, ouder dan 50 versus 50 of jonger. In de mate dat 51-jarigen zijn niet als 70-jarigen, kunnen we missen een aantal belangrijke nuances in de resultaten, mogelijk omdat er in de gegevens verder effect modificatie met meer categorieën (die de macht zou laten vallen om bijna niets, waren we afzonderlijk te rapporteren over extra lagen) of “resterende” verstorende zoals besproken in het vorige hoofdstuk. Verdere details vallen buiten het bestek van dit boek, maar weet dat dezelfde covariabele theoretisch zowel een confounder als een effect modifier kan zijn—maar dat men dit zelden in de praktijk ziet.
conclusie
in tegenstelling tot confounding, waarvan we ons in onze Analyse willen ontdoen van de effecten, is effect modificatie op zichzelf een interessante bevinding, en we rapporteren het. Voer een gestratificeerde analyse uit om te controleren of het effect gewijzigd is. Als de stratum-specifieke maten van associatie verschillend zijn van elkaar en de ruwe ligt tussen hen, dan is het waarschijnlijk dat de variabele in kwestie werkt als een effect modifier. Rapporteer de resultaten afzonderlijk voor elke laag van de covariabele.
Eén definitieve, gecombineerde tabel:
| Als deze uw ORs/RRs: | ||||
| Ruwe/Ongecorrigeerde | Stratum | Stratum | Dan de covariable is… | En je zou het rapport… |
| 2.0 | 1.0 | 3.2 | een effect modifier | de 2 stratum-specifieke maatregelen van de vereniging |
| 2.0 | 3.5 | 3.6 | een confounder | een aangepaste maat |
| 2.0 | 1.9 | 2.0 | niets interessants | de ruwe maat |
een systematische fout in een studie (sommige mensen noemen het een vooroordeel; ik liever niet) die wordt veroorzaakt door een derde variabele interfereren in de blootstelling-ziekte relatie.
verwijst naar het scenario waarin de relatie tussen een blootstelling en een resultaat varieert op basis van een derde variabele. Bijvoorbeeld, misschien verhindert yoga ACL verwondingen in wijfjes maar niet mannetjes. Seks in dat scenario is de effect modifier. Effect modificatie is niet hetzelfde als confounding.
de kans dat je studie iets vindt dat er is. Macht = 1-β; beta is het type II foutenpercentage. Kleine studies, of studies van zeldzame gebeurtenissen, zijn meestal onder-powered.
hoeveel kinderen een vrouw heeft gehad. Nulliparous vrouwen (aka nulliparas)hebben nog niet hun eerste kind (ze kunnen zwanger zijn, maar hebben het kind nog niet gehad), en parous vrouwen hebben ten minste een vorig kind. Multipara ’s hebben minstens twee eerdere kinderen gehad; primipara’ s hebben één eerder kind gehad.
Dit is de eerste zwangerschap van een vrouw.
deze vrouw heeft andere kinderen.