Fundamentos de Epidemiologia
Depois de ler este capítulo, você será capaz de fazer o seguinte:
- Explique qual o efeito de modificação é
- Diferenciar entre fatores de confusão e modificadores de efeito
- Realizar uma análise estratificada para determinar se o efeito de modificação está presente nos dados
No capítulo anterior, discutimos a confusão. Um confessor, você se lembra, é uma terceira variável que, se não controlada apropriadamente, leva a uma estimativa tendenciosa da Associação. Modificação de efeito também envolve uma terceira variável (não a exposição e não o resultado)—mas neste caso, absolutamente não queremos controlar para ele. Em vez disso, a presença de modificação de efeito é, por si só, uma descoberta interessante, e destacamo-la.
quando a modificação de efeito (também chamada de interação) está presente, haverá resultados diferentes para diferentes níveis da terceira variável (também chamada de covariável). Por exemplo, se fizermos um estudo de coorte sobre a quantidade de sono e GPA entre Oregon State University (OSU) os alunos durante o curso de um termo, podemos coletar estes dados:
| AGP | |||
| < 3.0 | ≥ 3.0 | ||
| Quantidade do Sono | < 8 horas | 25 | 25 |
| > 8 horas | 25 | 25 | |
Uma vez que este foi um estudo de coorte, podemos calcular a taxa de risco (RR):
não Existe nenhuma associação entre a quantidade de sono e subsequente AGP. Usando o modelo de sentença, este pode ser declarado:
esta é uma relação de risco de um estudo de coorte, então precisamos incluir o período de tempo-o que eu fiz dizendo “para terminar o termo”. Assim como para confundir, nós nos referimos a isto como o RR não ajustado ou bruto.
no entanto, ao falar com os alunos, perguntamo-nos se o sexo pode ou não ser um importante covariável. Tal como acontece com a confusão, realizaríamos uma análise estratificada para verificar a modificação dos efeitos. Mais uma vez, desenhamos 2 × 2 tabelas com a mesma exposição (sono) e resultado (GPA), mas desenhamos tabelas separadas para homens e mulheres (sexo é o covariável). Nós fazemos isso olhando para trás os dados brutos e descobrindo quantas das 25 pessoas na célula A (E+, D+) acima eram homens e quantas eram mulheres. Vamos supor que das 25 pessoas que relataram < 8 horas e tiveram uma média < 3.0, 11 eram homens e 14 eram mulheres. Nós, em seguida, da mesma forma divida os participantes de a, B, C, D e células, e fazer estrato específico de 2 x 2, tabelas:
| Homens | AGP | ||
| < 3.0 | ≥ 3.0 | ||
| Quantidade do Sono | < 8 horas | 11 | 14 |
| 8+ horas | 17 | 9 | |
| Mulheres | AGP | ||
| < 3.0 | ≥ 3.0 | ||
| Quantidade do Sono | < 8 horas | 14 | 11 |
| 8+ horas | 8 | 16 | |
RRmen= \frac{(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen= \frac{(\frac{14}{25})}{(\frac{8}{24})} = 1.7
Interpretações:
Entre os estudantes do sexo masculino, aqueles que dormiam menos de 8 horas por noite tinham 0.68 vezes o risco de ter um GPA <3.0 no final do período, em comparação com os que comunicaram 8 ou mais horas.
Entre estudantes do sexo feminino, aqueles que dormiam menos de 8 horas por noite tinham 1,7 vezes o risco de ter um GPA <3.0 no final do prazo, em comparação com aqueles que relataram 8 ou mais horas.
Dormir menos de 8 horas associado—no estes dados hipotéticos—com um maior GPA entre os estudantes do sexo masculino (o “resultado” é baixa AGP, então, um RR menor que 1 indica que indivíduos expostos são menos propensos a ter um baixo GPA) mas com um menor GPA entre estudantes do sexo feminino.
Sexo neste caso está agindo como um modificador de efeito: a associação entre o sono e GPA varia de acordo com estratos do covariável. Você pode manchar efeito de modificação ao fazer a análise estratificada por determinado o seguinte:
- O estrato específico de medidas de associação são diferentes uns dos outros
- O petróleo bruto cai entre eles
Se tiver o efeito de modificação, o próximo passo é informar o estrato de medidas específicas. Nós não calculamos uma medida ajustada (seria perto de 1.0, semelhante ao bruto) ; o interessante aqui é que homens e mulheres reagem para dormir de forma diferente. Modificação de efeito é algo que queremos destacar em nossos resultados, não algo a ser ajustado.
ao contrário de confundir, onde uma mudança de 10% de crude para ajustado é uma definição Aceita para confundir, não existe tal definição padronizada para como as medidas específicas estrato devem ser diferentes para chamar algo um modificador de efeito. O limiar deve ser provavelmente maior do que o necessário para declarar algo como um confunder, porque uma vez que você declara algo um modificador de efeito, você é posteriormente obrigado a relatar os resultados separadamente para cada nível do covariável—algo que corta o seu poder em pelo menos metade. Assim, na epidemiologia, raramente vemos evidência de modificação de efeito relatada na literatura. Resumindo,” diferente “o suficiente para a modificação do efeito é” inequivocamente diferente.”
ao ler artigos, modificação de efeito às vezes será chamado de interação, ou os autores podem apenas dizer que eles estão relatando análises estratificadas. Qualquer uma destas três frases é uma pista de que existe uma variável agindo como um modificador de efeito.
efeito Modification Example II
Following the housing bubble-driven recession of 2008( this is the exposure), the US economy lost a lot of jobs. Aqui está um gráfico mostrando o número de pessoas que estavam trabalhando (o resultado) antes, durante e depois da recessão. Os resultados estão sendo apresentados estratificados por gênero (um covariável), o que significa que o analista suspeitou que o gênero poderia estar atuando como um modificador de efeito. Na verdade, os resultados são ligeiramente diferentes: os homens (a azul) perderam uma maior proporção de postos de trabalho, e a partir de 2014 ainda não tinham recuperado para níveis pré-recessão, enquanto as mulheres (a vermelho) perderam menos postos de trabalho e até 2014 tinham recuperado totalmente.
fonte: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
e se também nos estratificarmos por idade? Em primeiro lugar, aqui está um gráfico mostrando como a recessão afetou os empregos para pessoas com idade igual ou superior a 55 anos:
fonte: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
a recessão não afetou os americanos mais velhos que trabalham em tudo. Também não estamos a ver alterações de efeito por género—as 2 linhas são quase paralelas.E os jovens adultos?
fonte: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
aqui temos uma modificação de grande efeito por gênero-os jovens homens perderam uma enorme proporção de empregos disponíveis e não tinha recuperado totalmente a partir de 2014. Isto não é surpreendente, uma vez que a recessão foi causada em grande parte pela bolha imobiliária, e os trabalhadores da construção são, na sua maioria, homens jovens. Em contrapartida, as mulheres jovens perderam uma pequena proporção de postos de trabalho e rapidamente recuperaram para níveis superiores à pré-adesão.
Finalmente, analisamos os trabalhos de 25 a 54 anos:
Fonte: https://fred.stlouisfed.org/graph/?id=LNS12000061
Aqui podemos ver um quadro desolador. Neste grupo etário, perderam—se postos de trabalho—mais para os homens do que para as mulheres-e, a partir de 2014, não se recuperaram de todo.
assim, ao examinar a resposta do mercado de trabalho à recessão de 2008, vemos alterações substanciais de efeito por idade (recuperação de empregos variou drasticamente por idade) e, dentro de algumas categorias de idade, também algumas evidências de alteração de efeito por sexo. Os efeitos da recessão nos empregos eram diferentes para pessoas de diferentes idades e gêneros.Isto é importante porque as implicações políticas seriam muito diferentes. Imagine que você estava trabalhando como parte do governo federal e tentando projetar um pacote de estímulo econômico ou recuperação. Se os únicos dados que você tinha vindo do primeiro gráfico, sem as quebras de idade, as soluções políticas potenciais seriam muito diferentes do que se você também tivesse acesso à análise estratificada por idade.
com confusão, Você está inicialmente recebendo a resposta errada porque o confundidor não é distribuído uniformemente entre os seus grupos. Isto distorce a medida de associação que você calcula (lembre-se: ter pés maiores é associado com a velocidade de leitura apenas por causa da confusão por nível de nota). Então, em vez disso, você precisa recalcular a medida de associação, desta vez ajustando para o Confessor.
com a modificação do efeito, você também está inicialmente recebendo a resposta errada, mas desta vez é porque a sua amostra contém pelo menos 2 subgrupos em que a associação exposição/doença é diferente. Neste caso, você precisa separar permanentemente esses subgrupos e relatar os resultados (que podem ou não ser confundidos por outras variáveis ainda) separadamente para cada estrato: neste caso, os homens que dormem menos têm GPAs mais elevadas do que os homens que dormem mais, mas ao mesmo tempo, as mulheres que dormem mais têm GPAs mais elevadas do que as mulheres que dormem menos.
aqui está uma tabela de resumo que denota o processo para lidar com potenciais confluentes e modificadores de efeito. Grande parte do processo é o mesmo independentemente do tipo de covariável que você tem (em todos os casos, você deve medir o covariável durante o seu estudo, e medi-lo bem!). As áreas de diferença são mostradas em vermelho.
| Confusão | Efeito de Modificação | |
| Antes de planejar um Estudo | Pensar sobre o que variáveis podem atuar como fatores de confusão com base no que você sabe sobre a exposição/doença do processo em estudo. | pense sobre quais variáveis podem agir como modificadores de efeito com base no que sabe sobre o processo de exposição/doença em estudo. |
| durante um estudo | recolher dados sobre quaisquer potenciais análises covariáveis estratificadas / ajustadas não podem ser realizadas sem dados sobre as covariáveis! | recolher dados sobre quaisquer potenciais análises covariáveis-estratificadas / ajustadas não podem ser realizadas sem dados sobre a covariável! |
| análise: Passo 1 | calcular a medida bruta de associação (ignorando a variável). | Calcule a medida bruta da Associação (ignorando a variável). |
| análise: Etapa 2 | calcular as medidas de associação específicas do estrato, de modo a que cada nível do covariável tenha a sua própria tabela 2 x 2. | calcular as medidas de associação específicas do estrato, de modo a que cada nível do covariável tenha a sua própria tabela 2 x 2. |
| análise: Passo 3 | se as medidas específicas do estrato forem semelhantes umas às outras, e pelo menos 10% diferentes do bruto (que não cai entre elas), então o covariável é um confundidor. Se as medidas específicas do estrato forem diferentes umas das outras, e o crude estiver entre elas, então o covariável é um modificador de efeito. | |
| Writing Results | Report an adjusted measure of association that controls for the Confessor. | Relate as medidas de associação específicas do estrato. |
Imagine que você faz um estudo transversal da atividade física e demência em idosos, e você calcula um rácio de probabilidades Não ajustado (ou) de 2,0. Você acha que o estado civil pode ser um importante covariável, então você estratifica por “atualmente casado” versus “não atualmente casado” (que inclui nunca casado, divorciado e viúvo). O OR entre as pessoas casadas atualmente é de 3,1, e entre as pessoas não casadas atualmente é de 3,24. Neste caso, o estado civil está agindo como um confunder, e nós reportaríamos o ou ajustado (que seria 3,18 ou mais).
Imagine que você faz um teste aleatório de uma dieta mediterrânica para evitar o parto prematuro em mulheres grávidas. Faz o ensaio e calcula um RR de 0,90. Pensa que talvez a paridade possa ser uma importante variável, por isso faz uma análise estratificada. Entre as nuliparas, a RR é 0,60, e entre as multiparas, a RR é 1,15. Estes são diferentes uns dos outros, e as mentiras grosseiras entre eles. Neste caso, a paridade está agindo como um modificador de efeito, e assim você reportaria o 2 estrato-específico RRs separadamente.
Imagine que você está fazendo um estudo de controle de casos de melanoma e uso de bronzeamento prévio na cama. O bruto ou é 3,5, mas talvez o gênero é um importante covariável. A análise estratificada produz um ou de 3,45 entre os homens e 3,56 entre as mulheres. Neste caso, o covariável (gênero) não é nem um confessor nem um modificador de efeito. Dizemos que não é um confunder porque (1) o crude está entre as estimativas específicas de 2 estratos, mas também (2) as estimativas específicas de estratos não são mais de 10% diferentes do crude. Nós dizemos que não é um modificador de efeito porque, 3.45 e 3.56 não são tão diferentes—em ambos os casos, há um efeito substancial (aproximadamente 3,5 vezes mais alto). Reportamos a estimativa grosseira da Associação, pois não requer ajuste nem estratificação para explicar os efeitos do gênero.
Sim! Geralmente vemos isso quando o covariável em questão é uma variável contínua, dicotomizada para fins de verificação de modificação de efeito. Por exemplo, se pensamos que a idade pode ser um modificador de efeito, podemos dividir nossa amostra em “Velho” e “jovem” para a análise estratificada—digamos, mais de 50 versus 50 ou mais jovem. Na medida em que a 51-year-olds não são como os de 70 anos, podemos perder alguns detalhes nos resultados, possivelmente porque não existe nos dados mais efeito a modificação com mais categorias (o que diminuiria o poder de quase nada, fomos para relatar separadamente em outros estratos) ou “residual” de confusão, como discutido no capítulo anterior. Mais detalhes estão além do escopo deste livro, mas saiba que o mesmo covariável pode teoricamente agir como um confessor e um modificador de efeito—mas que raramente se vê isso na prática.
conclusão
ao contrário da confusão, cujos efeitos queremos nos livrar em nossa análise, a modificação de efeito é uma descoberta interessante em si mesma, e nós relatamos. Para verificar modificações de efeito, realizar uma análise estratificada. Se as medidas específicas do estrato de associação são diferentes umas das outras e o crude está entre elas, então é provável que a variável em questão esteja agindo como um modificador de efeito. Comunicar os resultados separadamente para cada estrato da variável.
uma última tabela, em conjunto:
| Se estes são os seus Rup/Rr: | ||||
| Bruta/não ajustado | Estrato | Estrato | em Seguida, o covariable é… | E você gostaria de relatório… |
| 2.0 | 1.0 | 3.2 | um efeito modificador | 2 estrato específico de medidas de associação |
| 2.0 | 3.5 | 3.6 | seria um fator confundente | ajustada medida |
| 2.0 | 1.9 | 2.0 | nada de interessante | a medida aproximada |
Um erro sistemático em um estudo (alguns chamam a isso um preconceito, prefiro não) que é causado por uma terceira variável interferir na exposição-doença relacionamento.
refere-se ao cenário em que a relação entre uma exposição e um resultado varia com base numa terceira variável. Por exemplo, talvez yoga previne lesões ACL em fêmeas, mas não em machos. O sexo nesse cenário é o modificador do efeito. Modificação de efeito não é o mesmo que confundir.
a probabilidade de o seu estudo encontrar algo que esteja lá. Power = 1-β; beta é a taxa de erro de tipo II. Pequenos estudos, ou estudos de eventos raros, são tipicamente sub-alimentados.
quantos filhos uma mulher teve. As mulheres nulíparas (também conhecidas como nulíparas) ainda não tiveram seu primeiro filho (podem estar grávidas, mas ainda não tiveram o Filho), e as mulheres parosas tiveram pelo menos um filho anterior. Multiparas tiveram pelo menos duas crianças anteriores; primiparas tiveram uma criança anterior.
esta é a primeira gravidez de uma mulher.
esta mulher teve outros filhos.