grunden för epidemiologi
efter att ha läst detta kapitel kommer du att kunna göra följande:
- förklara vilken effektmodifiering är
- differentiera mellan confounders och effektmodifierare
- utför en stratifierad analys för att avgöra om effektmodifiering finns i data
i föregående kapitel, vi diskuterade confounding. En confounder, du kommer ihåg, är en tredje variabel som om den inte kontrolleras på lämpligt sätt leder till en partisk uppskattning av föreningen. Effektmodifiering innebär också en tredje variabel (inte exponeringen och inte resultatet)—men i det här fallet vill vi absolut inte kontrollera för det. Snarare är närvaron av effektmodifiering i sig ett intressant resultat, och vi lyfter fram det.
när effektmodifiering (även kallad interaktion) är närvarande kommer det att finnas olika resultat för olika nivåer av den tredje variabeln (även kallad en kovariabel). Till exempel, om vi gör en kohortstudie om mängden sömn och GPA bland Oregon State University (OSU) studenter under en termin, kan vi samla in dessa data:
| GPA | |||
| < 3.0 | ≥ 3.0 | ||
| mängden sömn | < 8 timmar | 25 | 25 |
| > 8 timmar | 25 | 25 | |
eftersom detta var en kohortstudie beräknar vi riskkvoten (RR):
det finns ingen koppling mellan mängden sömn och efterföljande GPA. Med hjälp av mallmeningen kan detta anges:
detta är ett riskförhållande från en kohortstudie, så vi måste inkludera tidsramen—vilket jag gjorde genom att säga ”för att avsluta termen”. Precis som för confounding, hänvisar vi till detta som den ojusterade eller råa RR.
men från att prata med studenter undrar vi om kön kan vara en viktig kovariabel eller inte. Som med confounding skulle vi göra en stratifierad analys för att kontrollera effektmodifiering. Återigen ritar vi 2 2 tabeller med samma exponering (sömn) och resultat (GPA) men ritar separata tabeller för män och kvinnor (kön är det kovariabla). Vi gör detta genom att titta tillbaka på rådata och ta reda på hur många av de 25 personerna i A (E+, D+) cellen ovan var män och hur många var kvinnor. Låt oss anta att av de 25 personer som rapporterade <8 timmar och hade en GPA < 3.0, 11 var män och 14 var kvinnor. Vi delar sedan på samma sätt deltagare från B -, C-och D-cellerna och gör stratumspecifika 2 x 2-tabeller:
| män | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| mängden sömn | < 8 timmar | 11 | 14 |
| 8+ timmar | 17 | 9 | |
| kvinnor | GPA | ||
| < 3.0 | ≥ 3.0 | ||
| mängden sömn | < 8 timmar | 14 | 11 |
| 8+ timmar | 8 | 16 | |
RRmen= \ frac {(\frac{11}{25})}{(\frac{17}{26})} = 0.68
RRwomen= \ frac {(\frac{14}{25})}{(\frac{8}{24})} = 1.7
tolkningar:
bland manliga studenter hade de som sov mindre än 8 timmar per natt 0,68 gånger risken för att få en GPA < 3.0 i slutet av terminen, jämfört med dem som rapporterade 8 eller fler timmar.
bland kvinnliga studenter hade de som sov mindre än 8 timmar per natt 1, 7 gånger risken för att ha en GPA < 3, 0 i slutet av terminen, jämfört med dem som rapporterade 8 eller fler timmar.
sova mindre än 8 timmar är associerad—i dessa hypotetiska data—med en högre GPA bland manliga studenter (”resultatet” är låg GPA, så en RR mindre än 1 indikerar att utsatta individer är mindre benägna att ha en låg GPA) men med en lägre GPA bland kvinnliga studenter.
kön i detta fall fungerar som en effektmodifierare: sambandet mellan sömn och GPA varierar beroende på skikt av det kovariabla. Du kan upptäcka effektmodifiering när du gör stratifierad analys med följande:
- de stratumspecifika åtgärderna för associering skiljer sig från varandra
- den råa faller mellan dem
om du har effektmodifiering är nästa steg att rapportera de stratumspecifika åtgärderna. Vi beräknar inte ett justerat mått (det skulle vara nära 1,0, liknande den råa); det intressanta här är att män och kvinnor reagerar på sömn annorlunda. Effektmodifiering är något vi vill lyfta fram i våra resultat, inte något som ska justeras bort.
till skillnad från för confounding, där en 10% förändring från rå till justerad är en accepterad definition för confounding, finns det ingen sådan standardiserad definition för hur olika stratumspecifika åtgärder måste vara att kalla något en effektmodifierare. Tröskeln borde förmodligen vara högre än den som krävs för att förklara något som en confounder, för när du förklarar något som en effektmodifierare, är du därefter skyldig att rapportera resultat separat för varje nivå av det kovariabla—något som skär din kraft i minst hälften. Således ser vi i epidemiologi sällan bevis på effektmodifiering som rapporterats i litteraturen. Lång historia kort, ”annorlunda” nog för effektmodifiering är ” otvetydigt annorlunda.”
när man läser artiklar kallas effektmodifiering ibland interaktion, eller författarna kan bara säga att de rapporterar stratifierade analyser. Någon av dessa 3 fraser är en aning om att det finns en variabel som fungerar som en effektmodifierare.
Effektmodifieringsexempel II
efter den bostadsbubbeldrivna lågkonjunkturen 2008 (detta är exponeringen) förlorade den amerikanska ekonomin många jobb. Här är en graf som visar antalet personer som arbetade (resultatet) före, under och efter lågkonjunkturen. Resultaten presenteras stratifierade efter kön (en kovariabel), vilket innebär att analytikern misstänkte att kön kan fungera som en effektmodifierare. Resultaten är faktiskt något annorlunda: män (i blått) förlorade en större andel jobb och hade från och med 2014 ännu inte återhämtat sig till lågkonjunkturnivåer, medan kvinnor (i rött) förlorade färre jobb och 2014 hade återhämtat sig helt.
källa: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUs
vad händer om vi också stratifierar efter ålder? Först, här är en graf som visar hur lågkonjunkturen påverkade jobb för människor i åldern 55 och äldre:
källa: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUt
lågkonjunkturen påverkade inte äldre arbetande amerikaner alls. Vi ser inte heller effektmodifiering efter kön-de 2 linjerna är nästan parallella.
vad sägs om unga vuxna?
källa: https://fred.stlouisfed.org/graph/fredgraph.png?g=qUv
här har vi stor effektmodifiering av kön-unga män förlorade en stor andel lediga jobb och hade inte återhämtat sig helt från och med 2014. Detta är inte förvånande, eftersom lågkonjunkturen till stor del orsakades av bostadsbubblan, och byggnadsarbetare är mestadels unga män. Däremot förlorade unga kvinnor en liten del av jobben och återhämtade sig snabbt till bättre nivåer än förhandsbesked.
slutligen tittar vi på jobb för 25 till 54-åringar:
källa: https://fred.stlouisfed.org/graph/?id=LNS12000061
här ser vi en mycket dyster bild. I denna åldersgrupp förlorades jobb-mer för män än kvinnor—och från och med 2014 hade inte återhämtat sig alls.
när vi undersöker arbetsmarknadens svar på 2008-lågkonjunkturen ser vi således en väsentlig effektmodifiering efter ålder (jobbåterhämtningen varierade drastiskt efter ålder) och inom vissa åldersgrupper också några bevis på effektmodifiering efter kön. Effekterna av lågkonjunkturen på jobb var olika för människor i olika åldrar och kön.
detta är viktigt eftersom de politiska konsekvenserna skulle vara mycket olika. Tänk dig att du arbetade som en del av den federala regeringen och försökte utforma ett ekonomiskt stimulans-eller återhämtningspaket. Om de enda data du hade kom från den första grafen, utan åldersuppdelningar, skulle de potentiella politiska lösningarna vara väldigt annorlunda än om du också hade tillgång till den stratifierade åldersanalysen.
med confounding får du initialt fel svar eftersom confounder inte fördelas jämnt mellan dina grupper. Detta snedvrider det mått på förening som du beräknar (kom ihåg: att ha större fötter är förknippad med läshastighet bara på grund av förvirring efter betygsnivå). Så istället måste du räkna om associeringsmåttet, den här gången justera för confounder.
med effektmodifiering får du också initialt fel svar, men den här gången beror det på att ditt prov innehåller minst 2-undergrupper där exponeringen/sjukdomsföreningen är annorlunda. I det här fallet måste du permanent separera dessa undergrupper och rapportera resultat (som kanske eller inte kan förväxlas av fortfarande andra kovariabler) separat för varje stratum: i det här fallet har män som sover mindre högre GPA än män som sover mer, men samtidigt har kvinnor som sover mer högre GPA än kvinnor som sover mindre.
här är en sammanfattande tabell som anger processen för att hantera potentiella confounders och effektmodifierare. Mycket av processen är densamma oavsett vilken typ av kovariabel du har (i alla fall måste du mäta det kovariabla under din studie och mäta det bra!). Skillnadsområden visas i rött.
| Confounding | effekt modifiering | |
| innan du planerar en studie | Tänk på vilka variabler som kan fungera som confounders baserat på vad du vet om exponeringen/sjukdomsprocessen som studeras. | Tänk på vilka variabler som kan fungera som effektmodifierare baserat på vad du vet om exponeringen/sjukdomsprocessen som studeras. |
| under en studie | samla in data om eventuella kovariabler-stratifierade / justerade analyser kan inte utföras utan data om det kovariabla! | samla in data om eventuella kovariabler-stratifierade / justerade analyser kan inte utföras utan data om det kovariabla! |
| analys: Steg 1 | beräkna det råa associeringsmåttet (ignorera det kovariabla). | beräkna det råa associeringsmåttet (ignorera det kovariabla). |
| analys: Steg 2 | beräkna stratumspecifika mått på associering, så att varje nivå i den kovariabla har sin egen 2 x 2-tabell. | beräkna stratumspecifika mått på associering, så att varje nivå i den kovariabla har sin egen 2 x 2-tabell. |
| analys: steg 3 | om de stratumspecifika åtgärderna liknar varandra och minst 10% skiljer sig från den råa (som inte faller mellan dem), är den kovariabla en confounder. | om de stratumspecifika åtgärderna är olika än varandra, och den råa ligger mellan dem, är den kovariabla en effektmodifierare. |
| skriva resultat | Rapportera ett justerat mått på association som styr för confounder. | rapportera de stratumspecifika åtgärderna för förening. |
Föreställ dig att du gör en tvärsnittsstudie av fysisk aktivitet och demens hos äldre människor, och du beräknar ett ojusterat oddsförhållande (eller) på 2,0. Du tror att civilstånd kan vara en viktig kovariabel, så du stratifierar med ”för närvarande gift” kontra ”inte för närvarande gift” (som inkluderar aldrig gift, skild och änka). OR bland för närvarande gifta personer är 3,1, och bland för närvarande inte gifta personer är OR 3,24. I det här fallet fungerar civilstånd som en confounder, och vi skulle rapportera den justerade eller (som skulle vara 3.18 eller så).
Föreställ dig att du gör en randomiserad studie av en Medelhavsdiet för att förhindra för tidig födsel hos gravida kvinnor. Du gör försöket och beräknar en RR på 0,90. Du tror att kanske paritet kan vara en viktig kovariabel, så du gör en stratifierad analys. Bland nulliparas är RR 0,60, och bland multiparas är RR 1,15. Dessa är olika än varandra, och de råa ligger mellan dem. I det här fallet fungerar paritet som en effektmodifierare, och så skulle du rapportera de 2 stratumspecifika rr: erna separat.
Föreställ dig att du gör en fallkontrollstudie av melanom och tidigare användning av solarium. Den råa eller är 3,5, men kanske kön är en viktig kovariabel. Den stratifierade analysen ger en OR på 3,45 bland män och 3,56 bland kvinnor. I detta fall är det kovariabla (kön) varken en confounder eller en effektmodifierare. Vi säger att det inte är en confounder eftersom (1) den råa ligger mellan de 2 stratumspecifika uppskattningarna, men också (2) de stratumspecifika uppskattningarna är inte mer än 10% annorlunda än den råa. Vi säger att det inte är en effektmodifierare eftersom 3.45 och 3.56 inte är så olika—i båda fallen finns det en väsentlig effekt (ungefär 3.5 gånger så hög). Vi skulle rapportera den grova uppskattningen av föreningen, eftersom det varken kräver justering eller stratifiering för att redogöra för effekterna av kön.
Ja! Vanligtvis ser vi detta när den kovariabla i fråga är en kontinuerlig variabel, dikotomiserad för att kontrollera effektmodifiering. Om vi till exempel tror att ålder kan vara en effektmodifierare, kan vi dela vårt prov i ”gammalt” och ”ungt” för den stratifierade analysen—säg äldre än 50 mot 50 eller yngre. I den utsträckning som 51-åringar inte är som 70-åringar, kan vi sakna några viktiga nyanser i resultaten, möjligen för att det finns i data ytterligare effektmodifiering med fler kategorier (vilket skulle släppa kraften till nästan ingenting, om vi skulle rapportera separat om ytterligare skikt) eller ”kvarvarande” förvirrande som diskuterats i föregående kapitel. Ytterligare detaljer ligger utanför denna bok, men vet att samma kovariabla teoretiskt kan fungera som både en confounder och en effektmodifierare—men att man sällan ser detta i praktiken.
slutsats
till skillnad från confounding, vars effekter vi vill bli av med i vår analys, är effektmodifiering ett intressant resultat i sig, och vi rapporterar det. För att kontrollera effektmodifiering, utför en stratifierad analys. Om de stratumspecifika åtgärderna för associering är olika än varandra och de råa ligger mellan dem, är det troligt att variabeln i fråga fungerar som en effektmodifierare. Rapportera resultaten separat för varje skikt av det kovariabla.
en slutlig, put-it-all-together tabell:
| om dessa är dina ORs / RRs: | ||||
| rå / Ojusterad | Stratum | Stratum | då är den kovariabla … | och du skulle rapportera… |
| 2.0 | 1.0 | 3.2 | en effektmodifierare | de 2 stratumspecifika åtgärderna för association |
| 2.0 | 3.5 | 3.6 | en confounder | ett justerat mått |
| 2.0 | 1.9 | 2.0 | inget intressant | råmåttet |
ett systematiskt fel i en studie (vissa kallar det en bias, jag föredrar att inte) som orsakas av en tredje variabel som stör störningen av exponeringssjukdomsförhållandet.
avser scenariot när förhållandet mellan en exponering och ett utfall varierar på grundval av en tredje variabel. Till exempel kanske yoga förhindrar ACL-skador hos kvinnor men inte män. Sex i det scenariot är effektmodifieraren. Effektmodifiering är inte detsamma som förvirrande.
sannolikheten att din studie kommer att hitta något som finns där. Effekt = 1-Xiaomi; beta är typ II-felfrekvensen. Små studier, eller studier av sällsynta händelser, är vanligtvis underdrivna.
hur många barn en kvinna har haft. Nulliparösa kvinnor (aka nulliparas) har ännu inte fått sitt första barn (de kan vara gravida, men har inte fått barnet ännu), och parous kvinnor har haft minst ett tidigare barn. Multiparas har haft minst två tidigare barn; primiparas har haft ett tidigare barn.
detta är en kvinnas första graviditet.
den här kvinnan har fått andra barn.