Præcision og effektivitet (efficiency)?
|
|
- Morten Therkildsen
- 2 år siden
- Visninger:
Transkript
1 Case-kontrol studier PhD kursus i Epidemiologi Københavns Universitet 18 Sep 2012 Søren Friis Center for Kræftforskning, Kræftens Bekæmpelse Valg af design Problemstilling? Validitet? Præcision og effektivitet (efficiency)? Muligheder (feasibility)?
2 Case kontrol studier 4 hovedtyper Case-non case (klassisk case-kontrol studie) Case-kohorte Nested case-kontrol (Case cross-over) Vigtige begreber Studiebasen Studiepopulationen Follow-up Eksponering Udfald Hyppigheds- og effektmål
3 Studiepopulationen Studie Base N Eksponerede N U-eksponerede ('kontrolgruppen') t 0 Tid Studiepopulationen Eksponerede Ueksponerede Studie Base Udfald t 0 Follow-up t slut Tid
4 Hyppigheds- og Effektmål Hyppighedsmål Incidens proportion (IP) Incidens rate [Prævalens proportion (PP)] Effektmål IP ratio (RR) Incidens rate ratio (IRR) Odds ratio (OR) Kohorte studie Eksponeringsstatus Follow-up Udfald / Fedme / Diabetes
5 Case-kontrol studie Aktuelle helbredsstatus Tidligere eksponering? Case Kontrol / Eksponering Case-kontrol studie Kan forstås som en effektiv måde at udføre et kohortestudie på Er ikke en inferiør type observationel undersøgelse sammenlignet med et kohortestudie Begge undersøgelsestyper er baseret på en underliggende studiebase
6 Case-kontrol studie ' Case-gruppen definerer studiebasen Eksponerings-odds i case-gruppen er 2:2 = 2/2 Fordelingen af eksponeringen: Cases I case-gruppen var: 2 personer eksponerede 2 personer ikke-eksponerede Eksponerings-odds (cases) var: Eksponerings-odds cases = 2/2 Spørgsmålet er: Er case-gruppens eksponering usædvanlig høj?
7 Er casegruppens eksponering usædvanlig høj? For at få svar på dette spørgsmål er det nødvendig at kende fordelingen af eksponeringen blandt RASKE i studiebasen! Case-kontrol studie Studiebasen Kontrolgruppen Eksponerings-odds i kontrolgruppen er 1:5 = 1/5
8 Fordelingen af eksponeringen: Kontroller I kontrolgruppen var: 1 person eksponeret 5 personer ikke-eksponerede Eksponerings-odds (kontrol) var: Eksponerings-odds kontrol = 1/5 Eksponeringen i case-gruppen er altså større end i kontrolgruppen! Case-kontrol studie Studiebasen Case Kontrol Eksponerings Odds Ratio = 2/2 1/5 =5
9 Case-kontrol studie OR = 5 betyder At odds for at få sygdommen er 5 gange større, hvis man er eksponeret, end hvis man ikke er det Hvilket er ækvivalent til en 5 gange højere estimeret risiko Eller at den estimerede relative risiko er 5 OR omtales derfor ofte som et Relativt risikomål Eksponerings OR versus Incidens OR I kohortestudiet estimeres en Incidens OR mens der i case-kontrol studiet estimeres en Eksponerings OR Hvad er forskellen?
10 Case-kontrol studie Tidligere eksponeret? Ja A B Nej C D Eksponerings Odds Case = A/C Eksponerings Odds Kontrol = B/D Eksponerings Odds Ratio (OR) = (A/C) / (B/D) = (A/B) / (C/D) = A x D / B x C Case-kontrol studie Tidligere eksponeret? Ja A C Nej B D Incidens Odds eksp. = A/C Incidens Odds ikke-eksp. = B/D Incidens Odds Ratio (OR) = (A/C) / (B/D) = A x D / B x C = Eksponerings OR
11 Eksponerings Odds Ratio er lig med Incidens Odds Ratio dvs. man går fra sygdom til eksponering i designet, men man konkluderer fra eksponering til sygdom! Case-kontrol studie Hovedformålet med kontrolgruppen er altså alene: at finde fordelingen af eksponeringen blandt RASKE i den studiebase, som cases kommer fra!
12 Valg af kontrolgruppe Man kan finde fordelingen af eksponeringen ved at undersøge hele studiebasen! Det er i princippet det man gør i et kohortestudie! Det er dog ikke nødvendig at undersøge hele studiebasen for at få et godt estimat af fordelingen af eksponeringen Det er mere behændigt alene at bestemme eksponeringen i en stikprøve af studiebasen! Hvordan? Case-kontrol studie Studiebasen Kontrolgruppen Kontrolgruppen udtrækkes som en stikprøve i studiebasen Hvordan?
13 Odds ratio i kohortestudie Kohortestudie Gastrointestinal blødning blandt rhesus-positive og negative individer Blødning Ingen blødning Rhesus pos 50 (a) (b) Rhesus neg 40 (c) (d) Odds for blødning hos Rhesus positive individer: 50 : Odds for blødning hos Rhesus negative individer: 40 : Odds ratio: (50:99950)/(40:99960) = (a x d)/(c x b) = 1,2501 Odds ratio i case-kontrol studie Case-kontrol studie Blødning Ingen blødning Rhesus pos 50 (a) (b) Rhesus neg 40 (c) (d) Odds for Rhesus blandt blødende individer: 50 : 40 Odds for Rhesus blandt ikke-blødende individer: 99950:99960 Odds ratio: (50:40)/(99950:99960) = (a x d)/(c x b) = 1,2501
14 Konfidensinterval SD(ln(OR))=(1/a 1/b 1/c 1/d) 0.5 Case-kontrol studie Blødning Ingen blødning Rhesus pos 50 (a) (b) Rhesus neg 40 (c) (d) Odds ratio: = 1,2501 CI = 0,8178 1,9109 Odds ratio i case-kontrol studie Med en 1% stikprøve (kontrolgruppe) fra studiebasen Case-kontrol studie Blødning Ingen blødning Rhesus pos 50 (a) 999 (b) Rhesus neg 40 (c) 1000 (d) Odds ratio: (50:40)/(999:1000) = (a x d)/(c x b) = 1,2512 CI: 0,8103 1,9286
15 Konklusion Med en 1% stikprøve (kontrolgruppe) OR=1,2512 CI = 0,8103 1,9286 Med hele studiepopulationen (studiebasen) OR=1,2501 CI = 0,8178 1,9109 Vi har udeladt 99% af materialet ; OR har kun ændret sig en smule, på 3. decimal, og konfidensintervallet er blevet minimalt bredere Stikprøven = Efficacy Det er således mere behændigt alene at bestemme eksponeringen i en stikprøve af studiebasen! Fx. alle cases, og Fx. 10 % af kontrolpopulationen, eller 5 kontroller pr. case Dvs. eksponeringsstatus undersøges alene for en mindre fraktion af studiebasen
16 Case-non-Case studie Klassisk case-kontrol Kontrolgruppen udtrækkes tilfældigt blandt personer i studiebasen, Der fortsat er i risiko (dvs. raske) ved afslutning af follow-up/studieperioden Antallet af eksponerede og ikke-eksponerede individer i stikprøven afspejler b og d OR = OR Case-non-Case studie Kan vi ikke være lidt mere effektive? Personer Eksponering Udfald Ja Nej Ja a b NA=1 Nej c d NA=0 Cases Noncases
17 Case-kohorte studie Kontrolgruppen udtrækkes tilfældigt fra studiebasen Ved start af follow-up, hvor alle endnu er raske, uafhængig af case-status senere i follow-up Antal af eksponerede og ikke-eksponerede individer i stikprøven afspejler N og N Risk ratio = RR Nested case-kontrol studie En eller flere kontroller udtrækkes tilfældigt blandt personer i studiebasen, Enten via Incidence density sampling eller Risk set sampling Antallet af eksponerede og ikke-eksponerede individer i stikprøven afspejler t og t OR = Incidens Rate Ratio = IRR
18 Studie Base Hvordan udtrækkes kontrolstikprøven i studiebasen? N N t 0 t 1,..., t n t slut Tid t = t 0 t = (t 1,,t n ) t = t slut Case-kohorte Nested Case-Kontrol Case-non-Case Incidence-density density sampling Persontid Cases anvendes sammen med et tilfældig udtræk af persontid Eksponering Udfald Ja Ja a PT PTA=1 No c PT PTA=0 Begreber Index dato Eligible persontid Pool af persontid
19 Incidence-density density sampling Persontid Eksponering Udfald Ja P-T Ja a PT Nej c PT PTA=1 A=1*fA=1 *f PTA=0 A=0*f *fa=0 Cases Kontroller Sampling af persontid Density sampling Sandsynligheden for at blive udvalgt er proportional med længde af deltagelse i kohorten Incidence-density density sampling Persontid Density sampling Eksponering Udfald Ja P-T Ja a PT Nej c PT PTA=1 A=1*fA=1 *f PTA=0 A=0*f *fa=0 Cases Kontroller NB! Kontroller udvælges uafhængigt af eksponeringen. Ingen selektionsbias. Fordelingen af eksponering blandt kontroller er et unbiased estimat af eksponeringsfordelingen I befolkningen
20 Incidence-density density sampling Persontid Eksponering Udfald Ja P-T Ja a PT Nej c PT PTA=1 A=1*fA=1 *f PTA=0 A=0*f *fa=0 Cases Kontroller Density sampling Odds ratio [a / b ] / [c/ d ] [a/ PTA=1*fA=1] / [c/ PTA=0*fA=0] IF fa=1 = fa=0 [a/pta=1] / [c/pta=0] = IRR Odds ratio = IRR Risk-set set sampling Persontid Risk Set Begreber Risk set Højt stratificerede data Personer i risiko på tidspunktet for en case diagnose
21 Risk-set set sampling Persontid Eksponering Udfald Incidensrate ratio stratificeret på tid Ja Ja a PT PTA=1 fra fra risk set Nej c PTA=0 fra risk set Risk-set set sampling Persontid Risk Set Sampling: Sampling af kontroller blandt ikke-cases i risk set Incidensrate ratio stratificeret på tid
22 Risk-set set sampling Persontid Eksponering Udfald Ja Ja a PT PTA=1 fra fra risk set Nej c PTA=0 fra risk set IRR stratificeret på tid, eller matchet på tid Matched case-kontrol Persontid Risk Set Sampling Incidensrate ratio stratificeret på tid Matched on time IRR
23 Matched case-kontrol Persontid Udvælgelse af kontroller med samme karakteristika (kalendertid, alder, køn, hospital, osv.) som cases Ikke for at justere for confounding Matched IRR Case- og kontrolgruppen skal være sammenlignelig! Samme studiebase : Kontrolgruppen er ikke den totale non-case population, men den del af non-case populationen, som ville have været identificeret som cases, hvis de havde fået sygdommen!
24 Case- og kontrolgruppen skal være sammenlignelig Er det nødvendigt at inklusions- og eksklusionskriterierne er de samme for både case- og kontrolgruppen? Ja Valget af kontrolgruppen er altid specifik til case-gruppen! Matching i case-kontrol studier Formål Øge effektiviteten (Confounder control) Ulemper Kan ikke belyse effekt af match-variable Kan være svært at finde passende kontroller Caveats Risiko for overmatching, tab af præcision Introducere confounding hvor der ingen var initialt
25 Match-pair design i case-kontrol studier For hver case udvælges en rask (for den pågældende case-sygdom) kontrol med samme karakteristika Fx. For en 55-årig mand med en 1. cancerdiagnose, udvælges en mand med samme fødselsår, sygdomshistorie (ingen tidligere cancersygdom), og bopæl Bindingen mellem case og tilhørende kontroller fastholdes i analyserne Match-pair analyse Betinget logistisk regression Match-pair design i case-kontrol studier Match-pair analyse (1:1), eksempel: I 42 par var case eksponeret og kontrolpersonen ueksponeret I 14 par var case ueksponeret og kontrollen eksponeret I 203 par var både case og kontrol ueksponeret I 23 par var begge eksponerede Par med identisk eksponeringsstatus bidrager ikke til analysen OR = ratio mellem diskordante par = 42/14 = 3.0
26 Case-kontrol studier - Fordele Statistisk effektiv metode (at udføre et kohortestudie på) Billigere (end særlig prospektive kohortestudier) Kan belyse multiple eksponeringer Tillader studier af sjældne sygdomme hvis eksponeringen ikke er sjælden En række forskellige typer af case-kontrol studier, som kan appliceres til givne problemstillinger Case-kontrol studier - Ulemper Tillader generelt alene udregning af relative effektmål (OR, IRR, AP) Tillader i den snævreste definition alene undersøgelse af een sygdom Dog muligheder for multicase-kontrol studier i registerundersøgelser Kontrolselektionen kan være vanskelig Den retrospektive etablering af eksponeringskarakteristika kan være problematisk Kan være vanskelig at forstå for uerfarne læsere (og desværre ikke sjældent også reviewere)
3 typer. Case-kohorte. Nested case-kontrol. Case-non case (klassisk case-kontrol us.)
EPIDEMIOLOGI CASE-KONTROL STUDIER September 2011 Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse Case kontrol studie 3 typer Case-kohorte Nested case-kontrol Case-non case (klassisk
Hyppigheds- og associationsmål. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Februar 2011
Hyppigheds- og associationsmål Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Februar 2011 Læringsmål Incidens Incidens rate Incidens proportion Prævalens proportion
Studiedesigns: Case-kontrolundersøgelser
Studiedesigns: Case-kontrolundersøgelser Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 12. maj 2016 l Dias nummer 1 Sidste
Epidemiologiske associationsmål
Epidemiologiske associationsmål Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 16. april 2015 l Dias nummer 1 Sidste gang
Kursus i Epidemiologi og Biostatistik. Epidemiologiske mål. Studiedesign. Svend Juul
Kursus i Epidemiologi og Biostatistik Epidemiologiske mål Studiedesign Svend Juul 1 Pludselig uventet spædbarnsdød (vuggedød, Sudden Infant Death Syndrome, SIDS) Uventet dødsfald hos et rask spædbarn (8
Epidemiologiske associationsmål
Epidemiologiske associationsmål Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. april 2016 l Dias nummer 1 Sidste gang
Målsætning. Vurdering af epidemiologiske undersøgelser
Vurdering af epidemiologiske undersøgelser Målsætning Mogens Vestergaard Institut for Epidemiologi og Socialmedicin Aarhus Universitet At belyse en videnskabelig problemstilling ved at indsamle, analysere
Eks. 1: Kontinuert variabel som i princippet kan måles med uendelig præcision. tid, vægt,
Statistik noter Indhold Datatyper... 2 Middelværdi og standardafvigelse... 2 Normalfordelingen og en stikprøve... 2 prædiktionsinteval... 3 Beregne andel mellem 2 værdier, eller over og unden en værdi
Epidemiologiske mål Studiedesign
Epidemiologiske mål Studiedesign Svend Juul Pludselig uventet spædbarnsdød Sudden Infant Death Syndrome, SIDS Uventet dødsfald hos et rask spædbarn. Obduktion o.a. giver ingen forklaring. Hyppigheden -doblet
Studiedesigns: Kohorteundersøgelser
Studiedesigns: Kohorteundersøgelser Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 3. maj 2016 l Dias nummer 1 Sidste gang
ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Vurdering af epidemiologiske undersøgelser. Epidemiologisk forskning
Vurdering af epidemiologiske undersøgelser Epidemiologisk forskning Mogens Vestergaard Institut for Epidemiologi og Socialmedicin Aarhus Universitet mv@soci.au.dk At belyse en videnskabelig hypotese ved
Analyse af binære responsvariable
Analyse af binære responsvariable Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet 23. november 2012 Har mænd lettere ved at komme ind på Berkeley? UC Berkeley
Noter til SfR checkliste 4 - Casekontrolundersøgelser
Noter til SfR checkliste 4 - Casekontrolundersøgelser Denne checkliste anvendes til undersøgelser, som er designet til at besvare spørgsmål af typen hvilke faktorer forårsagede denne hændelse?, og inddrager
En teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Darts et eksempel på målefejl
Vurdering af epidemiologiske undersøgelser Jørn Attermann. februar 00 I denne forelæsning vil vi se på fejl, som kan have betydning for fortolkningen af resultater fra epidemiologiske undersøgelser. Traditionelt
Besvarelse af opgavesættet ved Reeksamen forår 2008
Besvarelse af opgavesættet ved Reeksamen forår 2008 10. marts 2008 1. Angiv formål med undersøgelsen. Beskriv kort hvordan cases og kontroller er udvalgt. Vurder om kontrolgruppen i det aktuelle studie
9. Chi-i-anden test, case-control data, logistisk regression.
Biostatistik - Cand.Scient.San. 2. semester Karl Bang Christensen Biostatististisk afdeling, KU kach@biostat.ku.dk, 35327491 9. Chi-i-anden test, case-control data, logistisk regression. http://biostat.ku.dk/~kach/css2014/
Studiedesigns: Kohorteundersøgelser
Studiedesigns: Kohorteundersøgelser Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 28. april 2015 l Dias nummer 1 Sidste
Epidemiologi. Hvad er det? Øjvind Lidegaard og Ulrik Kesmodel
Epidemiologi. Hvad er det? Øjvind Lidegaard og Ulrik Kesmodel Rigshospitalet Århus Sygehus Epidemiologi. Hvad er det? Definition Læren om sygdommes udbredelse og årsager Indhold To hovedopgaver: Deskriptiv
Intern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser
Intern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser Jørn Attermann 23. september 2009 Vurdering af den interne validitet af en epidemiologisk undersøgelse: Informationsproblemer
EPIDEMIOLOGI MODUL 7. April Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse DAGENS PROGRAM
EPIDEMIOLOGI MODUL 7 April 2007 Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse DAGENS PROGRAM Selektionsbias et par udvalgte emner Confounding by indication Immortal time bias
En teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Eksempler på målefejl
Vurdering af epidemiologiske undersøgelser Jørn Attermann 6. februar 2006 I denne forelæsning vil vi se på fejl, som kan have betydning for fortolkningen af resultater fra epidemiologiske undersøgelser.
Confounding. Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk. Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Afdeling for Social medicin Confounding Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 28. maj 2015 l Dias nummer 1 Sidste
2. Hvilke(t) epidemiologisk(e) design(s) anvender forfatterne til at belyse problemstillingen? (7 point)
Eksamensopgave i Epidemiologiske metoder, IT & Sundhed forår 2011 Læs artiklen grundigt og svar derefter på alle spørgsmål. Under hver opgave står hvor mange point der maksimalt kan opnås for opgaven.
Fejlkilder. Ulrik Schiøler Kesmodel. Rikke Guldberg Øjvind Lidegaard
Fejlkilder Ulrik Schiøler Kesmodel Rikke Guldberg Øjvind Lidegaard Fejlkilder 1. Selektionsproblemer 2. Informationsproblemer 3. Confounding Generelle overvejelser I Det estimat for hyppighed, som vi måler
Noter til SfR checkliste 3 Kohorteundersøgelser
Noter til SfR checkliste 3 Kohorteundersøgelser Denne checkliste anvendes til undersøgelser som er designet til at besvare spørgsmål af typen hvad er effekten af denne eksponering?. Den relaterer sig til
REEKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N REEKSAMEN I EPIDEMIOLOGISKE METODER IT
To grundlæggende kategorier af sygdomsmål: EPIDEMIOLOGISKE MÅL OG DESIGN-OPTIONER. prævalens og incidens
EPIDEMIOLOGISKE MÅL OG DESIGN-OPTIONER Hyppighedsmål Prævalens Incidens Kumuleret incidensproportion Incidens rate Associationsmål Relativ Risiko Risiko Differens To grundlæggende kategorier af sygdomsmål:
Måleproblemer. Fejlkilder og tolkningsproblemer. Usikkerhed og bias. Stikprøveusikkerhed. Epidemiologi og Biostatistik (version
Måleproblemer A B Fejlkilder og tolkningsproblemer Svend Juul, 19. september 2007 C D 1 2 Usikkerhed og bias De vigtigste kilder til usikkerhed og bias Præcision, sikkerhed, reproducerbarhed, ryster ikke
Sammenhængsanalyser. Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt.
Sammenhængsanalyser Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt. rygevaner som 45 årig * helbred som 51 årig Crosstabulation rygevaner
Hvorfor er forskning væsentlig? Øjvind Lidegaard, RH Rikke Guldberg, Skejby Ulrik Kesmodel, Herlev
Hvorfor er forskning væsentlig? Øjvind Lidegaard, RH Rikke Guldberg, Skejby Ulrik Kesmodel, Herlev Hvorfor er forskning væsentlig? Nødvendig for at forstå sygdom Forudsætning for mere rationel diagnostik
Epidemiologisk og biostatistisk metode i folkesundhedsvidenskab. Der er mange niveauer at gennemføre studierne på. Anvendt epidemiologi.
Epidemiologisk og biostatistisk metode i folkesundhedsvidenskab Introduktionsmodul definition/ EPIDEMIOLOGI - epi (ved, omkring) - demos (folket) - logos (læren om..) Den videnskabelige disciplin som omhandler
Effektmålsmodifikation
Effektmålsmodifikation Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. april 2015 l Dias nummer 1 Sidste gang Vi snakkede
Mantel-Haenszel analyser. Stratificerede epidemiologiske analyser
Mantel-Haensel analyser Stratificerede epidemiologiske analyser 1 Den epidemiologiske synsvinkel: 1) Oftest asymmetriske (kausale) sammenhænge (Eksposition Sygdom/død) 2) Risikoen vurderes bedst ved hjælp
Fejlkilder. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011
Fejlkilder Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011 Læringsmål Tilfældig variation Selektionsproblemer Informationsproblemer Confounding Effekt modifikation
Kritisk læsning af kohorte studie Oversat efter: Critical Appraisal skills Programme (CASP) Making sense of evidence
Kritisk læsning af kohorte studie Oversat efter: Critical Appraisal skills Programme (CASP) Making sense of evidence Public Health Resource Unit 2002 http://www.phru.nhs.uk/casp/critical_appraisal_tools.htm
Studiedesign. Rikke Guldberg Ulrik Schiøler Kesmodel Øjvind Lidegaard
Studiedesign Rikke Guldberg Ulrik Schiøler Kesmodel Øjvind Lidegaard Studiedesign Økologiske studier Tværsnitsstudier Case-kontrolstudier Kohortestudier Randomiserede studier Hvorfor er det vigtigt at
Årsager. Øjvind Lidegaard, RH Rikke Guldberg, Skejby Ulrik Kesmodel, Herlev
Årsager Øjvind Lidegaard, RH Rikke Guldberg, Skejby Ulrik Kesmodel, Herlev Årsager Hvad er en årsag? Flere typer af årsager Hvad kendetegner en årsag? Hvorfor er årsager interessante? Identifikation af
Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)
Afdeling for Biostatistik Bo Martin Bibby 23. november 2006 Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06) Vi betragter 4699 personer fra Framingham-studiet. Der er oplysninger om follow-up
Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 4: 2. marts
Århus 27. februar 2011 Morten Frydenberg Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 4: 2. marts Epibasic er nu opdateret til version 2.02 (obs. der er ikke ændret ved arket C-risk) Start med
Selektionsbias. Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk. Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Selektionsbias Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 21. maj 2015 l Dias nummer 1 Sidste gang Vi snakkede om Præcision:
Population attributable fraction
Population attributable fraction Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 2. juni 2015 l Dias nummer 1 Sidste gang
ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
MPH Introduktionsmodul: Epidemiologi og Biostatistik 23.09.2003
Opgave 1 (mandag) Figuren nedenfor viser tilfælde af mononukleose i en lille population bestående af 20 personer. Start og slut på en sygdoms periode er angivet med. 20 15 person number 10 5 1 July 1970
Faculty of Health Sciences. Miscellaneous: Styrkeberegninger Overlevelsesanalyse Analyse af matchede studier
Faculty of Health Sciences Miscellaneous: Styrkeberegninger Overlevelsesanalyse Analyse af matchede studier Forsøgsplanlægning Sammenligning af to grupper : Hvor mange personer skal vi bruge? Det kommer
Kvantitative Metoder 1 - Forår Dagens program
Dagens program Kapitel 8.1-8.3 Tilfældig stikprøve (Random Sampling) Likelihood Eksempler på likelihood funktioner Sufficiente statistikker Eksempler på sufficiente statistikker 1 Tilfældig stikprøve Kvantitative
Vurdering af det Randomiserede kliniske forsøg RCT
Vurdering af det Randomiserede kliniske forsøg RCT Evidensbaseret Praksis DF Region Nord Marts 2011 Jane Andreasen, udviklingsterapeut og forskningsansvarlig, MLP. Ergoterapi- og fysioterapiafdelingen,
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Stratificerede analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Stratificerede analyser Dødsstraf-eksempel Betyder morderens farve noget for risikoen for dødsstraf? 1 Dødsstraf-eksempel: data Variable: Dødsstraf
4. september 2003. π B = Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 28. august 2003 Morten Frydenberg, Institut for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (udfra
Morten Frydenberg Biostatistik version dato:
Caerphilly studiet Design og Data Biostatistik uge 14 mandag Morten Frydenberg, Afdeling for Biostatistik Poisson regression En primær tidsakse og ikke stykkevise konstante rater Cox proportional hazard
Udarbejdelse af kliniske retningslinjer: Systematisk og kritisk læsning
Udarbejdelse af kliniske retningslinjer: Systematisk og kritisk læsning Anden del: systematisk og kritisk læsning DMCG-PAL, 8. april 2010 Annette de Thurah Sygeplejerske, MPH, ph.d. Århus Universitetshospital
1. februar Lungefunktions data fra tirsdags Gennemsnit l/min
Epidemiologi og biostatistik Uge, torsdag 3. februar 005 Morten Frydenberg, Afdeling for Biostatistik. og hoste estimation sikkerhedsintervaller antagelr Normalfordelingen Prædiktion Statistisk test (ud
Epidemiologiske hyppighedsmål
Epidemiologiske hyppighedsmål Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 14. april 2015 l Dias nummer 1 Sidste gang
Studiedesigns: Alternative designs
Studiedesigns: Alternative designs Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 20. maj 2014 l Dias nummer 1 Sidste gang
Eksperimenter. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011
Eksperimenter Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011 Epidemiologiske studier Observerende studier beskrivende (populationer) regional variation migrations
MPH specialmodul Epidemiologi og Biostatistik
MPH specialmodul Epidemiologi og Biostatistik Repetition af variansanalyse Overlevelsesanalyse Bestemmelse af stikprøvestørrelse Matchning 30. maj 2011 www.biostat.ku.dk/~sr/mphspec11 Susanne Rosthøj (Per
Ideel undersøgelse af kausal effekt
EPIDEMIOLOGI KOHORTE STUDIER I Marts 2007 Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse While the individual man is an insuluble puzzle, in the aggregate he becomes a mathematical
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Eksamensopgave E05 Socialklasse og kronisk sygdom Data: Tværsnitsundersøgelse fra 1986 Datamaterialet indeholder: Køn, alder, Højest opnåede
Landmålingens fejlteori - Sandsynlighedsregning - Lektion 1
Landmålingens fejlteori Sandsynlighedsregning Lektion 1 - kkb@math.aau.dk http://people.math.aau.dk/ kkb/undervisning/lf10 Institut for Matematiske Fag Aalborg Universitet 23. april 2009 1/28 Landmålingens
Epidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering I.
Eksperimentelle undersøgelser Epidemiologisk design I Observerende undersøgelser beskrivende: Undersøgelsesenheden er populationer regional variation migrationsundersøgelser korrelationsundersøgelser tidsrækker
Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk. Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Informationsbias Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 19. maj 2015 l Dias nummer 1 Sidste gang Vi snakkede om
CENTER FOR KLINISKE RETNINGSLINJER
BILAG 5 - CLEARINGHOUSE Bilag 5. SfR Checkliste kilde 18. SfR Checkliste 3: Kohorteundersøgelser Forfatter, titel: Deuling J, Smit M, Maass A, Van den Heuvel A, Nieuwland W, Zijlstra F, Gelder I. The Value
Appendiks A. Entreprenørskabsundervisning i befolkningen, specielt blandt unge
Appendiks A. Entreprenørskabsundervisning i befolkningen, specielt blandt unge Redegørelsen ovenfor er baseret på statistiske analyser, der detaljeres i det følgende, et appendiks for hvert afsnit. Problematikken
25. april Probability of Developing Coronary Heart Disease in 6 years. Women (Aged 35-70) 160 No Yes
25. april 2. gang: Introduktion til Logistisk Regression Morten Frydenberg 22 Institut for Biostatistik, Århus Universitet MPH. studieår specialmodul Cand. San. uddannelsen. studieår Hvorfor logistisk
Workshop 6 Sundhedsprofilen metode og muligheder. Anne Helms Andreasen, Forskningscenter for Forebyggelse og Sundhed
Workshop 6 Sundhedsprofilen metode og muligheder Anne Helms Andreasen, Forskningscenter for Forebyggelse og Sundhed Metode og muligheder Design Beskrivelse af deltagere og ikke-deltagere Vægtning for design
Design af et kohorte studie
EPIDEMIOLOGI KOHORTE STUDIER II Marts 2007 Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse Design af et kohorte studie Problemstilling defineres Vigtige overvejelser inden videre
Sommereksamen 2015. Bacheloruddannelsen i Medicin/Medicin med industriel specialisering
Sommereksamen 2015 Titel på kursus: Uddannelse: Semester: Statistik og evidensbaseret medicin Bacheloruddannelsen i Medicin/Medicin med industriel specialisering 2. semester Eksamensdato: 16-06-2015 Tid:
Vurdering af epidemiologiske undersøgelser igen
Vurdering af epidemiologiske undersøgelser igen kob Grove 13. februar, 2006 Program Confounding og effektmodifikation Hvad er confounding Hvad er effektmodifikation Er der confounding eller effektmodifikation
Morten Frydenberg 25. april 2006
. gang: Introduktion til Logistisk Regression Morten Frydenberg 26 Afdeling for Biostatistik, Århus Universitet MPH. studieår specialmodul 4 Cand. San. uddannelsen. studieår Hvorfor logistisk regression
Resultater fra BagPack-projektet om tungt løftearbejde blandt bagageportører i Købehavns Lufthavn
Indsæt hjælpelinjer til placering af objekter 1. Højreklik uden for slidet og vælg Gitter og hjælpelinjer 2. Sæt kryds ved Vis tegnehjælpelinjer på skærmen 3. Vælg OK Indsætte Titel/beskrivelse og Navn
Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning
Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning Opgave 1. Angiv studiets formål, design og hvilke associationsmål, der bruges. Beskriv hovedresultaterne
ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2200 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Uafhængighedstestet
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Uafhængighedstestet Eksempel: Bissau data Data kommer fra Guinea-Bissau i Vestafrika: 5273 børn blev undersøgt da de var yngre end 7 mdr og blev
Epidemiologi. Kursus forår 2004 Kohortestudier del 2 Interventionsstudier
Epidemiologi Kursus forår 2004 Kohortestudier del 2 Interventionsstudier Deskriptiv epidemiologi Fordele Billigt & nemt Ofte udgangspunkt i eksisterende data indsamlet til andet formål Hurtigt Ofte simple
OR stiger eksponentielt med forskellen i BMI komplicet model svær at forstå og analysere simpel model
Epidemiologi og biostatistik. Uge 5, torsdag. marts 1 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver Det statistiske
SKRIFTLIG EKSAMEN I BIOSTATISTIK OG EPIDEMIOLOGI Cand.Scient.San, 2. semester 20. februar 2015 (3 timer)
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N SKRIFTLIG EKSAMEN I BIOSTATISTIK OG EPIDEMIOLOGI
enige i, at der er et godt psykisk arbejdsmiljø. For begge enige i, at arbejdsmiljøet er godt. Hovedparten af sikkerhedsrepræsentanterne
3. ARBEJDSMILJØET OG ARBEJDSMILJØARBEJDET I dette afsnit beskrives arbejdsmiljøet og arbejdsmiljøarbejdet på de fem FTF-områder. Desuden beskrives resultaterne af arbejdsmiljøarbejdet, og det undersøges
Monitorering af danskernes rygevaner. Metodebeskrivelse m.m. Januar 2004
Monitorering af danskernes rygevaner 2003 Metodebeskrivelse m.m. Januar 2004 Monitorering af danskernes rygevaner 2003 Metodebeskrivelse m.m. Januar 2004 Indhold Side 1.1. Indledning... 1 1.2. Baggrund
Resultater. Formål. Results. Results. Må ikke indeholde. At fåf. kendskab til rapportering af resultater. beskrivelse
Formål Resultater kendskab til rapportering af resultater Andreas H. Lundh Infektionsmedicinsk Afdeling, Hvidovre Hospital Anders W. JørgensenJ Øre-næse-halsafdeling, Århus Universitetshospital Mål At
Fejlkilder i epidemiologiske undersøgelser
Fejlkilder i epidemiologiske undersøgelser April 2004 Søren Friis Nøjagtigheden (eng: accuracy) af et givent punktestimat afhænger af graden af tilfældig og systematisk variation i målingen af effekten
Effekt af elektronisk stabilitetskontrol på personbilers eneuheld
Effekt af elektronisk stabilitetskontrol på personbilers eneuheld Tove Hels, ths@transport.dtu.dk Allan Lyckegaard, DTU Transport Inger Marie Bernhoft, DTU Transport Data og formål Vi vil estimere risikoen
Statistik for MPH: 7
Statistik for MPH: 7 3. november 2011 www.biostat.ku.dk/~pka/mph11 Attributable risk, bestemmelse af stikprøvestørrelse (Silva: 333-365, 381-383) Per Kragh Andersen 1 Fra den 6. uges statistikundervisning:
Fostervandsprøve ve og moderkageprøve
Fostervandsprøve ve og moderkageprøve U-kursus i føtalmedicin 2008 Teknik UL-vejledt Erfaren operatør Nåletykkelse 0,9 mm 2 punkturer max. Undgå placenta? Teknik Antal indstik > 2 øger aborthyppigheden
CENTER FOR KLINISKE RETNINGSLINJER - CLEARINGHOUSE
Bilag 3: Litteraturgennemgang SfR Checkliste 3: Kohorteundersøgelser Forfatter, titel: Wulf, Judith A. Evaluation og seizure observation and dokumentation Tidsskrift, år: Checkliste udfyldt af: Trine Arnam-Olsen
Morten Frydenberg Biostatistik version dato:
Tye og Tye 2 fejl Statistisk styrke Biostatistik uge 2 mandag Morten Frydenberg, Afdeling for Biostatistik Styrkeovervejelser i lanlægning af et studie Logistisk regression Præterm fødsel, rygning, alder,
Baggrundsnotat: Søskendes uddannelsesvalg og indkomst
17. december 2013 Baggrundsnotat: Søskendes uddannelsesvalg og indkomst Dette notat redegør for den økonometriske analyse af indkomstforskelle mellem personer med forskellige lange videregående uddannelser
Epidemiologi og Biostatistik (version 19.09.2008)
En model Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser Jørn Attermann. september 008 For meningsfuldt at kunne diskutere fejlkilder og fortolkningsproblemer må vi have en model for det,
BILAG 2 DESIGN OG METODE- BILAG
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 DESIGN OG METODE- BILAG BILAG 2 DESIGN OG METODEBILAG INDHOLD Design- og metodebilag Error! Bookmark not defined.1 1.1 Forskningsdesign
ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER
Tillæg til studieordningen for bacheloruddannelsen i Sundhedsteknologi
Tillæg til studieordningen for bacheloruddannelsen i Sundhedsteknologi Universitet 2012 1 Tillæg til studieordningen for bacheloruddannelsen i Sundhedsteknologi marts 2012. Modulerne beskrevet i tillægget,
Mikro-kursus i statistik 1. del. 24-11-2002 Mikrokursus i biostatistik 1
Mikro-kursus i statistik 1. del 24-11-2002 Mikrokursus i biostatistik 1 Hvad er statistik? Det systematiske studium af tilfældighedernes spil!dyrkes af biostatistikere Anvendes som redskab til vurdering
Kohorte. Algorithm for classification of study. Kohorte og interventionsstudier
Kohorte og interventionsstudier MPH-specialmodul, 17.maj 2010 MPH-uddannelsen1.semester 23.09.2008 Algorithm for classification of study Did investigator assign exposure? Yes: Experimental study Random
BILAG 2 METODE OG FORSKNINGSDESIGN
Til Undervisningsministeriet Dokumenttype Bilag Dato August 2014 BILAG 2 METODE OG FORSKNINGSDESIGN BILAG 2 FORSKNINGSDESIGN INDHOLD 1. Design- og metodebilag 1 1.1 Forskningsdesign 1 1.2 Analysemetoder
MPH specialmodul i biostatistik og epidemiologi SAS-øvelser vedr. case-control studie af malignt melanom.
MPH specialmodul i biostatistik og epidemiologi SAS-øvelser vedr. case-control studie af malignt melanom. For at I skal kunne regne på tallene fra undersøgelsen har vi taget en delmængde af variablene
Eksperimentelle undersøgelser
Eksperimentelle undersøgelser Poul Thorsen,. september 005 Observationelle studier: Studier af forekomst (incidens, prævalens) Studier af sammenhænge eller kontraster "i naturen Eksperiment, forsøg: Studiet
Erik Parner Sektion for Biostatistik. Biostatistisk metode et par eksempler
Erik Parner Sektion for Biostatistik Biostatistisk metode et par eksempler 1 Percent Kvantitativ data 60 50 40 30 20 10 1960 1970 1980 1990 2000 Year Er der en trend i proportionerne? 2 Mere informations
Virksomhedspraktik til flygtninge
Virksomhedspraktik til flygtninge Af Lasse Vej Toft, LVT@kl.dk Formålet med dette analysenotat er, at give viden om hvad der har betydning for om flygtninge kommer i arbejde efter virksomhedspraktik Analysens
Statistik kommandoer i Stata opdateret 16/3 2009 Erik Parner
Statistik kommandoer i Stata opdateret 16/3 2009 Erik Parner Indledning... 1 Hukommelse... 1 Simple beskrivelser... 1 Data manipulation... 2 Estimation af proportioner... 2 Estimation af rater... 2 Estimation
RE-EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester
D E T S U N D H E D S V I D E N S K A B E L I G E F A K U L T E T K Ø B E N H A V N S U N I V E R S I T E T B l e g d a m s v e j 3 B 2 2 0 0 K ø b e n h a v n N RE-EKSAMEN I EPIDEMIOLOGISKE METODER IT