Præcision og effektivitet (efficiency)?
|
|
- Morten Therkildsen
- 7 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
Læs mereHyppigheds- 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
Læs mereStudiedesigns: 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
Læs mereEpidemiologiske 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
Læs mereKursus 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
Læs mereEks. 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
Læs mereEpidemiologiske 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
Læs mereMålsætning. 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
Læs mereOBSERVERENDE UNDERSØGELSER. Kim Overvad Institut for Epidemiologi og Socialmedicin Aarhus Universitet Forår 2002
OBSERVERENDE UNDERSØGELSER Kim Overvad Institut for Epidemiologi og Socialmedicin Aarhus Universitet Forår 2002 Epidemiologisk design Observerende undersøgelser beskrivende: Undersøgelsesenheden er populationer
Læs mereEpidemiologiske 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
Læs mereStudiedesigns: 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
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mål for sammenhæng mellem to variable
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mål for sammenhæng mellem to variable Estimation Stikprøve Data Population Teori relativ hyppighed parameter estimat sandsynlighed parameter
Læs mereORDINÆR 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
Læs mereVurdering 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
Læs mereAnalyse 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
Læs mereNoter 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
Læs mere9. 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/
Læs mereEn 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
Læs mereKohorte studier. Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen
Kohorte studier Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen Kohorte En konkret persongruppe Kohortedesign Giver eksponering X og outcome Y? Kohortedesign Giver eksponering X og outcome
Læs mereStudiedesigns: 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
Læs mereEPIDEMIOLOGI 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
Læs mereEpidemiologi. 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
Læs mereBesvarelse 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
Læs mere2. 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.
Læs mereREEKSAMEN 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
Læs mereIntern 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
Læs mereConfounding. 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
Læs mereFejlkilder. 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
Læs mereEn 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.
Læs mereTo 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:
Læs mereNoter 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
Læs mereHvorfor 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
Læs mereConfounding. Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Afdeling for Social medicin Confounding Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk, Institut for Folkesundhedsvidenskab Sundhed og informatik l 6. juni 2017 l Dias nummer 1 Sidste gang Vi snakkede
Læs mereEpidemiologisk 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
Læs mereSammenhængsanalyser. 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
Læs mereEffektmålsmodifikation
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
Læs mereStudiedesigns: Randomiserede kontrollerede undersøgelser
Studiedesigns: Randomiserede kontrollerede undersøgelser Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk, Institut for Folkesundhedsvidenskab Sundhed og informatik l 27. april 2017 l Dias nummer 1 Sidste
Læs mereKommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993.
Kommentarer til spørgsmålene til artikel 1: Ethnic differences in mortality from sudden death syndrome in New Zealand, Mitchell et al., BMJ 1993. 1. Det anføres, at OR for maorier vs. ikke-maorier er 3.81.
Læs mereMantel-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
Læs mereMåleproblemer. 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
Læs mereFejlkilder. 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
Læs mereKritisk 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
Læs mereDepartment of Public Health. Case-control design. Katrine Strandberg-Larsen Department of Public Health, Section of Social Medicine
Department of Public Health Case-control design Katrine Strandberg-Larsen Department of Public Health, Section of Social Medicine Case-control design Brief summary: Comparison of cases vs. controls with
Læs mereEpidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering II
Eksperimentelle undersøgelser Kim Overvad Institut for Epidemiologi og Socialmedicin Aarhus Universitet Efterår 2001 Epidemiologisk design I Observerende undersøgelser beskrivende: Undersøgelsesenheden
Læs mereStudiedesign. 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
Læs mereÅrsager. 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
Læs mereEffektmålsmodifikation
Effektmålsmodifikation Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab Sundhed og informatik l 25. april 2017 l Dias nummer 1 Sidste gang
Læs merePopulation 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
Læs mereOvervejelser vedr. outcomes i (farmako)epidemiologiske studier Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen
Overvejelser vedr. outcomes i (farmako)epidemiologiske studier Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen Outcome/event/udfald Den sygdomstilstand vi ønsker at undersøge I et kohortestudie:
Læs mereFaculty 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
Læs mereMPH 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
Læs mereLøsning 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
Læs mereKvantitative 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
Læs mereEpidemiologi 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
Læs mereSelektionsbias. 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:
Læs mereORDINÆR 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
Læs mereStatistik 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
Læs mereVurdering 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,
Læs mereEpidemiologiske 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
Læs mereStudiedesigns: 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
Læs mereEksperimenter. 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
Læs mereEpidemiologisk 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
Læs mereResultater 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
Læs mereStatistik 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
Læs mereMPH 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
Læs mereStatistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mantel-Haenszel analyser
Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab Mantel-Haenszel analyser Mantel-Haenszel analyser Sidst lærte vi om stratificerede analyser. I dag kigger vi på et specialtilfælde: både exposure
Læs mereDANSK RESUMÉ. Forhøjet blodtryk er i stigende grad almindeligt i afrikanske lande syd for Sahara.
DANSK RESUMÉ Introduktion Forhøjet blodtryk er i stigende grad almindeligt i afrikanske lande syd for Sahara. Epidemiologien bag denne epidemi, og måderne hvorpå den relaterer sig til sundhedssystemer
Læs mereVurdering 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
Læs mereUdarbejdelse 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
Læs mere1. 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
Læs mere4. 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
Læs mereBIAS Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen
BIAS Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen Hvad er bias? Studiets resultat det sande resultat En systematisk over- eller undervurdering af en sammenhæng Pga. en systematisk
Læs mereCENTER 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
Læs mereWorkshop 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
Læs mereLandmålingens 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
Læs mereIdeel 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
Læs mereSommereksamen 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:
Læs mereMorten 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
Læs mereOR stiger eksponentielt med forskellen i BMI. kompliceret model svær at forstå og analysere
Epidemiologi og biostatistik. Uge 5, torsdag 5. september 003 Morten Frydenberg, Institut for Biostatistik. 1 Analyse af overlevelsesdata (ventetidsdata) Censurering (højre + andet) Kaplan-Meyer kurver
Læs mereStatistik kommandoer i Stata opdateret 22/ Erik Parner
Statistik kommandoer i Stata opdateret 22/4 2008 Erik Parner Indledning... 1 Simple beskrivelser... 1 Data manipulation... 1 Estimation af proportioner... 2 Estimation af rater... 2 Estimation af Relativ
Læs mere25. 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
Læs mereAppendiks 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
Læs mereCENTER FOR KLINISKE RETNINGSLINJER
BILAG 6 Bilag SfR Checkliste kilde 5. SfR Checkliste 3: Kohorteundersøgelser Forfatter, titel: Naffe A, Iype M, Easo M, McLeroy SD, Pinaga K, Vish N,Wheelan K, Franklin J, Adams J. Appropriateness of sling
Læs mereMorten 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
Læs mereDag 6: Interaktion. Overlevelsesanalyse
Dag 6: Interaktion. Overlevelsesanalyse How does CHD depend on gender and hypertension? Males: hypertension chd01 Females: Frequency Row Pct 0 1 Total ---------+--------+--------+ 0 352 95 447 78.75 21.25
Læs mereLineær og logistisk regression
Faculty of Health Sciences Lineær og logistisk regression Susanne Rosthøj Biostatistisk Afdeling Institut for Folkesundhedsvidenskab Københavns Universitet sr@biostat.ku.dk Dagens program Lineær regression
Læs mereMads 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
Læs mereStatistik 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
Læs mereEpidemiologi. 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
Læs mereFraktur efter brystkræft
DBCG s 40 års jubilæumsmøde 18. 19. januar 2018 Hotel Marselis, Aarhus Bent Kristensen Klinisk fysiologisk afd. Z, Herlev Hospital Cancer-relateret knogletab og fraktur Mekanismer: Hypogonadisme fremkaldt
Læs mereLægevidenskabelig 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
Læs mereOR 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
Læs mereFostervandsprøve 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
Læs mereMads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab
Informationsbias Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab Sundhed og informatik l 18. maj 2017 l Dias nummer 1 Sidste gang Vi snakkede
Læs mereEpidemiologisk evidens og opsummering
Epidemiologisk evidens og opsummering Mads Kamper-Jørgensen, lektor, maka@sund.ku.dk Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab It og sundhed l 12. juni 2014 l Dias nummer 1 Sidste
Læs mereORDINÆR 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
Læs mereORDINÆR 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
Læs mereEffekt 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
Læs mereSKRIFTLIG 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
Læs mereDesign 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
Læs mere