Epidemiologiske associationsmål

Relaterede dokumenter
Epidemiologiske associationsmål

Epidemiologiske hyppighedsmål

Effektmålsmodifikation

Epidemiologiske mål Studiedesign

Kursus i Epidemiologi og Biostatistik. Epidemiologiske mål. Studiedesign. Svend Juul

Effektmålsmodifikation

Studiedesigns: Kohorteundersøgelser

Studiedesigns: Kohorteundersøgelser

Hyppigheds- og associationsmål. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Februar 2011

Eks. 1: Kontinuert variabel som i princippet kan måles med uendelig præcision. tid, vægt,

Studiedesigns: Case-kontrolundersøgelser

3 typer. Case-kohorte. Nested case-kontrol. Case-non case (klassisk case-kontrol us.)

Population attributable fraction

Selektionsbias. Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab

Præcision og effektivitet (efficiency)?

Analyse af binære responsvariable

Epidemiologisk og biostatistisk metode i folkesundhedsvidenskab. Der er mange niveauer at gennemføre studierne på. Anvendt epidemiologi.

Confounding. Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab

Studiedesigns: Randomiserede kontrollerede undersøgelser

ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

Introduktion til epidemiologi

To grundlæggende kategorier af sygdomsmål: EPIDEMIOLOGISKE MÅL OG DESIGN-OPTIONER. prævalens og incidens

Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab

MPH Introduktionsmodul: Epidemiologi og Biostatistik

Epidemiologisk evidens og opsummering

Studiedesigns: Alternative designs

Confounding. Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab

Epidemiologi. Sjurdur F. Olsen. Epidemiologi: Introduktion. Epidemiologi: Introduktion. Epidemiologi: Eksempel. 1. Introduktion om epidemiologi

Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 4: 2. marts

9. Chi-i-anden test, case-control data, logistisk regression.

1. februar Lungefunktions data fra tirsdags Gennemsnit l/min

Lineær og logistisk regression

Mads Kamper-Jørgensen, lektor, Afdeling for Social Medicin, Institut for Folkesundhedsvidenskab

Sammenhængsanalyser. Et eksempel: Sammenhæng mellem rygevaner som 45-årig og selvvurderet helbred som 51 blandt mænd fra Københavns amt.

ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

Epidemiologi. Hvad er det? Øjvind Lidegaard og Ulrik Kesmodel

En teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Darts et eksempel på målefejl

2. Hvilke(t) epidemiologisk(e) design(s) anvender forfatterne til at belyse problemstillingen? (7 point)

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Mantel-Haenszel analyser

Introduktion til epidemiologi

Fejlkilder. Kim Overvad Afdeling for Epidemiologi Institut for Folkesundhed Aarhus Universitet Marts 2011

Morten Frydenberg Biostatistik version dato:

Årsager. Øjvind Lidegaard, RH Rikke Guldberg, Skejby Ulrik Kesmodel, Herlev

Vurdering af epidemiologiske undersøgelser. Epidemiologisk forskning

Studiedesign. Rikke Guldberg Ulrik Schiøler Kesmodel Øjvind Lidegaard

Sommereksamen Bacheloruddannelsen i Medicin/Medicin med industriel specialisering

En teoretisk årsagsmodel: Operationalisering: Vurdering af epidemiologiske undersøgelser. 1. Informationsproblemer Eksempler på målefejl

Mantel-Haenszel analyser. Stratificerede epidemiologiske analyser

ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

Morten Frydenberg Biostatistik version dato:

ORDINÆR EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

REEKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

Intern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser

Resumé: En statistisk analyse resulterer ofte i : Et estimat θˆmed en tilhørende se

Besvarelse af opgavesættet ved Reeksamen forår 2008

Lægevidenskabelig Embedseksamen, 6. semester Forår 2009 Epidemiologi og Biostatistik Rettevejledning

Statikstik II 2. Lektion. Lidt sandsynlighedsregning Lidt mere om signifikanstest Logistisk regression

Logistisk regression

Kritisk læsning af kohorte studie Oversat efter: Critical Appraisal skills Programme (CASP) Making sense of evidence

Måleproblemer. Fejlkilder og tolkningsproblemer. Usikkerhed og bias. Stikprøveusikkerhed. Epidemiologi og Biostatistik (version

Statistik II 4. Lektion. Logistisk regression

OBSERVERENDE UNDERSØGELSER. Kim Overvad Institut for Epidemiologi og Socialmedicin Aarhus Universitet Forår 2002

Susanne Ditlevsen Institut for Matematiske Fag susanne

Statistik II Lektion 3. Logistisk Regression Kategoriske og Kontinuerte Forklarende Variable

Epidemiologi og Biostatistik Opgaver i Biostatistik Uge 7: 23. marts

Ved undervisningen i epidemiologi/statistik den 8. og 10. november 2011 vil vi lægge hovedvægten på en fælles diskussion af følgende fire artikler:

Fejlkilder. Ulrik Schiøler Kesmodel. Rikke Guldberg Øjvind Lidegaard

Morten Frydenberg 26. april 2004

Målsætning. Vurdering af epidemiologiske undersøgelser

Mikro-kursus i statistik 1. del Mikrokursus i biostatistik 1

Opgave 1 Betragt to diskrete stokastiske variable X og Y. Antag at sandsynlighedsfunktionen p X for X er givet ved

Introduktion til overlevelsesanalyse

Morten Frydenberg 14. marts 2006

Eksamen ved. Københavns Universitet i. Kvantitative forskningsmetoder. Det Samfundsvidenskabelige Fakultet

Overlevelsesfunktion. Vi kalder S(t) for overlevelsesfunktionen.

Statistik Lektion 2. Betinget sandsynlighed Bayes regel Diskrete stokastiske variable Middelværdi og varians for diskret SV Binomialfordelingen

Eksempel: PEFR. Epidemiologi og biostatistik. Uge 1, tirsdag. Erik Parner, Institut for Biostatistik.

Det randomiserede kontrollerede forsøg og evidens-baseret medicin

OR stiger eksponentielt med forskellen i BMI komplicet model svær at forstå og analysere simpel model

Statistisk modellering og regressionsanalyse

Risikofaktorudviklingen i Danmark fremskrevet til 2020

Social ulighed i dødelighed i Danmark gennem 25 år

Regneregler for middelværdier M(X+Y) = M X +M Y. Spredning varians og standardafvigelse. 1 n VAR(X) Y = a + bx VAR(Y) = VAR(a+bX) = b²var(x)

Logistisk regression

Løsning til eksamensopgaven i Basal Biostatistik (J.nr.: 1050/06)

INTRO TIL EPIDEMIOLOGI FERTILITET

06/11/12. Livsstilssygdomme, velfærdssygdomme eller kroniske sygdomme. Antagelser knyttet til begrebet livsstilssygdomme.

Tandstatus hos søskende

Workshop 6 Sundhedsprofilen metode og muligheder. Anne Helms Andreasen, Forskningscenter for Forebyggelse og Sundhed

Transkript:

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 Vi snakkede om Prævalens er forekomst af sygdom. Relevante hyppighedsmål: prævalens, prævalensproportion Incidens er fremkomst af sygdom. Relevante hyppighedsmål: kumuleret incidensproportion, incidensrate Opgørelse af risikotid: tid hvor personen er under risiko for udfaldet Udfald: den hændelse vi interesserer os for sker End of follow-up: forskeren beslutter at ende studiet Censurering: deltager udgår pga. andet end udfald (død, udvandring, eller personen vil ikke længere være med) Sammenligning af populationer kræver ofte at der standardiseres så de bliver sammenlignelige It og sundhed l 16. april 2015 l Dias nummer 2

Husk tilbage på første lektion Meget af den epidemiologiske forskning forsøger at belyse den kausale relation mellem It og sundhed l 16. april 2015 l Dias nummer 3

Hvad epidemiologer gør Tager udgangspunkt i en population: Opdeler den i eksponerede og ueksponerede: Epidemiologer sammenligner sygdomshyppigheden blandt eksponerede og ueksponerede It og sundhed l 16. april 2015 l Dias nummer 4

Relativ og absolut forskel Mål for sammenhæng Epidemiologiske hyppighedsmål bruges til at estimere associationer/kontraster/sammenhænge Relative mål Forholdet mellem sygdomshyppigheden blandt eksponerede og ueksponerede, betegnes relative mål Absolutte mål Forskellen mellem sygdomshyppigheden blandt eksponerede og ueksponerede, betegnes absolutte mål eller differensmål It og sundhed l 16. april 2015 l Dias nummer 5

Dikotome udfald Afhænger af studiedesignet Tværsnitsstudie: relativ prævalensproportion (prævalensproportionratio), prævalensproportionsdifference Kohortestudie: relativ risiko, risikodifference, incidensrateratio, incidensdifference Case-kontrolstudie: odds ratio, oddsdifference Nogle associationsmål kan beregnes for flere studiedesigns, f.eks. odds ratio. Nogle associationsmål bruges sjældent f.eks. oddsdifference og relativ prævalensproportion (pga. modellen) It og sundhed l 16. april 2015 l Dias nummer 6

Kontinuerte udfald Kontinuerte udfald Som f.eks. fødselsvægt eller lungefunktion Sammenligning af middelværdier i to eller flere grupper (t-test og variansanalyse) Lineær regression Korrelation It og sundhed l 16. april 2015 l Dias nummer 7

Associationsmål Associationer udtrykkes Relativt, som ratio, eller som difference mellem hyppighedsmål f.eks. Risiko Andel syge indenfor en given periode (lukket kohorte) Rate Syge per tidsenhed (åben kohorte) Proportion Andel syge ud af alle Odds Andel syge i forhold til ikke-syge It og sundhed l 16. april 2015 l Dias nummer 8

Opstil data i 2 x 2 tabel + udfald - udfald Total Risikotid + eksponering a b a + b t + - eksponering c d c + d t - Total a + c b + d n = a + b +c + d t + + t - It og sundhed l 16. april 2015 l Dias nummer 9

Hvad kan beregnes? Dagens afstemning på www.madskamper.dk/afstemning It og sundhed l 16. april 2015 l Dias nummer 10

Transport til skole og overvægt Den relative prævalensproportion = (a / (a + b)) / ( c / (c + d)) Hvad er dette mål blandt dem, der køres i forhold til dem der cykler? = (8 / 60) / (4 / 60) = 2,0 Overvægtig Ikke overvægtig Total Køres i bil 8 52 60 Cykler 4 56 60 Total 12 108 120 Fortolkning Forekomsten af overvægt er dobbelt så høj blandt dem der køres til skole sammenlignet med dem der cykler It og sundhed l 16. april 2015 l Dias nummer 11

Transport til skole og overvægt Prævalensproportionsdifferencen = (a / (a + b)) - ( c / (c + d)) Hvad er dette mål blandt dem, der køres i forhold til dem der cykler? = (8 / 60) - (4 / 60) = 0,07 = 7 pr 100 skolebørn Overvægtig Ikke overvægtig Total Køres i bil 8 52 60 Cykler 4 56 60 Total 12 108 120 Fortolkning For hver 100 skolebørn der køres i bil til skole vil 7 flere være overvægtige sammenlignet med børn der cykler It og sundhed l 16. april 2015 l Dias nummer 12

Sovestilling og vuggedød Forældrene til 2607 børn, blev da børnene var 1 måned gamle spurgt til barnets sædvanlige sovestilling. Alle børnene blev fulgt frem til deres 1-års fødselsdag. I alt 2607 børn indgik i undersøgelsen, hvoraf 15 døde af vuggedød. Fordelingen af børnenes sovestilling og vuggedød kan ses af 2x2 tabellen Sovestilling Død Ikke død Total Maven 9 837 846 Ryggen 6 1755 1761 Total 15 2592 2607 It og sundhed l 16. april 2015 l Dias nummer 13

Sovestilling og vuggedød Relativ risiko RR = KIP + /KIP - = (9/846)/(6/1761) = 3,12 Sovestilling Død Ikke død Total Maven 9 837 846 Ryggen 6 1755 1761 Fortolkning Total 15 2592 2607 I løbet af de 11 måneder fra alder 1-11 måneder er (nye) tilfælde af vuggedød 3,12 gange højere blandt børn der sover på maven, sammenlignet med børn der sover på ryggen It og sundhed l 16. april 2015 l Dias nummer 14

Sovestilling og vuggedød Risikodifferens RD = KIP + - KIP - = (9/846) -(6/1761) = 7,2 pr 1000 Sovestilling Død Ikke død Total Maven 9 837 846 Ryggen 6 1755 1761 Fortolkning Total 15 2592 2607 For hver 1000 børn der sover på maven vil 7,2 flere børn dø af vuggedød i løbet af de 11 måneder fra alder 1-11 måneder, sammenlignet med børn der sover på ryggen It og sundhed l 16. april 2015 l Dias nummer 15

Odds Odds er et udtryk for proportioner Odds = p/(1-p) og p = odds/(odds+1) Eksempel Der er 20 mænd og 27 kvinder tilmeldt kurset P Mand = 20/47= 0,43 Odds Mand = 20/27 = 0,74 Der er 2 der hedder Cecilie og 45 der hedder noget andet P Cecilie = 2/47= 0,04 Odds Cecilie = 2/45 = 0,04 Odds bliver et godt estimat af sandsynligheden hvis udfaldet er sjældent fordi odds=p/(1-p), aka The rare disease assumption It og sundhed l 16. april 2015 l Dias nummer 16

RR versus OR Relativ risiko RR = KIP + /KIP - = (9/846)/(6/1761) = 3,12 Sovestilling Død Ikke død Total Maven 9 837 846 Ryggen 6 1755 1761 Odds ratio OR = (a/c)/(b/d) = ad/bc = (9x1755)/(837x6) = 3,15 Total 15 2592 2607 Vuggedød er et sjældent udfald (15/2607=0,6%) derfor er RR og OR næsten ens It og sundhed l 16. april 2015 l Dias nummer 17

Konfidensinterval for OR ln (OR) LN (3,15) = 1,15 SE (ln OR) (1/a+1/b+1/c+1/d) = 0,53 Sovestilling Død Ikke død Total Maven 9 837 846 Ryggen 6 1755 1761 Total 15 2592 2607 Konfidensinterval Exp(ln OR±1,96*SE(ln OR)) = 1,12-8,87 It og sundhed l 16. april 2015 l Dias nummer 18

Tolkning af associationsmål RELATIVE MÅL DIFFERENSMÅL Relativ risiko - Hvis 1: ingen forskel Risikodifferens - Hvis 0: ingen forskel Incidensrateratio - Hvis 1: Ingen forskel Incidensratedifferens - Hvis 0: Ingen forskel Odds ratio - Hvis 1: Ingen forskel It og sundhed l 16. april 2015 l Dias nummer 19

Konklusionen kan afhænge af målet Relativt mål Angiver hvor mange gange større eller mindre associationsmålet er blandt de eksponerede i forhold til ueksponerede Differensmål Angiver den absolutte forskel Tabel. Relativt og absolut mål for død af rygning, fordelt på dødsårsager It og sundhed l 16. april 2015 l Dias nummer 20

Næste gang Skal I lære om effektmålsmodifikation Dvs. at associationen mellem eksponering og udfald kan variere over værdierne af en tredje variabel It og sundhed l 16. april 2015 l Dias nummer 21