Fejlkilder. Ulrik Schiøler Kesmodel. Rikke Guldberg Øjvind Lidegaard

Relaterede dokumenter
Vurdering af epidemiologiske undersøgelser. Epidemiologisk forskning

Målsætning. Vurdering af epidemiologiske undersøgelser

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

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

Intern validitet: Fejlkilder og tolkningsproblemer i epidemiologiske undersøgelser

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

Vurdering af epidemiologiske undersøgelser igen

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

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

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

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

Besvarelse af opgavesættet ved Reeksamen forår 2008

Vurdering af epidemiologiske undersøgelser igen

Epidemiologi og Biostatistik (version )

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

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

Noter til SfR checkliste 4 - Casekontrolundersøgelser

BIAS Kursus i basal farmakoepidemiologi 2018 Maja Hellfritzsch Poulsen

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

SKRIFTLIG EKSAMEN I BIOSTATISTIK OG EPIDEMIOLOGI Cand.Scient.San, 2. semester 20. februar 2015 (3 timer)

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

Præcision og effektivitet (efficiency)?

REEKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

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

Noter til SfR checkliste 3 Kohorteundersøgelser

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

Studiedesigns: Alternative designs

Udarbejdelse af kliniske retningslinjer: Systematisk og kritisk læsning

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

Population attributable fraction

Studiedesign. Rikke Guldberg Ulrik Schiøler Kesmodel Øjvind Lidegaard

Vurdering af det Randomiserede kliniske forsøg RCT

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

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

RE-EKSAMEN I EPIDEMIOLOGISKE METODER IT & Sundhed, 2. semester

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Stratificerede analyser

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

EPIDEMIOLOGI MODUL 7. April Søren Friis Institut for Epidemiologisk Kræftforskning Kræftens Bekæmpelse DAGENS PROGRAM

Analyse af binære responsvariable

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

Effektmålsmodifikation

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Eksamensopgave E05. Socialklasse og kronisk sygdom

CENTER FOR KLINISKE RETNINGSLINJER

Epidemiologi. Hvad er det? Øjvind Lidegaard og Ulrik Kesmodel

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

Epidemiologiske associationsmål

Epidemiologiske associationsmål

Studiedesigns: Kohorteundersøgelser

CENTER FOR KLINISKE RETNINGSLINJER

Studiedesigns: Kohorteundersøgelser

Epidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering II

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

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

Effektmålsmodifikation

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

Studiedesigns: Randomiserede kontrollerede undersøgelser

Børn af forældre med psykiske lidelser

Det randomiserede kontrollerede forsøg og evidens-baseret medicin

Epidemiologiske mål Studiedesign

Epidemiologisk design I. Eksperimentelle undersøgelser. Epidemiologisk design II. Randomiserede undersøgelser. Randomisering I.

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

Kursus i Epidemiologi og Biostatistik, forår Epidemiologiske mål. Studiedesign. Svend Juul, manan.dk

CENTER FOR KLINISKE RETNINGSLINJER - CLEARINGHOUSE

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Uafhængighedstestet

Studiedesigns: Case-kontrolundersøgelser

Introduktion til epidemiologi

Statistik ved Bachelor-uddannelsen i folkesundhedsvidenskab. Estimation

Kost og Hjerte- Kar-Sygdom. Jette Heberg cand.scient.san og stud.phd /Hjerteforeningen

Introduktion til epidemiologi

Epidemiologiske hyppighedsmål

Design af et kohorte studie

Fejlkilder i epidemiologiske undersøgelser

Epidemiologiprojekt. Ann-Louise, Jennifer, Matilda og Elif 408

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

Epidemiologi og biostatistik, forår 2006 Epidemiologi, uge 2. Øvelser til mandag/torsdag

INTRO TIL EPIDEMIOLOGI FERTILITET

Epidemiologisk evidens og opsummering

Håndbog i litteratursøgning og kritisk læsning

Epidemiologi og Biostatistik. Mogens Erlandsen, Institut for Biostatistik Uge 1, tirsdag d. 5. februar 2002

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

Delay i kræftudredning i Almen Praksis En litteraturgennemgang og et feltstudie

Alkoholforbrug og graviditet: Risici, holdninger og informationspraksis.

Mantel-Haenszel analyser. Stratificerede epidemiologiske analyser

Transkript:

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 i en stikprøve, er behæftet med usikkerhed. Usikkerheden (variationen/målefejlen) er veldefineret og kan kvantificeres (SD; SE; 95% CI).

Generelle overvejelser II Stikprøven er måske ikke repræsentativ pga.: Ikke-tilfældig selektion ( forkert stikprøve) Ikke-tilfældigt bortfald Hvis stikprøven ikke er repræsentativ, vil hyppighedsmålet være biased. Der findes ikke statistiske metoder til at korrigere for selektionsbias.

Generelle overvejelser III Som læser: Er det velbeskrevet hvordan stikprøven blev taget? hvor mange blev kontaktet, og hvor mange deltog? om udvalgte karakteristika for deltagere og ikke-deltagere var sammenlignelige?

Prævalens af retinopati blandt type 2 diabetikere i Aarhus Amt, 2000 Formål Most previous studies of the prevalence of diabetic retinopathy in type 2 diabetes have been hampered by selection bias. Hove et al. Acta Ophtalmol Scand 2004;82:443-448

Selektion 641.000 borgere i Aarhus Amt 13.395 type 2 diabetikere 10.851 type 2 diabetics opfyldte ikke diagnostiske kriterier 695 type 2 diabetikere (tilfældig stikprøve) 290 afslog 27 ekskluderet 378 type 2 diabetiker Hove et al. Acta Ophtalmol Scand 2004;82:443-448

Deltagelse 1. Angivet I artiklen: 405/695 = 0,58 2. En anden mulighed: 378/(695-27) = 0,57 Det nævnes ofte, at godt 50% af type 2 diabetikere ikke er diagnosticerede: 3. Deltagelse: 0,5x0,58 = 0,29

Ifølge artiklen adskilte deltagere og ikke-deltagere sig ikke mht.: - varighed af diabetes - HbA 1c - behandling med insulin eller orale antidiabetika

Discussion.less likely that the low inclusion rate caused any significant selection bias. Hvad synes I?

Fejlkilder 1. Selektionsproblemer 2. Informationsproblemer 3. Confounding

Informationsbias Information om - eksponeringen - udfaldet - potentielle confoundere kan være helt eller delvis forkert.

Misklassifikation Placering af studiedeltagere i en forkert kategori ved kategoriske variable. Ikke-differentieret misklassifikation: Samme grad af misklassifikation af eksponeringsstatus blandt syge og ikke-syge Samme grad af misklassifikation af sygdomsstatus blandt eksponerede og ikke-eksponerede

Misklassifikation af eksponering med 2 eksponeringskategorier

Eksempel: Case-kontrol studie. Ikke-differentieret misklassifikation af eksponeringen Sand fordeling af eksponeringen Målt fordeling af eksponeringen Eksponeret Cases Kontroller Eksponeret Cases Kontroller Ja 100 60 Ja 50 30 Nej 60 100 Nej 110 130 Total 160 160 Total 160 160 OR = 2.8 OR = 2.0

Med to eksponeringskategorier vil ikkedifferentieret misklassifikation altid føre til bias hen imod nul-værdien (ingen association).

Eksempel: Case-kontrol studie. Differentieret misklassifikation af eksponeringen Sand fordeling af eksponeringen Målt fordeling af eksponeringen Eksponeret Cases Kontroller Eksponeret Cases Kontroller Ja 100 60 Ja 100 30 Nej 60 100 Nej 60 130 Total 160 160 Total 160 160 OR = 2.8 OR = 7.2

Med to eksponeringskategorier vil differentieret misklassifikation altid føre til bias. Bias kan være i begge retninger.

Misklassifikation af eksponering med 3 eller flere eksponeringskategorier

Befolkningsundersøgelse Graviditetschance N = 430 Jensen et al BMJ 1998;317:505-10

Befolkningsundersøgelse Graviditetschance

Befolkningsundersøgelse Graviditetschance

Befolkningsundersøgelse Graviditetschance

Befolkningsundersøgelse Graviditetschance

Befolkningsundersøgelse Graviditetschance N = 430 Jensen et al BMJ 1998;317:505-10

Underrapportering Underrapportering af en eksponering med mere end to kategorier kan maskere en sand tærskeleffekt som en dosis-respons sammenhæng. Underrapportering vil medføre, at tærsklen sættes ved et for lavt niveau.

Motion og spontan abort (92.426) Ugentlig motions-mængde (min) RR for føtal død - 10 uger RR for føtal død 11-14 uger RR for føtal død 15-18 uger RR for føtal død 19-22 uger 0 1 (ref) 1 (ref) 1 (ref) 1 (ref) 1-44 1,0 (0,7-1,6) 1,1 (0,8-1,4) 0,8 (0,5-1,3) 0,9 (0,5-1,8) 45-74 1,1 (0,8-1,5) 1,4 (1,2-1,7) 1,1 (0,8-1,5) 0,9 (0,5-1,4) 75-149 1,8 (1,4-2,3) 1,9 (1,7-2,2) 1,4 (1,1-1,9) 1,1 (0,7-1,7) 150-269 2,2 (1,7-2,8) 2,3 (2,0-2,7) 1,5 (1,1-2,1) 1,0 (0,6-1,6) 270-419 2,7 (1,9-3,7) 2,9 (2,4-3,5) 1,7 (1,1-2,7) 0,8 (0,3-2,0) 420+ 3,1 (2,0-4,6) 3,7 (2,9-4,7) 2,9 (1,8-4,7) 0,6 (0,2-2,6) Korrigeret for: Mors alder, tidligere spontane aborter, paritet Madsen et al. BJOG 2007;114:1419-1426

Motion og spontan abort kun prospektivt indsamlede data (90.170) Ugentlig motions-mængde (min) RR for føtal død - 10 uger RR for føtal død 11-14 uger RR for føtal død 15-18 uger RR for føtal død 19-22 uger 0 1 (ref) 1 (ref) 1 (ref) 1 (ref) 1-44 0,9 (0,4-1,7) 1,1 (0,6-2,0) 1,0 (0,5-2,0) 45-74 1,4 (1,0-2,1) 1,0 (0,7-1,6) 0,7 (0,4-1,4) 75-149 1,2 (0,9-1,8) 1,1 (0,8-1,7) 1,0 (0,6-1,6) 150-269 1,1 (0,7-1,7) 1,1 (0,7-1,8) 0,7 (0,4-1,4) 270-419 1,7 (1,0-2,9) 1,2 (0,6-2,4) 0,6 (0,2-1,9) 420+ 0,5 (0,1-2,0) 1,4 (0,6-3,4) - Korrigeret for: Mors alder, tidligere spontane aborter, paritet Madsen et al. BJOG 2007;114:1419-1426

Fejlkilder 1. Selektionsproblemer 2. Informationsproblemer 3. Confounding

Confounder: Koncept kausal sammenhæng statistisk association Risikoindikator Risikofaktor Udfald Intermediær variabel Confounder

Confounder 1. En risikofaktor for (evt. årsag til) udfaldet 2. Forekomsten af confounderen er - i det konkrete datamateriale - statistisk associeret med forekomsten af eksponeringen 3. Er ikke en mellemliggende variabel i årsagskæden mellem eksponering og udfald

Kaffe og dødfødsel Kaffe Dødfødsel Rygning Alkohol

Confounding: Eksempel Wisborg et al. BMJ 2003;326:420

Korrektion for confounding Kan gøres på to forskellige trin i studiet I designfasen I analysefasen

Korrektion for confounding - 1 I designfasen Randomisering (RCT) Restriktion (Afgræns studiepopulationen til eet niveau af confounderen f.eks. ikke-rygere) Matchning (match studiegrupper sådan at de har identiske/sammenlignelige niveauer af confounderen)

I analysefasen Korrektion for confounding - 2 Matchning (hvis matchet i designfasen jfr. øvelse) Stratificering (analyser associationer separat for hvert niveau af confounderen) Standardisering Multivariate teknikker (matematisk-statistiske modeller til at kontrollere for mange confoundere på samme tid)

Effektmodifikation Wisborg et al. BJOG 1996;103:800-803

Effektmodifikation Wisborg et al. BJOG 1996;103:800-803