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 Vurdering af bias 1 Advarsel! Hvad er confounding Denne forelæsning er udarbejdet med en ekstrem grad af dikotomani. Verden er meget mere kompleks, end dette sort-hvide billede måtte antyde. Men det er et godt udgangspunkt til at udvikle intuition... For at kunne sammenligne risikoen i to eksponeringsgrupper, skal de være sammenlignelige mht. alle øvrige årsager til den sygdom, man studerer. Ellers ved vi ikke, hvor meget at den målte risiko, der rent faktisk skyldes eksponeringen, og hvor meget, der skyldes de øvrige faktorer. Det problem kaldes confounding. 2 3 Hvad er confounding En confounder er en faktor, som Ikke er led i årsagskæden fra eksponering til udfald. Er en selvstændig årsag til udfaldet. Er associeret med eksponeringen. Eksponering Confounder Udfald 4 Confounding eksempel Follow-up studie af om arbejdsrelateret eksponering for et kemisk stof øger risikoen for lungecancer. Rygning Lunge Cancer Man ved fra tidligere studier, at rygning er en confounder for associationen mellem det kemiske stof og lungekræft. 5
Totalt: 480 84000 Nej 360 96000 Ialt 840 180000 RR = 1,52 (1,33; 1,75) Rygere: 80 4000 Nej 160 16000 Ialt 240 20000 RR = 2,00 (1,53; 2,62) Ikke-rygere: 400 80000 Nej 200 80000 Ialt 600 160000 RR = 2,00 (1,69; 2,37) 6 Værd at uddrage tabellerne: Rygning % Nej % 4k 5 16k 17 Nej 80k 95 80k 83 Ialt 84k 100 96k 100 Blandt ikke-exp Rygning Case % Ialt % 240 29 20k 11 Nej 600 71 160k 89 Ialt 840 100 180k 100 Flere ryger blandt de ikke-eksponerede. Det giver ikkesammenlignelige eksponeringsgrupper. Rygning er selvstændig årsag til LC: Der er flere rygere blandt casene. 7 Rygning % Nej % 4k 5 16k 17 Nej 80k 95 80k 83 Ialt 84k 100 96k 100 OR = 0,25 (0,24; 0,26) Blandt ikke-exp Rygning Case % Ialt % 240 29 20k 11 Nej 600 71 160k 89 Ialt 840 100 180k 100 RR = 3,20 (2,75; 3,72) Rygning er negativt associeret med eksponeringen og årsag til LC. Med RR = 1,52 undervurderer vi derfor effekten af eksponeringen, der snarere er RR =2. 8 Hvad er effektmodifikation Når der er effektmodifikation/interaktion, går en 3. faktor ind og påvirker effekten af eksponeringen Eksponering Effekt Effektmodifikator Udfald 9 Begrebet effektmodifikation har rod i naturen: Eksempelvis kan patienter med én genotype reagere anderledes på en bestemt medicin, end patienter med en anden genotype. Genotypen modificerer effekten af medicinen. I praksis (efter operationalisering) er graden af effektmodifikation afhængig af hvilket effektmål, vi bruger. Derfor er den korrekte terminologi: effektmålsmodifikation. 10 Stratum 1: Exp\Udf + Total + 200 100.000 100 100.000 Stratum 2: Exp\Udf + Total + 1.000 100.000 500 100.000 RR =2,0 (1,6; 2,6) RD =1,0 pr. 1.000 (0,66; 1,3) pr. 1.000 RR =2,0 (1,8; 2,2) RD =5,0 pr. 1.000 (4,2; 5,8) pr. 1.000 11
Confounding vs. Effektmodifikation Beslutningstræet: Modificerer F effekten af E på U F er en effektmodifikator. Eksponering E A Hypotetisk sammenhæng Faktor F Udfald U A Nej Er F associeret med E og årsag til U Er E årsag til F Nej F er en confounder. Nej F er ikke interessant i denne sammenhæng. F er en del af årsagskæden fra E til U. 12 13 Hvordan besvares spørgsmålet Modificerer F effekten af E på U Ved baggrundsviden om processen E U. Hvis der er styrke nok, så vedenstatistisk test passende til aktuelle effektmål. Er der statistisk signifikant forskel på effekten i forskellige strata 14 Men der kan være tilfælde, hvor der er gode grunde til at se bort fra en i øvrigt statistisk signifikant forskel. Eksempelvis hvis forskellen er så lille, at den ikke er klinisk relevant. Og der kan være tilfælde, hvor man vil behandle det som effektmodifikation, selvom der ingen statistisk signifikant forskel er, fordi man ved F vitterligt modificerer effekten af E. Eksempelvis at processen fra E til U følger forskellige pathways. 15 Hvad spørgsmålet Er F associeret med E og årsag til U angår, afgør man om F er associeret med E og med U ved viden og erfaring. Hvis der er styrke nok, kan man udføre statistiske tests for associationen. Endelig Er E årsag til F som også besvares udfra kendskab til mekanismerne, dererispil. Hvad årsagssammenhængen angår, må manberopå baggrundsviden eller kunne redegøre for rimeligheden af, at F kan være årsag til U. 16 17
Husk: Bias bias er en systematisk fejl. Kilder til Bias Vi har set confounding kan give bias. Fejl i data, systematiske såvel som usystematiske, kan føre til bias af effektmål. Selektionsproblemer Informationsproblemer Repræsentativitet Måleusikkerhed (kontekstafhængig) Målebias 18 19 Vurdering af Bias Hvordan vurderer man, størrelse og retning på bias Man kan regne på det (sensitivitets analyse) men det forudsætter, at man i det mindste kan gisne om, hvad der foregår. Lad os betragte et case-control studie: Med sand OR = ad bc Sand fordeling: a b Nej c d 20 Frafald Frafald kan håndteres ved at reducere antallet i kategorierne: s a t b Nej u c v d hvor s, t, u og v ligger mellem 0 og 1. Da fås OR(s, t, u, v) = savd tbuc = sv tu OR. 21 Eksempel 1: Dobbeltskævt bortfald, hvor en v-del af de ikke-eksponerede kontroller falder fra (pga. manglende motivation): a b Nej c v d Bias mod mindre OR. OR(v) =v ad bc = v OR Bemærk at frafald i a er som ovenfor, mens frafaldet fra b eller c, giver bias mod større OR, OR(v) = v 1 22 OR. Eksempel 2: Bortfald associeret med sygdomsstatus alene en t-del af kontrollerne falder fra: a t b Nej c t d OR(t) = t ad t bc = OR Så ingen bias. Det samme gælder, hvis bortfaldet var for cases, eller alene var associeret med eksponering. Bemærk dog, at frafald altid giver anledning til bredere sikkerhedsintervaller. 23
Misklassifikation Misklassifikation kan håndteres ved at lade studie enheder vandre fra én kategori til den anden, som illustreret her blot med én flytning: (1 s) a b Nej c + s a d hvor en s-del af de eksponerede cases klassificeres som ikke eksponerede. 24 Eksempel 3: En s-del af de eksponerede registreres, som ikke-eksponerede og t-del af de ikke-eksponerede registreres, som eksponerede Ikke-differentieret misklassifikation (1 s) a + t c (1 s) b + t d Nej (1 t) c + s a (1 t) d + s b Man kan undersøge matematisk, hvordan funktionen OR(s, t) udvikler sig. Her illustreres blot grafisk... 25 Eksempel 4: En t-del af de ikke-eksponerede registreres, som eksponerede ikke-differentieret misklassifikation svarende til s =0 a + t c b+ t d Nej (1 t) c (1 t) d OR (Tab.6-3, p105) plottet med CI som funktion af t = s. Bias mod ingen effekt! 26 27 OR og OR 1 (Tab.6-3, p105) plottet med CI som funktion af t. Bias mod ingen effekt! 28 International Journal of Epidemiology 29