(Confounders) Δύο κύρια θέματα. Θα πρέπει να πιστέψω το αποτέλεσμα της μελέτης μου; Συγχυτικοί και τροποποιητικοί παράγοντες

Transcript

1 Θα πρέπει να πιστέψω το αποτέλεσμα της μελέτης μου; Συγχυτικοί και τροποποιητικοί παράγοντες Κάπνισμα = 11,6 Καρκίνος παγκρέατος Πρόγραμμα εκπαίδευσης στην επιδημιολογική επιτήρηση και διερεύνηση επιδημιών ΚΕΕΛΠΝΟ-EΣΔΥ, 2008 Πραγματική συσχέτιση Τύχη Συστηματικό σφάλμα Ντάνης Κώστας Δύο κύρια θέματα -Συγχυτικοί παράγοντες -Συστηματικό σφάλμα Συγχυτικοί παράγοντες (Confounders) -Τροποποιητικοί παράγοντες -Χρήσιμη πληροφορία Σκέιτ-μπορντ Χλαμύδια Έκθεση (καφές) Έκβαση (καρκίνος) Ηλικία Τρίτη Μεταβλητή (κάπνισμα) 1

2 γκρίζα μαλλιά καρδιακή ανακοπή Διαμονή κοντά σε εργοστάσιο χημικών καρκίνος Τρίτη Μεταβλητή (ηλικία) Κοινωνικο-οικονομική κατάσταση Πρέπει να τηρούνται 2 προϋποθέσεις : Έκθεση Υπερχοληστεριναιμία Έκβαση Έμφραγμα Μυοκαρδίου Έκθεση Έκβαση Τρίτη μεταβλητή Πρέπει να συσχετίζεται με έκθεση - χωρίς να είναι συνέπεια της έκθεσης Πρέπει να συσχετίζεται με έκβαση - ανεξάρτητα από την έκθεση Τρίτη Μεταβλητή Αθήρωμα Κάθε παράγοντας που είναι κρίκος στην αιτιολογική αλυσίδα ΔΕΝ είναι συγχυτικός παράγοντας Αλάτι Έμφραγμα μυοκαρδίου Να εξουδετερώσουμε συγχυτικούς παράγοντες Υπέρταση Λύση = διαστρωμάτωση Δημιουργούμε στρώματα ανάλογα με τις κατηγορίες της τρίτης μεταβλητής 2

3 Περιπτώσεις συνδρόμου Down ανά σειρά γέννησης Περιπτώσεις συνδρόμου Down ανά ηλικιακή ομάδα Περιπτώσεις ανά γεννήσεις Σειρά γέννησης Περιπτώσεις ανά γεννήσεις < Ηλικιακή ομάδα Σειρά Γέννησης Σύνδρομο Down Περιπτώσεις ανά Περιπτώσεις συνδρόμου Down ανά σειρά γέννησης και ηλικία μητέρας ηλικία μητέρας Σειρά γέννησης < 20 Ηλικιακή ομάδα: Ο καφές συσχετίζεται με καρκίνο του παγκρέατος ; Καρκίνος παγκρέατος Μάρτυρες OR Καφές Όχι καφές καφές καρκίνος παγκρέατος κάπνισμα 3

4 Καπνιστές Καρκίνος Μάρτυρες ΟR Είναι οι Πόρσε πιο επικίνδυνες από τις Μερσεντές; Καφές Όχι καφές Σύνολο Ατυχήματα AR % Μη καπνιστές Καρκίνος Μάρτυρες ΟR Πόρσε Mερσεντές Καφές Όχι καφές Αδρό ΟR = 1.9 Σταθμισμένο ΟR = 1.0 Σύνολο % ΔΑ = < 25 ετών Σύνολο Ατυχήματα AR % (95% ΔΑ) Τύπος αυτοκινήτου Ατυχήματα Πόρσε ( ) Μερσεντές ηλικία οδηγού 25 ετώ ν Σύνολο Ατυχήματα AR % (95% ΔΑ) Πόρσε ( ) Μερσεντές Αδρός = 1.5 Σταθμισμένος = 1.1 ( ) Ηλικία Πόρσε Μερσεντές < 25 ετών 550 (55%) 300 (30%) >= 25 ετών χ 2 = 127.9, p=0.002 Ηλικία Ατυχήματα Όχι ατυχήματα < 25 ετών 370 (44%) 480 Για αναγνώριση συγχυτικού παράγοντα Συγκρίνουμε τα ΑΔΡΑ μέτρα συσχέτισης ( ή OR) με τα ΣΤΑΘΜΙΣΜΕΝΑ μέτρα συσχέτισης (Mantel Haenszel ή OR) >= 25 ετών 130 (11%) 1020 χ 2 = 270.7, p=0.03 4

5 ή OR κατά Mantel-Haenszel Σταθμισμένο ή OR k SUM (a i d i / n i ) i=1 OR MH = k SUM (b i c c i / n i ) i=1 k SUM (a i d i / n i ) i=1 OR MH = k SUM (b i c c i / n i ) i=1 Στρώμα Έκθεση Ασθενείς Μάρτυρες OR 1 Ναι a1 b1 OR1 Όχι c1 d1-2 Ναι a2 b2 OR2 Όχι c2 d2-3 Ναι a3 b3 OR3 Όχι c3 d3 - Υπάρχει στατιστική δοκιμασία? Όταν ORMH διαφέρει από το αδρό OR? Μεταβλητή που διαστρεβλώνει το ή OR Θα πρέπει να αποφευχθεί κατά το σχεδιασμό % Μπορεί να ελεγχθεί κατά την ανάλυση, αν έχει συλλεχθεί η σχετική πληροφορία Πώς ελέγχουμε τους συγχυτικούς παράγοντες; Κατά το σχεδιασμό Περιορισμός σε ένα στρώμα (Restriction) Εξομοίωση (Matching) Κατά την ανάλυση Ανάλυση κατά στρώματα (Stratification) Πολυπαραγοντική ανάλυση (Multivariate analysis) Τροποποιητικοί Παράγοντες (effect-modifiers) 5

6 Τροποποιητικός παράγοντας Τρίτη μεταβλητή που μεταβάλλει το OR ή ανάλογα με τις κατηγορίες της Δεν είναι συστηματικό σφάλμα αλλά είναι χρήσιμη πληροφορία Συμβαίνει όταν το ή OR είναι διαφορετικά στα διάφορα στρώματα (υποπληθυσμούς) Αμίαντος(ΑΜ) και καρκίνος πνεύμονα (ΚΠ) Μελέτη ασθενών-μαρτύρων ΑΜ ΚΠ Μάρτυρες OR Ναι Όχι Σύνολο Καπνιστές ΑM KΠ Μάρτυρες OR Ναι Όχι Φυσική άσκηση και ΕΜ Φυσική άσκηση ΕΜ Μάρτυρες OR, 95%ΔΑ 2500 kcal/d , Μη-καπνιστές ΑΜ ΚΠ Μάρτυρες OR < 2500 kcal/d Ναι Όχι Άνδρες Φυσική άσκηση ΕΜ Μάρτυρες OR, 95%ΔΑ Σχετικός κίνδυνος () θανάτου από καρδιαγγειακή νόσο σε καπνιστές γιατρούς, ανά ηλικιακή ομάδα, Αγγλία & Ουαλία 2500 kcal/d , < 2500 kcal/d * Γυναίκες Φυσική άσκηση ΕΜ Μάρτυρες OR, 95%ΔΑ 2500 kcal/d , * < 2500 kcal/d * 1 * * Ηλικία Doll et Hill,

7 Εμβολιασμός Εμβολιασμός ανά ηλικία Εμβολια- - σμένοι Μη Εμβολιασ. Πληθυσμός Κρούσματα Κρούσματα ανά Σύνολο Ηλικία Κατάσταση Πληθ. Κρούσ ματα Κρούσματα /1000 <1 Εμβ Μη Εμβ Εμβ Μη Εμβ Εμβ Μη Εμβ Εμβ Μη Εμβ > 24 Εμβ Μη Εμβ Τροποποιητικός παράγοντας Τροποποιητικός παράγοντας Διαφορετικά ή OR σε διαφορετικά στρώματα (π.χ. ηλικιακές ομάδες) Τεστ για ομοιογένεια των διαφορετικών στρωμάτων (Woolf test) Είναι χρήσιμος για: Να αναγνωρίσουμε υποπληθυσμούς με μικρότεροήμεγαλύτεροκίνδυνο Να σχεδιάσουμε στοχευμένες δράσεις δημόσιας υγείας Να μελετήσουμε αλληλεπιδράσεις ανάμεσα σε παράγοντες κινδύνου Τροποποιητικός παράγοντας Ανήκει στη φύση Διαφορετικά στα διαφορετικά στρώματα Απλός Χρήσιμος Βελτιώνει τη γνώση για βιολογικούς μηχανισμούς Επιτρέπει τη στόχευση δράσεων δημόσιας υγείας Οφείλεται στο σχεδιασμό της μελέτης Σταθμισμένο διαφέρει από αδρό Διαστρεβλώνει τη συσχέτιση Δημιουργεί σύγχυση στην ερμηνεία των δεδομένων Προλαμβάνεται (στο πρωτόκολλο) Ελέγχεται (στην ανάλυση) Πώς γίνεται ανάλυση κατά στρώματα Αδρή ανάλυση αρχικά Υπολογίζουμε τα μέτρα συσχέτισης (OR ή ) Καταγράφουμε πιθανούς τροποποιητικούς ή συγχυτικούς παράγοντες Κάνουμε διαστρωμάτωση ανάλογα με τις κατηγορίες των πιθανών τροποποιητικών ή συγχυτικών παραγόντων Ελέγχουμε για τροποποιητικούς παράγοντες Εάν υπάρχουν, παρουσιάζουμε τα δεδομένα μας ανά στρώματα Εάν ΔΕΝ υπάρχουν, ελέγχουμε για συγχυτικούς παράγοντες Εάν υπάρχουν, παρουσιάζουμε σταθμισμένα OR ή Εάν ΔΕΝ υπάρχουν συγχυτικοί παράγοντες, δείχνουμε τα αδρά δεδομένα 7

8 Πως ορίζονται τα στρώματα Σειρά ανάλυσης δεδομένων Σε κάθε στρώμα, η τρίτη μεταβλητή δεν είναι πλέον συγχυτικός παράγοντας Δημιουργούμε στρώματα ανάλογα με τη σημασία τους για τη δημόσια υγεία Εάν 2 παράγοντες κινδύνου: δημιουργούμε στρώματα ανάλογα με τις κατηγορίες του ενός παράγοντα για να μελετήσουμε το δεύτερο Υπολειμματικός συγχυτικός παράγοντας; Πως να αντιμετωπίσουμε πολλαπλούς παράγοντες κινδύνου: Αδρή ανάλυση Πολυπαραγοντική ανάλυση 1. ανάλυση κατά στρώματα 2. μοντέλα (modelling) γραμμική εξάρτηση (linear regression) λογιστική εξάρτηση (logistic regression) Παραδείγματα ανάλυσης κατά στρώματα Παραδείγματα Στρώμα 1 Στρώμα 2 Αδρό Έναβαγόνιμπορείνακρύψειέναάλλοβαγόνι Μία μεταβλητή μπορεί να κρύψει μία άλλη μεταβλητή 8