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



Σχετικά έγγραφα
Κλινική Επιδηµιολογία

Τροποποιητές - Διαστρωμάτωση

Τεκµηριωµένη Ιατρική ΒΛΑΒΗ. Βασίλης Κ. Λιακόπουλος Λέκτορας Νεφρολογίας ΑΠΘ

Τα συστηματικά σφάλματα στις επιδημιολογικές μελέτες Κάθε επιδημιολογική μελέτη πρέπει να θεωρείται ως μια άσκηση μέτρησης

Λογαριθµιστική εξάρτηση

Ερώτηση. Ποιο μέτρο συχνότητας υπολογίστηκε;

Συγγραφή και κριτική ανάλυση επιδημιολογικής εργασίας

Λειτουργικός ορισμός των μεταβλητών

Aιτιότητα. Ιωάννα Τζουλάκη

τα πάντα είναι σχετικά

Αντικείμενο των επιδημιολογικών μελετών

Άσκηση. Καπνιστές Ναι Όχι Σύνολο Ανθρωπο-έτη παρακολούθησης Περιπτώσεις εμφράγματος

Πανεπιστήμιο Θεσσαλίας Σχολή Επιστημών Υγείας Ιατρικό Τμήμα. Μάθημα: Επιδημιολογία και Εφαρμοσμένη Ιατρική Έρευνα

Αντικείμενο των επιδημιολογικών μελετών

Αντικείμενο των επιδημιολογικών μελετών

Αιτιότητα και τυχαίο σφάλμα στις επιδημιολογικές μελέτες

Γιατί διεξάγεται μια μελέτη;;;

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Ερώτηση. Ποιο μέτρο συχνότητας υπολογίστηκε;

Λύση. Επίπτωση-πυκνότητα κ+ =ID κ+ 0,05 (έτη) -1. Επίπτωση-πυκνότητα κ- =ID κ- 0,01 (έτη) -1. ID κ+ - ID κ- 0,05-0,01=0,04 (έτη) -1

Τυχαία vs. συστηµατικά σφάλµατα (random vs. systematic errors)

Κλινική Επιδηµιολογία. Μέτρα κινδύνου Αιτιολογική συσχέτιση

τα πάντα είναι σχετικά

Ερώτηση. Ποιο μέτρο συχνότητας υπολογίστηκε;

Υ: Νόσος. Χ: Παράγοντας Κινδύνου 1 (Ασθενής) 2 (Υγιής) Σύνολο. 1 (Παρόν) n 11 n 12 n 1. 2 (Απών) n 21 n 22 n 2. Σύνολο n.1 n.2 n..

Μελέτες αναλυτικής επιδημιολογίας στηδιερεύνησηεπιδημιών

Μελέτες ασθενών-μαρτύρων

ΠΕΡΙΓΡΑΦΗ ΚΑΙ ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ

Εργαστήριο Υγιεινής και Επιδημιολογίας Ι. "Επιδημιολογικά Σφάλματα"

Στατιστικοί Έλεγχοι Υποθέσεων. Σαλαντή Γεωργία Εργαστήριο Υγιεινής και Επιδημιολογίας Ιατρική Σχολή

Στόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. Α1.2 Παράδειγµα 1 (συνέχεια) Α1. ΙΤΙΜΕΣ ΚΑΤΗΓΟΡΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ ΣΕ ΕΞΑΡΤΗΜΕΝΑ ΕΙΓΜΑΤΑ Παράδειγµα 1: αρτηριακή πίεση

Ορισµός. Η προτύπωση είναι ένας ειδικός τρόπος να εκτιµήσουµε τον συγχυτικό ρόλο κάποιων

Εισαγωγή στη Βιοστατιστική

Προσδιοριστής (determinant) Συνώνυμα

Κλινική Ε ιδηµιολογία. Τυχαίο Σφάλμα Συστηματικό Σφάλμα

Περιγραφικές και ημιπειραματικές μελέτες. Γεωργία Σαλαντή

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Στατιστικοί έλεγχοι για διακριτά δεδομένα

Μελέτες Ασθενών-Μαρτύρων Case Control Studies

ΟΞΥ ΣΤΕΦΑΝΙΑΙΟ ΣΥΝΔΡΟΜΟ

Προσδιοριστής (determinant) Συνώνυμα

Είδη Επιδημιολογικής Έρευνας. Εμμανουήλ Σμυρνάκης Λέκτορας ΠΦΥ Ιατρικής Σχολής ΑΠΘ Στάθης Γιαννακόπουλος Γενικός Ιατρός, Διδάκτωρ Ιατρικής Σχολής ΑΠΘ

Μελέτες αναλυτικής επιδημιολογίας στηδιερεύνησηεπιδημιών

Έρευνες ασθενών-μαρτύρων. Αναδρομικές. Case-control studies (retrospective) (case-control studies) Προοπτικές μελέτες

Ιατρικά Μαθηματικά & Βιοστατιστική

Κατανάλωση καφέ και 10-ετης επίπτωση του Διαβήτη ( ): μελέτη ΑΤΤΙΚΗ

Μελέτες ασθενών οµάδας ελέγχου

Πολυμεταβλητή ανάλυση επιδημιολογικών δεδομένων

Σημασία παρονομαστών!!!

Ζ Σεμινάριο ΕΧΕ 24 Σεπτεμβρίου 2013

Ποιοι από τους παρακάτω πληθυσμούς είναι κλειστοί ή ανοιχτοί και γιατί;

Επιδημιολογία. Ενότητα 1η: Εισαγωγή Ορισμοί, Αιτιολογία των Νοσημάτων. Προσπάθεια λογικής εξήγησης της εμφάνισης νόσου.

ΣΑΚΧΑΡΩΔΗΣ ΔΙΑΒΗΤΗΣ και ΚΑΡΚΙΝΟΣ: συνύπαρξη ή αιτιολογική σχέση;

Απάντηση. Συγχρονική μελέτη

1. Τακτικές στατιστικές σειρές: στοιχεία με. 2. Ειδικές επιδημιολογικές έρευνες: περιγραφικές. 10/10/ Απογραφή πληθυσμού

Μέτρα σχέσης. Ιωάννα Τζουλάκη Λέκτορας Επιδημιολογίας Υγιεινή και Επιδημιολογία

Αναλυτική Στατιστική

ΠΑΡΑΓΟΝΤΕΣ ΠΟΥ ΕΠΗΡΕΑΖΟΥΝ ΤΗΝ ΠΡΩΙΜΗ ΕΚΒΑΣΗ ΥΠΕΡΤΑΣΙΚΩΝ ΑΣΘΕΝΩΝ ΜΕ ΟΞΥ ΕΜΦΡΑΓΜΑ ΜΥΟΚΑΡΔΙΟΥ. ΚΑΤΑΓΡΑΦΙΚΗ ΜΕΛΕΤΗ ΟΕΜ ΣΤΟ Ν. ΡΟΔΟΠΗΣ

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Δ. Τερεντές-Πρίντζιος, Χ. Βλαχόπουλος, Κ. Αζναουρίδης, Π. Πιέτρη, Ν. Ιωακειμίδης, Π. Ξαπλαντέρης, Χ. Στεφανάδης

Επαγγελματική Επιδημιολογία

Η επιδημία ιλαράς στην Ευρώπη και την Ελλάδα. Μάγδα Γαβανά Αν. Αντιπρόεδρος ΚΕΕΛΠΝΟ Μεταδιδακτορική Επιστημονική Συνεργάτης Ιατρικής ΑΠΘ

ΕΒΔΟΜΑΔΑ 1 ΠΑΡΑΣΚΕΥΗ 4/3/2016 ΣΥΝΤΟΝΙΣΤΗΣ/ΔΙΔΑΣΚΩΝ ΑΙΘΟΥΣΑ ΥΠΟΔΟΧΗ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΦΟΙΤΗΤΩΝ ΠΕΡΙΓΡΑΜΜΑ ΠΜΣ

Σημαντικές πληροφορίες για το κάπνισμα

ΙΑΤΡΟΚΟΙΝΩΝΙΚΟ ΚΕΝΤΡΟ ΚΑΡΔΙΤΣΑΣ (ΙαΚ ΚΑΡΔΙΤΣΑΣ) ΓΕΝΙΚΑ ΣΤΟΙΧΕΙΑ

Ποιοι από τους παρακάτω πληθυσμούς είναι κλειστοί ή ανοιχτοί και γιατί;

Επιδημιολογία 3 ΣΧΕΔΙΑΣΜΟΣ ΜΕΛΕΤΩΝ. Ροβίθης Μ. 2006

ΕΠΕΚΤΑΣΗ ΤΗΣ ΜΕΛΕΤΗΣ ΝΟΣΗΡΟΤΗΤΑΣ ΣΤΗ ΝΗΣΟ ΜΗΛΟ ΕΚΘΕΣΗ ΠΡΟΟΔΟΥ

ΕΜΒΟΛΙΑΣΜΟΙ ΣΤΟΥΣ ΔΙΑΒΗΤΙΚΟΥΣ

Η ΕΠΙΔΡΑΣΗ ΤΩΝ ΠΡΟΔΙΑΘΕΣΙΚΩΝ ΠΑΡΑΓΟΝΤΩΝ ΣΤΗΝ ΕΞΕΛΙΞΗ ΤΗΣ ΣΤΕΦΑΝΙΑΙΑΣ ΝΟΣΟΥ. Γαργάνη Κωνσταντίνα: ΤΕ Νοσηλεύτρια Σ/Μ ΓΝΘ Παπανικολάου

Επιδημιολογία. Είδη υπό-μελέτη πληθυσμών. Ο ορισμός του υπό-μελέτη πληθυσμού ΜΕΤΡΗΣΗ ΚΑΙ ΣΥΓΚΡΙΣΗ ΤΗΣ ΣΥΧΝΟΤΗΤΑΣ ΤΩΝ ΝΟΣΗΜΑΤΩΝ

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Πανεπιστήμιο Αθηνών

Μελέτες αναλυτικής. επιδημιολογίας στη διερεύνηση επιδημιών. Φάσεις διερεύνησης επιδημίας. Σκοπός μελετών αναλυτικής

Μοντέλα Παλινδρόμησης. Άγγελος Μάρκος, Λέκτορας ΠΤ Ε, ΠΘ

«Παρατηρητηρίου Κοινωνικοοικονομικών και

ΔΙΔΑΣΚΑΛΙΑ ΙΑΤΡΙΚΗΣ ΣΤΑΤΙΣΤΙΚΗΣ 1ο ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ (ΧΕΙΜΕΡΙΝΟ 1ου ΕΤΟΥΣ) Καθηγήτρια Ιατρικής Στατιστικής & Επιδημιολογίας

Περιβάλλον και υγεία: Ορόλοςτηςβιολογικήςέρευνας στη διαμόρφωση πολιτικών προστασίας και πρόληψης

ΣΥΝΟΣΗΡΟΤΗΤΕΣ ΣΤΗ ΧΑΠ ΓΑΒΡΙΗΛΙΔΟΥ ΑΝΝΑ ΠΝΕΥΜΟΝΟΛΟΓΟΣ ΕΝΤΑΤΙΚΟΛΟΓΟΣ ΕΠΙΜΕΛΗΤΡΙΑ Α ΓΕΝ.ΠΕΡΙΦΕΡΕΙΑΚΟ ΝΟΣΟΚΟΜΕΙΟ ΠΑΠΑΓΕΩΡΓΙΟΥ ΘΕΣΣΑΛΟΝΙΚΗ

STADYING CASES. Case Reports. Case Reports. Case reports Case-series studies Case-control studies. Περιγραφή ενδιαφέροντος περιστατικού

Επαναληπτικό μάθημα Βασικών επιδημιολογικών εννοιών. Ειρήνη Αγιαννιωτάκη

ΟΜΑ Α ΕΡΓΑΣΙΑΣ ΝΟΣΗΛΕΥΤΙΚΗΣ ΣΤΗΝ ΚΑΡ ΙΟΛΟΓΙΑ

Στόχος µαθήµατος: Παράδειγµα 1: µελέτη ασθενών-µαρτύρων ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ

ΔΗΜΟΠΑΘΟΛΟΓΙΑ ΤΗΣ ΔΙΑΤΡΟΦΗΣ

Το κάπνισμα στην Ελλάδα

Εισαγωγή στη Στατιστική

Ταυτότητα άτομα, πανελλαδικά. 28 & 29 Απριλίου Τυπικό στατιστικό σφάλμα Μέγιστο σφάλμα 2,16% με διάστημα εμπιστοσύνης 95%

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Είδη επιδημιολογικών μελετών

Κάπνισμα και Καρκίνος. μισές αλήθειες μισά ψέμματα

Χρήση πινάκων-γραφημάτων?

Συσχέτιση των επιπέδων ινσουλίνης νηστείας με την επίπτωση της υπογλυκαιμίας σε ασθενείς με Σακχαρώδη Διαβήτη τύπου 2 που λαμβάνουν σουλφονυλουρίες

Ανάλυση επιβίωσης (survival analysis)

ΔΗΜΟΠΑΘΟΛΟΓΙΑ ΤΗΣ ΔΙΑΤΡΟΦΗΣ

Κεφάλαιο 12. Σύγκριση μεταξύ δύο δειγμάτων: Το κριτήριο t

ΕΠΙΠΕΔΑ ΑΓΓΕΙΟΠΟΙΗΤΙΝΩΝ 1 ΚΑΙ 2 ΣΤΟ ΥΠΕΡΚΕΙΜΕΝΟ ΠΤΥΕΛΩΝ ΣΕ ΑΣΘΕΝΕΙΣ ΜΕ ΧΑΠ

Αιτιακός διαλογισμός. Κώστας Τσιλίδης, Ιωαννίδης: κεφάλαιο 2

ΠΕΡΙΕΧΟΜΕΝΑ 1 ΕΙΣΑΓΩΓΗ ΤΟ PASW ΜΕ ΜΙΑ ΜΑΤΙΑ ΠΕΡΙΓΡΑΦΙΚΗ ΣΤΑΤΙΣΤΙΚΗ: Η ΜΕΣΗ ΤΙΜΗ ΚΑΙ Η ΔΙΑΜΕΣΟΣ... 29

ΜΕΛΕΤΗ ΣΥΣΧΕΤΙΣΗΣ ΤΟΥ ΠΟΛΥΜΟΡΦΙΣΜΟΥ RS ΜΕ ΤΗΝ ΚΟΛΠΙΚΗ ΜΑΡΜΑΡΥΓΗ ΣΕ ΕΛΛΗΝΙΚΟ ΠΛΗΘΥΣΜΟ

Πέτρος Γαλάνης, MPH, PhD Εργαστήριο Οργάνωσης και Αξιολόγησης Υπηρεσιών Υγείας Τμήμα Νοσηλευτικής, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών

Transcript:

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

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

Περιπτώσεις συνδρόμου Down ανά σειρά γέννησης Περιπτώσεις συνδρόμου Down ανά ηλικιακή ομάδα 180 160 140 120 100 80 60 40 20 0 Περιπτώσεις ανά 100 000 γεννήσεις 1 2 3 4 5 Σειρά γέννησης 1000 900 800 700 600 500 400 300 200 100 0 Περιπτώσεις ανά 100000 γεννήσεις < 20 20-24 25-29 30-34 35-39 40+ Ηλικιακή ομάδα Σειρά Γέννησης Σύνδρομο Down Περιπτώσεις ανά 100000 Περιπτώσεις συνδρόμου Down ανά σειρά γέννησης και ηλικία μητέρας ηλικία μητέρας 1000 900 800 700 600 500 400 300 200 100 0 1 2 3 4 5 Σειρά γέννησης 40+ 35-39 30-34 25-29 20-24 < 20 Ηλικιακή ομάδα: Ο καφές συσχετίζεται με καρκίνο του παγκρέατος ; Καρκίνος παγκρέατος Μάρτυρες OR Καφές 450 200 1.9 Όχι καφές 300 250 - καφές καρκίνος παγκρέατος κάπνισμα 3

Καπνιστές Καρκίνος Μάρτυρες ΟR Είναι οι Πόρσε πιο επικίνδυνες από τις Μερσεντές; Καφές 400 100 1.00 Όχι καφές 200 50 Σύνολο Ατυχήματα AR % Μη καπνιστές Καρκίνος Μάρτυρες ΟR Πόρσε 1 000 300 30 1.5 Mερσεντές 1 000 200 20 - Καφές 50 100 1.00 Όχι καφές 100 200 Αδρό ΟR = 1.9 Σταθμισμένο ΟR = 1.0 Σύνολο 2 000 500 25 95% ΔΑ = 1.3-1.8 < 25 ετών Σύνολο Ατυχήματα AR % (95% ΔΑ) Τύπος αυτοκινήτου Ατυχήματα Πόρσε 550 250 45.5 1.14 (0.9-1.3) Μερσεντές 300 120 40.0 ηλικία οδηγού 25 ετώ ν Σύνολο Ατυχήματα AR % (95% ΔΑ) Πόρσε 450 50 11.1 0.97 (0.7-1.4) Μερσεντές 700 90 11.4 Αδρός = 1.5 Σταθμισμένος = 1.1 (0.94-1.27) Ηλικία Πόρσε Μερσεντές < 25 ετών 550 (55%) 300 (30%) >= 25 ετών 450 700 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

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 10-20 % 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

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 693 320 4.8 Όχι 307 680 - Σύνολο 1000 1000 Καπνιστές ΑM KΠ Μάρτυρες OR Ναι 587 110 18.0 Όχι 113 390 - Φυσική άσκηση και ΕΜ Φυσική άσκηση ΕΜ Μάρτυρες OR, 95%ΔΑ 2500 kcal/d 190 266 0.67, 0.6-0.9 Μη-καπνιστές ΑΜ ΚΠ Μάρτυρες OR < 2500 kcal/d 176 157 - Ναι 176 160 3.0 Όχι 124 340 - 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 141 208 0.53, 0.4-0.7 < 2500 kcal/d 144 112-6 * Γυναίκες Φυσική άσκηση ΕΜ Μάρτυρες OR, 95%ΔΑ 2500 kcal/d 49 56 1.2, 0.7-2.2 5 4 3 2 * < 2500 kcal/d 32 45 - * 1 * * 10 20 30 40 50 60 70 80 Ηλικία Doll et Hill, 1966 6

Εμβολιασμός Εμβολιασμός ανά ηλικία Εμβολια- - σμένοι Μη Εμβολιασ. Πληθυσμός Κρούσματα Κρούσματα ανά 1000 301 545 150 0.49 0.28 298 655 515 1.72 ---- Σύνολο 600 200 665 1.11 Ηλικία Κατάσταση Πληθ. Κρούσ ματα Κρούσματα /1000 <1 Εμβ 35 625 38 1.07 0.87 Μη Εμβ 24 375 30 1.23 1-4 Εμβ 44 220 34 0.77 0.42 Μη Εμβ 46780 86 1.84 5-9 Εμβ 78 200 50 0.64 0.19 Μη Εμβ 75 000 250 3.33 10-24 Εμβ 83 400 18 0.22 0.15 Μη Εμβ 82 600 120 1.45 > 24 Εμβ 60 100 10 0.17 0.40 Μη Εμβ 69 900 29 0.41 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

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 1 4.00 4.00 4.00 2 1.01 1.03 4.00 3 3.05 5.20 4.00 4 1.02 0.98 4.00 5 1.07 9.40 4.00 Έναβαγόνιμπορείνακρύψειέναάλλοβαγόνι Μία μεταβλητή μπορεί να κρύψει μία άλλη μεταβλητή 8