Epidemiologi T5
-
Upload
khangminh22 -
Category
Documents
-
view
0 -
download
0
Transcript of Epidemiologi T5
1
Epidemiologi T5
Kursmål epidemiologiKunna förklara och använda grundläggande epidemiologiska begrepp
PrevalensIncidensRiskanalys
Kursmål epidemiologiKunna beräkna en diagnostisk metods informationsvärde…
SensitivitetSpecificitetPrediktiva värden
…och diskutera metodens användbarhet vid diagnostik, vid uppföljning av sjuk-domstillstånd och i hälsoundersökningar
2
Dessutom…Epidemiologisk studiedesign
Fall-kontroll och kohortstudierProspektiva och retrospektiva studier, tvärsnittsstudier
Felkällor i epidemiologiska studierBias och felklassificieringConfounding och effektmodifiering
Varför epidemiologi?
Är exponerade mer eller mindre sjuka än ej exponerade = kohortstudieÄr sjuka mer eller mindre exponerade än friska = fall-kontroll-studie
Exponering Utfall (t.ex. sjukdom)?
Definition av exponering och utfallInnan man börjar fundera kring studiedesign måste man bestämma
Vilken är exponeringen?Vad innebär ”oexponerad”?Vem definieras som sjuk?Vem definieras som frisk?
Ovanstående definitioner måste vara entydigt bestämda!
3
Definition av exponering och utfallOm utfallet är att födas med en missbildad hand – vem har inte utfallet?
Barn utan missbildningar?Barn med andra missbildningar?
Om exponering är att arbeta vid en datorskärm, vem är ej exponerad?
De som bara använder dator hemma?De som aldrig använder dator?
Definition av exponering och utfallMåste alla exponerade vara lika mycket exponerade?
Inom t.ex. en yrkeskategori kan det finnas vissa individer som slutat med yrket i frågaPå en arbetsplats kan det finnas individer med olika nivåer av exponeringOlika individer kan ha varit exponerade olika länge
KohortstudierÄr exponerade mer sjuka än oexponerade?
ExponeradeSjuka
Intesjuka
OexponeradeSjuka
Intesjuka
Population
Kan vara fleraolika sjuk-
domar!
4
Att mäta riskHur vet man om exponerade och oexponeradeskiljer sig åt m.a.p. sjukdomsrisk?För att kunna beräkna detta måste man känna till begreppen
RiskTid under riskPersontid
RiskAtt vara ”under risk” – att ha möjlighet att fåen viss sjukdom
Alla levande är under risk att döEndast män är under risk att få prostatacancerEndast kvinnor är under risk att bli gravidaEndast barn är under risk att dö i plötslig spädbarnsdöd
Tid under riskDen period man är under risk
Exempel: En kvinna är under risk att bli gravid mellan menarche och menopausExempel: En kvinna är under risk att få missfall medan hon är gravid
5
PersontidTid under risk anges ofta som ”persontid”För persontid kan användas olika enheter som t.ex. personår eller persontimme1 personår = 1 person observerad i 1 år…eller 2 personer observerade i ½ år…eller 365 personer observerade i 1 dag
Exempel: PersontidVi studerar utfallet ”missfall eller dödfött barn”hos 10 gravida kvinnor7 kvinnor födde levande barn efter 9 månader –tid under risk för var och en är 9 månader1 kvinna gjorde abort efter 1 månad – hennes tid under risk är 1 månad2 kvinnor fick missfall efter 1 resp. 2 månader –deras tid under risk är 1 resp. 2 månader
Exempel: Persontid
212Missfall 2
111Missfall 1
111Abort
6379Barn
Personmån.
Antal kvinnor
Tid under risk
Utfall Total tid under risk är63+1+1+2 = 67 personmånaderKan också uttryckassom 67/12 = 5,6 personårEller som 67x30 = 2010 persondagar
6
Prevalens (P)
Andelen sjuka (eller med viss egenskap) i en population vid ett specifikt tillfälleP = antal sjuka / totalt antal0 ≤ P ≤ 1
Prevalens av pojkarVid tid 0: P = 6/10 = 60%Vid tid 1: P = 5/8 = 63%Vid födsel:P = 4/7 = 57%
Missfall efter 1 månad
Missfall efter 2 månader
Abort efter 1 månad
Flicka Pojke
Incidens (I)Ett mått på ”insjuknandehastighet”I = antal fall / total tid under risk0 ≤ I < ∞
7
Skattning av tid under riskIbland känner man inte till exakt tid under riskUtfallen inträffar jämnt över perioden → anta att alla inföll efter halva tiden
Uppföljning vart femte år med registrering av nya fall.Antag att sex individer insjuknat med ett års intervall. Tid under risk = 0 + 1 + 2 + 3 + 4 + 5 = 15 årSkattning = 6*2,5 = 15 år
Utfallen inträffar inte jämnt över perioden →incidens kan ej beräknas
Incidens av missfallHela graviditeten:
Tid under risk=67 personmånaderAntal fall=2I=2/67=0,03
Första månadenTid under risk=10 personmånaderAntal fall=1I=1/10=0,1
Missfall efter 1 månad
Missfall efter 2 månader
Abort efter 1 månad
Kumulativ incidens (KI)Andelen insjuknade under en specificerad tidsperiodKI = antal insjuknade / antal friska vid start0 ≤ KI ≤ 1(Kumulativ incidens och konfidensintervall betecknas båda KI, men det brukar framgå av omständigheterna vad som avses)
8
Kumulativ incidens av missfallHela graviditeten
Antal vid start=10Antal fall=2KI=2/10=20%
Andra månadenAntal vid start=8Antal fall=1KI=1/8=12,5%
Missfall efter 1 månad
Missfall efter 2 månader
Abort efter 1 månad
Absolut riskMan använder P, I eller KI för att beskriva hur det ser ut i en grupp av individerExempel: Den kumulativa missfallsincidensen mäts i grupp A (KI=0,02) och grupp B (KI=0,01). Detta är absoluta risker.
RiskdifferensMan tittar på differensen mellan två grupper med avseende på P, I eller KIExempel: Riskdifferensen mellan grupp A och grupp B är 0,02-0,01=0,01
Missfallsfrekvensen är 1 %-enhet högre i grupp A än i grupp BOm det inte finns någon skillnad mellan A och B är differensen 0
9
Relativ riskMan tittar på kvoten mellan två grupper med avseende på P, I eller KIExempel: Den relativa risken för grupp A i förhållande till grupp B är 0,02/0,01=2
Dubbel risk för missfall i grupp A jämfört med grupp BOm det inte finns någon skillnad mellan A och B är kvoten 1
Riskmått i kohortstudierPrevalens, incidens och kumulativ incidensAbsolut risk, riskdifferens och relativ riskStandardiserad mortalitetsrat (SMR) och standardiserad incidensrat (SIR)
Standardiserad = tar hänsyn till t.ex. åldersfördelningRelativa riskerJämför observerade fall med förväntade fall
Risk i kohortstudieExponerad kohort (E+): Arbetare på ett företagOexponerad kohort (E-): Personer från samma stadExponeringen är bestämdSjukdomsfrekvensen undersöksRisken för arbetarna är ca 7 gånger högre än för de oexponerade
3,7110
10150
100==RR
100
50
D-
11010E-
150100E+
TotaltD+
10
KohorterEn exponerad kohort vs en oexponerad
Arbetsplatsen man vill undersöka jämfört med en liknande utan den aktuella exponeringen
En exponerad vs en oexponerad och riketSom ovan, plus jämförelser med t.ex. cancerincidensen i landet i helhet
Flera exponeradeOlika grader av exponering beroende på t.ex. hur länge man varit exponerad
Sammanfattning kohortstudierMan utgår från exponering och tittar påsjukdomsbildMan kan studera flera sjukdomar, men oftast endast en exponeringEffektiv design vid vanlig sjukdom och sällsynt exponeringRelativ risk uttrycks ofta som SMR eller SIR
Fall-kontroll-studierÄr sjuka (fall) mer exponerade än friska (kontroller)?
Fall(personer somhar sjukdomen)
Exponerade
Oexponerade
Kontroller(personer som inte
har sjukdomen)
Exponerade
Oexponerade
Population
Kan vara flera olika exponeringar
11
Risk i fall-kontroll-studier?
10010E-
50100E+
D-D+
100010E-
500100E+
D-D+
3,7110
10150
100==RR 8,16
101010
600100
==RR
Odds
10010E-
50100E+
D-D+
1,010010
110100
11010
250
10015050
150100
===
===
−
+
E
E
Odds
Odds
Sannolikhet för händelse genom sannolikhet för ejhändelseOddset att vara sjuk beräknas som slh(sjuk)/slh(frisk)
Oddskvot (OR)Man kan få ett relativt riskmått genom att beräkna kvoten mellan två oddsDenna kvot kallas oddskvot (odds ratio = OR)Om oddset för E+ är 2 och oddset för E- är 0,1 blir oddskvoten 2/0,1=20Detta tolkas som att E+ har 20 gånger så stor risk att vara sjuk som E-
12
Fall-kontroll-studier → oddskvot
10010E-
50100E+
D-D+
100010E-
500100E+
D-D+
205010100100
10010
50100
=⋅⋅
==OR 20500101000100
100010
500100
=⋅⋅
==OR
Sammanfattning fall-kontrollMan utgår från sjukdom och tittar påexponeringsbildMan kan studera flera exponeringar, men endast en sjukdomEffektiv design vid vanlig exponering och sällsynt sjukdomRelativ risk uttrycks som OR
TidsperspektivTvärsnittsstudie
Man undersöker förhållandena (t.ex. sjukdomsförekomsten) vid ett specifikt tillfälle
Longitudinell studieMan undersöker hur förhållandena ser ut under en viss tidsperiod
Prospektiv studie = man påbörjar studien innan fallen har inträffatRetrospektiv studie = man påbörjar studien efter att fallen har inträffat
13
Exempel: TidsperspektivTvärsnittsstudie: Hur många kvinnor i populationen är gravida just nu?Longitudinell studie (retrospektiv): Hur många kvinnor i populationen är gravida just nu, eller har någonsin varit gravida?Longitudinell studie (prospektiv): Hur många kvinnor i populationen blir gravidainom t.ex. 10 år?
InformationskällorEnkäter
Intervju/fylla i självTillfråga anhöriga
BiomarkörerDatabaserade register
Dödsfallsregistret, tumörregistret, medicinska födelseregistret, m.fl.Listor över anställda, studenter, etc.
Geographical Informations System (GIS)
Precision och validitetSlumpmässiga fel = upprepade mätningar ger inte samma resultatPrecision = frånvaro av slumpmässiga felSystematiska fel (bias) = mätinstrumentet mäter inte exakt det vi vill mätaValiditet = frånvaro av systematiska fel
14
Precision och validitet
Hög precision
Låg precision
Hög validitetLåg validitet
SelektionsbiasStickprovet är inte representativt för studiepopulationen
Exponeradesjuka
Oexponeradefriska
Oexponeradesjuka
Exponeradefriska
Selektionsbias – effektStudie om rökning och missfall
Rökande mammor med missfall deltar ej:Ingen verkar ha fått missfall efter att ha rökt, alltså dras slutsatsen att rökning inte är skadligtIcke-rökande mammor utan missfall deltar ej:Alla som inte röker har fått missfall, alltså dras slutsatsen att rökning inte är skadligt
15
Selektionsbias – effektStudie om rökning och missfall (forts)
Icke-rökande mammor med missfall deltar ej:Alla missfall verkar ha skett hos rökare, alltsådras slutsatsen att rökning är farligare än det faktiskt ärRökande mammor utan missfall deltar ej:Alla rökare verkar ha fått missfall, alltså dras slutsatsen att rökning är mer skadligt än det faktiskt är
Selektionsbias – effektRisken underskattas om
Exponerade sjuka ej deltarOexponerade friska ej deltar
Risken överskattas omExponerade friska ej deltarOexponerade sjuka ej deltar
SelektionsbiasFör vilken studie-population är deltagarna representativa?För vilken studie-population kan man dra slutsatser av undersökningen?
16
Recall biasSjuka och friska minns sin exponering olikaExponerade och oexponerade redogör för sjukdom olika
Recall bias – exponeringMammor med missbildade barn överdriver exponeringen (t.ex. rökning)
Det verkar som att alla med missbildade barn var exponerade, alltså överskattas risken
Mammor med friska barn underskattar exponeringen
Det verkar som att ingen med friskt barn var exponerad, alltså överskattas risken
Recall bias – exponeringMammor med missbildade barn underskattar sin exponering
Det verkar som att ingen med missbildade barn var exponerad, alltså underskattas risken
Mammor med friska barn överdriver sin exponering
Det verkar som att alla med friska barn var exponerade, alltså underskattas risken
17
Recall bias – effekterRisken överskattas om
Sjuka överdriver sin exponeringFriska underskattar sin exponering
Risken underskattas omSjuka underskattar sin exponeringFriska överdriver sin exponering
Recall bias – sjukdomExponerade på ett undersökt företag underskattar sin sjukdom
Det verkar som att exponeringen inte leder till sjukdom, alltså underskattas risken
Oexponerade på ett kontrollföretag överdriver sin sjukdom
Det verkar som att man blir sjuk även utan exponeringen, alltså underskattas risken
Recall bias – sjukdomExponerade överdriver sin sjukdom
Det verkar som att alla exponerade blir sjuka, alltså överskattas risken
Oexponerade underskattar sin sjukdomDet verkar som att man inte blir sjuk om man inte är exponerad, alltså överskattas risken
18
Recall bias – effekterRisken överskattas om
Exponerade överdriver sin sjukdomOexponerade underskattar sin sjukdom
Risken underskattas omExponerade underskattar sin sjukdomOexponerade överdriver sin sjukdom
IntervjuarbiasIntervjuaren lägger in personliga tolkningar i frågeställningarna Man samlar in data på olika sätt för fall och kontroller / exponerade och oexponeradeExempel: Fallen intervjuas av läkaren medan kontrollerna får en enkät hemskickad
FelklassificeringBias kan leda till felklassificeringDetta innebär att
En frisk antas vara (klassas som) sjukEn sjuk antas vara friskEn exponerad antas vara oexponeradEn oexponerad antas vara exponerad
19
Felklassificering – exempelMamma anger inte att hon har rökt –exponerad klassas som oexponerad… eller minns inte riktigt när hon slutade röka – oexponerad klassas som exponeradArbetare vill inte erkänna att han har ont –sjuk klassas som frisk… eller överdriver sina smärtor – frisk klassas som sjuk
Oberoende felklassificeringMammor till friska och missbildade barn har samma ”risk” att överdriva eller underskatta exponering
Risken att bli felklassad vad gäller exponering beror inte av sjukdomsstatus
Exponerade och oexponerade arbetare har lika stor ”risk” att överdriva eller underskatta sin sjukdom
Risken att bli felklassad vad gäller sjukdom beror inte av exponeringsstatus
Detta kallas oberoende felklassificering
Oberoende felklassificeringGrupperna ”späds ut”
Resulterar i att nollhypotesen stärksMan missar att förkasta när man borde ha gjort det
20
Beroende felklassificeringMammor med missbildade barn har större ”risk” att överdriva sin exponering än de med friska barn
Risken att bli felklassad vad gäller exponering beror av sjukdomsstatus
Exponerade arbetare har större ”risk” att överdriva sin sjukdom
Risken att bli felklassad vad gäller sjukdom beror av exponeringsstatus
Detta kallas för beroende felklassificering
Beroende felklassificering
Stärker H0
Falskt positiv
Under-skattar
Falskt positiv
Stärker H0
Över-driver
SjukaFriska
Falskt positiv
Stärker H0
Under-skattar
Stärker H0
Falskt positiv
Över-driver
OexpExp
Vilken sorts fel?I en undersökning bland bilförare uppgav 90% att de var bättre förare än genomsnittet
Fel lägesmått?Selektionsbias?Felklassificering?
21
Confounding
Confounder = en faktor som förändrar (stör) förhållandet mellan exponering och utfallKallas även konfounder, störfaktor eller skensamband
Exponering Utfall (t.ex. sjukdom)?
Exempel: Paritet och Down’s syndrom
0
0.5
1
1.5
2
1 2 3 4 5+
Exempel: Paritet och Down’s syndrom
0123456789
10
<20 20-24 25-29 30-34 35-39 40+
1 2 3 4 5+
22
ConfoundingFör att vara en confounder skall faktorn
vara associerad med exponeringenvara associerad med utfalletinte ligga i kausalkedjan
Behöver inte vara biologiskt associerad, utan kanuppkomma genom snedfördelning i stickprovet
Exp Utfall
Confounder
MatchningAntag att ålder är en confounderMatcha på ålder (i förväg!)För varje 32-årigt fall välj en 32-årig kontroll (individuell matchning)Hitta kontroller så att åldersfördelningen är lika i båda grupperna (gruppmatchning)
StratifieringAntag att kön är en confounderAnalysera män och kvinnor var för sigGruppvis analyser – grupp = strataSpecialfall: Analysera bara kvinnor (restriktion)
23
JusteringDet vanligaste sättetInte samma justering som i ”justerat R2”Man tar hänsyn till andra faktorer så att riskestimatet blir oberoende av dessaEn åldersjusterad risk för kvinnor vs män innebär att kvinnor har denna risk oavsett ålderMedför risk för bredare konfidensintervall
Justering – exempelExponerade: 98 av 144 är sjuka, d.v.s. risken för sjukdom är 0,68Oexponerade: 21 av 101 är sjuka, d.v.s. risken för sjukdom är 0,21Riskkvoten är 3,23Exponerade har drygt 3 gånger så hög risk
3,23Risk-kvot
0,210,68Risk
8046Frisk
2198Sjuk
E-E+
Justering – exempel
Andelen E+ skiljer mellan män (73%) och kvinnor (44%)Andelen sjuka skiljer mellan män (36%) och kvinnor (50%)Kön är alltså en confounder
0,150,44Risk2952Frisk540SjukE-E+Män
0,490,50Risk3426Frisk3326SjukE-E+Kvinnor
24
Justering – exempel
47,050,044,0=
+⋅+⋅
kvinnormän
kvinnormän
nnnn 32,049,015,0
=+
⋅+⋅
kvinnormän
kvinnormän
nnnn
Viktad risk för exponerade: Viktad risk för oexponerade:
Den könsjusterade risken för exponerade är 0,47/0,32 = 1,49
0,150,44Risk2952Frisk540SjukE-E+Män
0,490,50Risk3426Frisk3326SjukE-E+Kvinnor
Effektmodifiering
Om man får olika riskestimat för olika nivåer av en variabel kallas denna variabel för en effektmodifierareExempel: I en studie om ryggsmärtor (utfall) vid datorarbete (exponering) visade det sig att hos kvinnor förelåg en ökad risk, men hos män syntes ingen effekt.
Kön är en effektmodifierare
Datorarbete och ryggsmärta
0
1
2
3
4
5
1-2 h/dag 3-4 h/dag 5-6 h/dag 7-8 h/dag
Män Kvinnor
25
Viktigt!Resultat från epidemiologiska studier kan tillämpas på populationer, inte på individer!
Rökare har ökad risk för lungcancer MEN alla rökare får inte lungcancerFör (i princip) alla utfall finns flera faktorer som spelar inJämför förklaringsgrad!
Diagnostiska testSensitivitet och specificitet är två egenskaper hos diagnostiska testSensitivitet är sannolikheten att ett diagnostiskt test klassar sjuk som sjuk
Om patienten har urinvägsinfektion, hur stor sannolikhet är det att en nitritsticka visar positivt?
Specificitet är sannolikheten att ett diagnostiskt test klassar frisk som frisk
Om patienten inte har urinvägsinfektion, hur stor är sannolikheten att en nitritsticka visar negativt?
Diagnostiska test
dc-ba+Test-+
Sjukdom
Sensitivitet=a/(a+c)
Specificitet=d/(b+d)
Om prevalensen av sjukdomen ökar kommer A, B, C och D att förändras, men sensitiviteten och specificiteten kommer ej att påverkas!
26
Frisk eller sjuk?
FriskaSjuka
Sensitivitet och specificitetDiagnostiska test utgår ofta från ett medicinskt referensvärdeOm patienten har ett värde högre än referensvärdet klassas h-n som sjukSänker man referensvärdet hittar man fler sjuka… (sensitiviteten ökar)… men fler friska klassas som sjuka (specificiteten minskar)
Sensitivitet och specificitet
27
ExempelHälsoundersökning med tumörmarkör
Kostnad 48:-Åtgärdsgräns 50 µg/L → sensitivitet = 75%, specificitet = 98%
Exakt metod finns, men är dyrareHur gör man för att…
… inte missa någon person med tumör?… minimera kostnaderna?
Exempel (forts)Sänk åtgärdsgränsen för det billiga testet
Sensitiviteten ökar, d.v.s. fler sjuka hittasSpecificiteten minskar, d.v.s. fler friska klassas som sjuka
Gör uppföljning med det dyra testetFelklassade friska får rätt diagnos
Diagnostiska testPrediktiva värden anger hur stor tilltro man kan sätta till provresultatenPositivt prediktivt värde (+PV) är sannolikheten att klassad sjuk (pos provresultat) är sjuk
Om nitritstickan visar positivt, hur stor är sannolikheten att patienten har urinvägsinfektion?
Negativt prediktivt värde (-PV) är sannolikheten att klassad frisk (neg provresultat) är frisk
Om nitritstickan visar negativt, hur stor är sannolikheten att patienten inte har urinvägsinfektion?
28
Diagnostiska test
dc-ba+Test-+
Sjukdom
Sensitivitet=a/(a+c)
Specificitet=d/(b+d)
+PV = a/(a+b)
-PV = d/(c+d)
Om prevalensen av sjukdomen ökar kommer A, B, C och D att förändras, och de prediktiva värdena kommer att bli annorlunda!
ExempelVi använder samma test som i tidigare exempel → 75% sensitivitet och 98% specificitet
På en grupp patienter remitterade p.g.a. misstanke om sjukdom (totalt 500, varav 400 sjuka och 100 friska)Vid en hälsoundersökning (totalt 500, varav 40 sjuka och 460 friska)
Exempel (forts) – remitteradeSensitivitet 75% → 300 av 400 sjuka klassas som sjukaSpecificitet 98% → 98 av 100 friska klassas som friskaPV+ = 300/302 = 99%Slh att diagnos ”sjuk”betyder sjuk är 99%PV- = 98/198 = 49%Slh att diagnos ”frisk”betyder frisk är 49% 100400
98100-
2300+Test
-+
Sjd
29
Exempel (forts) – hälsokontrollSensitivitet 75% → 30 sjuka klassas som sjukaSpecificitet 98% → 450 friska klassas som friskaPV+ = 30/40 = 75%Slh att diagnos ”sjuk”betyder sjuk är 75%PV- = 450/460 = 98%Slh att diagnos ”frisk”betyder frisk är 98% 46040
45010-
1030+Test
-+
Sjd
Diagnostiska testSensitivitet och specificitet är egenskaper hos testet och påverkas inte av sjukdomsfrekvensen i populationenPrediktiva värden är beroende av testets egenskaper och sjukdomsförekomsten i populationen
Epi-övningenDesigna epidemiologiska studier
Fall-kontroll / kohortTvärsnitt / prospektiv / retrospektivInformationskällorFelkällor
Inte räknestuga!