Epidemiologi  grundbegreber  

Simon  S.  Simonsen  

• Mark  Twain  •  “There  are  three  kinds  of  lies:    •  lies,  damned  lies  and  sta=s=cs”  

Hvad  er  epidemiologi?  

•  Epidemiologien  udspringer  af  lægevidenskaben  og  selve  begrebet  epidemiologi  kommer  fra  græsk.  Epi  betyder  hos,  demos  betyder  folket  og  logos  betyder  lære.  Det  kan  oversæFes  =l:  læren  om  det(sygdom),  der  er  hos  folket.    

•  Epidemiologien  er  studiet  af  sundhed  og  sygdom  i  rela=on  =l  befolkninger  og  befolkningsgrupper.  Det  handler  fx  om  sygdomsmønstre  i  befolkningen,  om  udviklingen  i  sygdomsmønstre  og  om  befolkningsgrupper  der  er  særligt  belastede.    

•  Se  på  side  13  hos  Juul  •  Vuggedødsfald  side  16  &  17  øverst  

Grundlæggende  mål  

•  Prævalens:  hvor  mange  har  denne  sygdom?  

•  Incidens:  hvor  mange  får  sygdommen?  

•  Dødelighed  • Middelleve=d  

Dødeligheden  i  store  dødsårsagsgrupper  i  Danmark  1920-­‐2000.  Mænd,  alderstandardiseret  rater  pr.  100.000    

(Blodpropper  i  hjernen  og  hjerneblødning  går  under  den  samlede  betegnelse  apopleksi)  

Dødeligheden  i  store  dødsårsagsgrupper  i  Danmark  1920-­‐2000.  Kvinder,  alderstandardiseret  rater  pr.  100.000    

Dødelighed  

Dødelighedsindeks  blandt  udvalgte  faggrupper.  Mænd  1991-­‐95.  Indeks,  Alle  mænd  i  erhverv=100  

Undersøgelse  udført  af  Danmarks  Sta=s=k  2001.  

Middelleve=dssta=s=k    Middelleve=den  er  det  gennemsnitlige  antal  år,  en  person  kan  forventes  at  leve,    hvis  man  tager  udgangspunkt  i  de  seneste  tal  for,  hvornår  folk  dør.    

Calcula,ng  life  expectancies  The  star=ng  points  for  calcula=ng  life  expectancies  is  the  age-­‐specific  death  rates  of  the  popula=on  members.  For  example,  if  10%  of  a  group  of  people  alive  at  their  90th  birthday  die  before  their  91st  birthday,  then  the  age-­‐specific  death  rate  at  age  90  would  be  10%.  These  values  are  then  used  to  calculate  a  life  table,  from  which  one  can  calculate  the  probability  of  surviving  to  each  age.  In  actuarial  nota=on  the  probability  of  surviving  from  age  x  to  age  x+n  is  denoted        and  the  probability  of  dying  during  age  x  (i.e.  between  ages  x  and  x+1)  is  denoted      .  The  life  expectancy  at  age  x,  denoted      ,  is  then  calculated  by  adding  up  the  probabili=es  to  survive  to  every  age.  This  is  the  expected  number  of  complete  years  lived  (one  may  think  of  it  as  the  number  of  birthdays  they  celebrate).  

Because  age  is  rounded  down  to  the  last  birthday,  on  average  people  live  half  a  year  beyond  their  final  birthday,  so  half  a  year  is  added  to  the  life  expectancy  to  calculate  the  full  life  expectancy.  Life  expectancy  is  by  defini=on  an  arithme=c  mean.  It  can  be  calculated  also  by  integra=ng  the  survival  curve  from  ages  0  to  posi=ve  infinity  (the  maximum  lifespan,  some=mes  called  'omega').  For  an  ex=nct  cohort  (all  people  born  in  year  1850,  for  example),  of  course,  it  can  simply  be  calculated  by  averaging  the  ages  at  death.  For  cohorts  with  some  survivors  it  is  es=mated  by  using  mortality  experience  in  recent  years.  Note  that  no  allowance  has  been  made  in  this  calcula=on  for  expected  changes  in  life  expectancy  in  the  future.  Usually  when  life  expectancy  figures  are  quoted,  they  have  been  calculated  like  this  with  no  allowance  for  expected  future  changes.  This  means  that  quoted  life  expectancy  figures  are  not  generally  appropriate  for  calcula=ng  how  long  any  given  individual  of  a  par=cular  age  is  expected  to  live,  as  they  effec=vely  assume  that  current  death  rates  will  be  "frozen"  and  not  change  in  the  future.  Instead,  life  expectancy  figures  can  be  thought  of  as  a  useful  sta=s=c  to  summarize  the  current  health  status  of  a  popula=on.  Some  models  do  exist  to  account  for  the  evolu=on  of  mortality  (e.g.,  the  Lee-­‐Carter  model[18]).  

Folkesundhedsrapport  for  Københavns  Kommune.  Ins=tut  for  Folkesundhedsvidenskab.  Københavns  Universitet.  Sundhedsstaben,  Sundhedsforvaltningen,  Københavns  Kommune.  2005.  Side  6.  

Se  evt.  figur  13.1  i  Iversen:  Medicinsk  sociologi  side  317  

Den  befolkningsmæssige  forandring    (Den  demografiske  transi=on)  

•  Dødeligheden  falder  i  løbet  af  1800  tallet.  •  Fer=liteten  falder  mod  slutningen  af  1800  tallet.  

•  1800  Tallet  var  der  mange  fødsler  og  mange  dødsfald  sammenlignet  med  i  dag.  

•  Se  Figur  13.1  i  Iversen:  Medicinsk  sociologi  side  317  

Hvorfor?  

•  Baggrunden  for  faldet  i  dødeligheden?  •  Tre  forklaringsmodeller:  

•  1.  Behandlingsmæssige  fremskridt.  

•  2.  Forbedret  ernæring.  Dødeligheden  faldt  før  man  havde  effek=v  behandling.  

•  3.  Sygdomsforebyggelse  med  hygiejne,  kloaker,  rent  vand  og  rene  madvarer,  oplysning  …  

Sundhedspoli=k  

•  Befolkningens  sundhed  som  en  poli=sk  opgave  starter  i  midten  af  1700  tallet.  

•  1769  første  folketælling.  

•  1810  Tvungen  koppevacina=on  •  Faqgordninger  indført  ved  år  1800  

•  SmiFe  og  mobilitet  -­‐>  flere  regler  

Sygekasser  og  små  sygehuse  

 1892  Sygekasser  får  statsstøFe  •  1973  opløses  sygekasserne.  90%  af  befolkningen  er  medlem.  Finansieres  nu  af  sundhedsbidrag  (=dligere  amtsskaFer)  

•  1918:  161  soma=ske  sygehuse  •  1999:  79  soma=ske  sygehuse  •  Mange  små  sygehuse  med  10-­‐30  senge  i  landområder  der  blev  =lset  af  en  læge.  

•  Fra  lindring  =l  behandling.  

Sundhedsvæsenet  etableres  

•  Professioner  (re)etableres:  sygeplejeskole  1876,  Læger&kiruger  sammenlægges  1838,  jordmødre  1788  

•  Sundhedslov  1858:  vandforsyning,  latrinvæsen,  skadelige  næringsmidler.  

•  Hospitalerne  som  vi  kender  dem  i  dag  vokser  langsomt  frem.  

Sundhedsvæsen  i  vækst  

•  Tidobling  af  læger.  

•  Seksdobling  af  sygehussygeplejesker.  •  Femdobling  af  sygehusindlæggelser.  

•  Ligge=d  reduceret  fra  ca.  en  måned  =l  en  uge  

•  Perioden  er  fra  1918  =l  1999.  •  Tabel  13.1  på  side  315  i  Iversen:  Medicinsk  sociologi  

SMR  -­‐  dødelighed  

•  Dødelighed  kan  udtrykkes  via  en  såkaldt  standardiseret  mortalitetsrate  (SMR)  der  betegner  dødeligheden  i  en  bestemt  befolkningsgruppe  målt  i  forhold  =l  dødeligheden  i  en  sammenlignelig  gruppe  i  normalbefolkningen.  

•  Studiet  af  liFeraturen  på  området  viser  standardiserede  mortalitetsrater  fra  1,36  og  op  =l  ca.  20  bl.a.  auængigt  af  hvilke  måder  der  opgøres  ever  og  hvordan  studierne  er  udført.  Bl.a.  follow-­‐up  =d.  

•  PaFon:  SMR  6.17  Klinik  follow-­‐up  •  Crisp  et  al.:  SMR  1.36  Klinik  follow-­‐up  •  Møller-­‐Madsen  et  al.:  SMR  6.96  Register  •  Emborg:  SMR  6.69  og  SMR  14.92(25-­‐29  år)  Register  

•  Usikkerhed:  Ikke  klart  definerede  kliniske  valg  

Emborg  

Spiseforstyrrede patienter

Døde Dødsårsag selvmord

Kvinder 2490 209

Mænd 273 22

I alt 2763 231 46 (19.9% døde af selvmord)

Sammenkørsel  af  Psykiatri  registeret,  dødsårsagsregisteret  og        pa=entregisteret  fra  1977  =l  1993.  

CharloFe  Emborg:  Mortality  and  Causes  of  Death  in  Ea4ng  Disorders  in  Denmark  1990-­‐1993:  A  Case  Register  Study,  1999,  Int  J  Eat  Disord  25:243-­‐251,  1999.  

Kontakter  =l  sygesikringen  

Antal  sygehuspa=enter  

Spørgeskema  

DK  Sta=s=k  –  købte  cigareFer  

Alkohol  forbrug  -­‐  spørgeskema  

Solgt/købt  

Krævens  bekæmpelse  

•  Rygevaner  a7ænger  af  uddannelse  Der  er  stor  forskel  i  andelen  rygere  i  forskellige  befolknings-­‐grupper.  Jo  længere  uddannelse  folk  har,  jo  færre  ryger.    

•  Korrekt  årsags  foratåelse?  

Middelleve=dssta=s=kken    Middelleve=den  er  det  gennemsnitlige  antal  år,  en  person  kan  forventes  at  leve,    hvis  man  tager  udgangspunkt  i  de  seneste  tal  for,  hvornår  folk  dør.    

SMR  -­‐  dødelighed  

•  Dødelighed  kan  udtrykkes  via  en  såkaldt  standardiseret  mortalitetsrate  (SMR)  der  betegner  dødeligheden  i  en  bestemt  befolkningsgruppe  målt  i  forhold  =l  dødeligheden  i  en  sammenlignelig  gruppe  i  normalbefolkningen.  

•  Studiet  af  liFeraturen  på  området  viser  standardiserede  mortalitetsrater  fra  1,36  og  op  =l  ca.  20  bl.a.  auængigt  af  hvilke  måder  der  opgøres  ever  og  hvordan  studierne  er  udført.  Bl.a.  follow-­‐up  =d.  

•  PaFon:  SMR  6.17  Klinik  follow-­‐up  •  Crisp  et  al.:  SMR  1.36  Klinik  follow-­‐up  •  Møller-­‐Madsen  et  al.:  SMR  6.96  Register  •  Emborg:  SMR  6.69  og  SMR  14.92(25-­‐29  år)  Register  

•  Usikkerhed:  Ikke  klart  definerede  kliniske  valg  

Emborg  

Spiseforstyrrede  pa=enter  

Døde   Dødsårsag  selvmord  

Kvinder     2490   209  

Mænd   273   22  

I  alt   2763   231   46      (19.9%  døde  af  selvmord)  

Sammenkørsel af Psykiatri registeret, dødsårsagsregisteret og patientregisteret fra 1977 til 1993.

Charlotte Emborg: Mortality and Causes of Death in Eating Disorders in Denmark 1990-1993: A Case Register Study, 1999, Int J Eat Disord 25:243-251, 1999.

Tolkning  af  procent-­‐værdier  

•  En  vig=g  =ng  er  at  diskutere  tolkningen  af  procentværdier.  Det  er  en  del  af  sundhedsområdet  at  argumentere  i  procenter.  Man  kan  fx  høre  to  kolleger  fra  hver  sin  afdeling  sige  to  =lsyneladende  modstridende  udsagn.    

•  Den  ene  siger  fx  at  70%  af  alle  slag=lfælde  har  miljø  årsager,  og  den  anden  siger  at  85%  af  alle  slag=lfælde  har  gene=ske  årsager.    

•  Men  de  kan  måske  begge  have  ret  hvis  det  fx  hænger  sammen  på  følgende  måde  at15%  af  slag=lfældende  er  miljøbe=ngede  i  en  sådan  grad,  at  enhver  ville  udvikle  sygdommen  under  de  pågældende  forhold  uanset  arveanlæg.  

•  At  30%  af  slag=lfældende  er  gene=sk  be=ngede  i  en  sådan  grad,  at  enhver  ville  udvikle  sygdommen  uanset  miljøet.    

•  Og  endelig  at  55%  af  slag=lfældende  er  af  en  kombina=on  af  miljømæssige  og  gene=ske  årsager.  Det  giver  nemlig  følgende:  

•  70%  (=15+55)  af  slag4lfældene  er  miljøbe4ngede  •  85%  (=30+55)  af  slag4lfældene  er  gene4sk  be4ngede  

Design  •  Undersøgelsesdesign  –  2  kategorier:  •  Beskrivende  og/eller  analy=ske  undersøgelser  

– Beskrivende.  E:  SUSY  interview.  Brede  – Analy=ske.  Hypotese  testende  /  Årsager/behandlingseffekt  

•  Eksperimentelle  og/eller  observerende  undersøgelser  – Eksperimentelle.  E:  påføre  eksponering  for  et  stof  – Observerende  

• Follow-­‐up-­‐undersøgelser    • Case-­‐kontrol  

SUSY  

•  ”Sundhed  og  sygelighed  i  Danmark  og  udviklingen  siden  1987”,  2005.  Statens  Ins=tut  for  Folkesundhed  (www.si-­‐folkesundhed.dk  )  

•  Se  Flowdiagram  på  side  119  i  Juul  

•  Fx:  Andel  der  har  været  meget  generet  af  symptomer  seneste  14  dage:    

Follow-­‐up-­‐undersøgelser  

•  Follow-­‐up-­‐undersøgelser.  E:  helbredsudviklingen  i  to  grupper  hvor  den  ene  har  været  udsat  for  eksponering  

•  E:  rygning  og  koronar  dødelighed  se  side  83  dødsfald  •  Kranspulsårerne  kaldes  også  koronar-­‐arterierne.  Ligesom  

andre  blodårer  kan  kranspulsårerne  blive  mere  eller  mindre  =lstoppede  af  fedt.  I  kranspulsårerne  har  åreforsnævring  dog  alvorligere  konsekvenser  end  andre  steder,  fordi  hjertet  er  et  så  centralt  organ,  og  fordi  der  ikke  kan  dannes  nye  kranspulsårer.  

Case-­‐kontrol-­‐undersøgelser  

•  S=kprøve  i  stedet  for  hele  popula=onen.  •  Case  –  repræsentanter  for  de  ”syge”  

•  Kontroller  –  repræsentanter  for  popula=onen  (kildepopula=onen)  

Risiko  og  risikofaktorer  

•  Risikofaktorer    •  E:  organiske  opløsningsmidler,  fed  mad,  rygning  

•  Dynamiske  risikofaktorer  (kort  sigt)  E:  kostvaner  

•  Sta=ske  risikofaktorer  (lang  sigt)  E:  køn,  boligforhold  

•  Rela=v  risiko  RR  og  odds-­‐ra=o  OR  

RR  og  OR  

•  Tabel  4.1  side  71  •  Rela=v  risiko(RR)  =  13,33/3,64  =  3,7  •  Odds  for  at  få  sygdommen  hvis  man  ikke  er  i  risikogruppen:  6  =l  159  (6/159=  0,0377)  

•  Odds  for  at  få  sygdommen  hvis  man  er  i  risikogruppen:  22  =l  143  (22/165=0,1538)  

•  Odds  ra=o(OR)  =  0,1538/0,0377=  4,08  

RR  og  OR  udsagnskrav  

•  RR=  Risikoen  for  at  få  sygdommen  som  sandsynligheden  for  at  få  sygdommen.  Forholdet  mellem  to  sandsynligheder  –  den  rela=ve  risiko.  

•  OR=  Risikoen  for  at  få  sygdommen  som  odds  for  at  få  sygdommen.  Forholdet  mellem  to  odds  altså  odds-­‐ra=on  

•  1-­‐5  Side  74  

Side 79 Børn født 1966

Mor er stofmisbruger Mor er ikke stofmisbruger I alt

Antal Procent Antal Procent

Barn får problem

22 3281 3303

Barn får ikke problem

143 81319 81462

Ialt 165 100,00 84600 100,00 84765

”Problem” defineres som at være registreret for mindst et af følgende: selvmord, psykisk lidelse, voldsdom, stofmisbrug, selvmordsforsøg, sædelighedsdom, neurotisk eller har en personlighedsforstyrrelse.

Risikoen (RR) for at et barn får problemer, hvis mor er stofmisbruger i forhold til risikoen for at et barn får problem hvis mor ikke er stofmisbruger =

Odds Risikogruppe: 22/143= Odds Ikke risikogruppe: 3281/81319= Odds ratio: 0,1538/0,0403=

Social  arv  

Side 79 Børn født 1966

Mor er stofmisbruger Mor er ikke stofmisbruger I alt

Antal Procent Antal Procent

Barn får problem

22 13,33 3281 3,88 3303

Barn får ikke problem

143 86,67 81319 96,12 81462

Ialt 165 100,00 84600 100,00 84765

”Problem” defineres som at være registreret for mindst et af følgende: selvmord, psykisk lidelse, voldsdom, stofmisbrug, selvmordsforsøg, sædelighedsdom, neurotisk eller har en personlighedsforstyrrelse.

Risikoen (RR) for at et barn får problemer, hvis mor er stofmisbruger i forhold til risikoen for at et barn får problem hvis mor ikke er stofmisbruger = 13,33/3,88= 3,44

Odds Risikogruppe: 22/143=0,1538 Odds Ikke risikogruppe: 3281/81319=0,0403 Odds ratio: 0,1538/0,0403=3,8164

Social  arv  

•  Kan  vi  udpege  de  børn  ,  der  har  høj  sandsynlighed  for  at  få  problemer?  

• Medianen  =  den  midterste  værdien,  halvparten  af  fordelingen  ligger  under  medianen  og  halvparten  over  den  

• Mean    

•  =  den  ”almindelige”  middelværdi    

•  =  gennemsniFet  

•  Ved  store  s=kprøver  vil  fordelingen  af  gennemsniFet  af  s=kprøverne  være  normal,  selv  om  de  individuelle  observa=onerne  ikke  er  normalfordelte.  

Normalfordeling

Nulhypotese

Påstand:                                                                                                      

F.eks.  Der  er  ingen  forskel  i  sove=d  med  og  uden  sovemiddel  

Enhver  observeret  forskel  skyldes  ,lfældig  varia,on  (dvs  der  er  ingen  sammenhæng  mellem  exposure  (brug  av  sovemiddel)  og  outcome  (sove=d)  

Nulhypotese

Påstand:                                                                                                      

Der  er  ingen  forskel  mellem  grupperne  (f.eks.  i  fødselsvægt  mellem  børn  født  av  rygere  kontra  børn  født  av  ikke-­‐rygere)  

Enhver  observeret  forskel  skyldes  ,lfældig  varia,on  (dvs  der  er  ingen  sammenhæng  mellem  exposure  (rygning)  og  outcome  (fødselsvægt)  

Hypotesetesting

Beregne  sandsynligheden  for,  hvis  nulhypotesen  var  sand,  for  at  få  en  forskel  mellem  grupperne  lige  stor  eller  større  end  den  observerede  forskel.  

Sandsynligheden  kaldes  en  p-­‐værdi.  

Jo  mindre  p-­‐værdi,  jo  stærkere  er  beviset  mod  nulhypotesen  (dvs  at  der  fak=sk  er  en  forskel  mellem  grupperne).  

P-værdi

p-­‐værdi  (signifikansniveau)  

sandsynligheden  for  at  få  en  forskel  mindst  lige  stor  som  observeret  dersom  nulhypotesen  er  sand  

     •   Jo  større  testobservator,  jo  mindre  p-­‐værdi  

     •   Jo  mindre  p-­‐værdi,  jo  stærkere  er  beviset                         mod  nulhypotesen  

Stikprøvestørrelse

Jo  større  s=kprøve:  

•     jo  mindre  standardfejl  

•     jo  mindre  konfidensinterval  

•     jo  større  testobservator  

•     jo  mindre  p-­‐værdi  

Type i og type II fejl

• Type  I  fejl     forkaste  en  nulhypotese  som  i  virkeligheden  er  sand  

• Type  II  fejl     ikke  forkaste  en  nulhypotese  som  i  virkeligheden  er  usand  

Krydstabeller

Undersøge sammenhæng mellem:

•  to kategorisk variable •  to diskret numerisk variable •  to kontinuerlig numerisk variable (værdierne

gruppert)

2  x  2  tabel  (2  kategorier  for  hver  variabel)  

r  x  c  tabel  (r  =  antal  rader,  c=  antal  kolonner)  

2 x 2 tabel

r x c tabel

Regneeksempel 1.      Nulhypotesen:  Der  er  ikke  forskel  mellem  landsbyerne  i    

           andelen  husholdninger  som  bruger  forskellige  vandkilder  

2.        X2  =  (20-­‐23.2)2/23.2  +  (18-­‐16.7)2/16.7  +    

             (12-­‐10.0)2/10.0  +  (32-­‐28.0)2/28.0  +  (18-­‐18.7)2/18.7    

             +  (20-­‐20.0)2/20.0  +  (8-­‐12.0)2/12.0  +  (12-­‐13.3)2/13.3    

             +  (10-­‐8.0)2/8.0  =  3.53  

3.      3.36  <  3.53  <  5.39  (i  tabel  A5  for  d.f.=4)  

           p  >  0.25  <  0.05  (udregnet  =l  0.47)  

4.      ikke  bevis  mod  nulhypotesen,  ingen  forskel  

Chi-test

1.   Ops,l  en  nullhypotese  

  Der  er  ikke  forskel  på  effekten  af     at  moFage  vaccine  eller  placebo  

2.   Bestem  teststørrelsen  x2  

  Formel:  x2  =  Σ  (O  -­‐  E)2/E  

3.   Find  x2tabel  (gå  ind  i  tabel  A5)    

4.   Sammenlign  x2test  med    x2tabel  

  Hvis  x2test  >  x2tabel:  forkast  H0  

  Hvis  x2test  <  x2tabel:  accepter  H0  

Chi-test

x2  =  Σ  (O  -­‐  E)2/E      d.f.  =  1  

O  =   observerede  værdier  

E  =   forventede  værdier  

d.f.  =  (rækker  -­‐  1)(kolonner  -­‐1)  

Relativ risiko

Rela,v  risiko  (RR)  

RR  =  risiko  i  eksponeret  gruppe/  

  risiko  i  ikke-­‐eksponeret  gruppe  

Rela,v  risiko  (RR)  

RR  =  (d1/n1)/(d0/n0)  

Samvariation

Eksempel:  

En  stor  indtagelse  af  fedt  følges  al=d  af  en  rela=vt  lille  indtagelse  af  kulhydrat  

Biokemiske markører

Eksempel:    

udskillelsen  af  kvælstof  i  urinen  markør  for  kos=ndtagelsen  af  protein  

Kosthistorisk interview

Detaljeret  beskrivelse  af  enkeltpersoners  kost  

÷    Auængige  af  hukommelsen  

÷    Meget  ressourcekrævende  (tar  1-­‐2  =mer,      

       kræver  ernæringskyndig  interviewer)  

÷    OmfaFende  koding  

LiFeratur  • Morten  Ejernæs,  Vallgårda,  m.m.  

Opslags  og  ”grund”-­‐bog:  Svend  Juul:  ”Epidemiologi  og  evidens”,  Munksgaard  Danmark,  2007.    Bogen  kan  købes  i  boghandelen  hvilket  anbefales.    

•  Deskrip=v  <>  Analy=sk  •  Der=l  kommer  en  række  ar=kler  og  derudover  en  række  objektar=kler  og  objektrapporter.  Det  meste  er  frit  =lgængeligt  fra  forskningsins=tu=onernes  hjemmesider(netadresse  angivet).