epidemiologigrundbegreber* - · pdf filehvad*er*epidemiologi?* •...
TRANSCRIPT
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).