EPIDEMIOLOGI

”Läran om sjukdomsförekomst i en

befolkning” (Ahlbom , Norell)

”Läran om utbredningen av och orsakerna till

hälsorelaterade tillstånd eller förhållanden i

specifika populationer och tillämpningen av

denna lära för att förebygga hälsoproblem”

(Last)

Epidemiologin brukar ofta delas in i fyra typer:

Deskriptiv

Analytisk

Interventiv

Klinisk

Mått på sjukdomsförekomst

Prevalens: antalet sjuka i en viss sjukdom inom en viss

population vid en given tidpunkt

Mäts som prevalenstal (P)

Antal personer som har sjukdomen vid en viss tidpunkt

Antal personer i riskpopulationen vid denna tidpunkt P

Mått på sjukdomsförekomst

Incidens: Insjuknandefrekvens, dvs antal nya fall av

sjukdom i en population under en viss tidsperiod

Mäts som incidenstal (I)

Antal personer som insjuknar under en viss tidsperiod

Den tid som individerna tillsammans löper risk att insjukna

eller kumulativt incidenstal (KI)

Antal personer som insjuknar under en viss tidsperiod

Antal personer i populationen som är friska i början av perioden

I

KI

frisk period bortfall

sjukdomsperiod död

Total tid under observation och Individ nr utan sjukdom (år)

• 1 7

• 2 7

• 3 2

• 4 7

• 5 3

• 6 2

• 7 5

1 2 3 4 5 6 7

Uppföljningstid (år)

Beräkning av incidens

Den tid som individerna tillsammans löper

risk att insjukna = ”sammanlagd risktid”

• A= antal individer som löper risk att insjukna vid tidsperiodens början

• B= antal individer som löper risk att insjukna vid tidsperiodens slut

A tid B

• Medelfolkmängd som löper risk att insjukna = A+B 2

• Sammanlagd risktid = (A+B) . tid, uttrycks ofta som personår

2

Exempel: Förekomst av kranskärlssjukdom

• Material: 10 000 slumpmässigt utvalda män

• Metod: Intervjuer, EKG, registerdata

• Resultat:

1. Vid första undersökningen klassificerades 500 som

sjuka.

2. Under den kommande 10-årsperioden insjuknade

ytterligare 1000 i sjukdomen, 500 avled i andra sjukdomar.

• Beräkna a. Prevalens vid studiens början

b. Kumulativ incidens

c. Incidens

Exempel: Förekomst av kranskärlssjukdom

• Antal som riskerar att insjukna vid

studiens början och slut

9500

8000

1000 nya fall

500 avlidna i andra

sjukdomar

0 10

Antal år efter start

Jämförelse av sjukdomsförekomst

Absoluta mått = skillnad mellan två grupper

Relativa mått = kvot mellan två grupper

Exempel: Studie av samband mellan rökning och lungcancer,

beräkning av kumulativ incidens för en 15-års period

Rökare 0,001 Absolut jämförelse: 0,0009

Ej rökare 0,0001 Kvot: 10 (Relativ Risk)

Allmänna och specifika tal I

Incidens

Ålder

Allmänna och specifika tal II

• Population I personår fall incidenstal

• Unga 3000 30 0,010

• Gamla 1000 30 0,030

• Alla 4000 60 0,015

• Population II

• Unga 1000 5 0,005

• Gamla 9000 225 0,025

• Alla 10000 230 0,023

Allmänna och specifika tal III Direkt åldersstandardisering

1. Skapa en standardpopulation

Unga: 3000+1000 = 4000

Gamla: 1000+9000 = 10000

Alla: 14 000

2. Applicera incidenstalen på denna population

I pop I = 4000/14000 ∙ 0.010 + 10000/14000 ∙ 0.030 = 0.024

I pop II= 4000/14000 ∙ 0.005 + 10000/14000 ∙ 0.025 = 0.019

SMR (Standardized Mortality Ratio)

SIR (Standardized Incidence Ratio) Indirekt åldersstandardisering

• SMR och SIR = Observerat antal/Förväntat antal

Exponerad grupp Kontrollgrupp

Personår Fall Personår Fall Incidens

Unga 3000 1000 5 0.005

Gamla 1000 9000 225 0.025

Alla 4000 60

Förväntat antal i exponerad grupp: 0.005 ∙ 3000 + 0.025 ∙ 1000 = 40

• SMR= 60/40 = 1.5

Etiologisk Fraktion (EF)

• EF: Den andel fall som beror på en viss exponering

• EF bland exponerade = (RR-1 / RR)

• EF i populationen = (RR-1 / RR) ∙ f

• f = andelen exponerade av de insjuknade

Exempel: Samband rökning – cancer i munhåla och svalg

Relativ Risk för rökare 4.1

Av de sjuka var 95% rökare

EF = (4.1-1 / 4.1) ∙ 0.95 = 0.72

Statistisk samvariation

• 1. K S K är en orsak till S

X

• 2. K S K och S har en gemensam orsak X

• 3. K S S är en orsak till K

• Om K tidsmässigt uppträder före S är K en riskindikator för S

Kohortundersökning sjuka

Exponerade

ej sjuka

sjuka

Ej exponerade

ej sjuka

Exempel: Alkohol – cancer i munhåla

Alkohol Fall Personår Incidens Exp. 18/ 30 000

Ja 18 30 000 Incidens Ej exp. 8/ 40 000

Nej 8 40 000 Relativ Risk = 3.0

Fall - kontrollundersökning

Exponerade Fall

Ej exponerade (personer som har sjukdomen)

Exponerade Kontroller

Ej exponerade (personer som inte har sjukdomen)

Exempel: alkohol – cancer i munhåla

Alkohol

Ja Nej

Fall 440 43 483 Dividera 440/43 med 339/108

Kontr. 339 108 447 Oddskvot (Relativ Risk) = 3.3

Odds ratio i en 2x2 tabell

Exponerad

Ja Nej

Sjuk a b

Ej sjuk c d

Odds för att vara exponerad om man är sjuk:

[a/(a+b):b/(a+b)] = a/b

Odds för att vara exponerad om man är frisk:

[c/(c+d):d/(c+d)]= c/d

OR = (a/b):(c/d)= ad/bc

Fördelar och nackdelar med kohort respektive

fall - kontrollstudier

• Fall- kontroll Kohort

+ +

sällsynta sjukdomar mycket information

lång latenstid ovanlig exponering

flera typer av exponering flera sjukdomar

etik

- -

exponeringsdata tidskrävande

Retrospektiva och prospektiva

undersökningar

Retrospektiv Prospektiv

studie studie

Tid

Tidpunkt för

undersökningen

• Tvärsnittsstudie (cross-sectional study)

Exponering och utfall undersöks vid samma tidpunkt

• Longitudinell studie

Information inhämtas vid mer än en tidpunkt

P- värde och konfidensintervall

Personår Observerat antal fall

• Exponerade 2000 13

• Kontroller 4000 10

• Totalt 6000 23

P-värde och konfidensintervall

Personår Observerat antal fall

• Exponerade 2000 13

• Kontroller 4000 10

• Totalt 6000 23

• Relativ risk: (13/2000) / 10/4000) = 2,6

• P=0,019

P-värde och konfidensintervall

• P = 0,019, d.v.s sannolikheten att man av

slump får denna fördelning när de 23 fallen

fördelas mellan grupperna ”Exponerade”

och ”Kontroller” är 1,9%.

P-värde och konfidensintervall

• Den relativa risken 2,6 är en skattning av

”den sanna relativa risken” (punktskattning)

• Denna skattning påverkas av slumpen.

• För att bedöma hur stor denna påverkan är

beräknas ett konfidensintervall.

P-värde och konfidensintervall

• Med ett 95 %-igt konfidensintervall menas

det intervall där man med 95% säkerhet kan

säga att i detta intervall ligger den sanna

relativa risken

• I detta exempel blir intervallet 1,2 – 5,7

Vad är statistisk styrka?

Sannolikheten att nollhypotesen förkastas om

den är falsk

(eller enklare uttryckt):

Sannolikheten att kunna påvisa en signifikant

skillnad om det finns en verklig skillnad

Tillförlitlighet i epidemiologiska studier

• Validitet = uttryck för i vilken grad undersökningen mäter

det den är avsedd att mäta

• Precision (reliabilitet) = reproducerbarhet

Validitet

Hög Låg

Uppmätta värden Uppmätta värden

Hög

Sant värde Sant värde

Precision

Uppmätta värden Uppmätta värden

Låg

Sant värde Sant värde

Validitet i urval i kohortstudier

• I kohortstudien får sjukdomen inte påverka urvalet

• Exempel 1: Tvärsnittsstudie angående samband mellan

fysisk aktivitet och hjärt- kärlsjukdom

Vilket inträffade först: fysisk inaktivitet eller hjärtsjukdom?

• Exempel 2: Longitudinell studie av samband mellan

yrkesexponering och sjukdom

Insjuknade, avlidna eller förtidspensionerade kan ha slutat

arbeta och därmed strukits ur anställningslistor just p.g.a. sin

sjukdom

Validitet i urval i fall - kontrollstudier

I fall – kontrollstudier får det inte finnas olika

diagnoskriterier för exponerade och oexponerade

• Exempel 1: Studie av samband mellan kronisk bronkit

och rökning

• Exempel 2: Studie av samband mellan blyexponering

och högt blodtryck

Validitet i val av kontrollgrupp

• Hänsyn till könsfördelning, åldersfördelning, geografisk fördelning och tid kan tas redan i planeringen

• I kohortundersökningar används något av följande som kontroller:

1. Intern jämförelsegrupp

2. Extern jämförelsegrupp

3. Hela befolkningen som jämförelsegrupp

3 kan medföra underskattning av risk

• - Healthy workers effect

• - Eventuell exponering ( men vid lägre exponeringsnivåer) i hela befolkningen

Validitet i val av kontrollgrupp

• I en fall – kontrollundersökning ska kontrollgruppen

så korrekt som möjligt återspegla exponeringen i den

bakomliggande populationen

• Kontrollerna kan utgöras av:

1. Slumpmässigt utvalda personer

eller

2. Personer som insjuknat i andra sjukdomar än

fallgruppens

Validitet i val av kontrollgrupp

• Möjliga problem vid val av kontrollgrupp i en

fall – kontrollstudie:

1. (slumpmässigt valda kontroller)

Mindre intresserade av att deltaga i studien än fallen

Beskriver sin exponering mindre noggrant än fallen

2. (kontroller med annan sjukdom)

Kontrollernas sjukdom kan ha ett känt samband med den exponering som ska studeras

Exempel: Alkohol och pancreascancer

Validitet i observation av sjukdom och

exponering

Exempel:

• Varierande diagnoskriterier mellan olika sjukhus

• Varierande rapporteringsrutiner till register

• Diagnossäkerhet i intervjuer eller enkäter

• Bortfall

• Säkerhet i exponeringsbestämning

Vad blir effekten av låg kvalitet beträffande

exponeringsklassificering?

Om det föreligger oberoende

felklassificering av exponering

underskattas den sanna risken

Exempel

• Antag att 2% av populationen är exponerad

• Antag att den sanna relativa risken är 4,0

• Om alla som är exponerade klassificeras rätt

men 20% av de oexponerade felaktigt

klassificeras som exponerade så kommer

den uppmätta relativa risken att bli 1,28

Confounding (störning)

Confounding (störning)

Confounding (störning)

Validitet med avseende på confounding

(störning)

• Exponering (A) Sjukdom

Confounding (B)

För att B ska vara en confounder krävs att:

• B i sig kan påverka risken för sjukdom

• Att det finns en samvariation mellan A och B

• Att B inte är en mellanliggande faktor i förhållande till A:s

effekt på sjukdomen

Exempel: samband mellan rökning och ”för tidig” död

Riskfaktorer som kan vara confounders

• Vanligtvis är det exponeringar, (d.v.s andra än den

man vill studera), eller individegenskaper, (t.ex.

ålder) som är confounders.

• Ibland kan även en sjukdom (annan än den man

vill studera) vara en confounder

Starka och svaga confounders

En confounder är inte ”antingen – eller”

En stark confounder är en egenskap eller exponering

som helt eller nästan helt förklarar ett observerat

samband mellan en exponering och sjukdom

En svag confounder påverkar RR eller OR endast i liten

omfattning

Möjligheter att ta hänsyn till confounding

• I planeringen

– Randomisering av exponering (i praktiken endast inom klinisk epidemiologi)

– Begränsning vid urval

– Matchning

• I analysen

– Stratifiering

– Statistisk modellering (multivariata modeller)

Skilj på confounding och effektmodifiering

Med effektmodifiering menas att risken till

följd av en viss exponering förändras om

det samtidigt finns en annan exponering.

T.ex risken för en rökare att drabbas av

lungcancer blir högre om det samtidigt finns

exponering för asbest

Bedömning av samband

Följande punkter bör tas upp då man ska bedöma om ett samband är kausalt, d.v.s. orsakssamband:

1. Styrkan i det funna sambandet

2. Överensstämmelse med andra studier

3. Tidsföljden

4. Dos-response

5. Oberoende av andra samband

6. Experimentella resultat

7. Rimlighet