”läran om sjukdomsförekomst i en befolkning” (ahlbom ... · epidemiologi ”läran om...
TRANSCRIPT
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