Upload
adila
View
46
Download
0
Embed Size (px)
DESCRIPTION
Epidemiologi (II). Läkarprogrammet – Termin 5, Ht 2013. Lars Rylander Avdelningen för arbets- och miljömedicin, Lund E-post: [email protected] Tel: 046 – 222 1631. Exempel: Sjukdomsmått. 199020002010 Antal astmatiker Kontorister 20 25 30 - PowerPoint PPT Presentation
Citation preview
Läkarprogrammet – Termin 5, Ht 2013
Lars RylanderAvdelningen för arbets- och miljömedicin,
Lund
E-post: [email protected]: 046 – 222 1631
Epidemiologi (II)
Exempel: Sjukdomsmått
1990 2000 2010
Antal astmatiker Kontorister 20 25 30 Djurskötare 10 25 40
PREVALENS Kontorister 5% (20/400) 6.25% (25/400) 7.5% (30/400) Djurskötare 2.5% (10/400) 6.25% (25/400) 10% (40/400)Prevalenskvot 0.5 (2.5/5) 1 (6.25/6.25) 1.33 (10/7.5)
KUMULATIV INCIDENS (RISK) Kontorister - 1.3% [5/(400-20)] 1.3% [5/(400-25)] Djurskötare - 3.8% [15/(400-10)] 4.0% [15/(400-25)]Riskkvot - 2.9 (3.8/1.3) 3.0 (4/1.3)
INCIDENS Kontorister - 1.3/1000 py 1.3/1000 py 5/(375*10+5*5) 5/(370*10+5*)
Djurskötare - 3.9/1000 py 4.1/1000 py15/(375*10+15*5) 15/(360*10+15*5)
Incidenskvot - 3.0 (3.9/1.3) 3.2 (4.1/1.3)
- Tvärsnittsnittstudier(Cross-sectional studies)
- Kohortstudier(Follow-up studies)
- Fall-kontrollstudier(Case-control studies)
Studiedesign
TvärsnittsstudierAvser att studera förhållanden
vid en viss tidpunkt.
Sambandet mellan monotont arbete inom fiskberedningsindustrin och nack/skulderbesvär
Exponerade vs Referenter
Ålder Riskkvot (POR) 95% KI
< 30 4.2 (1.8-10)
30-44 4.0 (2.0-8.0)
45 1.3 (0.71-2.5)
Är det rimligt att äldre har mindre risk?Om inte, hur kan resultaten förklaras?
[Från Ohlsson et al, Occup Environ Med 1994;51:826-32]
Tvärsnittsstudie
Risken att få ett barn med spina bifida (ryggraden inte är samman-vuxen) hos rökande mödrar jämfört med icke rökande mödrar.
Tvärsnittsstudier
Riskkvot (OR) 95% KI
Icke rökare 1.00 -
< 10 cig/dag 0.79 (0.63-1.00)
10 cig/dag 0.66 (0.49-0.90)
=> Rökning en skyddande effekt?
[Från Källén K, Am J Epidemiol 1998;147:1103-11]
Tvärsnittsstudier
0
2
4
6
8
10
12
Låg
Medel
Hög
CB-153 p,p’-DDE
Andelmed
diabetes(%)
(Från Rylander m fl 2005)
Typ 2 diabetes hos fiskarhustrur (I)
CB-153 och p,p’-DDE är markörer för långlivade klororganiska miljögifter (sk POPs)Fiskarhustrur är av intresse eftersom en viktig källa för exponering är fet fisk från Östersjön.
0
1
2
3
4
5
6
LågModerat -Moderat +Hög
CB-153 p,p’-DDE
Dia
bet
es (
%)
Från Rignell-Hydbom et al 2007
TvärsnittsstudierTyp 2 diabetes hos fiskarhustrur (II)
Kausalitet?
POP* och typ 2 diabetes -Studier bland fiskarfamiljer
Typ 2 diabetes ↑ POP nivåer
a)
b)
Samband!! - Kausalitet??
↑ POP nivåer Typ 2 diabetes
*POP = Persistent Organochlorine Pollutants,t ex PCB, DDT, Dioxin, …
TvärsnittsstudierSammanfattning:
- Snabbt/enkelt!- Selektion?- Kausalitet/tolkning?
Kohortstudier(Follow-up studies)
Kohort: grupp med någon gemensam egenskap
(ex födelseår, rökare, yrke, vegetarianer, …)
Syfte: mäta och vanligtvis jämföra incidensen i flera kohorter
KohortstudierPopulation
(alla friska)
tid
Oexponerade/Lågt exponerade
Högexponerade
Oexponerade/Lågt exponerade
Högexponerade
SJUKA
Retrospektiv(historisk)
Prospektiv
KohortFall registreras(död/sjukdom)
Kohort
Fall registreras
(död/sjukdom)
tidNutid
Kohortstudier
Kohortstudier
Exempel: POP och Typ 2 diabetesWHILA-kohorten
(=Women Health In Lund Area)
Kvinnor i LundaregionenÅlder 50-59 år
1995-2000Intervjuade
Blodprov~7000 kvinnor
*POP = Persistent Organochlorine Pollutants,t ex PCB, DDT, Dioxin, …
KohortstudierExempel: POP och typ 2 diabetes
Population:WHILA (dvs de utan typ 2
diabetes vid baseline)
tid
Låga POP-nivåer(PCB, DDE)
Höga POP-nivåer Höga POP-nivåer
Typ 2
diabetes
Låga POP-nivåer(PCB, DDE)
KohortstudierAtt tänka på:1. Vem ska inkluderas i kohorten?2. Tidpunkt för inträde/utträde ur kohorten.3. Uppföljning
a. vitalstatusb. tidpunkt för fallc. eventuell annan information
4. Kodning av fall5. Speciella jämförelsegrupper
Kohortstudier
- Vanlig sjukdom- Ovanlig exponering
Vad gör man om:- ovanlig sjukdom- exponeringsinformation dyrt/tidskrävande ?
KohortstudierExempel: POP och typ 2 diabetes
Population:WHILA (dvs de utan typ 2
diabetes vid baseline)
tid
Låga POP-nivåer(PCB, DDE)
Höga POP-nivåer Höga POP-nivåer
Typ 2
diabetes
Låga POP-nivåer(PCB, DDE)
Kostnad:Varje analys kostar ca 1000 kr7000 individer => DYRT !!!
Fall-kontrollstudier
Population
FALL
Kontroller
FALL: De individer som fått den sjukdom vi studerar.
KONTROLLER: De individer som inte fått den sjukdom vi studerar.
Vår uppgift är att ta reda på exponerings-fördelningen hos fallen och kontrollerna.
(Exponering kan t ex vara medicinering,kost, behandling, miljögifter,…)
Fall-kontrollstudie
Samband mellan långlivade miljögifter (POP)och risken att utveckla typ 2 diabetes
Fall-kontrollstudie inom WHILA-kohorten (Women’s Health In Lund Area)
Fall: Kvinnor inom WHILA-kohorten som utvecklat typ 2 diabetes
Kontroller: Kvinnor inom WHILA-kohorten som INTE utvecklat typ 2 diabetes
POP analyseras i sparade blodprov
Fall-kontrollstudier
Population = WHILA-kohorten
FALL
Kontroller
FALL: De kvinnor i WHILA-kohorten som fått diagnosen typ 2 diabetes efter
baseline-undersökningen.
KONTROLLER: Kvinnor från WHILA-kohorten som inte fått diagnosen typ 2 diabetes.
VÅR UPPGIFT: Ta reda på exponerings-fördelningen hos fallen och kontrollerna.Med andra ord: Skiljer sig andelen högexponerade hos fallen jämfört medkontrollerna?
Fall-kontrollstudie
RESULTAT
FALL
Kontroller
- Totalt hade vi 371 fall och lika många kontroller
- Om vi inkluderade alla i analysen såg vi inget samband mellan exponering och risken att utveckla typ 2 diabetes.
- Men om vi endast såg på de ”seten” där fallen fick sin diabetes ≥7 år efter baseline- undersökningen visade det sig att de kvinnor med de högsta nivåerna av p,p’-DDE hade ca 5 gånger ökad risk att utveckla typ 2 diabetes jämfört med de med lägre p,p’-DDE- nivåer.
Rignell-Hydbom et al. PLoS One 2009 Oct 19;4(10):e7503
Hur skattar man den relativa risken i fall-kontrollstudier?
ODDS
E+ E-
D+ 100 10
D- 50 100
• Sannolikhet för händelse genom
sannolikhet för ej händelse
Oddset att vara sjuk (D+)givet att man är exponerad (E+):
(100/150) / (50/150) = 100/50 = 2
Oddset att vara sjuk (D+)givet att man är oexponerad (E-)
(10/110) / (100/110) = 10/100 = 0.1
Oddskvot (Odds Ratio, OR)
• Man kan få ett relativt riskmått genom att beräkna kvoten mellan två odds
• Denna kvot kallas oddskvot (odds ratio = OR)
• Om oddset för (S+|E+) är 2 och
oddset för (S+|E-) är 0.1 blir
oddskvoten 2/0.1=20
• Detta tolkas som att exponerade (E+) har
20 gånger så stor risk att vara sjuka som
oexponerade (E-)
Beräkna oddkvoterna föra) ”Medel” jämfört med ”Låg”b) ”Hög” jämfört med ”Låg”
Tolka resultaten!
POP
Låg
POP
Medel
POP
Hög
Fall = kvinnor som utvecklat typ 2 diabetes
50 100 150
Kontroller = kvinnor som INTE utvecklat typ 2 diabetes
100 100 100
Fall-kontrollstudie – Beräkning av OR (exempel)
Felkällor
Tillfälliga fel
Minskar omstickprovet görsstörre
Statistisk osäkerhet – stickprovsfel
Felets storlek avspeglasi konfidensintervalletsbredd. Större osäkerhet ifall-kontroll än i kohortstudier.
Systematiska fel
Snedvridning av resultat (bias)
Minskar ejmed ökandestickprovsstorlek
Avspeglas ej i konfidensintervallets bredd
Tillfälliga fel
• Mätfel, fel svar
• Felklassificering av exponering/kohorttillhörighet
• Diagnos ej registreradeller felaktig
Fel av slumpmässig natur ochsom är oberoende av exponeringsstatus,sjukdomsstatus (non-differential)
Tenderar oftast att försvaga sambandet mellan exponering och utfall
Systematiska felFel som är beroende av exponeringsstatus och/eller sjukdomsstatus (differential)
Kan försvaga såväl som förstärka sambandet mellan exponering och utfall
• Selektionsfel- Vem väljer att deltaga?
- Vem deltar men hoppar över vissa frågor?
• Informationsfel- selektiv ihågkommelse
- olika insamlingsmetoder
• Confounding (störfaktorer/förväxlingseffekter)
- Formulering av hypoteser- Konfidensintervall- p-värden
Tre centrala begrepp
Formulering av hypoteser
• Nollhypotes (H0) ’konservativt formulerad’– Ingen skillnad mellan grupperna– Ingen effekt av behandlingen– Ingen förändring över tiden– etc.
• H0 prövas (testas) mot alternativhypotes (H1)– Vanligen formulerad som nollhypotesens motsats
(dubbelsidigt test)
Konfidensintervall (KI)
• Ett intervall som med en fastställd säkerhet (ex. 95%) täcker det ”sanna” värdet
• Konfidensintervallets bredd speglar osäkerheten i undersökningsresultatet
Ex. 95% konfidensgrad
TäckerTäckerTäcker
Täcker
TäckerTäcker inte
TäckerTäcker
Det ”sanna” värdet
Vi kan förvänta oss att 95% av intervallen täcker det sanna värdet
P-värde (p=probability)
• P-värdet = Sannolikheten att erhålla ett minst lika extremt resultat som vi erhållit i undersökningen om nollhypotesen är
sann.
Utfall och verklighet
H0 sann H1 sann
H0 förkastas ej OK Felaktig slutsats (typ II)
H0 förkastas Felaktig slutsats (typ I)
OK
Verklighet
Utfall
Diskutera med bänkgrannen…
Ingen effekt
Kliniskt betydelsefull effekt
A
B
C
D
E
p < 0,001
p = 0,13
p = 0,008
p < 0,001
p > 0,30
Konfidensintervall kring genomsnittlig effekt samt p-värden för nollhypotesen "Ingen effekt" i fem olika undersökningar A - E. Kombinera ihop rätt undersökning (A-E) med rätt påstående (1-5):
1. Behandlingseffekt kan ej påvisas men kan inte heller uteslutas
2. Klinisk betydelsefull effekt antyds men är statistiskt osäker
3. Behandlingseffekt statistiskt säkerställd, osäkert om effekten är klinisk betydelsefull
4. Klinisk betydelsefull effekt som är statistiskt säkerställd
5. Behandlingseffekt statistiskt säkerställd, klinisk betydelsefull effekt kan uteslutas
Sammanfattning
P-värde: Sannolikheten att erhålla ett lika extremt eller
extremare resultat än det vi erhållit
Konfidensintervall: Ett 95% konfidensintervall täcker med
95% säkerhet det ”sanna” värdet
Varför behövs konfidensintervall?
Vad tillför det jämfört med ett p-värde?