Ratele brut si se ajusteaza in epidemiologie

Abstract

Ajustarea statistice in epidemiologie este utilizat pentru a elimina sau a reduce efectele intricate de factor de confuzie straine, cum ar fi varsta, atunci cand se compara ratele de boala sau deces in populatii diferite. Metodele directe de ajustare de varsta se aplica de varsta specifice tarife de la populatiile de studiu la o varsta de distributie la o populatie de referinta. Cu toate acestea, atunci cand ratele de varsta specifice sunt disponibile in populatiile de studiu, vom folosi metoda indirecta de ajustare. Metoda indirecta utilizeaza ratele specifice varstei de la o populatie de referinta externa pentru a obtine numarul estimat de cazuri sau decese in populatiile de studiu. Numarul de asteptat este folosit pentru a calcula rata mortalitatii standardizate (SMR), care este apoi utilizat pentru a ajusta rata in populatia de studiu. Aceasta revizuire prezinta, de asemenea, o strategie de evaluare intricate si interactiune, care este esentiala pentru a obtine adevarata masura de asociere intre o boala si o expunere. Ca o regula, interactiune trebuie sa fie exclusa inainte de metode de ajustare derutant poate fi utilizat. Daca ajustarea modifica interpretare a riscului brut, trebuie sa ne folosim de risc estimat ajustate. Pe de alta parte, daca ajustarea nu modifica interpretarea, putem folosi rata brut.

Introducere

In epidemiologie, cele mai multe tarife, cum ar fi incidenta, prevalenta, si rata mortalitatii, sunt puternic dependente de varsta si a influentat foarte mult de diferentele de structura de varsta. Comparatia dintre aceste rate bruta in timp si intre populatii diferite pot fi foarte inselatoare in cazul in care compozitia de varsta care stau la baza difera in populatiile comparate. Pentru a compensa aceasta diferenta de varsta, avem doua optiuni generale. In primul rand, ne putem restrange in mod similar comparatie cu subgrupele de varsta (de exemplu, compararea anumita varsta). Cu toate acestea, acest lucru poate fi confuz in special atunci cand multe straturi de varsta exista si compararea sunt facute intre populatii diferite. Prin urmare, combinarea de varsta ratele specifice pentru a obtine un singur indice de varsta-independent (rata unica ajustate), poate fi mai adecvat si pentru a compensa diferentele de varsta in populatii. Ajustarea de varsta (standardizare) se poate realiza in mai multe moduri. In practica, cele doua abordari mai comune in folosire se ponderare directe si indirecte ale straturilor-ratele specifice (de exemplu, de standardizare directe si indirecte).

Aceasta revizuire prezinta o descriere succinta a acestor doua metode de Standarde, cu exemple simplificate ipotetice, si denota punctele lor forte si limitari. La sfarsitul acestei lucrari, vom da de asemenea, unele indicii cu privire la ajustarea masurii de asociatii cu un exemplu simplu clarifica.

Descrierea metodelor de Standardizare:

1. Direct metoda:

In aceasta metoda, trebuie sa:

i. cunosc ratele specifice de varsta cu moartea in cele doua populatii in comparatie. Daca nu trebuie sa folosim metoda indirecta.

ii. Imprumuta o populatia de referinta din alta parte. Aceasta populatie de referinta poate fi populatiei ipotetice sau poate fi una dintre cele doua populatii in comparatie sau putem folosi totalul populatiei fata.

Exemplu:

Sa presupunem ca avem doua populatii A & B, rata mortalitatii pentru fiecare dintre ele este mai mult sau mai putin similare; 18/1000 pentru populatie A si 17/1000 pentru populatiile B (a se vedea tabelul 1)

Tabelul 1: date vitale ale celor doua populatii ipotetice A & B.

Din acest tabel, avem rata bruta de deces 18/1000 si 17/1000 pentru populatia A & B, respectiv. Cu toate acestea, la cautarea cu atentie la acest tabel, observam ca de distributie (numarul) de categorii de populatie din fiecare grupa de varsta nu este aceeasi in cele doua populatii fata si acest lucru ar putea confunda, eventual, ratele de deces calculate brut. Pentru a depasi aceasta problema, trebuie sa se adapteze (standardizarea) rata de deces in functie de varsta, care reprezinta factor de confuzie in acest exemplu. Deoarece ratele de deces de varsta specifice sunt cunoscute in acest exemplu pentru cele doua populatii, vom folosi metoda directa de standardizare. In primul rand, am imprumuta populatiei A care urmeaza sa fie populatiei de referinta si apoi se aplica numarul populatiei in fiecare din categoriile sale grupa de varsta in populatia A si B. la rata de deces de varsta specifice din categoria corespunzatoare in grupul de varsta a populatiei

Rata de deces ajustata in B, populatia se calculeaza folosind urmatoarea formula:

? (varsta rata mortalitatii specifice in BX Nr populatiei in aceasta categorie de varsta, in A

Numarul total al populatiei in A

? = insumare.

= 10/1000 X400 + 10/1000X600 + 45/1000X1000 / 2000 = 55 / 2000 = 27.5/1000

Din acest calcul, am ajuns la concluzia ca rata de varsta ajustat cu moartea in populatie B (27.5/1000) este mai mare decat cea a ratei sale brut calculat (17/1000). De asemenea, este mai mare decat cea a ratei brute a populatiei A (18/1000).

Retineti ca, putem folosi, de asemenea, B populatiei ca o populatie de referinta si aplicarea numarul populatiei in fiecare din categoriile sale grupa de varsta la rata de deces de varsta specifice in populatia A (incercati sa o faca).

2. Indirecte metoda

Metoda indirecta de standardizare este utilizat atunci cand nu avem date cu privire la rata de varsta specifice intr-unul sau doua populatii comparate, dar numarul populatiei din fiecare grup de varsta trebuie sa fie cunoscute. In aceasta conditie, vom imprumuta ratele specifice varstei deces dintr-o referinta (standard) populatie si aplicarea acesteia, numarul populatiei din fiecare grupa de varsta corespunzatoare a populatiilor fata pentru a obtine ceea ce se numeste ratele preconizate. In cele din urma, vom imparti rata observata de catre aceasta rata calculata de asteptat si multiplica cu 100 pentru a obtine raportul moralitatea standardizate (SMR). Rata ajustata folosind aceasta metoda indirecta se bazeaza pe inmultirea ratei de titei in populatia de studiu de acest raport SMR. Formulele rezuma aceasta metoda sunt:

aR (indirecte) = Cr X SMR

SMR = O / E

E =? R _i n _i In cazul in care

AR: Rata de ajustat

CR: rata bruta

SMR: rata mortalitatii standardizate.

O: numarul de evenimente observate in populatia de studiu.

E: numarul estimat de evenimente in populatia de studiu.

?: insumare.

R _i: rata in i-lea strat al populatiei standard.

N _i: numarul populatiei in stratul i-lea din populatia studiata.

Exemplu: Noi folosim tabelul anterior (tabelul 1), dar fara a numarului de decese in fiecare categorii de grupe de varsta si prin urmare nu vom avea nici date despre moartea anumita varsta (a se vedea tabelul 2)

Tabelul 2: Detalii de Vital a doua populatii ipotetice A & B, dar fara varsta, ratele specifice.

In acest exemplu, trebuie sa ne imprumute o treime etalon (de referinta) populatie cu o rata de varsta cunoscut moartea specifice pentru a calcula SMR (a se vedea tabelul 3).

Tabelul 3: Varsta ajustate rata de deces a unei populatii de referinta ipotetic.

Folosind datele din acest tabel ipotetic, putem calcula SMR in populatia A & B.

Rata de deces de asteptat in populatia A = 3 / 1000 X 400 + 18/1000 X 600 + 50/1000 X 1000 = 1,2 + 10,8 + 50 = 62

SMR in populatia A = 36 / 62 X 100 = 58%.

Rata de deces de asteptat in populatia B = 3 / 1000 X 600 + 18/1000 X 1000 + 50/1000 X 400 = 1,8 + 18 + 20 = 39,8.

SMR populatiei B = 34 / 39.8 X 100 = 85%.

Pur si simplu, din moment ce SMR in populatia B (85%) este mai mare decat in??populatia A (58%), putem concluziona ca riscul de deces este mai mare la populatie B. In mod similar, atunci cand am multply rata bruta a populatiei de catre fiecare SMR sa masurat, avem rata ajustata a B populatiei care urmeaza sa fie despre 15/1000 mai mare decat cea a populatiei A, care este calculat a fi de aproximativ 9 / 1000.

Nu ca, putem folosi, de asemenea, rata de deces de varsta specifice uneia dintre cele doua populatiei fata (daca este cunoscut) si se aplica la alte pentru a calcula rata de deces de asteptat si, in consecinta SMR. Atunci putem citi SMR dupa cum urmeaza:

- In cazul in care SMR este mai mare de 100, aceasta inseamna ca mai multe evenimente (decese) au loc in cadrul populatiei decat se astepta.

- In cazul in care SMR este mai mic de 100, aceasta inseamna ca mai putine evenimente (decese) au loc in cadrul populatiei decat se astepta.

Cand vom aplica rata de deces de varsta specifice de populatie A B pentru populatie, am gasit SMR pentru B populatia sa fie de aproximativ 170%. Aceasta inseamna ca mai multe decese au loc in B populatie decat s-ar fi asteptat sau rata de deces in B populatiei care prezinta 1.7 ori mai mare crestere decat A. populatiei Rata ajustata in B populatiei, folosind formula de mai sus, este estimat la aproximativ 29/1000.

Desi aceste metode de standardizare sunt in utilizarea practica comuna, deoarece la mijlocul secolului 19 si de a ajuta pentru a da declaratii sumare de comparatii impartiale, aceste metode au fost gasite de la literatura de specialitate a avea un numar de dezavantaje, care includ alegerea etalon (de referinta) populatie. Standardizare directe pot suferi de instabilitatea de estimarea in special atunci cand ratele de componente se bazeaza pe numarul mic de decese. Utilizarea indirecte (SMR) metoda, cu toate acestea, produce o mai mare stabilitate numerica in astfel de conditii. In plus, calculul acestor masuri (de standardizare) necesita ipoteza de rapoarte de viteza constanta. Acest lucru este, insa, nu intotdeauna indeplinite in toate conditiile in special in prezenta de date lipsa.

In concluzie, in ciuda acestor neajunsuri mentionat, tehnicile de reglare sunt in uz comun pentru a elimina efectele de confuzie de factor externi de interes (cum ar fi varsta, sexul, rasa, etc), atunci cand compara epidemiologice sau a ratelor demografice a lungul timpului sau in populatii diferite. La inceput, datele ar trebui sa fie studiat stratificat in functie de factorul straine pentru a obtine straturile specifice rate. Dupa stratificare, ajustarile sunt efectuate intre populatiile raport cu privire la factorul de straine de interes, astfel incat comparatia se poate face fara confuzie de acest factor. Cu toate acestea, atunci cand avem mai mult de un factor de confuzie de control de stratificare a parut sa fie plictisitor. De asemenea, numarul de persoane in fiecare strat devine mici si ratele standardizate sa faca obiectul unei variatii aleatorii. Tehnici de multiplicativ au fost dezvoltate pentru a controla simultan pentru mai multi factori de confuzie si aceste tehnici ofera un adjuvant util la procedurile de stratificare simpla de epidemiologie de baza.

Modificarea masurilor de asociatii:

Masurile de asociere in domeniul epidemiologiei bolii includ raportului prevalenta, care este raportul compararea a doua prevalentele, raportul de incidenta cumulata, incidenta raportului valutar (risc relativ), si odds ratio boala. Raportului boala Cote ofera o alternativa la raportul de prevalenta si incidenta raportului cumulativ ca un raport de asociere in cazul in care datele reprezinta proportiile. Masurile brut de asociere intre expunere (E) si boala (D) poate fi confundat cu un alt factor externi (e), numit factor de confuzie (e) (F).

Confundarea in epidemiologie inseamna o denaturare a unei asocieri intre E si D, adus de un F factor externi (sau straine factori F1, F2, F3, etc). Impreuna cu selectie si informatii partinire, prejudecata confuzie formeaza trei piloni principali de eroare sistematica (bias), care pot afecta rezultatele oricarei cercetari epidemiologice. Partinire intricate sa apara, urmatoarele conditii prealabile ar trebui sa fie indeplinite in factor de confuzie:

i. F si E sunt asociate.

ii. F este un factor de risc independent pentru D in randul populatiei expuse si neexpuse.

iii. F nu implica in lantul de cauzalitate (mecanism) a bolii D.

Pentru a clarifica de confuzie (confuzie) partinire, urmatorul exemplu este de valoare. Sa presupunem ca am gasit o asociere pozitiva intre cancerul pulmonar (D) si consumul de alcool (E), in unele de cancer de studii epidemiologice. Aceasta asociere ar putea fi afectate de fumat. Fumatul (F) si E sunt asociate (consumatorilor de alcool sunt mai multe sanse de a fuma decat non-consumatorii sunt), si F si D sunt asociate (fumatul este un factor de risc independent pentru cancerul pulmonar). In plus, fumatul nu implica in lant cauzal de cancer pulmonar. Prin urmare, daca nu avem date despre starea de fumat disciplinele studiate, aceasta asociere observate poate sa nu reprezinte asociatia adevarata intre cancerul pulmonar si consumul de alcool din cauza partinire confuzie. Pentru a judeca daca F factor faca de rusine pe masura estimat de asociere, vom folosi STRATIFICARE. Prin stratificare, ne referim la stratifica disciplinele studiate in grupuri de factor de confuzie (e). Trei scenarii pot aparea atunci cand vom folosi de stratificare:

i. Masura estimat al asociatiei este aceeasi intre grupurile stratificat in functie de F, si la fel ca masura brut. In acest scenariu, nici confuzie si nici nu interactiune este suspectat si putem prezenta direct masura brut estimat de asociere (a se vedea tabelul din scenariul A).

ii. Masura estimata de asociere este diferita intre grupurile stratificat in functie de F, si de masura brut. In acest scenariu, o interactiune intre F si E este suspectat (modificare efect), si un test de interactiune (un test chi-patrat pentru interactiune care se numeste test de heterogenitate) ar trebui sa fie folosite pentru a confirma astfel de efect (a se vedea tabelul din scenariul B).

iii. Masura estimat al asociatiei este aceeasi intre grupurile stratificat pe F, dar nu la fel ca masura brut. In acest scenariu, F reprezinta un factor de confuzie si trebuie sa fie controlate (ajustate) in timpul analize statistice pentru a obtine masura ajustata de asociere (a se vedea tabelul din Scenariul C).

Este pertinente aici pentru a spune ca, inainte vom folosi metodele de ajustare derutant, interactiunea dintre doi factori studiati (E & F) trebuie sa fie exclusa. Ca o regula, in cazul in care riscul ajustate modifica de interpretare a masurii brut de asociere, ajustarea este obligatorie. Dar daca, pe de alta parte, ajustarea nu modifica interpretare, masura brut de asociere pot fi utilizate.

Tabelul de Scenariul A:

* RR este rata de incidenta in randul expuse (E +), impartita la rata de incidenta in randul non expuse (E-)

Tabelul de scenariul B:

* RR este rata de incidenta in randul expuse (E +), impartita la rata de incidenta in randul non expuse (E-)

Tabelul de Scenariul C:

* RR este rata de incidenta in randul expuse (E +), impartita la rata de incidenta in randul non expuse (E-)

Intr-un scenariu C, brute (neajustate) masura de asociere, riscul relativ (RR) de cancer pulmonar asociat cu consumul de alcool este de 4,0. Cu toate acestea, atunci cand am stratificat disciplinele studiate de statutul de fumat (de exemplu, F + F si -), am gasit riscul de a fi la fel in randul fumatorilor (RR = 1,0) si non-fumatori (RR = 1,0), dar diferite de risc brut. Acest lucru inseamna ca statutul de fumat este un factor de confuzie pentru asociere intre cancerul pulmonar si consumul de alcool, si riscul estimat adevarat (4,0), nu este adevarat asociatiei. Prin urmare, noi trebuie sa controleze (regla) acest efect de confuzie, iar noi ar trebui sa prezinte riscul rezultat ajustata, adevarata masura a asociatiei. Putem obtine de risc a fost modificat prin utilizand fie modele de analiza de regresie (analiza regresiei multivariate), sau putem folosi masuri de medie ponderata bazata pe estimarile variantei intra-straturile (Mantel-Haenszel metoda). Explicarea unor astfel de metode de ajustari este dincolo de domeniul de aplicare al acestei revizuiri.

Intr-un scenariul B, RR brut de cancer pulmonar asociat cu consumul de alcool este de 4,0. Prin stratificare, cu toate acestea, am gasit de risc in randul fumatorilor care urmeaza sa fie 1.1, care este diferit de non-fumatori (RR = 9.1), precum si de riscul brut. Eterogenitatea observata a masurilor estimate de asociere (brut si straturi) sugereaza ca fumatul nu este un factor de confuzie in acest scenariu, dar se modifica efectul de expunere (consumul de alcool), cu privire la boala (cancer pulmonar). Acest fenomen biologic este numit efect modificarea si este legat de un fenomen statistice solicitate de interactiune. Interactiunea se refera la o diferenta de efect de un factor in functie de nivelul de un alt factor care si-l implica intotdeauna relevanta directa de sanatate publica si biologice.

Pe baza epidemiologice, modificarea efectul este suspectata atunci cand efectul observat comun al celor doi factori studiat este mai mult sau mai putin decat efectul prezis in comun modelul aditiv (RR11? RR10 + RR01 - 1) care indica de plecare de la acest model si, in consecinta Prezenta de interactiune biologice. Confirmarea a interactiunii dintre factorii de studiu printr-un test chi-patrat de interactiune si de estimare a riscului care reprezinta aceasta interactiune este dincolo de domeniul de aplicare al acestei revizuiri. In general, utilizarea de analiza de regresie este de mare valoare in aceasta privinta.

BIBLIOGRAFIE

Ahlbom A, S Norell: Masuri de comparare a aparitiei bolii. In Introducere in epidemiologie moderne. A ^2-a editie. Epidemiologie resurse Inc,

1990; P30-35.

Armitage P, G Berry: Metode statistice in cercetarea medicala, Ed treia. Blackwell,

Oxford, 1994.

Breslow NE. Ziua si NE. Metode statistice in cercetare in domeniul cancerului. Volumul II. de proiectare si analiza a studiilor de cohorta IARC, Lyon, 1980.

Groenlanda S, Robins JM: Confundarea si clasificare. American Journal of Epidemiology 1985; 122 :495-506.

Mantel N, Haenszel, aspecte W. statistice in analiza a datelor din studii retrospective de boli. Jurnalul de Institutul National de Cancer 1959; 22:719-748.

Miettinen Sistem de operare: modication Confundarea si efect. American Journal of Epidemiology 1974; 100 :350-353.

Gerstman BB: de stratificare si de ajustare. In Epidemiologie fie simple: O introducere la epidemiologia moderne. A Willy John & Sons, Inc, publicarii. New York. 1998; p108-120.

Rothman K si Groenlanda S: precizie si termenului de valabilitate in studii epidemiologice. In Epidemiologie fie simple: O introducere in epidemiologie clasic si modern. Un John Wiley and Sons, Inc, publicatie, 1998, P115-135.