Komentář: Tři světy se srazí: Berkson zkreslení, výběr zkreslení a urychlovač zkreslení

Berkson zkreslení

V roce 1984 jeden z nás (N. P.) žil na pláži v Novém Zélandu. Psal jsem svou disertační práci, když jsem měl fotbalový („fotbalový“) zranění, které mi na týden způsobilo vážné problémy se zády. Po první dva dny ležet na zádech poslechu hudby a není schopen dělat nic jiného, jsem se probudil uprostřed noci s nevolností a závratí zřejmě způsobeno tím, zánět středního ucha. Dalších pět dní jsem měl silnou bolest zad, když jsem vstal, těžkou nevolnost a závratě, když jsem si lehl, a směs dvou, když jsem seděl na židli. Účelem líčení tohoto žalostného příběhu není vztahovat mou anamnézu ke čtenářům IJE, ale spíše proto, že je relevantní pro příběh Berksonovy zaujatosti, který jsem v té době studoval. Nedostal jsem přijat do nemocnice, ale bylo to o fous, a to mi dal z první ruky zkušenost, jak se osoby s dvěma nebo více nemocí mají vyšší pravděpodobnost být hospitalizován než osoby s pouze jedna nemoc—i když tyto výsledky jsou nezávislé‘.1 Když jsem byl hospitalizován a přijati na studium vnitřní ušní infekce, a pokud tam bylo dost jiných lidí, jako jsem já, pak jsme pravděpodobně by přispěly k falešnému závěru, že fotbalová zranění (což způsobilo můj problém se zády) byly příčinou vnitřní ušní infekce—to odpovídá „nepřímou“ formu Berkson zkreslení,2, jak je znázorněno na Obrázku 3a, v papíru z Snoep et al.1

Berkson zkreslení (také nazývané ‚Berkson je klam‘) je možná jedním z nejznámějších, ale alespoň dobře pochopil, formy zkreslení. Článek Snoep et al.1 objasňuje, co je předpojatost, proč je někdy důležité, ale proč to většinou nejde. Budeme komentovat na tři aspekty papír: (i) použití Namířených Acyklických Grafů (DAGs); (ii) součásti Berkson zaujatosti; a (iii) pravděpodobnost, sílu a směr těchto předsudků.

řízené acyklické grafy (dag)

papír Snoep et al. jasně ilustruje sílu a eleganci řízených acyklických grafů (dag). To, co jsme dříve zkoušeli pochopit pomocí slov, pravděpodobností a numerických příkladů, lze nyní pomocí kauzálních diagramů prozkoumat mnohem elegantněji. To představuje skutečný pokrok a objasňuje mnoho aspektů Berksonovy zaujatosti.

obecněji dag objasnili dříve nejasný vztah mezi předpojatostí výběru a zmatením. Tradičně byla výběrová zkreslení popsána jako zkreslení vyplývající z nevhodného výběru (nebo vlastního výběru) studovaných subjektů ze zdrojové populace.3 Na jedné úrovni to je dost jasné, ale použití slova „výběr“ často vedla k horizontu jsou použity k volbě nevhodných srovnání skupiny, což vede k nejasnostem, zda jevy, jako jsou zdravý pracovník efekt jsou příklady výběru bias4 nebo matoucí,5,6, situace se dále komplikuje, protože determinanty výběru (např. věk, pohlaví, socioekonomické postavení) může efektivně stát zkreslující jevy a musí být kontrolována pro analýzy, i když nebyli zkreslující jevy ve zdrojové populace. Použití DAGs objasňuje to, a rozlišuje mezi předsudky, vyplývající z (nevhodné) kondicionér na časté účinky (‚urychlovač bias“ nebo “ výběrové zkreslení) a nedostatek klimatizace na společné příčiny expozice a výsledek (matoucích).6,7 tyto dva jevy se mohou vyskytnout společně, např. když stavíme na urychlovači, který je spíše důsledkem příčiny výsledku než účinkem samotného výsledku. Někteří by to označili jako zkreslení výběru, 6 jiní by to považovali za druh matoucí.8,9

ačkoli se tyto tři termíny někdy používají téměř zaměnitelně, Collider bias je obecnějším jevem zahrnujícím podmínění společných účinků (ačkoli Hernan et al.6 pro tento obecnější jev použijte termín „výběrové zkreslení“); výběrové zkreslení je pak určitý typ zkreslení srážek, ve kterém je společným účinkem výběr do studie; Berkson zkreslení je pak určitý typ výběru bias10, ve kterém výběr případů do studie závisí na tom, hospitalizace, a expozice je další onemocnění, nebo způsobit další onemocnění, které má také za následek hospitalizaci. Je nepravděpodobné, že by to bylo tak snadno objasněno bez použití dag.

komponenty Berkson zkreslení

Ve své holé podstatě, Berkson zkreslení může být vnímáno jako neobjektivní odhadu odds expozice mezi případy, protože exponované případy jsou identifikovány s větší pravděpodobností, než non-vystaveny případech, kdy hospitalizace sazba pro případy, je menší než 100% a expozici je další onemocnění, nebo způsobit další onemocnění, což má za následek hospitalizaci. Na numerických příkladech je možné ilustrovat různé kroky spojené s Berksonovou zaujatostí. Začněme populací uvedenou v tabulce 5 Berksonova papíru2, kde je poměr šancí 1,0 (Tabulka 1).

nyní předpokládáme, že studie porovnává hospitalizované případy s obecnými populačními kontrolami(odpovídající obrázku 1b Snoep et al.1). Používáme stejné pravděpodobnosti hospitalizace pro nemoc 1 (expozice-0,15) a nemoc 2 (případy—0,05) Berksonova papíru. Předpokládáme také (odlišně od Berkson2 a od Snoep et al.1), že celá populace se prevalence 0,2 a hospitalizace sazba 0, 025 pro jakékoli jiné onemocnění, než je D1 a D2 (tyto různé předpoklady znamenají, že naše čísla jsou mírně odlišné od těch Berkson2 a Snoep et al.1). Pokud studie porovnává hospitalizovaných případů s obecnou populací kontroly vzorku z non-případy s vzorkovací zlomek 10%, odpovídající výsledky jsou uvedeny v Tabulce 2. Odhadovaný poměr pravděpodobnosti je nyní 3.59, protože vyšší expozice šance ve hospitalizovaných případů (ve srovnání s všech případech). To je způsobeno zkreslením srážek, jak je znázorněno na obrázku 1b Snoep et al.1

odpovídající nálezy ze studie provedené mezi hospitalizovanými pacienty ve stejné populaci jsou uvedeny v tabulce 3. Zaujatost je nyní v opačném směru, protože zvýšení expozice kurzy v případech (ve srovnání s všech případů) je více než kompenzován ještě větší zvýšení expozice kurzy v non-případů (ve srovnání s běžnou populací). To je opět způsobeno zkreslením srážky, jak je znázorněno na obrázku 1a Snoep et al.1

Tabulka 4 ukazuje příklad více podobná Berkson,2, v níž jeden konkrétní onemocnění byl vybrán pro výběr ovládací prvky a ovládací nemoc má 0.20 pravděpodobnost hospitalizace a výskyt 0,005; odds ratio je nyní 2.26, a zaujatost je nyní v opačném směru, Tabulka 3, protože míra hospitalizací pro kontrolu onemocnění je vyšší než míra hospitalizací pro případ nemoci (a tedy zvýšení expozice je vyšší u případů než u kontrol).

Tak, při použití obecné populaci kontroly, Berkson zkreslení bude mít tendenci produkovat zvýšené kurzy poměry (kdy hospitalizací pro případ onemocnění je méně než 100%); při použití nemocničních ovládacích prvků může být zkreslení v obou směrech.

síla a směr zkreslení

papír Snoep et al. objasňuje nejen tyto základní mechanismy berksonovy zaujatosti; poskytuje také odhady jeho síly a směru za různých okolností (viz Snoep et al ., Tabulka 31). To ukazuje, že, když Berkson konstruovány scénář podobný Tabulka 4, ve které míra hospitalizace v kontrole onemocnění (refrakčních) byla značně vyšší než v případě onemocnění (diabetes)-0.2 ve srovnání s 0.05 – poměry šancí byly silně zkreslené směrem nahoru (řádek 1 Snoep et al., tabulka 31); pokud je míra hospitalizace nižší u kontrolního onemocnění, poměr šancí je zkreslený směrem dolů (řádky 4-5 v tabulce 3 Snoep et al.1), zatímco neexistuje zkreslení, pokud je míra hospitalizace stejná pro obě nemoci a pacienti, kteří mají případ i kontrolní onemocnění, se počítají pouze jako případy (řádky 8-9, Tabulka 3 Snoep et al .1).

takže Berksonova zaujatost může určitě nastat, ale opravdu na tom záleží? As Snoep et al.1 Poznámka, Berksonův příklad byl založen na hypotetické studii zahrnující souvislost mezi převládajícími případy a jiným převládajícím onemocněním(expozice). Pokud expozice není sama o sobě přímým důvodem hospitalizace, je relevantní pouze nepřímá forma Berksonovy zaujatosti-jako příklad problému se zády způsobeného fotbalovým zraněním(viz výše). Tato zaujatost je do značné míry zmírněna použitím případů incidentů a lze jí zcela zabránit vyloučením případů, které byly hospitalizovány kvůli jiné nemoci. To lze vidět z výše popsaného příkladu-mnoho lidí s incidenčními infekcemi středního ucha by muselo být hospitalizováno pro souběžná fotbalová zranění, aby došlo k materiální zaujatosti. V mnoha (nebo možná většině) věrohodných situacích bude tedy zkreslení extrémně malé, zejména pokud se použijí případy incidentů. I když je to teoreticky zajímavé, v praxi to bylo do značné míry „Mnoho povyku o ničem“.

snad hlavním poselstvím je, že nestačí pouze prokázat, že by mohlo dojít k zaujatosti; je třeba také posoudit pravděpodobnost, že k ní dojde, a její pravděpodobnou sílu a směr. Epidemiologické studie jsou často kritizovány na základě potenciálu zkreslení informací nebo zbytkového zmatení. V některých případech jsou tyto potenciální problémy skutečné a důležité; v jiných jsou triviální. Bayesovské metody jsou stále dostupnější k posouzení pravděpodobné síly a směru takových předsudků.11

což nás přivádí k omezením dag. Berkson papír vyrábí extrémní výsledky, protože to bylo na základě převládající případy, situace, které nemohou být snadno zastoupeny DAGs. Změníme-li se z převládajících případů na případy incidentů, všechny Dag na obrázcích 1-6 v Snoep et al.1 stále vypadají stejně, ale předsudky se obecně staly triviálními. To ilustruje obecnější problém dag—mohou ukázat, že by mohlo dojít k zaujatosti, ale neposkytují odhady jeho pravděpodobné síly a směru. Bez tohoto, je snadné podlehnout analýzu paralýzu, která pramení ze strachu z nastavení pro potenciální confounder (což by také mohl být urychlovač v další cestě), protože k tomu by mohlo vyústit v urychlovači zkreslení (‚urychlovač úzkost‘). V některých situacích může být zkreslení collideru srovnatelné s nekontrolovaným matoucím.7 v jiných to nebude, a přínos z ovládání matoucí bude daleko převažovat nad účinky Collider zaujatosti. Záleží na tom.

financování

Centrum pro výzkum veřejného zdraví je podporováno programovým grantem Rady pro výzkum zdraví Nového Zélandu.

poděkování

Děkujeme Janu Vandenbrouckovi za Jeho připomínky k návrhu rukopisu.

střet zájmů: žádný nebyl vyhlášen.