Commentary: Three worlds collide: Berkson’s bias, selection bias and collider bias

Berkson’s bias

1984 lebte einer von uns (N.P.) am Strand in Neuseeland. Ich schrieb meine Doktorarbeit, als ich eine Fußballverletzung hatte, die mir eine Woche lang ein schweres Rückenproblem bereitete. Nachdem ich die ersten zwei Tage auf dem Rücken herumgelegen und Musik gehört hatte und nicht viel anderes tun konnte, wachte ich mitten in der Nacht mit Übelkeit und Schwindel auf, die anscheinend durch eine Innenohrentzündung verursacht wurden. In den nächsten fünf Tagen hatte ich starke Rückenschmerzen, wenn ich aufstand, starke Übelkeit und Schwindel, wenn ich mich hinlegte, und eine Mischung aus beidem, wenn ich auf einem Stuhl saß. Der Zweck, diese traurige Geschichte zu erzählen, ist nicht, meine Krankengeschichte den Lesern von IJE zu erzählen, sondern weil sie für die Geschichte von Berksons Voreingenommenheit relevant ist, die ich damals studiert hatte. Ich wurde nicht ins Krankenhaus eingeliefert, aber es war eine gute Sache, und es gab mir Erfahrungen aus erster Hand, wie ‚Personen mit zwei oder mehr Krankheiten eine höhere Wahrscheinlichkeit haben, ins Krankenhaus eingeliefert zu werden als Personen mit nur einer Krankheit — auch wenn diese Ergebnisse unabhängig sind‘.1 Wenn ich ins Krankenhaus eingeliefert und für eine Studie über Innenohrentzündungen rekrutiert worden wäre, und wenn es genug andere Menschen wie mich gegeben hätte, hätten wir wahrscheinlich zu einer falschen Schlussfolgerung beigetragen, dass Fußballverletzungen (die mein Rückenproblem verursachten) eine Ursache für Innenohrentzündungen waren — dies entspricht der ‚indirekten‘ Form von Berksons Verzerrung, 2 wie in Abbildung 3a in der Arbeit von Snoep et al.1

Berksons Voreingenommenheit (auch als ‚Berksons Irrtum‘ bezeichnet) ist vielleicht eine der bekanntesten, aber am wenigsten verstandenen Formen der Voreingenommenheit. Das Papier von Snoep et al.1 verdeutlicht, was der Bias ist, warum er manchmal wichtig ist, aber warum er normalerweise nicht. Wir werden drei Aspekte des Papiers kommentieren: (i) die Verwendung gerichteter azyklischer Graphen (DAGs); (ii) die Komponenten von Berksons Bias; und (iii) die wahrscheinliche Stärke und Richtung solcher Verzerrungen.

Gerichtete Azyklische Graphen (DAGs)

Das Papier von Snoep et al. zeigt deutlich die Kraft und Eleganz gerichteter Azyklischer Graphen (DAGs). Was wir bisher mit Worten, Wahrscheinlichkeiten und Zahlenbeispielen zu verstehen versuchten, kann jetzt mit Kausaldiagrammen viel eleganter erforscht werden. Dies stellt einen echten Fortschritt dar und verdeutlicht viele Aspekte von Berksons Voreingenommenheit.

Allgemeiner haben DAGs die zuvor trübe Beziehung zwischen Selektionsbias und Confounding geklärt. Traditionell wurde Selektionsverzerrung als Verzerrung beschrieben, die sich aus einer unangemessenen Auswahl (oder Selbstauswahl) von Studienteilnehmern aus der Quellpopulation ergibt.3 Auf einer Ebene ist dies klar genug, aber die Verwendung des Wortes ‚Selektion‘ hat oft dazu geführt, dass der Begriff auf eine unangemessene Selektion einer Vergleichsgruppe angewendet wurde, was zu Verwirrung darüber führte, ob Phänomene wie der Healthy Worker Effect Beispiele für Selektionsverzerrungen4 oder für Confounding sind,5,6 Die Situation ist weiter kompliziert, da Determinanten der Selektion (z. B. Alter, Geschlecht, sozioökonomische Position) effektiv zu Confounder werden und in der Analyse kontrolliert werden können, auch wenn sie in der Quellpopulation keine Confounder waren. Die Verwendung von DAGs verdeutlicht dies und unterscheidet zwischen Verzerrungen, die sich aus (unangemessener) Konditionierung gemeinsamer Effekte (Collider Bias oder Selection Bias) und mangelnder Konditionierung gemeinsamer Ursachen für Exposition und Ergebnis (Confounding) ergeben.6,7 Die beiden Phänomene können zusammen auftreten, z. B. wenn wir einen Collider konditionieren, der die Wirkung einer Ursache des Ergebnisses ist, anstatt eine Wirkung des Ergebnisses selbst zu sein. Einige würden dies als Selektionsverzerrung bezeichnen, während andere es auch als eine Art Verwechslung betrachten würden.8,9

Obwohl die drei Begriffe manchmal fast synonym verwendet werden, ist Collider Bias das allgemeinere Phänomen, das die Konditionierung gemeinsamer Effekte beinhaltet (obwohl Hernan et al.6 verwenden Sie den Begriff ‚Selection Bias‘ für dieses allgemeinere Phänomen); Selection Bias ist dann eine bestimmte Art von Collider-Bias, bei der der gemeinsame Effekt die Selektion in die Studie einbezieht; Berksons Verzerrung ist dann eine bestimmte Art von Auswahlverzerrung10, bei der die Auswahl der Fälle in die Studie vom Krankenhausaufenthalt abhängt und die Exposition eine andere Krankheit oder eine Ursache einer anderen Krankheit ist, die ebenfalls zum Krankenhausaufenthalt führt. Es ist unwahrscheinlich, dass dies ohne die Verwendung von DAGs so leicht geklärt worden wäre.

Die Komponenten von Berksons Bias

In seinem bloßen Wesen kann Berksons Bias als eine voreingenommene Schätzung der Expositionschancen unter den Fällen angesehen werden, da exponierte Fälle mit größerer Wahrscheinlichkeit identifiziert werden als nicht exponierte Fälle, wenn die Hospitalisierungsrate für die Fälle weniger als 100% beträgt und die Exposition eine andere Krankheit oder eine Ursache einer anderen Krankheit ist, die zu einem Krankenhausaufenthalt führt. Es ist möglich, mit numerischen Beispielen die verschiedenen Schritte in Berksons Bias zu veranschaulichen. Beginnen wir mit der in Tabelle 5 von Berksons Papier2 angegebenen Population, bei der das Odds Ratio 1,0 beträgt (Tabelle 1).

Wir gehen nun davon aus, dass die Studie hospitalisierte Fälle mit allgemeinen Bevölkerungskontrollen vergleicht (entsprechend Abbildung 1b von Snoep et al.1). Wir verwenden die gleichen Wahrscheinlichkeiten des Krankenhausaufenthalts für Krankheit 1 (die Exposition—0,15) und Krankheit 2 (die Fälle—0,05) des Berkson-Papiers. Wir nehmen auch an (anders als Berkson2 und Snoep et al.1) dass die Gesamtbevölkerung eine Prävalenz von 0, 2 und eine Krankenhausaufenthaltsrate von 0, 025 für jede andere Krankheit als D1 und D2 aufweist (diese unterschiedlichen Annahmen bedeuten, dass sich unsere Zahlen geringfügig von denen von Berkson unterscheiden2 und Snoep et al.1). Vergleicht die Studie hospitalisierte Fälle mit allgemeinen Bevölkerungskontrollen, die aus Nichtfällen mit einem Stichprobenanteil von 10% entnommen wurden, sind die entsprechenden Ergebnisse in Tabelle 2 dargestellt. Die geschätzte Odds Ratio beträgt jetzt 3,59, da die Expositionsquoten in den hospitalisierten Fällen höher sind (im Vergleich zu allen Fällen). Dies wird durch Collider-Bias verursacht, wie in Abbildung 1b von Snoep et al.1

Die entsprechenden Befunde aus einer Studie mit hospitalisierten Patienten derselben Population sind in Tabelle 3 dargestellt. Der Bias geht nun in die entgegengesetzte Richtung, da der Anstieg der Expositionsquoten in den Fällen (im Vergleich zu allen Fällen) durch einen noch stärkeren Anstieg der Expositionsquoten in den Nichtfällen (im Vergleich zur Allgemeinbevölkerung) mehr als ausgeglichen wird. Dies wird wiederum durch die Collider-Vorspannung verursacht, wie in Abbildung 1a von Snoep et al.1

Tabelle 4 zeigt ein Beispiel, das dem von Berkson ähnlicher ist,2 bei dem eine bestimmte Krankheit für die Auswahl der Kontrollen ausgewählt wurde und die Kontrollkrankheit eine Hospitalisierungswahrscheinlichkeit von 0,20 und eine Prävalenz von 0,005 aufweist; das Odds Ratio beträgt jetzt 2,26, und der Bias ist jetzt in die entgegengesetzte Richtung zu Tabelle 3, da die Hospitalisierungsrate für die Kontrollkrankheit größer ist als die Hospitalisierungsrate für die Fallkrankheit (und daher ist der Anstieg der Exposition in den Fällen größer als in den Kontrollen).

Wenn also allgemeine Bevölkerungskontrollen verwendet werden, neigt Berksons Verzerrung dazu, erhöhte Odds Ratios zu erzeugen (wenn die Hospitalisierungsrate für den Fall Krankheit ist weniger als 100%); bei Verwendung von Krankenhaussteuerungen kann die Vorspannung in beide Richtungen erfolgen.

Die Stärke und Richtung der Vorspannung

Das Papier von Snoep et al. es verdeutlicht nicht nur diese zugrunde liegenden Mechanismen von Berksons Verzerrung; Es liefert auch Schätzungen seiner Stärke und Richtung unter verschiedenen Umständen (siehe Snoep et al., Tabelle 31). Dies zeigt, dass, wenn Berkson konstruiert ein Szenario ähnlich Tabelle 4, in dem die Rate der Hospitalisierung in der Kontrollkrankheit (Refraktionsfehler) war deutlich höher als im Fall Krankheit (Diabetes)-0,2 im Vergleich zu 0.05-die Odds Ratios waren stark nach oben verzerrt (Zeile 1 von Snoep et al., Tabelle 31); Wenn die Hospitalisierungsrate bei der Kontrollkrankheit niedriger ist, ist das Odds Ratio nach unten verzerrt (Zeilen 4-5 in Tabelle 3 von Snoep et al.1), während es keine Verzerrung gibt, wenn die Hospitalisierungsrate für die beiden Krankheiten gleich ist und Patienten, die sowohl die Fall- als auch die Kontrollkrankheit haben, nur als Fälle gezählt werden (Zeilen 8-9, Tabelle 3 von Snoep et al.1).

Also kann Berksons Voreingenommenheit sicherlich auftreten, aber spielt es wirklich eine Rolle? Wie Snoep et al.1 beachten Sie, dass Berksons Beispiel auf einer hypothetischen Studie basierte, die den Zusammenhang zwischen vorherrschenden Fällen und einer anderen vorherrschenden Krankheit (der Exposition) untersuchte. Wenn die Exposition an sich kein direkter Grund für einen Krankenhausaufenthalt ist, ist nur die indirekte Form von Berksons Voreingenommenheit relevant — wie das Beispiel des Rückenproblems, das durch eine Fußballverletzung verursacht wird (siehe oben). Diese Verzerrung wird durch die Verwendung von Zwischenfällen weitgehend abgeschwächt und kann vollständig verhindert werden, indem Fälle ausgeschlossen werden, die aufgrund einer anderen Krankheit ins Krankenhaus eingeliefert wurden. Dies ist aus dem oben beschriebenen Beispiel ersichtlich – viele Menschen mit Mittelohrentzündungen müssten wegen gleichzeitiger Fußballverletzungen ins Krankenhaus eingeliefert werden, damit eine Materialverzerrung auftritt. Daher ist die Verzerrung in vielen (oder vielleicht den meisten) plausiblen Situationen extrem gering, insbesondere wenn Incident-Fälle verwendet werden. Obwohl es theoretisch interessant ist, war es in der Praxis weitgehend ‚viel Lärm um nichts‘.

Vielleicht ist die Hauptbotschaft hier, dass es nicht ausreicht, nur zu zeigen, dass eine Verzerrung auftreten könnte; es ist notwendig, auch die Wahrscheinlichkeit, dass es auftreten wird, und seine wahrscheinliche Stärke und Richtung zu bewerten. Epidemiologische Studien werden häufig auf der Grundlage des Potenzials für Informationsverzerrungen oder Restverwirrungen kritisiert. In einigen Fällen sind diese potenziellen Probleme real und wichtig; in anderen sind sie trivial. Bayes’sche Methoden werden zunehmend verfügbar, um die wahrscheinliche Stärke und Richtung solcher Verzerrungen zu beurteilen.11

Was uns zu den Einschränkungen von DAGs bringt. Berksons Arbeit führte zu extremen Ergebnissen, da sie auf vorherrschenden Fällen beruhte, eine Situation, die durch DAGs nicht leicht dargestellt werden kann. Wenn wir von vorherrschenden Fällen zu Vorfallsfällen wechseln, Alle DAGs in den Abbildungen 1-6 in Snoep et al.1 sehen immer noch gleich aus, aber die Verzerrungen sind im Allgemeinen trivial geworden. Dies veranschaulicht ein allgemeineres Problem von DAGs – sie können zeigen, dass eine Verzerrung auftreten kann, liefern jedoch keine Schätzungen ihrer wahrscheinlichen Stärke und Richtung. Ohne dies ist es leicht, einer ‚Analyselähmung‘ zu erliegen, die aus der Angst resultiert, sich auf einen potenziellen Störer einzustellen (der auch ein Kollider auf einem anderen Weg sein könnte), da dies zu einer Kolliderverzerrung (‚Kolliderangst‘) führen könnte. In einigen Situationen kann die Kolliderverzerrung in ihrer Größe mit unkontrollierter Verwechslung vergleichbar sein.7 In anderen Fällen wird dies nicht der Fall sein, und der Nutzen der Kontrolle der Verwechslung wird die Auswirkungen der Kolliderverzerrung bei weitem überwiegen. Es kommt darauf an.

Finanzierung

Das Centre for Public Health Research wird durch einen Programmzuschuss des Health Research Council of New Zealand unterstützt.

Danksagung

Wir danken Jan Vandenbroucke für seine Anmerkungen zum Manuskriptentwurf.

Interessenkonflikt: Keiner erklärt.