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

Berkson ’ s bias

In 1984 one of us (N. P.) was living on the beach in New Zealand. Olin kirjoittamassa väitöskirjaa, kun minulla oli Jalkapallo (’soccer’) vamma, joka antoi minulle vakava selkävaiva viikon. Kun olin kaksi ensimmäistä päivää maannut selälläni kuuntelemassa musiikkia enkä voinut tehdä paljon muuta, heräsin keskellä yötä pahoinvointiin ja huimaukseen, jonka ilmeisesti aiheutti sisäkorvatulehdus. Seuraavien viiden päivän ajan minulla oli kovia selkäkipuja, kun nousin seisomaan, voimakasta pahoinvointia ja huimausta, kun menin makuulle, ja näiden kahden sekoitus, kun istuin tuolille. Tämän surullisen tarinan kertaamisen tarkoituksena ei ole kertoa SAIRAUSKERTOMUSTANI IJE: n lukijoille, vaan pikemminkin siksi, että se liittyy Berksonin puolueellisuudesta kertovaan tarinaan, jota olin tuolloin tutkinut. En päässyt sairaalahoitoon, mutta se oli lähellä, ja sain siitä omakohtaista kokemusta siitä, miten ’kahdella tai useammalla sairaudella on suurempi todennäköisyys joutua sairaalaan kuin vain yhdellä sairaudella—vaikka tulokset olisivatkin riippumattomia’.1 Jos olisin ollut sairaalahoidossa ja rekrytoitu tutkimukseen sisäkorvan infektioita, ja jos olisi ollut tarpeeksi muita ihmisiä kuin minä,niin olisimme todennäköisesti myötävaikuttaneet väärään johtopäätökseen, että jalkapallo vammat (joka aiheutti selkäni ongelma) olivat syy sisäkorvan infektioita—tämä vastaa ”epäsuora” muodossa Berkson n bias, 2 kuten kuvassa 3a paperin Snoep et al.1

Berksonin harhaluulo (myös ”Berksonin harhaluulo”) on ehkä yksi tunnetuimmista, mutta vähiten ymmärretyistä vinouman muodoista. Snoep et al.1 selventää, mitä bias on, miksi se joskus väliä, mutta miksi se yleensä ei. kommentoimme kolme näkökohtaa paperin: (i) käyttö suunnattu Acyclic kaavioita (DAGs); (ii) komponentit Berkson n bias; ja (iii) todennäköinen vahvuus ja suunta tällaisia harhoja.

Directed Acyclic Graphs (DAGs)

the paper of Snoep et al. kuvaa selvästi valtaa ja eleganssia suunnattu Acyclic kaavioita (DAGs). Se, mitä aiemmin yritimme ymmärtää sanojen, todennäköisyyksien ja numeeristen esimerkkien avulla, voidaan nyt tutkia paljon tyylikkäämmin kausaalikaavioiden avulla. Tämä on todellinen edistysaskel, ja selventää monia näkökohtia Berksonin puolueellisuudesta.

yleisemmin Dagit ovat selventäneet aiemmin hämärää valintaharhojen ja sekoittamisen välistä suhdetta. Perinteisesti valintaharhaa on kuvattu harhaluuloksi, joka johtuu tutkittavien epätarkoituksenmukaisesta valinnasta (tai itsevalinnasta) lähdepopulaatiosta.3 yhdellä tasolla tämä on riittävän selvää, mutta sanan ”valinta” käyttö on usein johtanut siihen,että termiä on käytetty vertailuryhmän epätarkoituksenmukaiseen valintaan,mikä on johtanut sekaannukseen siitä, ovatko sellaiset ilmiöt kuin terve työntekijä-vaikutus esimerkkejä valinnasta bias4 vai hämmentävä, 5, 6 tilanne on vielä monimutkaisempi, koska valintaan vaikuttavat tekijät (esim.ikä, sukupuoli, sosioekonominen asema) voivat tehokkaasti tulla hämmentäviksi ja niitä voidaan valvoa analyysissä, vaikka ne eivät olisikaan sekoittajia lähdepopulaatiossa. Dag: n käyttö selventää tätä ja erottaa toisistaan harhat, jotka johtuvat (epätarkoituksenmukaisesta) ehdollistumisesta yleisiin vaikutuksiin (törmäysharha tai valintaharha) ja ehdollistumisen puutteesta yleisiin altistuksen ja lopputuloksen syihin (sekoittaminen).6,7 nämä kaksi ilmiötä voivat esiintyä yhdessä, esimerkiksi silloin, kun törmäytin on seurausta lopputuloksesta eikä itse lopputuloksesta. Jotkut leimaisivat tämän valinnan vinoutumaksi, 6 toiset pitäisivät sitä myös eräänlaisena sekoittamisena.8,9

näin ollen, vaikka näitä kolmea termiä käytetään joskus lähes keskenään, törmäysharha on yleisempi ilmiö, johon liittyy ehdollistuminen yleisiin vaikutuksiin (vaikka Hernan et al.6 käytä termiä ”valinta bias” tästä yleisempi ilmiö); valinta bias on sitten tietyntyyppinen törmäyttimen bias, jossa yhteinen vaikutus on valinta tutkimukseen; Berksonin vinouma on sitten tietyntyyppinen valinta bias10, jossa tapausten valinta tutkimukseen riippuu sairaalahoidosta, ja altistus on toinen sairaus tai toisen sairauden syy, joka johtaa myös sairaalahoitoon. On epätodennäköistä, että asia olisi selvinnyt näin helposti ilman Dageja.

berksonin bias

paljaassa olemuksessaan Berksonin bias voidaan nähdä puolueellisena arviointina altistumistodennäköisyyksistä tapausten välillä, koska altistuneet tapaukset tunnistetaan suuremmalla todennäköisyydellä kuin altistumattomat tapaukset, kun altistus on alle 100% ja altistus on jokin muu sairaus tai jonkin muun sairauden syy, joka johtaa sairaalahoitoon. On mahdollista havainnollistaa numeerisilla esimerkeillä Berksonin harhaan liittyviä eri vaiheita. Aloitetaan perusjoukosta, joka on ilmoitettu Berksonin paper2: n taulukossa 5, jossa kertoimen suhde on 1,0 (Taulukko 1).

oletamme nyt, että tutkimuksessa verrataan sairaalahoitotapauksia yleiseen väestön valvontaan (vastaa kuviota 1b Snoep et al.1). Käytämme samoja todennäköisyyksiä sairaalahoidon taudin 1 (altistuminen—0.15), ja taudin 2 (tapaukset—0.05) Berkson paperin. Olemme myös olettaa (eri berkson2 ja Snoep et al.1) että koko väestön esiintyvyys on 0,2 ja sairaalahoidon määrä 0,025 muiden sairauksien kuin D1 ja D2 (nämä eri oletukset tarkoittavat, että meidän numerot ovat hieman erilaisia kuin Berkson2 ja Snoep et al.1). Jos tutkimuksessa verrataan sairaalahoitotapauksia muihin kuin tapauksiin otettuihin yleisiin väestökontrolleihin, joiden otososuus oli 10 prosenttia, vastaavat löydökset on esitetty taulukossa 2. Arvioitu kerroin suhde on nyt 3,59, koska suurempi altistuminen kertoimet sairaalahoidossa tapauksissa (verrattuna kaikkiin tapauksiin). Tämä johtuu törmäyttimen bias kuten kuvassa 1b Snoep et al.1

taulukossa 3 on esitetty vastaavat havainnot tutkimuksesta, joka tehtiin sairaalahoitopotilailla samassa väestöryhmässä. Harha on nyt päinvastaiseen suuntaan, koska altistuskertoimien kasvu näissä tapauksissa (verrattuna kaikkiin tapauksiin) on enemmän kuin kompensoitu vielä suuremmalla altistuskertoimien kasvulla muissa kuin tapauksissa (verrattuna yleiseen väestöön). Tämä johtuu jälleen törmäyttimen bias, kuten kuvassa 1a Snoep et al.1

taulukossa 4 on samankaltainen esimerkki kuin Berkson, 2 jossa yksi tietty sairaus on valittu valintaan kontrollit ja kontrollitauti on 0,20 todennäköisyys sairaalahoidon ja esiintyvyys 0,005; kerroin suhde on nyt 2,26, ja bias on nyt vastakkaiseen suuntaan taulukon 3, koska sairaalahoitoa määrä kontrollitauti on suurempi kuin sairaalahoitoa määrä tapauksessa tauti (ja siksi lisääntynyt altistuminen on suurempi tapauksissa kuin kontrollit).

näin ollen, kun käytetään yleistä väestön valvontaa, Berkson n bias on taipumus tuottaa kohonneita kertoimet suhteet (kun sairaalahoito määrä tapauksessa tauti on alle 100%); sairaalan hallintalaitteita käytettäessä bias voi olla kumpaan suuntaan tahansa.

Biasin voimakkuus ja suunta

Snoep ym. ei vain selventää näitä taustalla olevia mekanismeja Berkson n bias; se tarjoaa myös arvioita sen vahvuus ja suunta erilaisissa olosuhteissa (KS.Snoep et al., Taulukko 31). Tämä paljastaa, että kun Berkson rakensi taulukon 4 kaltaisen skenaarion, jossa verrokkitaudissa (taittovirheet) sairaalahoidon määrä oli huomattavasti suurempi kuin tapauksessa (diabetes)-0,2 verrattuna arvoon 0.05-kertoimet olivat voimakkaasti puolueellisia ylöspäin (rivi 1 Snoep et al., taulukko 31); Kun sairaalahoidon määrä on pienempi kontrollitaudissa, odds-suhde on puolueellinen alaspäin (rivit 4-5 taulukossa 3 Snoep et al.1), vaikka ei ole puolueellisuutta, kun sairaalahoidon määrä on sama kahden sairauden osalta ja potilaat, joilla on sekä tapaus että kontrollitauti, lasketaan vain tapauksiksi (rivit 8-9, Snoep ym.: n taulukko 3.1).

joten Berksonin harhaa voi varmasti esiintyä, mutta onko sillä oikeasti merkitystä? As Snoep et al.1 huomaa, Berksonin esimerkki perustui hypoteettiseen tutkimukseen, jossa yhdistettiin vallitsevat tapaukset ja toinen vallalla oleva sairaus (altistuminen). Kun altistuminen ei sinänsä ole suoranainen syy sairaalahoitoon, vain Berksonin vinouman epäsuora muoto on merkityksellinen—kuten esimerkki jalkapallovamman aiheuttamasta selkävaivasta (KS. yllä). Tämä bias on suurelta osin vaimennettu käyttämällä vaaratilanteita ja voidaan estää kokonaan sulkemalla pois tapauksia, jotka joutuivat sairaalaan, koska toinen sairaus. Tämä voidaan nähdä edellä kuvatusta esimerkistä-monet ihmiset, joilla on tapaus välikorvan infektioita olisi sairaalahoidossa samanaikaisten jalkapallo vammoja materiaalin bias esiintyä. Näin ollen monissa (tai ehkä useimmissa) uskottavissa tilanteissa bias on erittäin pieni, varsinkin jos vaaratilanteita käytetään. Vaikka se on teoreettisesti mielenkiintoinen, käytännössä se on pitkälti ollut ”paljon melua tyhjästä”.

ehkä pääviesti tässä on se, että ei riitä, että vain osoitetaan, että puolueellisuutta voisi esiintyä; on tarpeen myös arvioida todennäköisyys, että se tapahtuu, ja sen todennäköinen vahvuus ja suunta. Epidemiologisia tutkimuksia arvostellaan usein informaatioharhaisuuden tai sekoittumisen mahdollisuuden perusteella. Joissakin tapauksissa nämä mahdolliset ongelmat ovat todellisia ja tärkeitä, toisissa ne ovat vähäpätöisiä. Bayesilaiset menetelmät ovat yhä saatavilla arvioida todennäköinen vahvuus ja suunta tällaisia harhoja.11

mikä tuo meidät Dagien rajoituksiin. Berksonin paperi tuotti äärimmäisiä tuloksia, koska se perustui vallitseviin tapauksiin, tilanteeseen, jota Dagit eivät voi helposti edustaa. Jos siirrymme vallitsevista tapauksista vaaratilanteisiin, kaikki Dag: t kuvioissa 1-6 Snoep et al.1 näyttää edelleen samalta, mutta harhat ovat yleensä muuttuneet vähäpätöisiksi. Tämä kuvaa Dagien yleisempää ongelmaa-ne voivat osoittaa, että bias voi esiintyä, mutta eivät anna arvioita sen todennäköisestä voimakkuudesta ja suunnasta. Ilman tätä on helppo sortua ”analyysihalvaukseen”, joka johtuu siitä, että pelätään sopeutumista mahdolliseen sekoittajaan (joka voi olla myös törmääjä toisella tiellä), koska se voi johtaa törmäysharhaan (”törmäysahdistus”). Joissakin tilanteissa törmäysharha voi olla kooltaan verrattavissa hallitsemattomaan sekoittumiseen.7 toisissa se ei, ja hyöty valvoa sekoittaminen on paljon suurempi kuin vaikutukset törmäyttimen bias. Se riippuu.

Rahoitus

kansanterveyden tutkimuskeskusta tukee Uuden-Seelannin Health Research Councilin myöntämä ohjelma-apuraha.

Kiitämme Jan Vandenbrouckea hänen käsikirjoitusluonnosta koskevista kommenteistaan.

eturistiriidat: Ei ilmoitettu.