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

Berkson ‘ s bias

1984-ben az egyikünk (N. P.) Új-Zéland tengerpartján élt. A doktori disszertációmat írtam, amikor egy futball (‘foci’) sérülésem volt, ami egy hétig súlyos hátproblémát okozott nekem. Az első két nap után, amikor a hátamon feküdtem, és zenét hallgattam, és nem tudtam mást csinálni, az éjszaka közepén hányingerrel és szédüléssel ébredtem, amelyet nyilvánvalóan a belső fül fertőzése okozott. A következő öt napban súlyos hátfájásom volt, amikor felálltam, súlyos hányinger és szédülés, amikor lefeküdtem, és a kettő keveréke, amikor egy széken ültem. A szomorú történet elmesélésének célja nem az, hogy kórtörténetemet az ije olvasóihoz kapcsoljam, hanem inkább azért, mert releváns Berkson elfogultságának történetéhez, amelyet akkor tanulmányoztam. Nem vettek fel a kórházba, de ez egy közeli dolog volt, és első kézből tapasztaltam meg, hogy ‘két vagy több betegségben szenvedők nagyobb valószínűséggel kerülnek kórházba, mint csak egy betegségben szenvedők—még akkor is, ha ezek az eredmények függetlenek’.1 ha kórházba kerültem volna, és a belső fülfertőzések tanulmányozására toboroztak volna, és ha elég hozzám hasonló ember lett volna,akkor valószínűleg hozzájárultunk volna ahhoz a hamis következtetéshez, hogy a futballsérülések (amelyek a hátproblémámat okozták) a belső fülfertőzések okai voltak—ez megfelel Berkson elfogultságának közvetett formájának, 2 amint azt a 3a ábra mutatja Snoep et al.1

Berkson elfogultsága (más néven Berkson tévedése) az elfogultság talán az egyik legismertebb, de legkevésbé megértett formája. A cikk Snoep et al.1 tisztázza, hogy mi az elfogultság, miért néha számít, de miért általában nem. a cikk három aspektusát fogjuk kommentálni: (i) irányított aciklikus gráfok (dag) használata; (ii) Berkson elfogultságának összetevői; és (iii) az ilyen elfogultságok valószínű erőssége és iránya.

irányított aciklikus gráfok (DAGs)

Snoep et al. világosan szemlélteti az irányított aciklikus gráfok (dag) erejét és eleganciáját. Amit korábban szavakkal, valószínűségekkel és numerikus példákkal próbáltunk megérteni, most sokkal elegánsabban feltárható oksági diagramok segítségével. Ez valódi előrelépést jelent, és tisztázza Berkson elfogultságának számos aspektusát.

általánosabban, a Dag-K tisztázták a korábban zavaros kapcsolatot a szelekciós torzítás és a zavaró között. Hagyományosan a szelekciós torzítást úgy írták le, mint a forráspopulációból származó vizsgálati alanyok nem megfelelő kiválasztásából (vagy önválasztásából) eredő torzítást.3 egy szinten ez elég egyértelmű, de a szelekció szó használata gyakran oda vezetett, hogy a kifejezést egy összehasonlító csoport nem megfelelő kiválasztására alkalmazták,ami zavart okoz abban a tekintetben,hogy az olyan jelenségek, mint az egészséges munkavállaló hatása, a szelekciós torzítás példái4 vagy a zavaró tényezők, 5, 6 a helyzetet tovább bonyolítja, hogy a szelekciót meghatározó tényezők (pl. életkor, nem, társadalmi-gazdasági helyzet) hatékonyan zavaróvá válhatnak, és ellenőrizhetők az elemzés során, még akkor is, ha nem zavaróak a forráspopulációban. A Dag-k használata tisztázza ezt, és különbséget tesz a közös hatások (nem megfelelő) kondicionálásából eredő torzítások (‘ütköző torzítás’ vagy ‘szelekciós torzítás’) és az expozíció és az eredmény gyakori okaira vonatkozó kondicionálás hiánya (zavaró) között.6,7 a két jelenség együtt fordulhat elő, pl. amikor olyan ütközőt feltételez, amely az eredmény okának következménye, nem pedig magának az eredménynek a következménye. Egyesek ezt szelekciós elfogultságnak nevezik, 6 mások úgy vélik, hogy ez is egyfajta zavaró.8,9

így, bár a három kifejezést néha szinte felcserélhetően használják, az ütköző torzítása az általánosabb jelenség, amely magában foglalja a közös hatások kondicionálását (bár Hernan et al.6 használja a ‘szelekciós torzítás’ kifejezést erre az általánosabb jelenségre); a szelekciós torzítás akkor az ütköző torzításának egy bizonyos típusa, amelyben a közös hatás a szelekció a vizsgálatba; Berkson elfogultsága ekkor egy bizonyos típusú szelekciós elfogultság10, amelyben az esetek kiválasztása a vizsgálatba a kórházi kezeléstől függ, és az expozíció egy másik betegség, vagy egy másik betegség oka, amely szintén kórházi kezelést eredményez. Nem valószínű, hogy ezt ilyen könnyen tisztázták volna a Dag-k használata nélkül.

a Berkson-féle elfogultság összetevői

a Berkson-féle elfogultság az esetek közötti expozíció esélyeinek elfogult becslésének tekinthető, mivel a kitett eseteket nagyobb valószínűséggel azonosítják, mint a nem kitett eseteket, amikor az esetek kórházi aránya kevesebb, mint 100%, és az expozíció egy másik betegség, vagy egy másik betegség oka, ami kórházi kezelést eredményez. Numerikus példákkal illusztrálható a Berkson elfogultságának különböző lépései. Kezdjük a Berkson paper2 5. táblázatában szereplő populációval, ahol az esélyhányados 1,0 (1.táblázat).

most feltételezzük, hogy a tanulmány összehasonlítja a kórházi eseteket az Általános populációs kontrollokkal (megfelel Snoep et al.1b. ábrájának.1). Ugyanazt a kórházi valószínűséget használjuk az 1.betegség (az expozíció—0,15) és a 2. betegség (az esetek—0,05) esetében Berkson tanulmányában. Azt is feltételezzük (eltérően Berkson2 és Snoep et al.1) hogy az egész populáció prevalenciája 0,2, kórházi aránya pedig 0,025 bármely más betegség esetében, mint a D1 és a D2 (ezek a különböző feltételezések azt jelentik,hogy számaink kissé eltérnek Berkson2 és Snoep et al.1). Ha a tanulmány összehasonlítja a kórházi eseteket a nem esetekből vett általános populációs kontrollokkal, 10% – os mintavételi frakcióval, a megfelelő megállapításokat a 2.táblázat mutatja. A becsült esélyhányados most 3,59, a kórházi esetekben magasabb expozíciós esélyek miatt (az összes esethez képest). Ezt az ütköző torzulása okozza, amint azt Snoep et al. 1b. ábrája mutatja.1

az azonos populációban kórházi betegek körében végzett vizsgálat megfelelő megállapításait a 3.táblázat mutatja. Az elfogultság most az ellenkező irányba mutat, mivel az expozíciós esélyek növekedését az esetekben (az összes esethez képest) több mint ellensúlyozza az expozíciós esélyek még nagyobb növekedése a nem esetekben (az általános populációhoz képest). Ezt ismét az ütköző torzítása okozza, amint azt Snoep et al. 1a.1

a 4. táblázat egy olyan példát mutat be, amely jobban hasonlít a Berksonéhoz,2 amelyben egy adott betegséget választottak ki a kontrollok kiválasztására, és a kontroll betegségnek 0,20 a kórházi kezelés valószínűsége és a prevalencia 0,005; az esélyhányados most 2,26, és az elfogultság most a 3. táblázattal ellentétes irányba mutat, mert a kontroll betegség kórházi aránya nagyobb, mint az eset betegség kórházi aránya (és ezért az expozíció növekedése nagyobb az esetekben, mint a kontrollokban).

így az Általános populációkontrollok alkalmazásakor Berkson elfogultsága általában megnövekedett esélyarányt eredményez (amikor az eset kórházi aránya betegség kevesebb, mint 100%); kórházi kontrollok használatakor az elfogultság mindkét irányban lehet.

az erőssége és iránya torzítás

a papír Snoep et al. nem csak tisztázza Berkson elfogultságának ezeket a mögöttes mechanizmusait; becsléseket ad az erejéről és irányáról különböző körülmények között (lásd Snoep et al., 31. táblázat). Ez azt mutatja, hogy amikor Berkson a 4. táblázathoz hasonló forgatókönyvet készített, amelyben a kórházi kezelés aránya a kontroll betegségben (refrakciós hibák) jelentősen magasabb volt, mint abban az esetben betegség (cukorbetegség)-0,2 a 0-hoz képest.05-Az esélyhányadosok erősen felfelé torzultak (Snoep 1. sora et al., 31. táblázat); amikor a kórházi ápolás aránya alacsonyabb a kontroll betegségben, az esélyhányados lefelé torzul (4-5 sor a Snoep 3. táblázatában et al.1), míg nincs elfogultság, ha a kórházi ápolás aránya megegyezik a két betegség esetében, és azokat a betegeket, akiknél mind az eset, mind a kontroll betegség csak eseteknek számít (8-9.sor, Snoep 3. táblázata et al.1).

tehát Berkson elfogultsága minden bizonnyal előfordulhat, de tényleg számít? Mint Snoep et al.1 megjegyzés: Berkson példája egy hipotetikus tanulmányon alapult, amely magában foglalta az elterjedt esetek és egy másik elterjedt betegség (az expozíció) közötti összefüggést. Ha az expozíció önmagában nem közvetlen oka a kórházi ápolásnak, akkor csak Berkson elfogultságának közvetett formája releváns—mint például a futballsérülés okozta hátprobléma példája (lásd fent). Ez az elfogultság nagymértékben gyengül az incidensek alkalmazásával, és teljesen megelőzhető, ha kizárják azokat az eseteket, amelyek egy másik betegség miatt kórházba kerültek. Ez látható a fent leírt példából—sok középfül-fertőzésben szenvedő embert kórházba kell helyezni egyidejű labdarúgó-sérülések miatt, hogy anyagi elfogultság forduljon elő. Így sok (vagy talán a legtöbb) hihető helyzetben az elfogultság rendkívül kicsi lesz, különösen, ha incidenseket alkalmaznak. Bár elméletileg érdekes, a gyakorlatban nagyrészt ‘Sok hűhó a semmiről’volt.

talán a fő üzenet itt az, hogy nem elegendő pusztán annak bizonyítása, hogy elfogultság fordulhat elő; meg kell vizsgálni annak valószínűségét is, hogy ez bekövetkezik, és annak valószínű erejét és irányát. Az epidemiológiai tanulmányokat gyakran kritizálják az információs torzítás vagy a maradék zavaró képesség alapján. Bizonyos esetekben ezek a potenciális problémák valósak és fontosak; másokban triviálisak. A Bayes-I módszerek egyre inkább elérhetővé válnak az ilyen elfogultságok valószínű erősségének és irányának felmérésére.11

ami elvezet minket a Dag-k korlátaihoz. Berkson tanulmánya rendkívüli eredményeket hozott, mert elterjedt eseteken alapult, olyan helyzet, amelyet a Dag-k nem tudnak könnyen képviselni. Ha az elterjedt esetekről incidensekre váltunk, az összes dag az 1-6. ábrán Snoep et al.1 még mindig ugyanúgy néz ki, de az elfogultságok általában triviálissá váltak. Ez a Dag-k általánosabb problémáját szemlélteti—megmutathatják, hogy előfordulhat torzítás, de nem adnak becslést annak valószínű erejéről és irányáról. E nélkül könnyű engedni az ‘elemzési bénulásnak’, amely abból a félelemből fakad, hogy alkalmazkodni kell egy potenciális zavaróhoz (amely szintén ütköző lehet egy másik úton), mert ez ütköző elfogultságot eredményezhet (‘ütköző szorongás’). Bizonyos helyzetekben az ütköző torzítása összehasonlítható lehet az ellenőrizetlen zavarással.7 másokban nem fog, és a zavaró hatás ellenőrzésének haszna messze felülmúlja az ütköző elfogultságának hatásait. Minden attól függ.

finanszírozás

a közegészségügyi kutatóközpontot az Új-zélandi Egészségügyi Kutatási Tanács Programtámogatása támogatja.

Köszönetnyilvánítás

köszönjük Jan Vandenbroucke észrevételeit a kézirattervezethez.

összeférhetetlenség: nincs bejelentve.