Comentário: Três mundos colidem: Berkson do viés, o viés de seleção e de hadrões viés

Berkson viés

Em 1984, um de nós (N. P.) vivia na praia na Nova Zelândia. Eu estava escrevendo minha tese de Doutorado, quando eu tive uma lesão no futebol (‘futebol’) que me deu um grave problema nas costas por uma semana. Depois dos dois primeiros dias de deitado de costas ouvindo música e não sendo capaz de fazer muito mais, acordei no meio da noite com náuseas e tonturas aparentemente causadas por uma infecção no ouvido interno. Nos cinco dias seguintes tive dores nas costas quando me levantei, náuseas e tonturas quando me deitei e uma mistura dos dois quando me sentei numa cadeira. O propósito de recontar esta triste história não é relacionar a minha história médica com os leitores da IJE, mas sim porque é relevante para a história do preconceito de Berkson, que eu estava estudando na época. Eu não fui internado no hospital, mas era uma coisa próxima, e isso me deu experiência em primeira mão de como “pessoas com duas ou mais doenças têm uma maior probabilidade de ser hospitalizadas do que pessoas com apenas uma doença—mesmo que estes resultados são independentes”.1 Se eu tivesse sido hospitalizado e recrutados para um estudo do interior infecções de ouvido, e se não tivesse sido o suficiente outras pessoas como eu, então provavelmente teria contribuído para uma falsa conclusão de que o futebol de lesões (o que causou o meu problema nas costas), eram uma causa de infecções do ouvido interno—corresponde ao ‘indireta’ forma de Berkson viés,2, conforme ilustrado na Figura 3a, no papel de Snoep et al.1

o viés de Berkson (também chamado de falácia de Berkson) é talvez uma das mais conhecidas, mas menos bem compreendidas, formas de viés. The paper by Snoep et al.1 esclarece o que é o viés, por que às vezes importa, mas por que geralmente não. vamos comentar sobre três aspectos do artigo: (i) o uso de Grafos acíclicos direcionados (DAGs); (ii) os componentes do viés de Berkson; e (iii) a força provável e direção de tais viés.

grafos acíclicos dirigidos (DAGs)

the paper of Snoep et al. ilustra claramente o poder e a elegância dos Grafos acíclicos direcionados (DAGs). O que usamos anteriormente para tentar entender usando palavras, probabilidades e exemplos numéricos, pode agora ser explorado muito mais elegantemente usando diagramas causais. Isso representa um avanço real, e esclarece muitos aspectos do preconceito de Berkson.

mais genericamente, os DAGs clarificaram a relação anteriormente Obscura entre o viés da seleção e a confusão. Tradicionalmente, o viés de selecção tem sido descrito como viés resultante de selecção inadequada (ou auto-selecção) de indivíduos do estudo da população de origem.3 Em um nível isso é claro o suficiente, mas o uso da palavra ‘seleção’ tem levado, muitas vezes, o termo está sendo aplicado a selecção inadequada de um grupo de comparação, levando assim a confusão para se fenômenos como a saudável de trabalho e os efeitos são exemplos de seleção bias4 ou de confusão,5,6, A situação é ainda mais complicada porque determinantes da seleção (e.g. idade, sexo, posição socioeconómica) pode efetivamente se tornar fatores de confusão e ser controlada para a análise, mesmo se eles não foram fatores de confusão na população de origem. O uso de AGS esclarece isso, e distingue entre preconceitos resultantes de condicionamento (inadequado) sobre efeitos comuns (“viés de colisor” ou “viés de seleção”) e falta de condicionamento sobre causas comuns de exposição e resultado (confundindo).6,7 os dois fenômenos podem ocorrer juntos, por exemplo, quando condicionamos um colisor que é o efeito de uma causa do resultado em vez de ser um efeito do próprio resultado. Alguns classificariam isso como um viés de seleção,outros 6 considerariam que também seria um tipo de confusão.8,9

assim, embora os três Termos sejam por vezes usados quase indistintamente, o viés de colisor é o fenômeno mais geral que envolve condicionamento sobre efeitos comuns (embora Hernan et al.6 usar o termo ‘viés de seleção’ para este fenômeno mais geral); viés de seleção é então um tipo particular de viés de colisor em que o efeito comum é a seleção no estudo; O viés de Berkson é, então, um tipo particular de bias10 seleção em que a seleção de casos no estudo depende da hospitalização, e a exposição é outra doença, ou uma causa de outra doença, que também resulta em hospitalização. É pouco provável que isto tivesse sido tão facilmente clarificado sem o uso de gags.

Os componentes de Berkson viés

No mínimo essência, Berkson viés pode ser visto como parcial de uma estimativa das probabilidades de exposição entre os casos uma vez que expostos casos são identificados com maior probabilidade do que os não-expostos casos, quando a taxa de hospitalização de casos é menor que 100% e a exposição é uma outra doença ou causa de outra doença, o que resulta em hospitalização. É possível ilustrar com exemplos numéricos os diferentes passos envolvidos no viés de Berkson. Vamos começar com a população relatada na Tabela 5 do paper2 de Berkson, onde o rácio de probabilidades é de 1,0 (Tabela 1).

Quadro 1.

Associação na população em geral, conforme relatado em Berkson2

. exposto . não expostos . Total .
Cases 3000 97 000 100 000
Non-cases 297 000 9 603 000 9 900 000
Total 300 000 9 700 000 10 000 000
. Exposed . Unexposed . Total .
Casos 3000 97 000 100 000
Não-casos 297 000 9 603 000 9 900 000
Total 300 000 9 700 000 10 000 000

Odds ratio = 1.0.

Tabela 1.

Associação na população em geral, conforme relatado em Berkson2

. exposto . Unexposed . Total .
Cases 3000 97 000 100 000
Non-cases 297 000 9 603 000 9 900 000
Total 300 000 9 700 000 10 000 000
. Exposed . Unexposed . Total .
Casos 3000 97 000 100 000
Não-casos 297 000 9 603 000 9 900 000
Total 300 000 9 700 000 10 000 000

Odds ratio = 1.0.

supomos agora que o estudo compara casos hospitalizados com controles gerais da população (correspondendo à figura 1b de Snoep et al.1). Nós usamos as mesmas probabilidades de hospitalização para a doença 1 (a exposição—0.15), e doença 2 (os casos—0.05) do artigo de Berkson. Nós também assumimos (diferentemente de Berkson2 e de Snoep et al.1) que toda a população tem uma prevalência de 0,2 e uma taxa de hospitalização de 0,025 para qualquer outra doença que D1 e D2 (estes pressupostos diferentes significam que os nossos números são um pouco diferentes das do Berkson2 e Snoep et al.1). Se o estudo comparar casos hospitalizados com controlos da população em geral recolhidos de não-Casos com uma fracção de amostragem de 10%, os resultados correspondentes são apresentados no quadro 2. A razão de probabilidades estimada é agora de 3.59, devido a maiores probabilidades de exposição nos casos hospitalizados (em comparação com todos os casos). Isto é causado por viés de colisor, como mostrado na figura 1b de Snoep et al.1

Quadro 2.

Associação em casos hospitalizados e controlos gerais da população

. exposto . não expostos . Total .
Cases 590 5311 5901
Controls 29 700 960 300 990 000
Total 30 290 965 611 995 901
. Exposed . Unexposed . Total .
Casos 590 5311 5901
Controles 29 700 960 300 990 000
Total 30 290 965 611 995 901

Odds ratio = 3.59.

Tabela 2.

Associação em casos hospitalizados e controlos gerais da população

. exposto . Unexposed . Total .
Cases 590 5311 5901
Controls 29 700 960 300 990 000
Total 30 290 965 611 995 901
. Exposed . Unexposed . Total .
Casos 590 5311 5901
Controles 29 700 960 300 990 000
Total 30 290 965 611 995 901

Odds ratio = 3.59.

os resultados correspondentes de um estudo realizado entre pacientes hospitalizados na mesma população são mostrados na Tabela 3. O viés está agora na direção oposta, porque o aumento nas probabilidades de exposição nos casos (em comparação com todos os casos) é mais do que compensado por um aumento ainda maior nas probabilidades de exposição nos Não-casos (em comparação com a população em geral). Isto é novamente causado pelo viés do colisor, como representado na figura 1a de Snoep et al.1

Quadro 3.

associação usando casos hospitalizados e controles de pacientes hospitalizados para qualquer doença, com uma prevalência de 0,2 da população e um 0.025 probabilidade de hospitalização para qualquer doença que não seja D1 (exposição) ou D2 (casos)

. exposto . não expostos . Total .
Casos 590 5311 5901
Controles 45 812 48 015 93 827
Total 46 402 53 326 99 728
. exposto . não expostos . Total .
Casos 590 5311 5901
Controles 45 812 48 015 93 827
Total 46 402 53 326 99 728

Odds ratio = 0.12.

Tabela 3.

associação usando casos hospitalizados e controles de pacientes hospitalizados para qualquer doença, com um 0.2 prevalência da população e uma probabilidade de 0,025 de hospitalização para qualquer doença que não seja D1 (exposição) ou D2 (casos)

. exposto . não expostos . Total .
Casos 590 5311 5901
Controles 45 812 48 015 93 827
Total 46 402 53 326 99 728
. Exposed . Unexposed . Total .
Cases 590 5311 5901
Controls 45 812 48 015 93 827
Total 46 402 53 326 99 728

Odds ratio = 0.12.

a Tabela 4 mostra um exemplo de Berkson,2 em que uma determinada doença foi escolhido para a seleção de controles e o controle da doença tem um 0.20 probabilidade de hospitalização e uma prevalência de 0,005; o odds ratio é agora 2.26, e a tendência está agora na direção oposta a Tabela 3, porque a taxa de hospitalização para o controle da doença é maior do que a taxa de hospitalização para o caso de a doença (e, por conseguinte, o aumento da exposição é maior nos casos do que nos controles).

Quadro 4.

Associação dos controles hospitalizado com uma doença em particular, com um 0.005 população de prevalência e de 0,20 a probabilidade de internação para o controle da doença

. exposto . não expostos . Total .
Cases 590 5311 5901
Controls 480 9757 10 237
Total 1070 15 068 16 138
. Exposed . Unexposed . Total .
Casos 590 5311 5901
Controles 480 9757 10 237
Total 1070 15 068 16 138

Odds ratio = 2.26.

Tabela 4.

associação que utiliza controlos hospitalizados com uma doença específica, com uma prevalência de 0, 005 na população e um 0.20 probability of hospitalization for the control disease

. Exposed . Unexposed . Total .
Cases 590 5311 5901
Controls 480 9757 10 237
Total 1070 15 068 16 138
. Exposed . Unexposed . Total .
Casos 590 5311 5901
Controles 480 9757 10 237
Total 1070 15 068 16 138

Odds ratio = 2.26.

assim, ao usar o controle geral da população, o viés de Berkson tenderá a produzir rácios de probabilidade elevados (quando a taxa de hospitalização para a doença do caso é inferior a 100%); ao usar controles hospitalares, o viés pode ser em qualquer direção.

the strength and direction of bias

the paper by Snoep et al. não só esclarece estes mecanismos subjacentes do viés de Berkson, como também fornece estimativas de sua força e Direção em uma variedade de circunstâncias (veja Snoep et al., Quadro 31). Isto revela que, quando Berkson construiu um cenário semelhante à tabela 4, em que a taxa de hospitalização na doença de controle (erros refrativos) foi consideravelmente maior do que no caso da doença (diabetes)-0.2 em comparação com 0.05-os rácios de probabilidades foram fortemente tendenciosos para cima (linha 1 de Snoep et al., tabela 31); Quando a taxa de hospitalização é menor na doença de controle, a razão de probabilidades é tendenciosa para baixo (linhas 4-5 na Tabela 3 de Snoep et al.1), enquanto que não há viés quando a taxa de hospitalização é a mesma para as duas doenças e os pacientes que têm tanto o caso quanto a doença de controle são contados apenas como casos (linhas 8-9, Tabela 3 de Snoep et al.1).

então o preconceito de Berkson pode certamente ocorrer, mas isso realmente importa? As Snoep et al.1 Nota, O exemplo de Berkson foi baseado em um estudo hipotético envolvendo a associação entre casos prevalentes e outra doença prevalente (a exposição). Quando a exposição não é uma razão direta para a hospitalização em si, apenas a forma indireta do viés de Berkson é relevante-como o exemplo sobre o problema de costas causado por uma lesão no futebol (ver acima). Este viés é amplamente atenuado pelo uso de casos incidentes e pode ser prevenido completamente excluindo casos que foram hospitalizados por causa de outra doença. Isto pode ser visto a partir do exemplo descrito acima-muitas pessoas com infecções no ouvido médio incidente teriam de ser hospitalizadas por lesões simultâneas no futebol para a ocorrência de viés material. Assim, em muitas (ou talvez na maioria) Situações plausíveis, o viés será extremamente pequeno, particularmente se Casos de incidente são usados. Embora seja teoricamente interessante, na prática tem sido em grande parte “muito ado sobre nada”.

talvez a principal mensagem aqui é que não é suficiente simplesmente demonstrar que um viés poderia ocorrer; é igualmente necessário avaliar a probabilidade de ocorrência e a sua provável força e direcção. Os estudos epidemiológicos são frequentemente criticados com base no potencial de viés de informação ou confusão residual. Em alguns casos, estes problemas potenciais são reais e importantes; noutros são triviais. Os métodos bayesianos estão cada vez mais disponíveis para avaliar a força e direção prováveis de tais preconceitos.11

o que nos leva às limitações dos DAGs. O artigo de Berkson produziu resultados extremos porque foi baseado em casos prevalentes, uma situação que não pode ser facilmente representada por DAGs. Se mudarmos de casos prevalentes para casos de incidentes, todos os CADs nas figuras 1-6 em Snoep et al.Eu ainda pareço o mesmo, mas os preconceitos geralmente se tornaram triviais. Isto ilustra um problema mais geral dos DAGs – eles podem mostrar que um viés pode ocorrer, mas não fornecem estimativas de sua força provável e direção. Sem isso, é fácil sucumbir à “paralisia de análise”, que deriva do medo de se ajustar para um confluente potencial (que também pode ser um colisor em outro caminho), porque fazê-lo pode resultar em viés de colisor (‘ansiedade de colisor’). Em algumas situações, o viés de colisor pode ser comparável em tamanho com confusão descontrolada.7 em outros não vai, e o benefício de controlar a confusão vai superar de longe os efeitos de colisor viés. Tudo depende.

financiamento

o centro de investigação em Saúde Pública é apoiado por uma subvenção do programa do Conselho de Investigação em Saúde da Nova Zelândia.

agradecimentos

agradecemos a Jan Vandenbroucke pelos seus comentários sobre o manuscrito.

conflito de interesses: nenhum declarado.

1

Snoep
JD

Morabia
Um

Hernandez-Diaz
S

Hernan
MA

Vandenbroucke
JP

.

a structural approach to Berkson’s fallacy: and a guide to a history of opinions about it

.

Int J Epidemiol
2014

;

43

:

515

21

.

2

Berkson
J

.

limitações da aplicação da análise quadruplicada da tabela aos dados hospitalares

.

Biometria Bull
1946

;

2

:

47

53

.

Reprinted Int J Epidemiol 2014;; 43: 511-15.

3

Rothman
KJ

a Groenlândia
S

Chicote
TL

.

validade em estudos epidemiológicos

. Em:

Rothman
KJ

a Groenlândia
S

Chicote
TL

(eds).

Epidemiologia Moderna

. 3rd edn.

Filadélfia, PA

:

Lippincott Williams & Wilkins

,

2008

.

4

Checkoway
H

Pearce
N

Crawford-Brown
D

.

Research Methods in Occupational Epidemiology

.

New York

:

Oxford University Press

,

1989

.

5

Checkoway
H

Pearce
N

Kriebel
D

.

Research Methods in Occupational Epidemiology

. 2nd edn.

New York

:

Oxford University Press

,

2004

.

6

Hernan
MA

Hernandez-Diaz
S

Robins
JM

.

a structural approach to selection bias

.

Epidemiologia
2004

;

15

:

615

25

.

7

A Groenlândia
S

.

Quantificating viases in causal models:Classical confounding vs collider-stratification bias

.

Epidemiologia
2003

;

14

:

300

06

.

8

Glymour
MM

a Groenlândia
S

.

diagramas causais

. Em:

Rothman
KJ

a Groenlândia
S

Chicote
TL

(eds).

Epidemiologia Moderna

. 3rd edn.

Filadélfia, PA

:

Lippincott Williams & Wilkins

,

2008

.

9

Pizzi
C

De Stavola
B

Merletti
F

et al. .

selecção de amostras e validade das estimativas da Associação exposição-doença em estudos de coorte

. Saúde Pública

2011

;

65

:

407

11

.

10

Westreich
D

.

berkson’s bias, selection bias, and missing data

.

Epidemiologia
2012

;

23

:

159

64

.

11

A Groenlândia
S

.

Bayesian perspectives for epidemiologic research. III. Análise de enviesamento através de métodos de dados em falta

.

Int J Epidemiol
2010

;

39

:

1116

16

.

You might also like

Deixe uma resposta

O seu endereço de email não será publicado.