L karprogrammet termin 5 ht 2013
Download
1 / 37

Läkarprogrammet – Termin 5, Ht 2013 - PowerPoint PPT Presentation


  • 129 Views
  • Uploaded on

Epidemiologi (II). Läkarprogrammet – Termin 5, Ht 2013. Lars Rylander Avdelningen för arbets- och miljömedicin, Lund E-post: [email protected] Tel: 046 – 222 1631. Exempel: Sjukdomsmått. 1990 2000 2010 Antal astmatiker Kontorister 20 25 30

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Läkarprogrammet – Termin 5, Ht 2013' - adila


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
L karprogrammet termin 5 ht 2013

Epidemiologi (II)

Läkarprogrammet – Termin 5, Ht 2013

Lars Rylander

Avdelningen för arbets- och miljömedicin, Lund

E-post: [email protected]

Tel: 046 – 222 1631


Exempel: Sjukdomsmått

1990 2000 2010

Antal astmatiker

Kontorister 20 25 30

Djurskötare 10 25 40

PREVALENS

Kontorister 5% (20/400) 6.25% (25/400) 7.5% (30/400)

Djurskötare 2.5% (10/400) 6.25% (25/400) 10% (40/400)

Prevalenskvot0.5 (2.5/5) 1 (6.25/6.25) 1.33 (10/7.5)

KUMULATIV INCIDENS (RISK)

Kontorister - 1.3% [5/(400-20)] 1.3% [5/(400-25)]

Djurskötare - 3.8% [15/(400-10)] 4.0% [15/(400-25)]

Riskkvot - 2.9 (3.8/1.3) 3.0 (4/1.3)

INCIDENS

Kontorister - 1.3/1000 py1.3/1000 py

5/(375*10+5*5) 5/(370*10+5*)

Djurskötare - 3.9/1000 py4.1/1000 py

15/(375*10+15*5) 15/(360*10+15*5)

Incidenskvot - 3.0 (3.9/1.3) 3.2 (4.1/1.3)


Studiedesign

  • Tvärsnittsnittstudier

    (Cross-sectional studies)

  • Kohortstudier

    (Follow-up studies)

  • Fall-kontrollstudier

    (Case-control studies)


Tvärsnittsstudier

Avser att studera förhållanden

vid en viss tidpunkt.


Tvärsnittsstudie

Sambandet mellan monotont arbete inom

fiskberedningsindustrin och nack/skulderbesvär

[Från Ohlsson et al, Occup Environ Med 1994;51:826-32]

Exponerade vs Referenter

Ålder Riskkvot (POR) 95% KI

< 30 4.2 (1.8-10)

30-44 4.0 (2.0-8.0)

 45 1.3 (0.71-2.5)

Är det rimligt att äldre har mindre risk?

Om inte, hur kan resultaten förklaras?


Tvärsnittsstudier

Risken att få ett barn med spina bifida (ryggraden inte är samman-

vuxen) hos rökande mödrar jämfört med icke rökande mödrar.

[Från Källén K, Am J Epidemiol 1998;147:1103-11]

Riskkvot (OR) 95% KI

Icke rökare 1.00 -

< 10 cig/dag 0.79 (0.63-1.00)

 10 cig/dag 0.66 (0.49-0.90)

=> Rökning en skyddande effekt?


Andel

med

diabetes

(%)

p,p’-DDE

CB-153

(Från

Rylander m fl 2005)

Tvärsnittsstudier

Typ 2 diabetes hos fiskarhustrur (I)

CB-153 och p,p’-DDE är markörer för långlivade klororganiska miljögifter (sk POPs)

Fiskarhustrur är av intresse eftersom en viktig källa för exponering är fet fisk från Östersjön.


Tvärsnittsstudier

Typ 2 diabetes hos fiskarhustrur (II)

Diabetes (%)

Från Rignell-Hydbom

et al 2007

p,p’-DDE

CB-153

Kausalitet?


POP* och typ 2 diabetes -

Studier bland fiskarfamiljer

Samband!! - Kausalitet??

a)

↑ POP nivåer

Typ 2 diabetes

b)

↑ POP nivåer

Typ 2 diabetes

*POP = Persistent Organochlorine Pollutants,

t ex PCB, DDT, Dioxin, …


Tvärsnittsstudier

Sammanfattning:

- Snabbt/enkelt!

- Selektion?

- Kausalitet/tolkning?


Kohortstudier

(Follow-up studies)

Kohort:

grupp med någon gemensam egenskap

(ex födelseår, rökare, yrke, vegetarianer, …)

Syfte:

mäta och vanligtvis jämföra

incidensen i flera kohorter


Kohortstudier

Population

(alla friska)

Oexponerade/

Lågt exponerade

Oexponerade/

Lågt exponerade

SJUKA

Högexponerade

Högexponerade

tid


Kohortstudier

Retrospektiv

Prospektiv

(historisk)

Fall registreras

(död/sjukdom)

Kohort

Fall registreras

(död/sjukdom)

Kohort

tid

Nutid


Kohortstudier

Exempel: POP och Typ 2 diabetes

WHILA-kohorten

(=Women Health In Lund Area)

Kvinnor i Lundaregionen

Ålder 50-59 år

1995-2000

Intervjuade

Blodprov

~7000 kvinnor

*POP = Persistent Organochlorine Pollutants,

t ex PCB, DDT, Dioxin, …


Kohortstudier

Exempel: POP och typ 2 diabetes

Population:

WHILA (dvs de utan typ 2

diabetes vid baseline)

Låga POP-nivåer

(PCB, DDE)

Låga POP-nivåer

(PCB, DDE)

Typ 2

diabetes

Höga POP-nivåer

Höga POP-nivåer

tid


Kohortstudier

Att tänka på:

1. Vem ska inkluderas i kohorten?

2. Tidpunkt för inträde/utträde ur kohorten.

3. Uppföljning

a. vitalstatus

b. tidpunkt för fall

c. eventuell annan information

4. Kodning av fall

5. Speciella jämförelsegrupper


Kohortstudier

- Vanlig sjukdom

- Ovanlig exponering

Vad gör man om:

- ovanlig sjukdom

- exponeringsinformation

dyrt/tidskrävande ?


Kohortstudier

Exempel: POP och typ 2 diabetes

Population:

WHILA (dvs de utan typ 2

diabetes vid baseline)

Låga POP-nivåer

(PCB, DDE)

Låga POP-nivåer

(PCB, DDE)

Typ 2

diabetes

Höga POP-nivåer

Höga POP-nivåer

Kostnad:

Varje analys kostar ca 1000 kr

7000 individer => DYRT !!!

tid


Fall-kontrollstudier

Population

FALL: De individer som fått den sjukdom

vi studerar.

KONTROLLER: De individer som inte fått

den sjukdom vi studerar.

Vår uppgift är att ta reda på exponerings-

fördelningen hos fallen och kontrollerna.

(Exponering kan t ex vara medicinering,

kost, behandling, miljögifter,…)

Kontroller

FALL


Fall kontrollstudie
Fall-kontrollstudie

Samband mellan långlivade miljögifter (POP)

och risken att utveckla typ 2 diabetes

Fall-kontrollstudie inom WHILA-kohorten

(Women’s Health In Lund Area)

Fall: Kvinnor inom WHILA-kohorten

som utvecklat typ 2 diabetes

Kontroller: Kvinnor inom WHILA-kohorten som INTE utvecklat typ 2 diabetes

POP analyseras i sparade blodprov


Fall-kontrollstudier

Population =

WHILA-kohorten

FALL: De kvinnor i WHILA-kohorten som

fått diagnosen typ 2 diabetes efter

baseline-undersökningen.

KONTROLLER: Kvinnor från WHILA-kohorten

som inte fått diagnosen typ 2 diabetes.

VÅR UPPGIFT: Ta reda på exponerings-

fördelningen hos fallen och kontrollerna.

Med andra ord: Skiljer sig andelen

högexponerade hos fallen jämfört med

kontrollerna?

Kontroller

FALL


Fall-kontrollstudie

RESULTAT

- Totalt hade vi 371 fall och lika

många kontroller

  • Om vi inkluderade alla i analysen såg vi

    inget samband mellan exponering och

    risken att utveckla typ 2 diabetes.

  • Men om vi endast såg på de ”seten” där

    fallen fick sin diabetes ≥7 år efter baseline-

    undersökningen visade det sig att de kvinnor

    med de högsta nivåerna av p,p’-DDE hade

    ca 5 gånger ökad risk att utveckla typ 2

    diabetes jämfört med de med lägre p,p’-DDE-

    nivåer.

    Rignell-Hydbom et al.

    PLoS One 2009 Oct 19;4(10):e7503

Kontroller

FALL



ODDS

Oddset att vara sjuk (D+)

givet att man är exponerad (E+):

(100/150) / (50/150) = 100/50 = 2

Oddset att vara sjuk (D+)

givet att man är oexponerad (E-)

(10/110) / (100/110) = 10/100 = 0.1

  • Sannolikhet för händelse genom

    sannolikhet för ej händelse


Oddskvot odds ratio or
Oddskvot (Odds Ratio, OR)

  • Man kan få ett relativt riskmått genom att beräkna kvoten mellan två odds

  • Denna kvot kallas oddskvot (odds ratio = OR)

  • Om oddset för (S+|E+) är 2 och

    oddset för (S+|E-) är 0.1 blir

    oddskvoten 2/0.1=20

  • Detta tolkas som att exponerade (E+) har

    20 gånger så stor risk att vara sjuka som

    oexponerade (E-)


Fall-kontrollstudie – Beräkning av OR (exempel)

Beräkna oddkvoterna för

  • ”Medel” jämfört med ”Låg”

  • ”Hög” jämfört med ”Låg”

    Tolka resultaten!


Felk llor

Tillfälliga fel

Systematiska fel

Minskar om

stickprovet görs

större

Minskar ej

med

ökande

stickprovsstorlek

Statistisk osäkerhet –

stickprovsfel

Snedvridning

av resultat (bias)

Felets storlek avspeglas

i konfidensintervallets

bredd. Större osäkerhet i

fall-kontroll än i kohortstudier.

Avspeglas ej i konfidensintervallets bredd

Felkällor


Tillf lliga fel
Tillfälliga fel

Fel av slumpmässig natur och

som är oberoende av exponeringsstatus,

sjukdomsstatus (non-differential)

  • Mätfel, fel svar

  • Felklassificering av

    exponering/kohorttillhörighet

  • Diagnos ej registrerad

    eller felaktig

Tenderar oftast att försvaga sambandet mellan exponering och utfall


Systematiska fel
Systematiska fel

Fel som är beroende av exponeringsstatus och/eller sjukdomsstatus (differential)

  • Selektionsfel

    - Vem väljer att deltaga?

    - Vem deltar men hoppar över vissa frågor?

  • Informationsfel- selektiv ihågkommelse

    - olika insamlingsmetoder

  • Confounding (störfaktorer/förväxlingseffekter)

Kan försvaga såväl som förstärka sambandet mellan exponering och utfall


Tre centrala begrepp

  • Formulering av hypoteser

  • Konfidensintervall

  • p-värden


Formulering av hypoteser
Formulering av hypoteser

  • Nollhypotes (H0) ’konservativt formulerad’

    • Ingen skillnad mellan grupperna

    • Ingen effekt av behandlingen

    • Ingen förändring över tiden

    • etc.

  • H0 prövas (testas) mot alternativhypotes (H1)

    • Vanligen formulerad som nollhypotesens motsats

      (dubbelsidigt test)


Konfidensintervall (KI)

  • Ett intervall som med en fastställd säkerhet (ex. 95%) täcker det ”sanna” värdet

  • Konfidensintervallets bredd speglar osäkerheten i undersökningsresultatet


Ex 95 konfidensgrad

Täcker

Täcker

Täcker

Täcker

Täcker

Täcker inte

Täcker

Täcker

Ex. 95% konfidensgrad

Det ”sanna” värdet

Vi kan förvänta oss att 95% av intervallen täcker det sanna värdet


P v rde p probability
P-värde (p=probability)

  • P-värdet = Sannolikheten att erhålla

    ett minst lika extremt resultat som

    vi erhållit i undersökningen om nollhypotesen är sann.


Utfall och verklighet
Utfall och verklighet

Verklighet

Utfall


Diskutera med b nkgrannen
Diskutera med bänkgrannen…

Konfidensintervall kring genomsnittlig effekt samt p-värden för nollhypotesen "Ingen effekt" i fem olika undersökningar A - E.

Kombinera ihop rätt undersökning (A-E) med rätt påstående (1-5):

1. Behandlingseffekt kan ej påvisas men kan inte heller uteslutas

2. Klinisk betydelsefull effekt antyds men är statistiskt osäker

3. Behandlingseffekt statistiskt säkerställd, osäkert om effekten är klinisk betydelsefull

4. Klinisk betydelsefull effekt som är statistiskt säkerställd

5. Behandlingseffekt statistiskt säkerställd, klinisk betydelsefull effekt kan uteslutas


Sammanfattning
Sammanfattning

P-värde:

Sannolikheten att erhålla ett lika extremt eller

extremare resultat än det vi erhållit

Konfidensintervall:

Ett 95% konfidensintervall täcker med

95% säkerhet det ”sanna” värdet

Varför behövs konfidensintervall?

Vad tillför det jämfört med ett p-värde?


ad