الانتقال إلى المحتوى
العودة إلى نتائج البحث

تصميم دراسة الحالة والشاهد

قدّمه
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
السنة
1950s-1970s
النوع
Research Design
العائلة
observational design

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

تحدد دراسة الحالة والشاهد الأفراد المصابين بمرض أو نتيجة (حالات) ومجموعة مقارنة غير مصابة بالنتيجة (شواهد)، ثم تقيس التعرض السابق بأثر رجعي. طورت دراسات الحالة والشاهد في الخمسينيات إلى السبعينيات من قبل علماء الأوبئة مثل شليسلمان وماكماهون، وهي فعالة بشكل خاص للأمراض النادرة، حيث أنها تعتمد على عينات حالات غنية بالنتيجة، مما يلغي الحاجة إلى مجموعات كبيرة. وهي ركيزة أساسية في علم الأوبئة السريري، والبحث الرصدي، والتحقيقات في تفشي الأمراض.

الفكرة الحدسية وراء الطريقة

تعمل دراسات الحالة والشاهد بشكل عكسي: تبدأ بالأشخاص الذين يعانون من المرض، ثم تسأل "ما الذي تعرضت له قبل أن تمرض؟" قارن بالشواهد الذين لا يعانون من المرض. إذا كان من المرجح بكثير أن تبلغ الحالات عن تعرض سابق مقارنة بالشواهد، فمن المحتمل أن يكون التعرض عامل خطر. الإحصائية الرئيسية هي نسبة الأرجحية (OR)، والتي يمكن حسابها من عينة الحالة والشاهد وحدها. التحديات الرئيسية هي تحيز الاستدعاء (قد تتذكر الحالات التعرضات بشكل مختلف عن الشواهد) وتحيز الاختيار (كيف تختار الشواهد يؤثر على نتائجك). بالنسبة للأمراض النادرة، فإن دراسة الحالة والشاهد أكثر كفاءة بكثير من دراسة الأتراب: تقوم بتسجيل 100 حالة و 100 شاهد بدلاً من 100,000 شخص خالٍ من الأمراض يتم متابعتهم لسنوات.

التاريخ

ظهرت منهجية الحالة والشاهد في الخمسينيات من القرن الماضي حيث سعى علماء الأوبئة إلى دراسة الأمراض النادرة بكفاءة. وحدت مونوجراف جيروم شليسلمان (1982) الأساس الإحصائي. أثبتت تصميمات الحالة والشاهد أنها حاسمة في إثبات الروابط السببية: دراسة الحالة والشاهد الكلاسيكية للتاليدوميد وعيوب الولادة (الستينيات) والتدخين وسرطان الرئة (دول وهيل) تجسد قوة التصميم في الكشف السريع عن التعرضات. تطورت دراسات الحالة والشاهد المتداخلة (اختيار الشواهد من داخل مجموعة أتراب) وتصميمات الحالة والشاهد المتطابقة لزيادة الدقة. اليوم، تظل دراسات الحالة والشاهد أساسية في علم الأوبئة، خاصة للتحقيق في تفشي الأمراض، والمخاطر المهنية، والأحداث الضارة النادرة.

متى تُستخدم

استخدم دراسات الحالة والشاهد عندما: (1) يكون المرض أو النتيجة نادرًا (مثل السرطانات النادرة، عيوب الولادة)، مما يجعل دراسات الأتراب باهظة الثمن، (2) توجد فترة كمون طويلة بين التعرض والنتيجة (سنوات إلى عقود)، (3) دراسة تعرضات متعددة لنتيجة واحدة، (4) إجراء تحقيقات في تفشي الأمراض أو الأوبئة (مقارنة المعرضين وغير المعرضين)، (5) توليد فرضيات من بيانات موجودة (سجلات طبية، سجلات الأمراض)، (6) الموارد محدودة (دراسة الحالة والشاهد أرخص وأسرع من دراسة الأتراب)، (7) دراسة التعرضات السابقة حيث المتابعة مستحيلة.

الحدود والاعتبارات

  • تحيز الاستدعاء: الحالات، بعد أن عانت من النتيجة، قد تتذكر التعرضات السابقة بشكل مختلف عن الشواهد. إذا بالغت الحالات أو قللت من الإبلاغ عن التعرض، فإن نسبة الأرجحية تكون متحيزة.
  • تحيز الاختيار: كيف يتم اختيار الشواهد يؤثر بشكل حاسم على نسبة الأرجحية. يجب أن تأتي الشواهد من نفس المصدر السكاني الذي أنتج الحالات؛ استخدام شواهد في المستشفيات عندما تكون الحالات من المجتمع يؤدي إلى تحيز.
  • الغموض الزمني: قياس التعرض بأثر رجعي يمكن أن يحجب السببية. هل سبق التعرض النتيجة، أم أن النتيجة أثرت على استدعاء التعرض؟
  • لا يمكن حساب معدل الإصابة: عينات الحالة والشاهد غنية بالنتائج، لذلك لا يمكنك تقدير معدل الإصابة بالمرض أو الخطر المطلق مباشرة. نسبة الأرجحية هي مقياس الارتباط الوحيد القابل للتقدير.
  • سوء تصنيف التعرض: تقييم التعرض بأثر رجعي (خاصة للتعرضات البعيدة) عرضة للخطأ، مما يحيز نسبة الأرجحية نحو الصفر.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • الكفاءة للنتائج النادرة: أخذ العينات الغنية بالنتائج يجعل دراسة الحالة والشاهد أكثر كفاءة بكثير من دراسات الأتراب للأمراض النادرة. قد تسجل دراسة لسرطان نادر 300 حالة و 300 شاهد بدلاً من 100,000 شخص يتم متابعتهم لسنوات.
  • السرعة والتكلفة: جمع البيانات بأثر رجعي أسرع وأرخص من المتابعة المستقبلية.
  • التعرضات المتعددة: يمكن لدراسة حالة وشاهد واحدة فحص العديد من التعرضات في وقت واحد، وتحديد عوامل الخطر الجديدة.
  • سجلات الأمراض الراسخة: العديد من الأمراض لديها سجلات (السرطان، عيوب الولادة)، مما يوفر وصولاً سهلاً إلى حالات موصوفة جيدًا.
  • فترة الكمون: تتعامل دراسة الحالة والشاهد بشكل طبيعي مع فترات الاستقراء والكمون الطويلة بين التعرض وتشخيص النتيجة.

التطبيقات

  • التحقيق في تفشي الأمراض: أثناء تفشي مرض منقول بالغذاء، حدد الحالات (الأشخاص المرضى) والشواهد (المعرضون ولكن غير المرضى)، قارن الأطعمة المستهلكة، وحدد المصدر.
  • علم الأوبئة لعيوب الولادة: سجل الرضع الذين يعانون من تشوهات خلقية كحالات، اختر شواهد قائمة على السكان، اسأل الأمهات عن استخدام الأدوية، العدوى، أو التعرضات أثناء الحمل.
  • الصحة المهنية: العمال المصابون بورم الظهارة المتوسطة (نتيجة نادرة) هم حالات؛ الشواهد هم عمال بدون مرض متعلق بالأسبستوس؛ قم بتقييم التعرض للأسبستوس بأثر رجعي من سجلات العمل.
  • الآثار الضارة للأدوية: تتم مقارنة المرضى الذين يدخلون المستشفى بفشل كبدي (حالات) بشواهد في المستشفى (بدون فشل كبدي)؛ تتم مراجعة تاريخ الأدوية لتحديد الأدوية السامة للكبد.
  • مسببات السرطان: يتم مطابقة مرضى السرطان المشخصين حديثًا (حالات) مع شواهد خالية من السرطان حسب العمر/الجنس؛ يتم جمع تاريخ النظام الغذائي والتدخين والتكاثر لتحديد عوامل الخطر.

كيف يعمل

كيف يعمل

1

تحديد الحالات: الأفراد الذين يعانون من النتيجة محل الاهتمام (مثل السكري، احتشاء عضلة القلب، التشوه الخلقي). يمكن أن تكون الحالات مشخصة حديثًا (حادثة) أو جميع الأشخاص المصابين بالمرض في فترة محددة (سائدة). حدد الحالات بوضوح: معايير التشخيص، تاريخ التشخيص، حالة المرض مؤكدة بالسجلات الطبية. اختر الشواهد من المصدر السكاني الذي أنتج الحالات - الشواهد تمثل توزيع التعرض في السكان الذين أنتجوا الحالات. يجب أن تكون الشواهد خالية من الأمراض (على الأقل للنتيجة المحددة). المطابقة: يمكن مطابقة الشواهد 1:1 أو 1:k مع الحالات حسب العمر والجنس والعرق أو العوامل المربكة الأخرى؛ المطابقة تحسن القوة ولكنها تتطلب تعديلًا إحصائيًا (ماكنيمار للأزواج المتطابقة). بدلاً من ذلك، استخدم شواهد غير متطابقة وقم بتعديل العوامل المربكة في الانحدار. قم بقياس التعرض السابق من السجلات الطبية، المقابلات، الاستبيانات، أو عينات البنوك الحيوية. بالنسبة للتعرض التاريخي (الماضي البعيد)، استخدم السجلات الطبية أو تاريخ العمل؛ بالنسبة للتعرض الحديث، المقابلات ممكنة.

الصيغة
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

إنشاء جدول توافق 2×2: الصفوف = حالة التعرض (نعم/لا)، الأعمدة = حالة الحالة/الشاهد. حساب نسبة الأرجحية: OR = (أ × د) / (ب × ج)، حيث أ = حالات معرضة، ب = حالات غير معرضة، ج = شواهد معرضة، د = شواهد غير معرضة. حساب فترة الثقة 95% باستخدام المقياس اللوغاريتمي. للبيانات المتطابقة (ن أزواج متطابقة)، استخدم اختبار ماكنيمار: χ² = ((ب - ج)²) / (ب + ج)، والذي يختبر ما إذا كانت الأزواج غير المتطابقة متوازنة. للبيانات غير المتطابقة، استخدم الانحدار اللوجستي لتعديل العوامل المربكة وحساب نسبة الأرجحية المعدلة. أبلغ عن نسبة الأرجحية المعدلة مع فترة الثقة والقيمة الاحتمالية. تحقق من التفاعل بين التعرض والعوامل المربكة.

الصيغة
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

OR = 1: لا توجد علاقة بين التعرض والنتيجة. OR > 1: التعرض مرتبط بزيادة احتمالية الإصابة بالنتيجة (عامل خطر). OR < 1: التعرض مرتبط بانخفاض الاحتمالات (عامل وقائي). على سبيل المثال، OR = 3 يعني أن احتمالية التعرض بين الحالات هي 3 أضعاف الاحتمالات بين الشواهد. عندما يكون المرض نادرًا (انتشار <10٪)، تقترب نسبة الأرجحية من المخاطر النسبية. عندما يكون المرض شائعًا، فإن نسبة الأرجحية تبالغ في تقدير التأثير. فترات الثقة التي تستبعد 1.0 تشير إلى الدلالة الإحصائية. السببية تتطلب أكثر من مجرد الارتباط الإحصائي: ضع في اعتبارك القوة (OR > 2-3)، والاتساق عبر الدراسات، والاستجابة للجرعة، والمعقولية الزمنية، والآلية البيولوجية. قم بتقييم التفسيرات البديلة: هل يمكن أن يفسر تحيز الاختيار، أو تحيز الاستدعاء، أو الارتباك غير المقاس الارتباط الملاحظ؟

الصيغة
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

الأخطاء الشائعة

  • اختيار شواهد سيء: الشواهد المختارة من المرضى في المستشفيات (عندما تكون الحالات حالات مجتمعية) أو الشواهد المصابة بمرض ذي صلة تتحمل تحيز الاختيار. يجب أن تكون الشواهد خالية من الأمراض وتمثل المصدر السكاني.
  • تجاهل المطابقة في التحليل: إذا تم مطابقة الحالات والشواهد حسب العمر/الجنس، فإن الانحدار اللوجستي القياسي غير مناسب؛ استخدم الانحدار اللوجستي الشرطي أو اختبار ماكنيمار للتحليل المتطابق.
  • تحيز الاستدعاء التفاضلي: قد تتذكر الحالات التعرضات بشكل أكثر شمولاً أو تشوهها أكثر من الشواهد. قلل من ذلك باستخدام سجلات موضوعية (مثل السجلات الطبية، سجلات العمل) بدلاً من استطلاعات الاستدعاء.
  • اختيار الشواهد بعد الواقعة: تعديل اختيار الشواهد بعد رؤية البيانات (مثل اختيار شواهد إضافية لموازنة متغير مربك معين) يؤدي إلى تحيز. حدد معايير الشواهد مسبقًا.
  • تحيز الانتشار-المعدل: إذا تم تسجيل الحالات السائدة (جميع حالات المرض في السكان) بدلاً من الحالات الحادثة (المشخصة حديثًا)، فقد يتم إثراء الناجين من الأمراض الشديدة، مما يشوه نسبة الأرجحية.

الأسئلة الشائعة

متى تكون نسبة الأرجحية تقريبًا جيدًا للمخاطر النسبية؟

تقترب نسبة الأرجحية (OR) من المخاطر النسبية (RR) عندما يكون المرض نادرًا في السكان (عادةً أقل من 10٪ انتشارًا). عند الانتشار المنخفض، احتمالات المرض ≈ مخاطر المرض، لذا OR ≈ RR. عندما يكون الانتشار > 10٪، تبالغ نسبة الأرجحية في تقدير التأثير مقارنة بنسبة المخاطر النسبية. على سبيل المثال، إذا كانت RR = 2، فقد تكون OR = 2.5 أو أعلى عند انتشار أعلى. وضح دائمًا أن دراسات الحالة والشاهد تنتج OR، وليس RR. إذا كان التفسير السريري يتطلب RR، فيجب عليك تحويل OR باستخدام المخاطر الأساسية (انتشار المرض في السكان المصدر).

ما هي دراسة الحالة والشاهد المتداخلة، ولماذا نستخدمها؟

تختار دراسة الحالة والشاهد المتداخلة الحالات والشواهد من داخل مجموعة أتراب مستقبلية. يتم تحديد جميع أعضاء الحالة من مجموعة الأتراب عند حدوث النتائج؛ يتم أخذ عينات عشوائية من الشواهد من غير الحالات في مجموعة الأتراب، وغالبًا ما تتم مطابقتها مع الحالات حسب العمر والجنس. تجمع دراسة الحالة والشاهد المتداخلة بين نقاط قوة دراسة الأتراب ودراسة الحالة والشاهد: التسلسل الزمني وبيانات معدل الإصابة متاحة (كما في دراسات الأتراب)، ومع ذلك فإن التكلفة أقل لأن مجموعات فرعية فقط من الحالات والشواهد يتم قياسها للتعرضات المكلفة (مثل المؤشرات الحيوية، الاختبارات الجينية). نسبة الأرجحية من دراسة الحالة والشاهد المتداخلة تقترب من المخاطر النسبية لدراسة الأتراب، حتى لو لم يكن المرض نادرًا.

كيف أختار بين الشواهد المتطابقة وغير المتطابقة؟

تزيد الشواهد المتطابقة (مطابقة 1:1 للحالات حسب العمر والجنس وما إلى ذلك) من الدقة وتقلل من الارتباك بواسطة المتغيرات المتطابقة. ومع ذلك، فإن المطابقة "مكلفة" إحصائيًا: يجب عليك استخدام الانحدار اللوجستي الشرطي، ولا يمكنك تقدير التأثيرات المستقلة للمتغيرات المتطابقة. تسمح الشواهد غير المتطابقة بالتعديل للعديد من العوامل المربكة في الانحدار اللوجستي وقد تكون أكثر فعالية من حيث التكلفة. المطابقة مفيدة بشكل خاص للعوامل المربكة القوية (العمر، الجنس، سنة التقويم) وعندما يكون من الصعب العثور على الشواهد. إذا كانت العوامل المربكة المحتملة كثيرة، ففكر في تصميم غير متطابق مع تعديل الانحدار.

كيف أميز بين تحيز الاختيار وتحيز المعلومات في دراسات الحالة والشاهد؟

ينشأ تحيز الاختيار من كيفية اختيار الحالات والشواهد. إذا جاءت الحالات والشواهد من مصادر سكانية مختلفة (مثل الحالات في المستشفى مقابل الشواهد المجتمعية)، فإن نسبة الأرجحية تكون متحيزة. ينشأ تحيز المعلومات (سوء التصنيف) من الأخطاء في قياس التعرض أو النتيجة. تحيز الاستدعاء هو نوع من تحيز المعلومات: قد تتذكر الحالات المصابة بمرض خطير التعرضات السابقة بشكل مختلف عن الشواهد. كلاهما يحيز نسبة الأرجحية، ولكن بطرق مختلفة. لتقليل تحيز الاختيار، تأكد من أن الحالات والشواهد من نفس المصدر السكاني. لتقليل تحيز المعلومات، استخدم سجلات موضوعية (السجلات الطبية، المؤشرات الحيوية) بدلاً من الاستدعاء.

طرق ذات صلة

المصادر

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ردمك: 978-0195027815
    تم النسخ.
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ردمك: 978-0781755657
    تم النسخ.
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    افتح مرجع المنشور
    تم النسخ.