Skip to content
بازگشت به نتایج جست‌وجو

تحلیل دوز-پاسخ — کمی‌سازی چگونگی ارتباط سطح مواجهه با خطر پیامد

معرفی‌شده توسط
Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
سال
Conceptual roots 16th century; modern epidemiological application mid-20th century
نوع
Quantitative analytical method
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل دوز-پاسخ، رابطه بین بزرگی یک مواجهه (دوز) و احتمال یا نرخ یک پیامد (پاسخ) را کمی‌سازی می‌کند. این یک استراتژی تحلیلی اصلی در اپیدمیولوژی و سم‌شناسی است که شواهدی ارائه می‌دهد مبنی بر اینکه افزایش مواجهه به طور سیستماتیک خطر بیماری را افزایش — یا کاهش — می‌دهد. شیب دوز-پاسخ اثبات‌شده یکی از معیارهای کلاسیک برادفورد هیل برای حمایت از استنتاج علّی است.

شهود پشت روش

تحلیل دوز-پاسخ را به این صورت در نظر بگیرید که می‌پرسد: آیا مواجهه بیشتر به معنای آسیب بیشتر است؟ اگر کارگرانی که در معرض سطوح بالاتری از یک ماده شیمیایی قرار دارند، به تدریج نرخ بالاتری از بیماری ریوی را در مقایسه با کسانی که در معرض سطوح پایین‌تر قرار دارند، نشان دهند، این شیب هم معیاری برای خطر است و هم استدلالی برای علیت. این روش فراتر از یک مقایسه ساده مواجهه-در-برابر-عدم‌مواجهه می‌رود تا کل منحنی مواجهه-خطر را ترسیم کند — که ممکن است خطی، مبتنی بر آستانه، U-شکل، یا اشباع‌شونده باشد — و تصویری کمی از چگونگی تغییر خطر در کل طیف مواجهه به تنظیم‌کنندگان، پزشکان و محققان ارائه دهد.

تاریخ

اصل «دوز است که سم را می‌سازد» توسط پاراسلسوس در قرن شانزدهم بیان شد. کاربرد رسمی اپیدمیولوژیک با تحقیق جان اسنو در مورد وبا در سال ۱۸۵۴ آغاز شد، که خطر را بر اساس فاصله از پمپ براد استریت کمی‌سازی کرد. این روش در اواسط قرن بیستم از طریق کار برادفورد هیل کدگذاری شد، که شیب دوز-پاسخ را به عنوان یکی از نه معیار ۱۹۶۵ خود برای استنتاج علّی در اپیدمیولوژی گنجاند. مدل‌سازی کمی دوز-پاسخ مبتنی بر رگرسیون با ظهور رگرسیون لجستیک و کاکس در دهه‌های ۱۹۷۰ و ۱۹۸۰ استاندارد شد، و مدل‌سازی انعطاف‌پذیر مبتنی بر اسپیلاین از منحنی‌های مواجهه-پاسخ از دهه ۱۹۹۰ به بعد گسترده شد.

چه زمانی استفاده شود

هر زمان که مواجهه را بتوان در مقیاس ترتیبی یا پیوسته کمی‌سازی کرد و سؤال این باشد که آیا مواجهه بالاتر به خطر بیشتر (یا کمتر) منجر می‌شود، از تحلیل دوز-پاسخ استفاده کنید. این یک رویه استاندارد در اپیدمیولوژی شغلی، سلامت محیطی، فارماکوپیدمیولوژی و اپیدمیولوژی تغذیه است. همچنین یک جزء کلیدی از تجمیع فراتحلیلی داده‌های خلاصه‌شده در مطالعات است. زمانی که مواجهه ذاتاً دودویی است و شیب معنی‌داری ندارد (مثلاً جراحی در مقابل عدم جراحی)، زمانی که دسته‌های مواجهه برای مدل‌سازی یک روند بسیار کم هستند (کمتر از سه سطح مرتب‌شده)، یا زمانی که اندازه‌گیری مواجهه آنقدر نامشخص است که طبقه‌بندی غیرقابل اعتماد است، آن را اعمال نکنید — در این موارد یک مقایسه ساده دو گروهی مناسب‌تر است.

محدودیت‌ها و ملاحظات

  • نیاز به اندازه‌گیری دقیق و جزئی مواجهه دارد؛ طبقه‌بندی نادرست برآورد دوز-پاسخ را به سمت صفر تضعیف می‌کند.
  • طبقه‌بندی یک مواجهه پیوسته، نقاط برش دلخواه را معرفی می‌کند و ممکن است غیرخطی بودن را ایجاد یا پنهان کند.
  • مخدوش‌کننده‌ها باید در هر سطح مواجهه به طور جداگانه کنترل شوند، که پیچیدگی استراتژی تنظیم را افزایش می‌دهد.
  • تعداد کم افراد در دسته‌های مواجهه شدید، دقت را کاهش می‌دهد و ممکن است نیاز به ادغام دسته‌ها داشته باشد.
  • سوگیری انتشار و گزارش انتخابی دسته‌های دوز می‌تواند منحنی‌های دوز-پاسخ تجمیع‌شده را در فراتحلیل‌ها تحریف کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • شواهدی برای یک شیب علّی ارائه می‌دهد و استنتاج علّی را فراتر از یک مقایسه ساده مواجهه-در-برابر-عدم‌مواجهه تقویت می‌کند.
  • خطر را در سطوح مختلف مواجهه برآورد می‌کند و امکان تعیین استانداردهای نظارتی و شناسایی آستانه‌های بالینی را فراهم می‌آورد.
  • با اکثر طرح‌های مطالعه مشاهده‌ای (کوهورت، مورد-شاهدی، مقطعی) و با فراتحلیل داده‌های خلاصه‌شده سازگار است.
  • مدل‌سازی انعطاف‌پذیر (اسپیلاین‌ها، چندجمله‌ای‌ها) روابط غیرخطی و آستانه‌ای را در خود جای می‌دهد.
  • از ارزیابی کمی خطر و مدل‌سازی تأثیرات بهداشتی حمایت می‌کند.

کاربردها

  • سلامت شغلی: کمی‌سازی خطر سرطان ریه در دسته‌های مواجهه تجمعی با آزبست یا سیلیس.
  • فارماکوپیدمیولوژی: ارتباط دوز تجمعی استاتین با کاهش نرخ حوادث قلبی عروقی.
  • اپیدمیولوژی محیطی: مدل‌سازی ارتباط بین غلظت ذرات معلق ریز (PM2.5) و مرگ و میر ناشی از همه علل.
  • اپیدمیولوژی تغذیه: توصیف رابطه U-شکل بین مصرف الکل و خطر قلبی عروقی.
  • سم‌شناسی: تعیین دوزهای معیار و غلظت‌های مرجع ایمن برای ارزیابی خطر نظارتی.
  • فراتحلیل: تجمیع خطرات نسبی خاص دوز از مطالعات کوهورت متعدد برای استخراج یک منحنی خلاصه دوز-پاسخ.

چگونه کار می‌کند

چگونه کار می‌کند

1

متغیر مواجهه در مقیاس ترتیبی یا پیوسته تعریف و اندازه‌گیری می‌شود: دوز تجمعی، شدت متوسط، مدت زمان، یا غلظت اوج. ارزیابی مواجهه واضح و قابل تکرار حیاتی است زیرا طبقه‌بندی نادرست سطوح مواجهه — به ویژه طبقه‌بندی نادرست غیرتفاوتی — برآورد دوز-پاسخ را به سمت صفر سوگیری می‌دهد.

2

مواجهه یا به دسته‌های مرتب‌شده (مانند چارک‌ها یا نقاط برش بالینی معنی‌دار) برای تحلیل روند طبقه‌ای گروه‌بندی می‌شود، یا به عنوان یک متغیر پیوسته با استفاده از اسپیلاین‌های رگرسیون، چندجمله‌ای‌ها، یا چندجمله‌ای‌های کسری مدل‌سازی می‌شود. رویکردهای طبقه‌ای شفاف‌تر هستند و مفروضات کمتری نیاز دارند؛ مدل‌سازی پیوسته شکل کامل منحنی را ثبت می‌کند و از طبقه‌بندی دلخواه اجتناب می‌کند.

3

برای هر سطح یا افزایش مواجهه، یک معیار اثر نسبت به یک دسته مرجع (معمولاً پایین‌ترین یا گروه بدون مواجهه) برآورد می‌شود. در مطالعات کوهورت، این معمولاً خطر نسبی یا نسبت خطر است؛ در مطالعات مورد-شاهدی، نسبت شانس. رگرسیون پواسون، رگرسیون کاکس، یا رگرسیون لجستیک ممکن است بسته به نوع پیامد استفاده شود. یک مدل چندجمله‌ای یا اسپیلاین از لگاریتم خطر بر روی دوز، منحنی دوز-پاسخ را تولید می‌کند: ln(RR) = β₀ + β₁d + β₂d².

فرمول
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
4

یک آزمون رسمی برای روند خطی با اختصاص میانه یا نقطه میانی هر دسته مواجهه به عنوان یک نمره پیوسته و وارد کردن آن در مدل رگرسیون انجام می‌شود. یک مقدار p معنی‌دار (یا، در فراتحلیل، یک ضریب روند تجمیع‌شده) تأیید می‌کند که ارتباط در یک جهت ثابت در سراسر سطوح مواجهه تغییر می‌کند.

5

فراتر از آزمون روند خطی، شکل تابعی رابطه ارزیابی می‌شود. اسپیلاین‌های مکعبی محدودشده یا مدل‌های چندجمله‌ای کسری امکان تشخیص الگوهای غیرخطی مانند آستانه (عدم تأثیر زیر یک دوز معین)، فلات (تأثیر در دوزهای بالا ثابت می‌شود)، یا شکل U (هم مواجهه کم و هم زیاد با افزایش خطر مرتبط است) را فراهم می‌کنند. شکل انتخاب‌شده پیامدهای مستقیمی برای ارزیابی خطر و آستانه‌های نظارتی دارد.

دام‌های رایج

  • انتخاب دسته‌های مواجهه پس از بررسی داده‌ها — طبقه‌بندی مبتنی بر داده، دوز-پاسخ ظاهری را افزایش می‌دهد و مقادیر p خوش‌بینانه تولید می‌کند؛ دسته‌ها باید از پیش تعریف شوند.
  • نادیده گرفتن غیرخطی بودن — پیش‌فرض گرفتن آزمون روند خطی بدون بررسی شکل تابعی می‌تواند روابط آستانه‌ای یا U-شکل را که از نظر علمی و عملی مهم هستند، از دست بدهد.
  • استفاده از بالاترین گروه مواجهه به عنوان دسته مرجع — این فقط در صورتی صحیح است که بزرگترین گروه نیز باشد؛ گروه بدون مواجهه یا کمترین مواجهه، مرجع مرسوم است زیرا قدرت آماری و قابلیت تفسیر را به حداکثر می‌رساند.
  • مخدوش کردن دوز-پاسخ با اثر کارگر سالم یا کاربر سالم — افرادی که خود را در سطوح مواجهه بالاتر قرار می‌دهند ممکن است به طور سیستماتیک با گروه‌های مواجهه پایین‌تر تفاوت داشته باشند به گونه‌ای که شیب برآوردشده را سوگیری دهند.

پرسش‌های متداول

تفاوت بین آزمون روند خطی و یک مدل کامل دوز-پاسخ چیست؟

یک آزمون روند خطی، رابطه دوز-پاسخ را به یک ضریب شیب واحد تقلیل می‌دهد و آزمایش می‌کند که آیا آن شیب با صفر تفاوت دارد یا خیر. این آزمون مختصر است اما خطی بودن را فرض می‌کند و نمی‌تواند الگوهای آستانه‌ای یا U-شکل را تشخیص دهد. یک مدل کامل دوز-پاسخ — با استفاده از اسپیلاین‌ها یا چندجمله‌ای‌ها — کل منحنی مواجهه-خطر را برآورد می‌کند و نشان می‌دهد که آیا رابطه خطی، غیرخطی یا وابسته به آستانه است. هر دو رویکرد مکمل یکدیگر هستند و معمولاً باید با هم گزارش شوند.

آیا تحلیل دوز-پاسخ را می‌توان برای داده‌های مورد-شاهدی به کار برد؟

بله. در یک مطالعه مورد-شاهدی، دسته‌های مواجهه برای هر دو مورد و شاهد تعریف می‌شوند، و نسبت شانس برای هر سطح مواجهه نسبت به دسته مرجع با استفاده از رگرسیون لجستیک شرطی یا غیرشرطی برآورد می‌شود. سپس نمره مواجهه ترتیبی به عنوان یک متغیر پیوسته در مدل وارد می‌شود تا روند آزمایش شود. تفسیر مشابه تحلیل مطالعه کوهورت است، اما نسبت شانس تنها زمانی خطر نسبی را تقریب می‌زند که پیامد نادر باشد.

چگونه داده‌های دوز-پاسخ را در مطالعات مختلف در یک فراتحلیل تجمیع کنم؟

روش گرینلند و لانگ‌نکر (1992) رویکرد استاندارد است. این روش ماتریس کوواریانس لگاریتم خطرات نسبی را در دسته‌های مواجهه از هر مطالعه بازسازی می‌کند و سپس از حداقل مربعات تعمیم‌یافته برای برازش یک روند دوز-پاسخ مشترک استفاده می‌کند. این امر مستلزم آن است که مطالعات فردی تعداد موارد و زمان-فرد (یا شاهدها) را در هر دسته مواجهه همراه با برآورد اثر تنظیم‌شده گزارش کنند — اطلاعاتی که گاهی اوقات در گزارش‌های منتشرشده وجود ندارد.

چه زمانی باید از اسپیلاین‌های مکعبی محدودشده به جای رگرسیون چندجمله‌ای استفاده کنم؟

اسپیلاین‌های مکعبی محدودشده (که اسپیلاین‌های طبیعی نیز نامیده می‌شوند) عموماً بر چندجمله‌ای‌ها ترجیح داده می‌شوند زیرا آنها به طور انعطاف‌پذیر در داخل محدوده مواجهه برازش می‌شوند در حالی که در دم‌ها خطی بودن آنها محدود شده است، که از برون‌یابی نامنظم فراتر از داده‌ها جلوگیری می‌کند. چندجمله‌ای‌ها می‌توانند منحنی‌های غیرقابل قبولی را در انتها تولید کنند. برای اکثر تحلیل‌های دوز-پاسخ اپیدمیولوژیک، سه تا پنج گره که در کوانتیل‌های توزیع مواجهه قرار می‌گیرند، تعادل خوبی بین انعطاف‌پذیری و صرفه‌جویی فراهم می‌کنند.

آیا شیب دوز-پاسخ علیت را اثبات می‌کند؟

خیر. شیب دوز-پاسخ یکی از معیارهای برادفورد هیل است که یک استدلال علّی را تقویت می‌کند، اما به خودی خود نه ضروری است و نه کافی. مخدوش‌کننده‌ها، علیت معکوس، و طبقه‌بندی نادرست مواجهه همگی می‌توانند یک شیب را تولید یا پنهان کنند. شواهد دوز-پاسخ باید در کنار زمان‌بندی، سازگاری در مطالعات، معقولیت بیولوژیکی، و سایر معیارهای علّی تفسیر شود.

روش‌های مرتبط

منابع

  1. Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    شابک: 978-0781755641
    کپی شد.
  2. Greenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.

    باز کردن مرجع DOI
    کپی شد.