Skip to content
بازگشت به نتایج جست‌وجو

مطالعه مورد-شاهدی همسان‌شده

معرفی‌شده توسط
Brian MacMahon and others; systematised by Schlesselman (1982)
سال
1950s–1970s
نوع
Observational analytic design
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؟

مطالعه مورد-شاهدی همسان‌شده یک طرح مشاهده‌ای اپیدمیولوژیک است که در آن هر مورد (فردی با بیماری یا پیامد مورد نظر) با یک یا چند شاهد (افرادی بدون پیامد) که یک یا چند ویژگی مشترک — مانند سن، جنسیت، یا محیط بالینی — دارند، جفت می‌شود تا عوامل مخدوش‌کننده کنترل شوند. سپس سابقه مواجهه بین موارد و شواهد همسان‌شده آن‌ها مقایسه می‌شود تا نسبت شانس ارتباط مواجهه-بیماری تخمین زده شود.

شهود پشت روش

این را مانند یک کارآگاه تصور کنید که مظنونین را با افراد شبیه به آن‌ها جفت می‌کند. اگر می‌خواهید بدانید که آیا یک مواجهه خاص باعث بیماری شده است، یک بیمار مبتلا به بیماری را پیدا می‌کنید و سپس یک یا چند نفر مشابه — هم‌سن، هم‌جنس، از همان بیمارستان — را که به بیماری مبتلا نشده‌اند، پیدا می‌کنید. با یکسان نگه داشتن این ویژگی‌های زمینه‌ای، هرگونه تفاوت در سابقه مواجهه بین این جفت، به احتمال زیاد نشان‌دهنده یک ارتباط واقعی است تا یک عامل مخدوش‌کننده. همسان‌سازی مقایسه را دقیق‌تر می‌کند تا سیگنال واضح‌تر باشد، اما به قیمت از دست دادن مقداری انعطاف‌پذیری در تحلیل.

تاریخ

طرح مورد-شاهدی در دهه ۱۹۵۰ در اپیدمیولوژی رسمی شد، با مطالعات برجسته توسط دال و هیل (۱۹۵۰) در مورد سیگار کشیدن و سرطان ریه با استفاده از شواهد مبتنی بر بیمارستان. اصل همسان‌سازی برای بهبود قابلیت مقایسه در اوایل به کار گرفته شد و توسط برایان مک‌ماهون و همکارانش کدگذاری شد. کتاب درسی جیمز شلسلمن در سال ۱۹۸۲ با عنوان «مطالعات مورد-شاهدی» چارچوب تحلیلی را برای طرح‌های همسان‌شده، از جمله نسبت شانس همسان‌شده و رگرسیون لجستیک شرطی، ایجاد کرد. مقاله ناتان مانتل و ویلیام هانزل در سال ۱۹۵۹ روش‌های طبقه‌بندی شده بنیادی را ارائه داد که زیربنای تحلیل همسان‌شده است، و رویکرد رگرسیون لجستیک شرطی در طول دهه‌های ۱۹۷۰-۱۹۸۰ توسعه یافت و به ابزار تحلیلی استاندارد برای داده‌های مورد-شاهدی همسان‌شده فردی تبدیل شد.

چه زمانی استفاده شود

از مطالعه مورد-شاهدی همسان‌شده زمانی استفاده کنید که در حال مطالعه یک بیماری یا پیامد نادر هستید که در آن یک مطالعه کوهورت کامل به نمونه‌های بسیار بزرگ یا پیگیری بسیار طولانی نیاز دارد؛ زمانی که عوامل مخدوش‌کننده خاص (مانند سن، جنسیت یا مرکز بالینی) نیاز به کنترل دقیق دارند؛ و زمانی که منابع اجازه همسان‌سازی فردی دقیق و تحلیل شرطی را می‌دهند. این روش به ویژه در محیط‌های بیمارستانی و تحقیقات شیوع بیماری ارزشمند است. از همسان‌سازی زمانی استفاده نکنید که متغیرهای همسان‌سازی واسطه‌های بالقوه در مسیر علّی هستند (همسان‌سازی بیش از حد)، زمانی که تعداد موارد بسیار کم است و شرکای همسان‌سازی یافت نمی‌شوند، یا زمانی که مواجهه‌های متغیر با زمان، همسان‌سازی ایستا را نامناسب می‌سازند — در این شرایط یک طرح مورد-متقاطع یا کوهورت ممکن است ارجح باشد. همسان‌سازی، مخدوش‌کنندگی اندازه‌گیری نشده را از بین نمی‌برد.

محدودیت‌ها و ملاحظات

  • نمی‌تواند شیوع یا بروز پیامد را تخمین بزند — فقط نسبت شانس برای ارتباط مواجهه-پیامد را.
  • متغیرهای همسان‌سازی را نمی‌توان به عنوان مواجهه مورد مطالعه قرار داد مگر اینکه از روش‌های تحلیلی پیچیده استفاده شود.
  • همسان‌سازی بیش از حد (همسان‌سازی بر روی متغیری که با مواجهه مرتبط است اما به طور مستقل با بیماری مرتبط نیست) اندازه نمونه مورد نیاز را افزایش می‌دهد و نسبت شانس را به سمت تهی سوگیری می‌دهد.
  • یافتن شواهد همسان‌شده کافی می‌تواند دشوار باشد، به ویژه برای ترکیب‌های نادر از معیارهای همسان‌سازی، که منجر به موارد غیرهمسان‌شده‌ای می‌شود که باید حذف شوند.
  • ساختار همسان‌شده باید در تحلیل حفظ شود؛ نادیده گرفتن آن (با استفاده از رگرسیون لجستیک غیرشرطی) تخمین‌های سوگیرانه تولید می‌کند.

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

نقاط قوت

  • به طور کارآمدی عوامل مخدوش‌کننده قوی (سن، جنسیت، مرکز بالینی) را با طراحی کنترل می‌کند، نه صرفاً با تنظیم آماری.
  • برای پیامدهای نادر که یک کوهورت کامل امکان‌پذیر نیست، بسیار مناسب است؛ کسری از نمونه غیرهمسان‌شده می‌تواند دقت قابل مقایسه‌ای را به دست آورد.
  • تغییرپذیری را در مجموعه‌های همسان‌شده کاهش می‌دهد، که اغلب کارایی آماری را برای یک اندازه نمونه معین افزایش می‌دهد.
  • در مجلات بالینی و اپیدمیولوژیک به طور گسترده پذیرفته شده و به خوبی درک شده است؛ رگرسیون لجستیک شرطی استاندارد است و در تمام بسته‌های آماری اصلی پیاده‌سازی شده است.

کاربردها

  • بررسی عوامل خطر برای سرطان‌های نادر با همسان‌سازی بیماران سرطانی بیمارستانی با شواهد از همان بیمارستان بر اساس سن، جنسیت و بخش پذیرش.
  • تحقیقات شیوع بیماری که در آن موارد بیماری‌های ناشی از غذا با شواهد محله بر اساس موقعیت جغرافیایی و زمان وعده غذایی همسان‌سازی می‌شوند.
  • مطالعات فارماکو-اپیدمیولوژیک که واکنش‌های نامطلوب دارویی را بررسی می‌کنند، با مواردی که با شواهد در معرض دارو بر اساس نشانه، سن و بیماری‌های همراه همسان‌سازی می‌شوند.
  • مطالعات اپیدمیولوژی شغلی در مورد مواجهه‌های نادر (مثلاً، عوامل شیمیایی خاص) با شواهد همسان‌شده با صنعت برای حذف مخدوش‌کنندگی شغلی.
  • اپیدمیولوژی ژنتیک که در آن موارد و شواهد از نظر قومیت همسان‌سازی می‌شوند تا طبقه‌بندی جمعیت قبل از ژنوتایپینگ به حداقل برسد.
  • مطالعات اورژانس و جراحی که در آن پذیرش بیمارستان یک چارچوب همسان‌سازی طبیعی برای سوالات مواجهه-پیامد حاد فراهم می‌کند.

چگونه کار می‌کند

چگونه کار می‌کند

1

یک تعریف دقیق از مورد را تدوین کنید که بیماری یا پیامد، معیارهای تشخیصی آن، جمعیت واجد شرایط (جمعیت منبع) و بازه زمانی را مشخص کند. مواجهه مورد نظر و عوامل مخدوش‌کننده‌ای را که قصد دارید با همسان‌سازی کنترل کنید، شناسایی کنید. نسبت همسان‌سازی (۱:۱، ۱:۲ و غیره) و متغیرهای همسان‌سازی را از پیش تعیین کنید.

2

موارد جدید یا موجود را از یک منبع تعریف‌شده مانند سوابق بیمارستانی، ثبت بیماری‌ها یا سیستم نظارتی جذب کنید. تأیید کنید که هر مورد با تعریف مورد مطابقت دارد. شواهد را از همان جمعیت منبع — افرادی که واجد شرایط تبدیل شدن به مورد بوده‌اند — با استفاده از استراتژی‌های نمونه‌برداری مبتنی بر بیمارستان، مبتنی بر جمعیت یا نمونه‌برداری چگالی انتخاب کنید.

3

برای هر مورد، یک یا چند شاهد را انتخاب کنید که مقادیر متغیرهای همسان‌سازی را به اشتراک می‌گذارند (مثلاً، همان گروه سنی پنج ساله و جنسیت). همسان‌سازی فردی (یک به یک یا یک به چند) هر شاهد را به یک مورد خاص مرتبط می‌کند؛ همسان‌سازی فراوانی، توزیع‌ها را در کل مطالعه متعادل می‌کند. نسبت همسان‌سازی و هرگونه عرض کالیپر استفاده شده را مستند کنید.

4

وضعیت مواجهه را برای هر دو مورد و شواهد همسان‌شده آن‌ها، با استفاده از روش اندازه‌گیری یکسان برای هر دو گروه، برای جلوگیری از طبقه‌بندی اشتباه افتراقی، مشخص کنید. منابع رایج شامل مصاحبه‌ها، سوابق پزشکی، داده‌های بیوبانک یا پایگاه‌های داده اداری هستند. کور کردن ارزیابان پیامد نسبت به وضعیت مورد/شاهد، سوگیری اطلاعاتی را کاهش می‌دهد.

5

داده‌های همسان‌شده را با رگرسیون لجستیک شرطی (یا آزمون مک‌نمار برای جفت‌های همسان‌شده ۱:۱) تحلیل کنید تا ساختار همسان‌شده حفظ شود. برای یک طرح همسان‌شده ساده ۱:۱، نسبت شانس همسان‌شده به صورت OR = b/c تخمین زده می‌شود، که در آن b = جفت‌های ناهمگون با مورد مواجهه یافته و شاهد مواجهه نیافته، و c = جفت‌های ناهمگون با مورد مواجهه نیافته و شاهد مواجهه یافته. برای کوواریت‌های اضافی در مدل شرطی تنظیمات لازم را انجام دهید.

فرمول
OR = (b / c)
6

نتایج را به صورت نسبت شانس همسان‌شده با فواصل اطمینان ۹۵% بیان کنید. ارزیابی کنید که آیا متغیرهای همسان‌سازی مناسب بوده‌اند، همسان‌سازی بیش از حد (همسان‌سازی بر روی یک واسطه مواجهه) را بررسی کنید و مخدوش‌کنندگی باقیمانده را ارزیابی کنید. اعتبار خارجی را با توجه به جمعیت منبع مورد بحث قرار دهید.

دام‌های رایج

  • همسان‌سازی بیش از حد: انتخاب متغیرهای همسان‌سازی که در مسیر علّی بین مواجهه و بیماری قرار دارند (واسطه‌ها) تغییرپذیری مورد نیاز برای تشخیص ارتباط را از بین می‌برد و OR را به سمت ۱.۰ سوگیری می‌دهد.
  • شکستن همسان‌سازی در تحلیل: تحلیل داده‌های همسان‌شده با رگرسیون لجستیک استاندارد (غیرشرطی) مزایای کارایی همسان‌سازی را از بین می‌برد و می‌تواند سوگیری ایجاد کند — همیشه از رگرسیون لجستیک شرطی یا آزمون مک‌نمار استفاده کنید.
  • سوگیری یادآوری: اگر موارد مواجهه‌ها را واضح‌تر از شواهد به یاد آورند (یادآوری افتراقی)، نسبت شانس بیش از حد تخمین زده خواهد شد؛ در صورت امکان از سوابق عینی یا نشانگرهای زیستی استفاده کنید.
  • نادیده گرفتن موارد غیرهمسان‌شده: حذف مواردی که برای آن‌ها شاهد همسان‌شده‌ای یافت نشده است، می‌تواند سوگیری انتخاب را ایجاد کند اگر قابلیت حذف با مواجهه مرتبط باشد.
  • کنترل ناکافی برای مخدوش‌کنندگی باقیمانده: همسان‌سازی بر روی دسته‌های گسترده (مثلاً، گروه‌های سنی ده ساله) مخدوش‌کنندگی درون دسته را بدون رسیدگی باقی می‌گذارد؛ دسته‌ها را اصلاح کنید یا سن را به طور پیوسته در مدل تنظیم کنید.

پرسش‌های متداول

چرا باید از رگرسیون لجستیک شرطی به جای رگرسیون لجستیک معمولی استفاده کنم؟

در یک مطالعه همسان‌شده فردی، مورد و شواهد همسان‌شده آن یک طبقه را تشکیل می‌دهند. رگرسیون لجستیک غیرشرطی تمام طبقات را به عنوان یک نمونه تجمیع‌شده واحد در نظر می‌گیرد، که تخمین‌های سوگیرانه تولید می‌کند زیرا عرض از مبدأ مجموعه‌های همسان‌شده به عنوان پارامترهای ثابت در نظر گرفته می‌شوند — که منجر به مشکل پارامترهای تصادفی می‌شود. رگرسیون لجستیک شرطی بر روی آمار کافی برای هر مجموعه همسان‌شده شرطی می‌شود، عرض از مبدأهای خاص طبقه را حذف می‌کند و نسبت شانس همسان‌شده بدون سوگیری را به دست می‌دهد.

همسان‌سازی بیش از حد چیست و چرا مضر است؟

همسان‌سازی بیش از حد زمانی اتفاق می‌افتد که شما بر روی متغیری همسان‌سازی می‌کنید که با مواجهه مرتبط است اما به طور مستقل با بیماری مرتبط نیست (یا یک واسطه در مسیر علّی است). از آنجا که موارد و شواهد سپس سوابق مواجهه مشابهی را بر اساس طراحی دارند، تضاد بین گروه‌ها کاهش می‌یابد، نسبت شانس به سمت ۱ سوگیری پیدا می‌کند و برای دستیابی به همان توان، به نمونه بزرگ‌تری نیاز است. از همسان‌سازی بر روی متغیرهایی که می‌توانند پیامدهای پایین‌دستی مواجهه باشند، خودداری کنید.

چگونه نسبت همسان‌سازی را انتخاب کنم؟

نسبت ۱:۱ رایج‌ترین و آسان‌ترین برای مدیریت است. افزایش به ۱:۲ یا ۱:۳ شاهد به ازای هر مورد، دقت را زمانی که موارد نادر هستند اما شواهد فراوان، بهبود می‌بخشد؛ افزایش کارایی فراتر از ۱:۴ کاهش می‌یابد و به ندرت پیچیدگی اضافی را توجیه می‌کند. اگر موارد بسیار نادر و شواهد فراوان باشند، نسبت ۱:۴ اغلب حداکثر عملی در نظر گرفته می‌شود.

آیا می‌توانم چندین مواجهه را در یک مطالعه مورد-شاهدی همسان‌شده بررسی کنم؟

بله. مدل رگرسیون لجستیک شرطی می‌تواند چندین متغیر مواجهه را به طور همزمان شامل شود و امکان ارزیابی چندین عامل خطر را در حالی که ساختار همسان‌شده حفظ می‌شود، فراهم می‌کند. با این حال، هر مواجهه اضافی پارامترهایی را اضافه می‌کند و به یک نمونه با اندازه کافی نیاز دارد؛ با پیش‌بینی مواجهه‌های اولیه و ثانویه در یک پروتکل مطالعه، از جستجوی داده‌ها خودداری کنید.

تفاوت بین همسان‌سازی فردی و همسان‌سازی فراوانی چیست؟

همسان‌سازی فردی (جفتی) هر مورد خاص را به یک یا چند شاهد خاص بر اساس متغیرهای همسان‌سازی مرتبط می‌کند و نیاز به تحلیل شرطی دارد. همسان‌سازی فراوانی تضمین می‌کند که توزیع کلی متغیرهای همسان‌سازی بین موارد و شواهد متعادل است اما جفت‌های خاص مورد را ایجاد نمی‌کند؛ می‌توان آن را با رگرسیون لجستیک غیرشرطی با تنظیم برای متغیرهای همسان‌سازی تحلیل کرد. همسان‌سازی فردی کنترل دقیق‌تری را فراهم می‌کند اما از نظر لجستیکی پرتقاضاتر است و تحلیل را محدود می‌کند.

روش‌های مرتبط

منابع

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

    شابک: 978-0781755474
    کپی شد.
  2. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    شابک: 978-0195029338
    کپی شد.