Disegno caso-controllo
- Introdotto da
- Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
- Anno
- 1950s-1970s
- Tipo
- Research Design
- Famiglia
- observational design
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
Uno studio caso-controllo identifica individui con una malattia o esito (casi) e un gruppo di confronto senza l'esito (controlli), quindi misura l'esposizione pregressa retrospettivamente.
Sviluppati negli anni '50-'70 da epidemiologi come Schlesselman e MacMahon, gli studi caso-controllo sono particolarmente efficienti per malattie rare, poiché campionano casi arricchiti per l'esito, evitando la necessità di coorti enormi. Sono un pilastro dell'epidemiologia clinica, della ricerca osservazionale e delle indagini su epidemie.
L’intuizione alla base del metodo
Gli studi caso-controllo lavorano a ritroso: si parte da persone che hanno la malattia, poi si chiede 'A cosa eri esposto prima di ammalarti?' Si confrontano con controlli che non hanno la malattia. Se i casi hanno una probabilità molto maggiore di riferire un'esposizione passata rispetto ai controlli, l'esposizione è probabilmente un fattore di rischio. La statistica chiave è l'Odds Ratio (OR), che può essere calcolato dal solo campione caso-controllo. Le principali sfide sono il bias di richiamo (i casi possono ricordare le esposizioni diversamente dai controlli) e il bias di selezione (come si scelgono i controlli influisce sui risultati). Per le malattie rare, il caso-controllo è molto più efficiente del disegno di coorte: si arruolano 100 casi e 100 controlli invece di 100.000 persone senza malattia seguite per anni.
Storia
La metodologia caso-controllo emerse negli anni '50 quando gli epidemiologi cercarono di studiare malattie rare in modo efficiente. La monografia di Jerome Schlesselman (1982) ne formalizzò le basi statistiche. I disegni caso-controllo si dimostrarono decisivi nello stabilire legami causali: il classico studio caso-controllo sulla talidomide e i difetti alla nascita (anni '60) e sul fumo e il cancro ai polmoni (Doll & Hill) esemplificano la capacità del disegno di rilevare rapidamente le esposizioni. Studi caso-controllo annidati (che selezionano controlli all'interno di una coorte) e disegni caso-controllo appaiati si evolsero per aumentare la precisione. Oggi, gli studi caso-controllo rimangono fondamentali in epidemiologia, in particolare per indagare epidemie, rischi professionali ed eventi avversi rari.
Quando usarlo
Usare studi caso-controllo quando: (1) la malattia o l'esito è raro (es. tumori rari, difetti congeniti), rendendo gli studi di coorte proibitivamente costosi, (2) esiste un lungo periodo di latenza tra esposizione ed esito (anni o decenni), (3) si studiano molteplici esposizioni per un singolo esito, (4) si conducono indagini su epidemie o focolai (confrontando esposti vs non esposti), (5) si generano ipotesi da dati esistenti (cartelle cliniche, registri di malattie), (6) le risorse sono limitate (il caso-controllo è più economico e veloce della coorte), (7) si studiano esposizioni passate dove il follow-up è impossibile.
Limiti e considerazioni
- Bias di richiamo: i casi, avendo sperimentato l'esito, possono ricordare le esposizioni passate diversamente dai controlli. Se i casi esagerano o minimizzano la segnalazione dell'esposizione, l'OR è distorto.
- Bias di selezione: come vengono scelti i controlli influisce criticamente sull'OR. I controlli devono provenire dalla stessa popolazione sorgente che ha generato i casi; l'uso di controlli ospedalizzati quando i casi sono derivati dalla comunità introduce bias.
- Ambiguità temporale: la misurazione retrospettiva dell'esposizione può oscurare la causalità. L'esposizione ha preceduto l'esito, o l'esito ha influenzato il richiamo dell'esposizione?
- Impossibilità di calcolare l'incidenza: i campioni caso-controllo sono arricchiti per l'esito, quindi non è possibile stimare direttamente l'incidenza della malattia o il rischio assoluto. L'OR è l'unica misura di associazione stimabile.
- Macrocategorizzazione dell'esposizione: la valutazione retrospettiva dell'esposizione (specialmente per esposizioni distanti) è soggetta a errori, distorcendo l'OR verso il nulla.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Efficienza per esiti rari: il campionamento arricchito per l'esito rende il caso-controllo molto più efficiente degli studi di coorte per malattie rare. Uno studio su un tumore raro potrebbe arruolare 300 casi e 300 controlli invece di 100.000 persone seguite per anni.
- Velocità e costo: la raccolta dati retrospettiva è più veloce ed economica del follow-up prospettico.
- Molteplici esposizioni: un singolo studio caso-controllo può esaminare molte esposizioni contemporaneamente, identificando nuovi fattori di rischio.
- Registri di malattie consolidati: molte malattie hanno registri (tumori, difetti congeniti), che forniscono un accesso rapido a casi ben caratterizzati.
- Latenza: il caso-controllo gestisce naturalmente lunghi periodi di induzione-latenza tra esposizione e diagnosi dell'esito.
Applicazioni
- Indagine su epidemie: durante un'epidemia di intossicazione alimentare, identificare casi (persone malate) e controlli (coloro che sono stati esposti ma non malati), confrontare gli alimenti consumati e identificare la fonte.
- Epidemiologia dei difetti congeniti: arruolare neonati con anomalie congenite come casi, selezionare controlli basati sulla popolazione, chiedere alle madri riguardo all'uso di farmaci, infezioni o esposizioni durante la gravidanza.
- Salute occupazionale: lavoratori con mesotelioma (esito raro) sono casi; i controlli sono lavoratori senza malattie correlate all'amianto; valutare retrospettivamente l'esposizione all'amianto dai registri di lavoro.
- Effetti avversi da farmaci: pazienti ospedalizzati con insufficienza epatica (casi) vengono confrontati con controlli ospedalizzati (senza insufficienza epatica); viene esaminata la storia farmacologica per identificare farmaci epatotossici.
- Eziologia del cancro: pazienti con diagnosi recente di cancro (casi) vengono appaiati per frequenza a controlli senza cancro per età/sesso; vengono raccolte storie dietetiche, di fumo e riproduttive per identificare i fattori di rischio.
Come funziona
Come funziona
Definire i casi: individui con l'esito di interesse (es. diabete, infarto miocardico, anomalia congenita). I casi possono essere diagnosticati di recente (incidenti) o tutte le persone con la malattia in un periodo definito (prevalenti). Definire chiaramente i casi: criteri diagnostici, data di diagnosi, stato della malattia confermato da cartelle cliniche. Selezionare i controlli dalla popolazione sorgente che ha generato i casi—i controlli rappresentano la distribuzione dell'esposizione nella popolazione che ha prodotto i casi. I controlli devono essere liberi dalla malattia (almeno per l'esito specifico). Appaiamento (Matching): i controlli possono essere appaiati 1:1 o 1:k ai casi per età, sesso, razza o altri confondenti; l'appaiamento migliora la potenza ma richiede aggiustamento statistico (McNemar per coppie appaiate). In alternativa, usare controlli non appaiati e aggiustare per i confondenti nella regressione. Misurare l'esposizione pregressa da cartelle cliniche, interviste, questionari o campioni biologici conservati. Per esposizioni storiche (passato lontano), usare cartelle cliniche o storie lavorative; per esposizioni recenti, sono fattibili le interviste.
Formula
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.
Costruire una tabella di contingenza 2×2: righe = stato di esposizione (sì/no), colonne = stato caso/controllo. Calcolare l'Odds Ratio: OR = (a × d) / (b × c), dove a = casi esposti, b = casi non esposti, c = controlli esposti, d = controlli non esposti. Calcolare l'intervallo di confidenza al 95% su scala logaritmica. Per dati appaiati (n coppie appaiate), usare il test di McNemar: χ² = ((b − c)²) / (b + c), che verifica se le coppie discordanti sono bilanciate. Per dati non appaiati, usare la regressione logistica per aggiustare per i confondenti e calcolare l'OR aggiustato. Riportare l'OR aggiustato con IC e p-value. Verificare l'interazione tra esposizione e confondenti.
Formula
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.
OR = 1: nessuna associazione tra esposizione ed esito. OR > 1: esposizione associata a una maggiore probabilità di avere l'esito (fattore di rischio). OR < 1: esposizione associata a una minore probabilità (fattore protettivo). Ad esempio, OR = 3 significa che le probabilità dell'esposizione tra i casi sono 3 volte le probabilità tra i controlli. Quando la malattia è rara (prevalenza <10%), l'OR approssima il Rischio Relativo. Quando la malattia è comune, l'OR sovrastima l'effetto. Intervalli di confidenza che escludono 1.0 suggeriscono significatività statistica. La causalità richiede più della sola associazione statistica: considerare la forza (OR >2–3), la coerenza tra studi, la relazione dose-risposta, la plausibilità temporale e il meccanismo biologico. Valutare spiegazioni alternative: il bias di selezione, il bias di richiamo o il confondimento non misurato possono spiegare l'associazione osservata?
Formula
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.
Errori comuni
- Scelta inadeguata dei controlli: i controlli selezionati tra pazienti ospedalizzati (quando i casi sono casi comunitari) o controlli con una malattia correlata incorrono in bias di selezione. I controlli dovrebbero essere liberi dalla malattia e rappresentativi della popolazione sorgente.
- Ignorare l'appaiamento nell'analisi: se casi e controlli sono appaiati per età/sesso, la regressione logistica standard non è appropriata; usare la regressione logistica condizionale o il test di McNemar per l'analisi appaiata.
- Bias di richiamo differenziale: i casi possono ricordare le esposizioni più a fondo o distorcerle più dei controlli. Minimizzare usando registri oggettivi (es. cartelle cliniche, registri di lavoro) invece di sondaggi basati sul richiamo.
- Selezione post-hoc dei controlli: l'aggiustamento della selezione dei controlli dopo aver visto i dati (es. selezionare controlli aggiuntivi per bilanciare una particolare covariata) introduce bias. Definire i criteri per i controlli a priori.
- Bias prevalenza-incidenza: se vengono arruolati casi prevalenti (tutti i casi di malattia in una popolazione) anziché casi incidenti (diagnosticati di recente), i sopravvissuti a malattie gravi possono essere arricchiti, distorcendo l'OR.
Domande frequenti
Quando l'Odds Ratio è una buona approssimazione del Rischio Relativo?
L'Odds Ratio (OR) approssima il Rischio Relativo (RR) quando la malattia è rara nella popolazione (tipicamente <10% di prevalenza). A bassa prevalenza, le probabilità di malattia ≈ rischio di malattia, quindi OR ≈ RR. Quando la prevalenza è >10%, l'OR sovrastima l'effetto rispetto all'RR. Ad esempio, se RR = 2, l'OR potrebbe essere 2,5 o superiore a prevalenza più alta. Chiarire sempre che gli studi caso-controllo forniscono l'OR, non l'RR. Se l'interpretazione clinica richiede l'RR, è necessario convertire l'OR utilizzando il rischio di base (prevalenza della malattia nella popolazione sorgente).
Cos'è uno studio caso-controllo annidato e perché usarlo?
Uno studio caso-controllo annidato seleziona casi e controlli all'interno di una coorte prospettica. Tutti i membri del caso vengono identificati dalla coorte man mano che si verificano gli esiti; i controlli vengono campionati casualmente tra i non casi nella coorte, spesso appaiati ai casi per età e sesso. Il caso-controllo annidato combina i punti di forza della coorte e del caso-controllo: la sequenza temporale e i dati di incidenza sono disponibili (come nelle coorti), tuttavia il costo è inferiore poiché solo i sottoinsiemi di casi e controlli vengono misurati per esposizioni costose (es. biomarcatori, test genetici). L'Odds Ratio da un caso-controllo annidato approssima il Rischio Relativo della coorte, anche se la malattia non è rara.
Come scelgo tra controlli appaiati e non appaiati?
I controlli appaiati (1:1 appaiati ai casi per età, sesso, ecc.) aumentano la precisione e riducono il confondimento da parte delle variabili appaiate. Tuttavia, l'appaiamento è statisticamente 'costoso': è necessario utilizzare la regressione logistica condizionale e non è possibile stimare gli effetti indipendenti delle variabili appaiate. I controlli non appaiati consentono l'aggiustamento per molti confondenti nella regressione logistica e possono essere più convenienti. L'appaiamento è più utile per confondenti forti (età, sesso, anno solare) e quando i controlli sono difficili da trovare. Se i potenziali confondenti sono numerosi, considerare un disegno non appaiato con aggiustamento tramite regressione.
Come distinguo tra bias di selezione e bias informativo negli studi caso-controllo?
Il bias di selezione deriva da come si selezionano casi e controlli. Se casi e controlli provengono da diverse popolazioni sorgente (es. casi ospedalizzati vs controlli comunitari), l'OR è distorto. Il bias informativo (macrocategorizzazione) deriva da errori nella misurazione dell'esposizione o dell'esito. Il bias di richiamo è un tipo di bias informativo: i casi con una malattia grave possono ricordare le esposizioni passate diversamente dai controlli. Entrambi distorcono l'OR, ma in modi diversi. Per minimizzare il bias di selezione, assicurarsi che casi e controlli provengano dalla stessa popolazione sorgente. Per minimizzare il bias informativo, utilizzare registri oggettivi (cartelle cliniche, biomarcatori) invece del richiamo.
Metodi correlati
Fonti
Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN: 978-0195027815Copiato.Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755657Copiato.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.
Apri il riferimento della pubblicazioneCopiato.