Analisi Dose-Risposta — Quantificare Come il Livello di Esposizione Si Relaziona al Rischio di Esito
- Introdotto da
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- Anno
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- Tipo
- Quantitative analytical method
- Famiglia
- Clinical / epidemiology
Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese
A cosa serve?
L'analisi dose-risposta quantifica la relazione tra l'entità di un'esposizione (la dose) e la probabilità o il tasso di un esito (la risposta).
È una strategia analitica fondamentale in epidemiologia e tossicologia, che fornisce prove che un'esposizione crescente aumenta — o diminuisce — sistematicamente il rischio di malattia. Un gradiente dose-risposta dimostrato è uno dei classici criteri di Bradford Hill a supporto dell'inferenza causale.
L’intuizione alla base del metodo
Si pensi all'analisi dose-risposta come a una domanda: più esposizione significa più danno? Se i lavoratori esposti a livelli più elevati di una sostanza chimica hanno tassi progressivamente più elevati di malattie polmonari rispetto a quelli esposti a livelli inferiori, tale gradiente è sia una misura del rischio sia un argomento a favore della causalità. Il metodo va oltre un semplice confronto esposti-vs-non esposti per mappare l'intera curva esposizione-rischio — che può essere lineare, basata su soglia, a forma di U o saturante — fornendo a regolatori, clinici e ricercatori un quadro quantitativo di come il rischio cambia nell'intero spettro di esposizione.
Storia
Il principio che la dose fa il veleno fu articolato da Paracelso nel XVI secolo. L'applicazione epidemiologica formale iniziò con l'indagine sul colera di John Snow nel 1854, che quantificò il rischio in base alla distanza dalla pompa di Broad Street. Il metodo fu codificato a metà del XX secolo attraverso il lavoro di Bradford Hill, che incluse il gradiente dose-risposta come uno dei suoi nove criteri del 1965 per l'inferenza causale in epidemiologia. La modellazione quantitativa dose-risposta basata sulla regressione divenne standard con l'ascesa della regressione logistica e di Cox negli anni '70 e '80, e la modellazione flessibile basata su spline delle curve esposizione-risposta divenne diffusa dagli anni '90 in poi.
Quando usarlo
Utilizzare l'analisi dose-risposta ogni volta che l'esposizione può essere quantificata su scala ordinale o continua e la domanda è se un'esposizione maggiore si traduca in un rischio maggiore (o minore). È una pratica standard in epidemiologia occupazionale, salute ambientale, farmacoepidemiologia ed epidemiologia nutrizionale. È anche una componente chiave dell'aggregazione meta-analitica di dati riassuntivi tra studi. Non applicarla quando l'esposizione è intrinsecamente binaria senza un gradiente significativo (ad esempio, chirurgia vs. nessuna chirurgia), quando le categorie di esposizione sono troppo poche (meno di tre livelli ordinati) per modellare una tendenza, o quando la misurazione dell'esposizione è così imprecisa che la categorizzazione non è affidabile — in questi casi un semplice confronto a due gruppi è più appropriato.
Limiti e considerazioni
- Richiede una misurazione accurata e dettagliata dell'esposizione; la classificazione errata attenua le stime dose-risposta verso il nulla.
- La categorizzazione di un'esposizione continua introduce punti di interruzione arbitrari e può creare o nascondere la non linearità.
- Il confondimento deve essere controllato separatamente per ogni livello di esposizione, aumentando la complessità della strategia di aggiustamento.
- Piccoli numeri di soggetti nelle categorie di esposizione estreme riducono la precisione e possono richiedere l'accorpamento delle categorie.
- Il bias di pubblicazione e la segnalazione selettiva delle categorie di dose possono distorcere le curve dose-risposta aggregate nelle meta-analisi.
Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.
Punti di forza
- Fornisce prove di un gradiente causale, rafforzando l'inferenza causale oltre un singolo confronto esposto-vs-non esposto.
- Stima il rischio a molteplici livelli di esposizione, consentendo la definizione di standard normativi e l'identificazione di soglie cliniche.
- Compatibile con la maggior parte dei disegni di studio osservazionali (coorte, caso-controllo, trasversale) e con la meta-analisi di dati riassuntivi.
- La modellazione flessibile (spline, polinomi) accoglie relazioni non lineari e basate su soglia.
- Supporta la valutazione quantitativa del rischio e la modellazione dell'impatto sulla salute.
Applicazioni
- Salute occupazionale: quantificare il rischio di cancro ai polmoni attraverso categorie di esposizione cumulativa ad amianto o silice.
- Farmacoepidemiologia: correlare la dose cumulativa di statine alla riduzione dei tassi di eventi cardiovascolari.
- Epidemiologia ambientale: modellare l'associazione tra la concentrazione di particolato fine atmosferico (PM2.5) e la mortalità per tutte le cause.
- Epidemiologia nutrizionale: caratterizzare la relazione a forma di U tra il consumo di alcol e il rischio cardiovascolare.
- Tossicologia: stabilire dosi di riferimento e concentrazioni di riferimento sicure per la valutazione del rischio normativo.
- Meta-analisi: aggregare i rischi relativi specifici per dose da molteplici studi di coorte per derivare una curva dose-risposta riassuntiva.
Come funziona
Come funziona
La variabile di esposizione è definita e misurata su una scala ordinale o continua: dose cumulativa, intensità media, durata o concentrazione di picco. Una valutazione dell'esposizione chiara e riproducibile è fondamentale perché una classificazione errata dei livelli di esposizione — in particolare una classificazione errata non differenziale — distorce le stime dose-risposta verso il nulla.
L'esposizione viene raggruppata in categorie ordinate (ad esempio, quartili o punti di interruzione clinicamente significativi) per un'analisi di tendenza categorica, oppure modellata come variabile continua utilizzando spline di regressione, polinomi o polinomi frazionari. Gli approcci categorici sono più trasparenti e richiedono meno assunzioni; la modellazione continua cattura la forma completa della curva ed evita categorizzazioni arbitrarie.
Per ogni livello o incremento di esposizione, viene stimata una misura dell'effetto rispetto a una categoria di riferimento (solitamente il gruppo più basso o non esposto). Negli studi di coorte si tratta tipicamente del rischio relativo o dell'hazard ratio; negli studi caso-controllo, dell'odds ratio. La regressione di Poisson, la regressione di Cox o la regressione logistica possono essere utilizzate a seconda del tipo di esito. Un modello polinomiale o a spline del log-rischio in funzione della dose produce la curva dose-risposta: ln(RR) = β₀ + β₁d + β₂d².
Formula
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
Viene condotto un test formale di tendenza lineare assegnando la mediana o il punto medio di ciascuna categoria di esposizione come punteggio continuo e inserendolo nel modello di regressione. Un valore p significativo (o, in meta-analisi, un coefficiente di tendenza aggregato) conferma che l'associazione cambia in una direzione coerente attraverso i livelli di esposizione.
Oltre al test di tendenza lineare, viene valutata la forma funzionale della relazione. Le spline cubiche ristrette o i modelli polinomiali frazionari consentono di rilevare pattern non lineari come una soglia (nessun effetto al di sotto di una certa dose), un plateau (l'effetto si stabilizza a dosi elevate) o una forma a U (sia l'esposizione bassa che alta associata a un aumento del rischio). La forma scelta ha implicazioni dirette per la valutazione del rischio e le soglie normative.
Errori comuni
- La scelta delle categorie di esposizione dopo aver ispezionato i dati — la categorizzazione basata sui dati gonfia l'apparente dose-risposta e produce valori p ottimistici; le categorie dovrebbero essere definite a priori.
- Ignorare la non linearità — optare per un test di tendenza lineare senza verificare la forma funzionale può far perdere relazioni a soglia o a forma di U che sono scientificamente e praticamente importanti.
- Utilizzare il gruppo più esposto come categoria di riferimento — questo è corretto solo se è anche il gruppo più numeroso; il gruppo non esposto o meno esposto è il riferimento convenzionale perché massimizza la potenza statistica e l'interpretabilità.
- Confondere la dose-risposta con l'effetto sano del lavoratore o sano dell'utilizzatore — gli individui che si auto-selezionano verso livelli di esposizione più elevati possono differire sistematicamente dai gruppi a esposizione inferiore in modi che distorcono il gradiente stimato.
Domande frequenti
Qual è la differenza tra un test di tendenza lineare e un modello dose-risposta completo?
Un test di tendenza lineare riduce la relazione dose-risposta a un singolo coefficiente di pendenza e verifica se tale pendenza differisce da zero. È conciso ma assume linearità e non può rilevare pattern a soglia o a forma di U. Un modello dose-risposta completo — utilizzando spline o polinomi — stima l'intera curva esposizione-rischio, rivelando se la relazione è lineare, non lineare o dipendente dalla soglia. Entrambi gli approcci sono complementari e dovrebbero solitamente essere riportati insieme.
L'analisi dose-risposta può essere applicata a dati caso-controllo?
Sì. In uno studio caso-controllo, le categorie di esposizione sono definite sia per i casi che per i controlli, e gli odds ratio per ogni livello di esposizione rispetto alla categoria di riferimento vengono stimati utilizzando la regressione logistica condizionale o incondizionale. Il punteggio di esposizione ordinale viene quindi inserito come variabile continua nel modello per testare la tendenza. L'interpretazione è analoga all'analisi di studi di coorte, ma l'odds ratio approssima il rischio relativo solo quando l'esito è raro.
Come aggrego i dati dose-risposta tra studi in una meta-analisi?
Il metodo di Greenland e Longnecker (1992) è l'approccio standard. Ricostruisce la matrice di covarianza dei log-rischi relativi attraverso le categorie di esposizione di ciascuno studio e quindi utilizza i minimi quadrati generalizzati per adattare una tendenza dose-risposta comune. Ciò richiede che gli studi individuali riportino il numero di casi e il tempo-persona (o i controlli) per categoria di esposizione insieme alla stima dell'effetto aggiustato — informazioni che a volte mancano nei rapporti pubblicati.
Quando dovrei usare spline cubiche ristrette invece della regressione polinomiale?
Le spline cubiche ristrette (chiamate anche spline naturali) sono generalmente preferite ai polinomi perché si adattano in modo flessibile all'interno dell'intervallo di esposizione, pur essendo vincolate a essere lineari nelle code, il che evita estrapolazioni errate oltre i dati. I polinomi possono produrre curve implausibili agli estremi. Per la maggior parte delle analisi dose-risposta epidemiologiche, da tre a cinque nodi posizionati ai quantili della distribuzione dell'esposizione forniscono un buon equilibrio tra flessibilità e parsimonia.
Un gradiente dose-risposta prova la causalità?
No. Un gradiente dose-risposta è uno dei criteri di Bradford Hill che rafforza un argomento causale, ma non è né necessario né sufficiente da solo. Il confondimento, la causalità inversa e la classificazione errata dell'esposizione possono tutti produrre o mascherare un gradiente. Le prove dose-risposta devono essere interpretate insieme alla temporalità, alla coerenza tra gli studi, alla plausibilità biologica e ad altri criteri causali.
Metodi correlati
Fonti
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755641Copiato.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.
Apri il riferimento DOICopiato.