Skip to content
Torna ai risultati

Studio caso-controllo con appaiamento

Introdotto da
Brian MacMahon and others; systematised by Schlesselman (1982)
Anno
1950s–1970s
Tipo
Observational analytic design
Famiglia
Clinical / epidemiology

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Uno studio caso-controllo con appaiamento è un disegno epidemiologico osservazionale in cui ogni caso (una persona con la malattia o l'esito di interesse) è associato a uno o più controlli (persone senza l'esito) che condividono una o più caratteristiche — come età, sesso o contesto clinico — per controllare i fattori confondenti.

La storia di esposizione viene quindi confrontata tra i casi e i loro controlli appaiati per stimare l'odds ratio dell'associazione esposizione-malattia.

L’intuizione alla base del metodo

Pensala come un detective che appaia i sospetti a persone simili. Se vuoi sapere se una particolare esposizione ha causato una malattia, trovi un paziente con la malattia e poi individui una o più persone simili — stessa età, stesso sesso, stesso ospedale — che non hanno contratto la malattia. Mantenendo identiche queste caratteristiche di base, è molto più probabile che una differenza nella storia di esposizione tra la coppia rifletta un legame reale piuttosto che un fattore confondente. L'appaiamento affina il confronto in modo che il segnale sia più chiaro, a scapito di una certa flessibilità nell'analisi.

Storia

Il disegno caso-controllo è stato formalizzato in epidemiologia negli anni '50, con studi fondamentali di Doll e Hill (1950) sul fumo e il cancro ai polmoni utilizzando controlli ospedalieri. Il principio dell'appaiamento per migliorare la comparabilità è stato applicato precocemente e codificato da Brian MacMahon e colleghi. Il manuale di James Schlesselman del 1982 Case-Control Studies ha stabilito il quadro analitico per i disegni appaiati, inclusi l'odds ratio appaiato e la regressione logistica condizionale. L'articolo di Nathan Mantel e William Haenszel del 1959 ha fornito metodi stratificati fondamentali che supportano l'analisi appaiata, e l'approccio della regressione logistica condizionale è stato sviluppato negli anni '70-'80, diventando lo strumento analitico standard per i dati caso-controllo appaiati individualmente.

Quando usarlo

Utilizzare uno studio caso-controllo con appaiamento quando si studia una malattia o un esito raro per cui uno studio di coorte completo richiederebbe campioni impraticabilmente grandi o un follow-up molto lungo; quando specifici fattori confondenti (come età, sesso o centro clinico) necessitano di un controllo rigoroso; e quando le risorse consentono un attento appaiamento individuale e un'analisi condizionale. È particolarmente prezioso in contesti ospedalieri e nelle indagini su epidemie. Non utilizzare l'appaiamento quando le variabili di appaiamento sono potenziali intermedi nel percorso causale (eccessivo appaiamento), quando il numero di casi è molto piccolo e non si trovano partner di appaiamento, o quando esposizioni variabili nel tempo rendono inappropriato l'appaiamento statico — in tali situazioni un disegno caso-crossover o di coorte può essere preferibile. L'appaiamento non elimina il confondimento non misurato.

Limiti e considerazioni

  • Non è possibile stimare la prevalenza o l'incidenza dell'esito — solo l'odds ratio per l'associazione esposizione-esito.
  • Le variabili di appaiamento non possono essere studiate come esposizioni a meno che non vengano utilizzati metodi analitici complessi.
  • L'eccessivo appaiamento (appaiamento su una variabile associata all'esposizione ma non alla malattia) aumenta la dimensione del campione richiesta e distorce l'odds ratio verso il valore nullo.
  • Trovare controlli appaiati adeguati può essere difficile, in particolare per combinazioni rare di criteri di appaiamento, portando a casi non appaiati che devono essere esclusi.
  • La struttura appaiata deve essere mantenuta nell'analisi; ignorarla (utilizzando la regressione logistica non condizionale) produce stime distorte — utilizzare sempre la regressione logistica condizionale o il test di McNemar.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Controlla efficientemente i forti fattori confondenti (età, sesso, centro clinico) tramite il disegno piuttosto che solo tramite aggiustamento statistico.
  • Ben adatto per esiti rari dove una coorte completa non è fattibile; una frazione del campione non appaiato può raggiungere una precisione comparabile.
  • Riduce la variabilità all'interno dei set appaiati, aumentando spesso l'efficienza statistica per una data dimensione del campione.
  • Ampiamente accettato e ben compreso nelle riviste cliniche ed epidemiologiche; la regressione logistica condizionale è standard ed è implementata in tutti i principali pacchetti statistici.

Applicazioni

  • Indagare sui fattori di rischio per tumori rari appaiando pazienti ospedalieri con tumore a controlli dello stesso ospedale per età, sesso e reparto di ricovero.
  • Indagini su epidemie in cui i casi di intossicazione alimentare sono appaiati a controlli di quartiere per posizione geografica e occasione del pasto.
  • Studi farmacoepidemiologici che esaminano reazioni avverse ai farmaci, con casi appaiati a controlli esposti al farmaco per indicazione, età e comorbidità.
  • Studi di epidemiologia occupazionale su esposizioni rare (es. specifici agenti chimici) con controlli appaiati per settore industriale per eliminare il confondimento occupazionale.
  • Epidemiologia genetica in cui casi e controlli sono appaiati per etnia per minimizzare la stratificazione della popolazione prima della genotipizzazione.
  • Studi di emergenza e chirurgici in cui il ricovero ospedaliero fornisce una cornice di appaiamento naturale per domande su esposizione-esito acute.

Come funziona

Come funziona

1

Formulare una definizione precisa di caso specificando la malattia o l'esito, i criteri diagnostici, la popolazione eleggibile (popolazione sorgente) e la finestra temporale. Identificare l'esposizione di interesse e i fattori confondenti che si intende controllare mediante appaiamento. Pre-specificare il rapporto di appaiamento (1:1, 1:2, ecc.) e le variabili di appaiamento.

2

Reclutare casi incidenti o prevalenti da una fonte definita come registri ospedalieri, registri di patologie o un sistema di sorveglianza. Confermare che ogni caso soddisfi la definizione di caso. Selezionare i controlli dalla stessa popolazione sorgente — persone che sarebbero state eleggibili per diventare un caso — utilizzando strategie di campionamento basate su ospedale, popolazione o densità.

3

Per ogni caso, selezionare uno o più controlli che condividano i valori delle variabili di appaiamento (es. stessa fascia di età quinquennale e sesso). L'appaiamento individuale (uno-a-uno o uno-a-molti) lega ogni controllo a un caso specifico; l'appaiamento per frequenza bilancia le distribuzioni nell'intero studio. Documentare il rapporto di appaiamento e qualsiasi ampiezza di calibro utilizzata.

4

Accertare lo stato di esposizione sia per i casi che per i loro controlli appaiati, utilizzando lo stesso metodo di misurazione per entrambi i gruppi per evitare una classificazione errata differenziale. Fonti comuni includono interviste, cartelle cliniche, dati di biobanche o database amministrativi. La cecità dei valutatori dell'esito rispetto allo stato di caso/controllo riduce il bias informativo.

5

Analizzare i dati appaiati con regressione logistica condizionale (o test di McNemar per coppie appaiate 1:1) per preservare la struttura appaiata. Per un semplice disegno appaiato 1:1, l'odds ratio appaiato è stimato come OR = b/c, dove b = coppie discordanti con caso esposto e controllo non esposto, e c = coppie discordanti con caso non esposto e controllo esposto. Adeguare per covariate aggiuntive all'interno del modello condizionale.

Formula
OR = (b / c)
6

Esprimere i risultati come odds ratio appaiati con intervalli di confidenza al 95%. Valutare se le variabili di appaiamento erano appropriate, verificare l'eccessivo appaiamento (appaiamento su un intermedio dell'esposizione) e valutare il confondimento residuo. Discutere la validità esterna rispetto alla popolazione sorgente.

Errori comuni

  • Eccessivo appaiamento: selezionare variabili di appaiamento che si trovano sul percorso causale tra esposizione e malattia (intermedi) rimuove la variazione necessaria per rilevare l'associazione e distorce l'OR verso 1.0.
  • Rottura dell'appaiamento nell'analisi: analizzare dati appaiati con regressione logistica standard (non condizionale) scarta i guadagni di efficienza dell'appaiamento e può introdurre distorsioni — utilizzare sempre la regressione logistica condizionale o il test di McNemar.
  • Bias di richiamo: se i casi ricordano le esposizioni più vividamente dei controlli (richiamo differenziale), l'odds ratio sarà sovrastimato; utilizzare registri oggettivi o biomarcatori ove possibile.
  • Ignorare i casi non appaiati: escludere i casi per i quali non è stato trovato un controllo appaiato può introdurre bias di selezione se l'escludibilità è correlata all'esposizione.
  • Controllo insufficiente del confondimento residuo: l'appaiamento su categorie ampie (es. fasce di età decennali) lascia non affrontato il confondimento all'interno delle categorie; affinare le categorie o adeguare l'età in modo continuo nel modello.

Domande frequenti

Perché devo usare la regressione logistica condizionale anziché la regressione logistica ordinaria?

In uno studio appaiato individualmente, il caso e i suoi controlli appaiati formano uno strato. La regressione logistica non condizionale tratta tutti gli strati come un unico campione aggregato, il che produce stime distorte perché gli intercetti dei set appaiati sono trattati come parametri fissi — portando al problema dei parametri incidentali. La regressione logistica condizionale condiziona sulla statistica sufficiente per ogni set appaiato, eliminando gli intercetti specifici dello strato e fornendo un odds ratio appaiato non distorto.

Cos'è l'eccessivo appaiamento e perché è dannoso?

L'eccessivo appaiamento si verifica quando si appaia su una variabile associata all'esposizione ma non indipendentemente alla malattia (o è un intermedio sul percorso causale). Poiché casi e controlli hanno quindi storie di esposizione simili per disegno, il contrasto tra i gruppi è ridotto, l'odds ratio è distorto verso 1 e è necessario un campione più grande per ottenere la stessa potenza. Evitare di appaiare su variabili che potrebbero essere conseguenze a valle dell'esposizione.

Come scelgo il rapporto di appaiamento?

Un rapporto 1:1 è il più comune e facile da gestire. Aumentare a 1:2 o 1:3 controlli per caso migliora la precisione quando i casi sono rari ma i controlli abbondanti; il guadagno in efficienza diminuisce oltre 1:4 e raramente giustifica la complessità aggiunta. Se i casi sono molto rari e i controlli abbondanti, un rapporto 1:4 è spesso considerato il massimo pratico.

Posso studiare esposizioni multiple nello stesso studio caso-controllo con appaiamento?

Sì. Il modello di regressione logistica condizionale può includere più variabili di esposizione contemporaneamente, consentendo la valutazione di diversi fattori di rischio preservando la struttura appaiata. Tuttavia, ogni esposizione aggiuntiva aggiunge parametri e richiede un campione di dimensioni adeguate; evitare il data dredging pre-specificando le esposizioni primarie e secondarie in un protocollo di studio.

Qual è la differenza tra appaiamento individuale e appaiamento per frequenza?

L'appaiamento individuale (a coppie) lega ogni caso specifico a uno o più controlli specifici su variabili di appaiamento, richiedendo un'analisi condizionale. L'appaiamento per frequenza assicura che la distribuzione complessiva delle variabili di appaiamento sia bilanciata tra casi e controlli ma non crea coppie caso-specifiche; può essere analizzato con regressione logistica non condizionale adeguando per le variabili di appaiamento. L'appaiamento individuale fornisce un controllo più rigoroso ma è logisticamente più impegnativo e vincola l'analisi.

Metodi correlati

Fonti

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

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

    ISBN: 978-0195029338
    Copiato.