Projekt badania kliniczno-kontrolnego
- Autor metody
- Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
- Rok
- 1950s-1970s
- Typ
- Research Design
- Rodzina
- observational design
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Badanie kliniczno-kontrolne identyfikuje osoby z chorobą lub wynikiem (przypadki) oraz grupę porównawczą bez tego wyniku (kontrole), a następnie retrospektywnie ocenia wcześniejsze narażenie.
Opracowane w latach 50.–70. XX wieku przez epidemiologów takich jak Schlesselman i MacMahon, badania kliniczno-kontrolne są szczególnie efektywne w przypadku rzadkich chorób, ponieważ próbują przypadki wzbogacone o wynik, eliminując potrzebę tworzenia ogromnych kohort. Stanowią one podstawę epidemiologii klinicznej, badań obserwacyjnych i dochodzeń epidemiologicznych.
Intuicja stojąca za metodą
Badania kliniczno-kontrolne działają wstecz: zaczynają od osób chorych, a następnie pytają „Na co byłeś narażony, zanim zachorowałeś?”. Porównuje się to z kontrolami, które nie mają choroby. Jeśli przypadki znacznie częściej zgłaszają wcześniejsze narażenie niż kontrole, narażenie to jest prawdopodobnie czynnikiem ryzyka. Kluczową statystyką jest iloraz szans (Odds Ratio, OR), który można obliczyć wyłącznie na podstawie próby kliniczno-kontrolnej. Główne wyzwania to błąd pamięci (przypadki mogą inaczej pamiętać narażenia niż kontrole) i błąd selekcji (sposób wyboru kontroli wpływa na wyniki). W przypadku rzadkich chorób badanie kliniczno-kontrolne jest znacznie bardziej efektywne niż badanie kohortowe: rekrutuje się 100 przypadków i 100 kontroli zamiast 100 000 osób wolnych od choroby, obserwowanych przez lata.
Historia
Metodologia kliniczno-kontrolna wyłoniła się w latach 50. XX wieku, gdy epidemiolodzy dążyli do efektywnego badania rzadkich chorób. Monografia Jerome'a Schlesselmana (1982) sformalizowała podstawy statystyczne. Projekty kliniczno-kontrolne okazały się decydujące w ustalaniu związków przyczynowych: klasyczne badanie kliniczno-kontrolne talidomidu i wad wrodzonych (lata 60.) oraz palenia tytoniu i raka płuca (Doll & Hill) są przykładami mocy tego projektu w szybkim wykrywaniu narażeń. Badania kliniczno-kontrolne zagnieżdżone (wybieranie kontroli z kohorty) i dopasowane projekty kliniczno-kontrolne ewoluowały w celu zwiększenia precyzji. Obecnie badania kliniczno-kontrolne pozostają fundamentalne w epidemiologii, szczególnie w badaniu ognisk chorób, zagrożeń zawodowych i rzadkich zdarzeń niepożądanych.
Kiedy stosować
Stosuj badania kliniczno-kontrolne, gdy: (1) choroba lub wynik jest rzadki (np. rzadkie nowotwory, wady wrodzone), co czyni badania kohortowe nieopłacalnymi, (2) istnieje długi okres utajenia między narażeniem a wynikiem (lata do dekad), (3) badasz wiele narażeń dla jednego wyniku, (4) prowadzisz dochodzenia epidemiologiczne lub dochodzenia dotyczące wybuchów epidemii (porównując narażonych i nienarażonych), (5) generujesz hipotezy na podstawie istniejących danych (dokumentacja medyczna, rejestry chorób), (6) zasoby są ograniczone (badanie kliniczno-kontrolne jest tańsze i szybsze niż kohortowe), (7) badasz przeszłe narażenia, gdzie obserwacja jest niemożliwa.
Ograniczenia i uwagi
- Błąd pamięci: przypadki, które doświadczyły wyniku, mogą inaczej pamiętać przeszłe narażenia niż kontrole. Jeśli przypadki wyolbrzymiają lub minimalizują zgłaszanie narażeń, OR jest obciążony.
- Błąd selekcji: sposób wyboru kontroli krytycznie wpływa na OR. Kontrole muszą pochodzić z tej samej populacji źródłowej, która wygenerowała przypadki; użycie kontroli hospitalizowanych, gdy przypadki pochodzą ze społeczności, wprowadza błąd.
- Niejasność czasowa: retrospektywna ocena narażenia może zaciemniać przyczynowość. Czy narażenie poprzedzało wynik, czy wynik wpłynął na przypominanie sobie narażenia?
- Nie można obliczyć incydencji: próby kliniczno-kontrolne są wzbogacone o wynik, więc nie można bezpośrednio oszacować incydencji choroby ani ryzyka bezwzględnego. OR jest jedyną mierzalną miarą związku.
- Błędna klasyfikacja narażenia: retrospektywna ocena narażenia (zwłaszcza dla odległych narażeń) jest podatna na błędy, obciążając OR w kierunku zera.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Efektywność w przypadku rzadkich wyników: próbkowanie wzbogacone o wynik sprawia, że badanie kliniczno-kontrolne jest znacznie bardziej efektywne niż badanie kohortowe w przypadku rzadkich chorób. Badanie rzadkiego nowotworu może objąć 300 przypadków i 300 kontroli zamiast 100 000 osób obserwowanych przez lata.
- Szybkość i koszt: retrospektywne zbieranie danych jest szybsze i tańsze niż prospektywne obserwowanie.
- Wiele narażeń: jedno badanie kliniczno-kontrolne może badać wiele narażeń jednocześnie, identyfikując nowe czynniki ryzyka.
- Istniejące rejestry chorób: wiele chorób ma rejestry (nowotwory, wady wrodzone), zapewniając łatwy dostęp do dobrze scharakteryzowanych przypadków.
- Okres utajenia: badanie kliniczno-kontrolne naturalnie uwzględnia długie okresy indukcji-utajenia między narażeniem a diagnozą wyniku.
Zastosowania
- Dochodzenie epidemiologiczne: podczas wybuchu zatrucia pokarmowego zidentyfikuj przypadki (chore osoby) i kontrole (osoby narażone, ale nie chore), porównaj spożywane pokarmy i zidentyfikuj źródło.
- Epidemiologia wad wrodzonych: niemowlęta z wadami wrodzonymi jako przypadki, dobierz kontrole oparte na populacji, zapytaj matki o stosowanie leków, infekcje lub narażenia w czasie ciąży.
- Zdrowie zawodowe: pracownicy z międzybłoniakiem opłucnej (rzadki wynik) to przypadki; kontrole to pracownicy bez chorób związanych z azbestem; retrospektywnie oceń narażenie na azbest na podstawie dokumentacji zatrudnienia.
- Działania niepożądane leków: pacjenci hospitalizowani z niewydolnością wątroby (przypadki) są porównywani z kontrolami hospitalizowanymi (bez niewydolności wątroby); przegląda się historię leczenia w celu zidentyfikowania leków hepatotoksycznych.
- Etiologia nowotworów: nowo zdiagnozowani pacjenci z nowotworami (przypadki) są dopasowywani do kontroli bez nowotworów według wieku/płci; zbiera się dane dotyczące diety, palenia tytoniu i historii reprodukcyjnej w celu zidentyfikowania czynników ryzyka.
Jak to działa
Jak to działa
Definicja przypadków: osoby z badanym wynikiem (np. cukrzyca, zawał mięśnia sercowego, wada wrodzona). Przypadki mogą być nowo zdiagnozowane (incydentne) lub wszystkie osoby z chorobą w określonym okresie (prewalentne). Jasno zdefiniuj przypadki: kryteria diagnostyczne, data diagnozy, status choroby potwierdzony dokumentacją medyczną. Wybierz kontrole z populacji źródłowej, która wygenerowała przypadki – kontrole reprezentują rozkład narażenia w populacji, która wyprodukowała przypadki. Kontrole muszą być wolne od choroby (przynajmniej od badanego wyniku). Dobieranie (matching): kontrole mogą być dobierane 1:1 lub 1:k do przypadków według wieku, płci, rasy lub innych czynników zakłócających; dobieranie zwiększa moc, ale wymaga korekty statystycznej (test McNemara dla dobranych par). Alternatywnie, użyj niedobieranych kontroli i skoryguj czynniki zakłócające w regresji. Oceń wcześniejsze narażenie na podstawie dokumentacji medycznej, wywiadów, kwestionariuszy lub próbek z banku biologicznego. W przypadku narażenia historycznego (odległa przeszłość) użyj dokumentacji medycznej lub historii zatrudnienia; w przypadku niedawnego narażenia możliwe są wywiady.
Wzór
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.
Skonstruuj tabelę kontyngencji 2×2: wiersze = status narażenia (tak/nie), kolumny = status przypadku/kontroli. Oblicz iloraz szans (OR): OR = (a × d) / (b × c), gdzie a = narażone przypadki, b = nienarażone przypadki, c = narażone kontrole, d = nienarażone kontrole. Oblicz 95% przedział ufności (CI) w skali logarytmicznej. Dla danych dobranych (n dobranych par) użyj testu McNemara: χ² = ((b − c)²) / (b + c), który testuje, czy pary niezgodne są zrównoważone. Dla danych niedobieranych użyj regresji logistycznej do skorygowania czynników zakłócających i obliczenia skorygowanego OR. Podaj skorygowane OR z CI i wartością p. Sprawdź interakcję między narażeniem a czynnikami zakłócającymi.
Wzór
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: brak związku między narażeniem a wynikiem. OR > 1: narażenie związane ze zwiększonymi szansami wystąpienia wyniku (czynnik ryzyka). OR < 1: narażenie związane ze zmniejszonymi szansami (czynnik ochronny). Na przykład OR = 3 oznacza, że szanse narażenia wśród przypadków są 3 razy większe niż szanse wśród kontroli. Gdy choroba jest rzadka (prewalencja <10%), OR przybliża ryzyko względne (Relative Risk, RR). Gdy choroba jest powszechna, OR zawyża efekt. Przedziały ufności wykluczające 1,0 sugerują istotność statystyczną. Przyczynowość wymaga więcej niż tylko związku statystycznego: rozważ siłę (OR >2–3), spójność w badaniach, zależność dawka-odpowiedź, prawdopodobieństwo czasowe i mechanizm biologiczny. Oceń alternatywne wyjaśnienia: czy błąd selekcji, błąd pamięci lub niezmierzony czynnik zakłócający mogą wyjaśnić zaobserwowany związek?
Wzór
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.
Częste pułapki
- Niewłaściwy wybór kontroli: kontrole wybrane spośród pacjentów hospitalizowanych (gdy przypadki są przypadkami ze społeczności) lub kontrole z pokrewną chorobą powodują błąd selekcji. Kontrole powinny być wolne od choroby i reprezentatywne dla populacji źródłowej.
- Ignorowanie dobierania w analizie: jeśli przypadki i kontrole są dobrane według wieku/płci, standardowa regresja logistyczna jest nieodpowiednia; użyj warunkowej regresji logistycznej lub testu McNemara do analizy dobranych danych.
- Różnicowy błąd pamięci: przypadki mogą pamiętać narażenia dokładniej lub zniekształcać je bardziej niż kontrole. Minimalizuj, używając obiektywnych zapisów (np. kart medycznych, akt zatrudnienia) zamiast ankiet opartych na wspomnieniach.
- Dobór kontroli post hoc: dostosowanie doboru kontroli po przejrzeniu danych (np. wybór dodatkowych kontroli w celu zrównoważenia określonej zmiennej) wprowadza błąd. Zdefiniuj kryteria kontroli a priori.
- Błąd prewalencji-incydencji: jeśli rekrutuje się przypadki prewalentne (wszystkie przypadki choroby w populacji), a nie incydentne (nowo zdiagnozowane), mogą być wzbogacone osoby, które przeżyły ciężką chorobę, co zniekształca OR.
Najczęściej zadawane pytania
Kiedy iloraz szans jest dobrym przybliżeniem ryzyka względnego?
Iloraz szans (OR) przybliża ryzyko względne (RR), gdy choroba jest rzadka w populacji (zazwyczaj prewalencja <10%). Przy niskiej prewalencji szanse choroby ≈ ryzyko choroby, więc OR ≈ RR. Gdy prewalencja wynosi >10%, OR zawyża efekt w stosunku do RR. Na przykład, jeśli RR = 2, OR może wynosić 2,5 lub więcej przy wyższej prewalencji. Zawsze wyjaśniaj, że badania kliniczno-kontrolne dają OR, a nie RR. Jeśli interpretacja kliniczna wymaga RR, musisz przekonwertować OR, używając ryzyka bazowego (prewalencji choroby w populacji źródłowej).
Czym jest badanie kliniczno-kontrolne zagnieżdżone i dlaczego się go używa?
Badanie kliniczno-kontrolne zagnieżdżone wybiera przypadki i kontrole z perspektywicznej kohorty. Wszyscy członkowie przypadków są identyfikowani z kohorty w miarę występowania wyników; kontrole są losowo wybierane spośród osób niebędących przypadkami w kohorcie, często dopasowywane do przypadków według wieku i płci. Badanie kliniczno-kontrolne zagnieżdżone łączy mocne strony badań kohortowych i kliniczno-kontrolnych: dostępna jest sekwencja czasowa i dane o incydencji (jak w badaniach kohortowych), a jednocześnie niższy koszt, ponieważ tylko podzbiory przypadków i kontroli są mierzone pod kątem kosztownych narażeń (np. biomarkery, testy genetyczne). Iloraz szans z badania kliniczno-kontrolnego zagnieżdżonego przybliża ryzyko względne z badania kohortowego, nawet jeśli choroba nie jest rzadka.
Jak wybrać między kontrolami dobranymi a niedobranymi?
Kontrole dobrane (dopasowane 1:1 do przypadków według wieku, płci itp.) zwiększają precyzję i zmniejszają zakłócenia przez dopasowane zmienne. Jednak dobieranie jest statystycznie „kosztowne”: musisz użyć warunkowej regresji logistycznej i nie możesz oszacować niezależnych efektów dopasowanych zmiennych. Kontrole niedobrane pozwalają na korektę wielu czynników zakłócających w regresji logistycznej i mogą być bardziej opłacalne. Dobieranie jest najbardziej użyteczne dla silnych czynników zakłócających (wiek, płeć, rok kalendarzowy) i gdy kontrole są trudne do znalezienia. Jeśli potencjalnych czynników zakłócających jest wielu, rozważ projekt niedobrany z korektą regresyjną.
Jak odróżnić błąd selekcji od błędu informacyjnego w badaniach kliniczno-kontrolnych?
Błąd selekcji wynika ze sposobu wyboru przypadków i kontroli. Jeśli przypadki i kontrole pochodzą z różnych populacji źródłowych (np. przypadki hospitalizowane vs. kontrole ze społeczności), OR jest obciążony. Błąd informacyjny (błędna klasyfikacja) wynika z błędów w pomiarze narażenia lub wyniku. Błąd pamięci jest rodzajem błędu informacyjnego: przypadki z poważną chorobą mogą inaczej pamiętać przeszłe narażenia niż kontrole. Oba błędy obciążają OR, ale w różny sposób. Aby zminimalizować błąd selekcji, upewnij się, że przypadki i kontrole pochodzą z tej samej populacji źródłowej. Aby zminimalizować błąd informacyjny, używaj obiektywnych zapisów (karty medyczne, biomarkery) zamiast wspomnień.
Pokrewne metody
Źródła
Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN: 978-0195027815Skopiowano.Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755657Skopiowano.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.
Otwórz odnośnik do publikacjiSkopiowano.