Przejdź do treści
Wróć do wyników wyszukiwania

Badanie dopasowane typu przypadek-kontrola

Autor metody
Brian MacMahon and others; systematised by Schlesselman (1982)
Rok
1950s–1970s
Typ
Observational analytic design
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Dopasowane badanie typu przypadek-kontrola to obserwacyjny projekt epidemiologiczny, w którym każdy przypadek (osoba z chorobą lub wynikiem będącym przedmiotem zainteresowania) jest parowany z jednym lub większą liczbą kontroli (osobami bez danego wyniku), które mają wspólną jedną lub więcej cech – takich jak wiek, płeć lub kontekst kliniczny – w celu kontroli czynników zakłócających.

Następnie porównuje się historię ekspozycji między przypadkami a ich dopasowanymi kontrolami, aby oszacować iloraz szans ekspozycji w stosunku do choroby.

Intuicja stojąca za metodą

Proszę sobie wyobrazić detektywa dobierającego podejrzanych do sobowtórów. Jeśli chcemy wiedzieć, czy dana ekspozycja spowodowała chorobę, znajdujemy pacjenta z tą chorobą, a następnie lokalizujemy jedną lub więcej podobnych osób – w tym samym wieku, tej samej płci, w tym samym szpitalu – które tej choroby nie miały. Utrzymując te cechy tła jako identyczne, wszelka różnica w historii ekspozycji między parą jest znacznie bardziej prawdopodobna, aby odzwierciedlać rzeczywisty związek, a nie czynnik zakłócający. Dopasowanie zawęża porównanie, dzięki czemu sygnał jest czystszy, kosztem pewnej elastyczności w analizie.

Historia

Projekt badania typu przypadek-kontrola został sformalizowany w epidemiologii w latach 50. XX wieku, z przełomowymi badaniami Doll i Hill (1950) dotyczącymi palenia tytoniu i raka płuca z wykorzystaniem kontroli szpitalnych. Zasada dopasowania w celu poprawy porównywalności została zastosowana wcześnie i skodyfikowana przez Briana MacMahona i współpracowników. Podręcznik Jamesa Schlesselmana z 1982 roku Case-Control Studies ustanowił ramy analityczne dla projektów dopasowanych, w tym dopasowany iloraz szans i warunkową regresję logistyczną. Artykuł Nathan Mantela i Williama Haenszela z 1959 roku dostarczył podstawowych metod stratyfikacji, które stanowią podstawę analizy dopasowanej, a podejście warunkowej regresji logistycznej zostało opracowane w latach 70.–80. XX wieku, stając się standardowym narzędziem analitycznym dla indywidualnie dopasowanych danych przypadek-kontrola.

Kiedy stosować

Użyj dopasowanego badania typu przypadek-kontrola, gdy badasz rzadką chorobę lub wynik, dla którego pełne badanie kohortowe wymagałoby niepraktycznie dużych próbek lub bardzo długiego okresu obserwacji; gdy określone czynniki zakłócające (takie jak wiek, płeć lub ośrodek kliniczny) wymagają ścisłej kontroli; oraz gdy zasoby pozwalają na staranne dopasowanie indywidualne i analizę warunkową. Jest to szczególnie cenne w warunkach szpitalnych i dochodzeniach w sprawie ognisk epidemicznych. Nie używaj dopasowania, gdy zmienne dopasowania są potencjalnymi pośrednikami na ścieżce przyczynowej (nadmierne dopasowanie), gdy liczba przypadków jest bardzo mała i nie można znaleźć dopasowanych partnerów, lub gdy ekspozycje zmieniające się w czasie sprawiają, że statyczne dopasowanie jest nieodpowiednie – w takich sytuacjach preferowane mogą być projekty przypadek-krzyżówka lub kohortowe. Dopasowanie nie eliminuje niezmierzonych zakłóceń.

Ograniczenia i uwagi

  • Nie można oszacować częstości występowania ani zapadalności na dany wynik – tylko iloraz szans dla związku ekspozycja-wynik.
  • Zmienne dopasowania same w sobie nie mogą być badane jako ekspozycje, chyba że stosuje się złożone metody analityczne.
  • Nadmierne dopasowanie (dopasowanie na zmiennej związanej z ekspozycją, ale nie z chorobą) zwiększa wymaganą wielkość próby i zniekształca iloraz szans w kierunku zera.
  • Znalezienie odpowiednich dopasowanych kontroli może być trudne, szczególnie w przypadku rzadkich kombinacji kryteriów dopasowania, co prowadzi do niedopasowanych przypadków, które muszą zostać wykluczone.
  • Dopasowana struktura musi być zachowana w analizie; zignorowanie jej (przy użyciu niewarunkowej regresji logistycznej) prowadzi do zniekształconych oszacowań.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Skutecznie kontroluje silne czynniki zakłócające (wiek, płeć, ośrodek kliniczny) poprzez projekt, a nie tylko poprzez dostosowanie statystyczne.
  • Dobrze nadaje się do rzadkich wyników, gdzie pełna kohorta nie jest wykonalna; ułamek niedopasowanej próby może zapewnić porównywalną precyzję.
  • Zmniejsza zmienność w obrębie dopasowanych zestawów, często zwiększając efektywność statystyczną dla danej wielkości próby.
  • Szeroko akceptowane i dobrze rozumiane w czasopismach klinicznych i epidemiologicznych; warunkowa regresja logistyczna jest standardem i jest zaimplementowana we wszystkich głównych pakietach statystycznych.

Zastosowania

  • Badanie czynników ryzyka rzadkich nowotworów poprzez dopasowanie pacjentów szpitalnych z nowotworem do kontroli z tego samego szpitala pod względem wieku, płci i oddziału przyjęcia.
  • Dochodzenia w sprawie ognisk epidemicznych, w których przypadki zatruć pokarmowych są dopasowywane do kontroli z sąsiedztwa pod względem lokalizacji geograficznej i okazji posiłku.
  • Badania farmakoepidemiologiczne dotyczące działań niepożądanych leków, z przypadkami dopasowanymi do kontroli narażonych na działanie leku pod względem wskazań, wieku i chorób współistniejących.
  • Badania epidemiologii zawodowej dotyczące rzadkich ekspozycji (np. specyficznych czynników chemicznych) z kontrolami dopasowanymi do branży w celu wyeliminowania zakłóceń zawodowych.
  • Epidemiologia genetyczna, w której przypadki i kontrole są dopasowane pod względem etniczności, aby zminimalizować stratyfikację populacji przed genotypowaniem.
  • Badania nagłych wypadków i chirurgiczne, w których przyjęcie do szpitala stanowi naturalną ramę dopasowania dla pytań dotyczących ostrych ekspozycji i wyników.

Jak to działa

Jak to działa

1

Sformułuj precyzyjną definicję przypadku, określającą chorobę lub wynik, kryteria diagnostyczne, populację kwalifikującą się (populację źródłową) i okno czasowe. Zidentyfikuj ekspozycję będącą przedmiotem zainteresowania oraz czynniki zakłócające, które zamierzasz kontrolować poprzez dopasowanie. Wstępnie określ stosunek dopasowania (1:1, 1:2 itp.) oraz zmienne dopasowania.

2

Rekrutuj przypadki nowe lub istniejące z określonego źródła, takiego jak dokumentacja szpitalna, rejestry chorób lub system nadzoru. Potwierdź, że każdy przypadek spełnia definicję przypadku. Wybieraj kontrole z tej samej populacji źródłowej – osób, które kwalifikowałyby się do zostania przypadkiem – stosując strategie próbkowania oparte na szpitalu, populacji lub gęstości.

3

Dla każdego przypadku wybierz jedną lub więcej kontroli, które mają takie same wartości zmiennych dopasowania (np. ten sam pięcioletni przedział wiekowy i płeć). Dopasowanie indywidualne (jeden do jednego lub jeden do wielu) wiąże każdą kontrolę z konkretnym przypadkiem; dopasowanie częstościowe równoważy rozkłady w całym badaniu. Dokumentuj stosunek dopasowania i wszelkie użyte szerokości kalibru.

4

Określ status ekspozycji zarówno dla przypadków, jak i ich dopasowanych kontroli, stosując tę samą metodę pomiaru dla obu grup, aby uniknąć zróżnicowanego błędnego klasyfikowania. Typowe źródła obejmują wywiady, dokumentację medyczną, dane z biobanku lub bazy danych administracyjnych. Uśpienie oceniających wynik w stosunku do statusu przypadku/kontroli zmniejsza błąd informacyjny.

5

Analizuj dopasowane dane za pomocą warunkowej regresji logistycznej (lub testu McNemara dla par dopasowanych 1:1), aby zachować dopasowaną strukturę. Dla prostego projektu dopasowania 1:1 dopasowany iloraz szans jest szacowany jako OR = b/c, gdzie b = pary niezgodne z naświetlonym przypadkiem i nieoświetloną kontrolą, a c = pary niezgodne z nieoświetlonym przypadkiem i naświetloną kontrolą. Dostosuj dodatkowe kowariaty w ramach modelu warunkowego.

Wzór
OR = (b / c)
6

Wyraź wyniki jako dopasowane ilorazy szans z 95% przedziałami ufności. Oceń, czy zmienne dopasowania były odpowiednie, sprawdź nadmierne dopasowanie (dopasowanie na pośredniku ekspozycji) i oceń pozostałe zakłócenia. Omów zewnętrzną trafność w odniesieniu do populacji źródłowej.

Częste pułapki

  • Nadmierne dopasowanie: wybór zmiennych dopasowania, które leżą na ścieżce przyczynowej między ekspozycją a chorobą (pośredniki), usuwa zmienność potrzebną do wykrycia związku i zniekształca OR w kierunku 1,0.
  • Przerwanie dopasowania w analizie: analiza dopasowanych danych za pomocą standardowej (niewarunkowej) regresji logistycznej powoduje utratę zysków z dopasowania i może wprowadzić błąd – zawsze należy stosować warunkową regresję logistyczną lub test McNemara.
  • Błąd pamięci: jeśli przypadki przypominają ekspozycje żywiej niż kontrole (różnicowe przypominanie), iloraz szans zostanie przeszacowany; w miarę możliwości należy stosować obiektywne zapisy lub biomarkery.
  • Ignorowanie niedopasowanych przypadków: wykluczenie przypadków, dla których nie znaleziono dopasowanej kontroli, może wprowadzić błąd selekcji, jeśli możliwość wykluczenia jest związana z ekspozycją.
  • Niewystarczająca kontrola pozostałych zakłóceń: dopasowanie na szerokich kategoriach (np. dziesięcioletnie przedziały wiekowe) pozostawia nierozwiązane zakłócenia w obrębie kategorii; należy doprecyzować kategorie lub uwzględnić wiek w sposób ciągły w modelu.

Najczęściej zadawane pytania

Dlaczego muszę używać warunkowej regresji logistycznej zamiast zwykłej regresji logistycznej?

W indywidualnie dopasowanym badaniu przypadek i jego dopasowane kontrole tworzą stratyfikację. Niewarunkowa regresja logistyczna traktuje wszystkie stratyfikacje jako pojedynczą pulę próbek, co prowadzi do zniekształconych oszacowań, ponieważ odcięte punkty każdej dopasowanej pary są traktowane jako stałe parametry – prowadząc do problemu parametrów incydentalnych. Warunkowa regresja logistyczna warunkuje na statystyce wystarczającej dla każdego dopasowanego zestawu, eliminując odcięte punkty specyficzne dla stratyfikacji i dając nieobciążony dopasowany iloraz szans.

Czym jest nadmierne dopasowanie i dlaczego jest szkodliwe?

Nadmierne dopasowanie występuje, gdy dopasowuje się zmienną, która jest związana z ekspozycją, ale nie niezależnie z chorobą (lub jest pośrednikiem na ścieżce przyczynowej). Ponieważ przypadki i kontrole mają w ten sposób podobne historie ekspozycji z założenia, kontrast między grupami jest zmniejszony, iloraz szans jest zniekształcony w kierunku 1, a do osiągnięcia tej samej mocy potrzebna jest większa próba. Należy unikać dopasowania na zmiennych, które mogą być dalszymi konsekwencjami ekspozycji.

Jak wybrać stosunek dopasowania?

Stosunek 1:1 jest najczęstszy i najłatwiejszy do zarządzania. Zwiększenie do 1:2 lub 1:3 kontroli na przypadek poprawia precyzję, gdy przypadki są rzadkie, ale kontrole są liczne; zysk w efektywności maleje powyżej 1:4 i rzadko uzasadnia dodatkową złożoność. Jeśli przypadki są bardzo rzadkie, a kontrole liczne, stosunek 1:4 jest często uważany za praktyczne maksimum.

Czy mogę badać wiele ekspozycji w tym samym dopasowanym badaniu przypadek-kontrola?

Tak. Model warunkowej regresji logistycznej może zawierać jednocześnie wiele zmiennych ekspozycji, co pozwala na ocenę kilku czynników ryzyka przy jednoczesnym zachowaniu dopasowanej struktury. Jednak każda dodatkowa ekspozycja dodaje parametry i wymaga odpowiednio dużej próby; należy unikać przeszukiwania danych poprzez wstępne określenie głównych i drugorzędnych ekspozycji w protokole badania.

Jaka jest różnica między dopasowaniem indywidualnym a dopasowaniem częstościowym?

Dopasowanie indywidualne (parowanie) wiąże każdy konkretny przypadek z jedną lub większą liczbą konkretnych kontroli na podstawie zmiennych dopasowania, wymagając analizy warunkowej. Dopasowanie częstościowe zapewnia, że ogólny rozkład zmiennych dopasowania jest zrównoważony między przypadkami a kontrolami, ale nie tworzy par specyficznych dla przypadku; można je analizować za pomocą niewarunkowej regresji logistycznej z uwzględnieniem zmiennych dopasowania. Dopasowanie indywidualne zapewnia ściślejszą kontrolę, ale jest bardziej wymagające logistycznie i ogranicza analizę.

Pokrewne metody

Źródła

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

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

    ISBN: 978-0195029338
    Skopiowano.