Skip to content
Назад к результатам поиска

Анализ «доза-эффект» — количественная оценка связи уровня воздействия с риском неблагоприятных исходов

Автор метода
Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
Год
Conceptual roots 16th century; modern epidemiological application mid-20th century
Тип
Quantitative analytical method
Семейство
Clinical / epidemiology

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Анализ «доза-эффект» количественно определяет связь между величиной воздействия (дозой) и вероятностью или частотой развития исхода (эффекта).

Это основная аналитическая стратегия в эпидемиологии и токсикологии, предоставляющая доказательства того, что увеличение воздействия систематически повышает — или снижает — риск заболевания. Продемонстрированный градиент «доза-эффект» является одним из классических критериев Брэдфорда Хилла, подтверждающих причинно-следственную связь.

Интуиция метода

Анализ «доза-эффект» можно рассматривать как ответ на вопрос: означает ли большее воздействие больший вред? Если работники, подвергающиеся воздействию химического вещества в более высоких концентрациях, имеют прогрессивно более высокие показатели заболеваемости раком легких по сравнению с теми, кто подвергается воздействию в более низких концентрациях, этот градиент является как мерой риска, так и аргументом в пользу причинно-следственной связи. Метод выходит за рамки простого сравнения «подвергавшиеся воздействию против не подвергавшихся», чтобы построить кривую зависимости всего спектра воздействия от риска — которая может быть линейной, пороговой, U-образной или насыщающейся — предоставляя регулирующим органам, клиницистам и исследователям количественную картину того, как риск изменяется в полном диапазоне воздействия.

История

Принцип «доза определяет яд» был сформулирован Парацельсом в шестнадцатом веке. Формальное эпидемиологическое применение началось с исследования холеры Джона Сноу в 1854 году, который количественно оценил риск в зависимости от расстояния до насоса на Брод-стрит. Метод был кодифицирован в середине двадцатого века благодаря работе Брэдфорда Хилла, который включил градиент «доза-эффект» в число своих девяти критериев причинно-следственной связи в эпидемиологии 1965 года. Количественное регрессионное моделирование «доза-эффект» стало стандартом с развитием логистической регрессии и регрессии Кокса в 1970-х и 1980-х годах, а гибкое моделирование кривых «воздействие-эффект» на основе сплайнов получило широкое распространение с 1990-х годов.

Когда применять

Используйте анализ «доза-эффект» всякий раз, когда воздействие может быть количественно оценено по порядковой или непрерывной шкале, и возникает вопрос, приводит ли более высокое воздействие к большему (или меньшему) риску. Это стандартная практика в профессиональной эпидемиологии, гигиене окружающей среды, фармакоэпидемиологии и эпидемиологии питания. Это также ключевой компонент мета-аналитического обобщения данных из различных исследований. Не применяйте его, когда воздействие по своей природе бинарно и не имеет значимого градиента (например, операция против отсутствия операции), когда категорий воздействия слишком мало (менее трех упорядоченных уровней) для моделирования тренда, или когда измерение воздействия настолько неточно, что категоризация ненадежна — в этих случаях более подходящим является простое сравнение двух групп.

Ограничения и замечания

  • Требует точного и детального измерения воздействия; неправильная классификация ослабляет оценки «доза-эффект» в сторону нулевого эффекта.
  • Категоризация непрерывного воздействия вводит произвольные пороговые значения и может создавать или скрывать нелинейность.
  • Контроль конфаундинга на каждом уровне воздействия отдельно увеличивает сложность стратегии корректировки.
  • Небольшое количество субъектов в крайних категориях воздействия снижает точность и может потребовать объединения категорий.
  • Систематическая ошибка публикации и выборочное представление категорий доз могут исказить обобщенные кривые «доза-эффект» в мета-анализах.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Предоставляет доказательства причинного градиента, усиливая причинно-следственную связь за пределами простого сравнения «подвергавшиеся воздействию против не подвергавшихся».
  • Оценивает риск при различных уровнях воздействия, позволяя устанавливать нормативные стандарты и определять клинические пороговые значения.
  • Совместим с большинством дизайнов наблюдательных исследований (когортные, случай-контроль, поперечные) и с мета-анализом обобщенных данных.
  • Гибкое моделирование (сплайны, полиномы) позволяет учитывать нелинейные зависимости и пороговые эффекты.
  • Поддерживает количественную оценку риска и моделирование воздействия на здоровье.

Применение

  • Профессиональное здоровье: количественная оценка риска рака легких в зависимости от кумулятивного воздействия асбеста или кремнезема.
  • Фармакоэпидемиология: связь кумулятивной дозы статинов со снижением частоты сердечно-сосудистых событий.
  • Экологическая эпидемиология: моделирование связи между концентрацией мелкодисперсных частиц (PM2.5) в воздухе и общей смертностью.
  • Эпидемиология питания: характеристика U-образной зависимости между потреблением алкоголя и риском сердечно-сосудистых заболеваний.
  • Токсикология: установление эталонных доз и безопасных референтных концентраций для нормативной оценки риска.
  • Мета-анализ: обобщение относительных рисков по дозам из нескольких когортных исследований для получения обобщенной кривой «доза-эффект».

Как это работает

Как это работает

1

Переменная воздействия определяется и измеряется по порядковой или непрерывной шкале: кумулятивная доза, средняя интенсивность, продолжительность или пиковая концентрация. Четкая и воспроизводимая оценка воздействия имеет решающее значение, поскольку неправильная классификация уровней воздействия — особенно недифференциальная неправильная классификация — смещает оценки «доза-эффект» в сторону нулевого эффекта.

2

Воздействие либо группируется в упорядоченные категории (например, квартили или клинически значимые пороговые значения) для анализа категориальных тенденций, либо моделируется как непрерывная переменная с использованием регрессионных сплайнов, полиномов или дробных полиномов. Категориальные подходы более прозрачны и требуют меньше предположений; непрерывное моделирование отражает форму всей кривой и позволяет избежать произвольной категоризации.

3

Для каждого уровня или приращения воздействия оценивается мера эффекта относительно референтной категории (обычно самой низкой или не подвергавшейся воздействию группы). В когортных исследованиях это, как правило, относительный риск или отношение шансов; в исследованиях «случай-контроль» — отношение шансов. В зависимости от типа исхода могут использоваться пуассоновская регрессия, регрессия Кокса или логистическая регрессия. Полиномиальная модель или модель сплайнов логарифма риска в зависимости от дозы дает кривую «доза-эффект»: ln(RR) = β₀ + β₁d + β₂d².

Формула
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
4

Проводится формальный тест на линейный тренд путем присвоения медианы или середины каждой категории воздействия в качестве непрерывной оценки и ее ввода в регрессионную модель. Значимое p-значение (или, в мета-анализе, обобщенный коэффициент тренда) подтверждает, что ассоциация изменяется в последовательном направлении по уровням воздействия.

5

Помимо теста на линейный тренд, оценивается функциональная форма зависимости. Ограниченные кубические сплайны или модели дробных полиномов позволяют выявлять нелинейные закономерности, такие как порог (эффект отсутствует ниже определенной дозы), плато (эффект стабилизируется при высоких дозах) или U-образная форма (как низкое, так и высокое воздействие связано с повышенным риском). Выбранная форма имеет прямое отношение к оценке риска и нормативным пороговым значениям.

Частые ошибки

  • Выбор категорий воздействия после изучения данных — категоризация, основанная на данных, раздувает кажущуюся зависимость «доза-эффект» и дает оптимистичные p-значения; категории должны быть определены заранее.
  • Игнорирование нелинейности — использование теста на линейный тренд по умолчанию без проверки функциональной формы может привести к упущению пороговых или U-образных зависимостей, имеющих научное и практическое значение.
  • Использование группы с наивысшим уровнем воздействия в качестве референтной категории — это правильно только в том случае, если эта группа также является самой большой; не подвергавшаяся воздействию или подвергавшаяся наименьшему воздействию группа является общепринятой референтной, поскольку она максимизирует статистическую мощность и интерпретируемость.
  • Конфаундинг дозы-эффекта с эффектом «здорового работника» или «здорового пользователя» — лица, добровольно выбирающие более высокие уровни воздействия, могут систематически отличаться от групп с более низким уровнем воздействия таким образом, что это искажает оцененный градиент.

Часто задаваемые вопросы

В чем разница между тестом на линейный тренд и полной моделью «доза-эффект»?

Тест на линейный тренд сводит зависимость «доза-эффект» к одному коэффициенту наклона и проверяет, отличается ли этот наклон от нуля. Он лаконичен, но предполагает линейность и не может выявить пороговые или U-образные закономерности. Полная модель «доза-эффект» — с использованием сплайнов или полиномов — оценивает всю кривую зависимости риска от воздействия, выявляя, является ли зависимость линейной, нелинейной или пороговой. Оба подхода являются взаимодополняющими и обычно должны сообщаться вместе.

Можно ли применять анализ «доза-эффект» к данным исследований «случай-контроль»?

Да. В исследовании «случай-контроль» категории воздействия определяются как для случаев, так и для контролей, и отношения шансов для каждого уровня воздействия относительно референтной категории оцениваются с использованием условной или безусловной логистической регрессии. Затем порядковая оценка воздействия вводится в модель как непрерывная переменная для проверки тренда. Интерпретация аналогична анализу когортных исследований, но отношение шансов приближает относительный риск только тогда, когда исход редок.

Как обобщить данные «доза-эффект» из различных исследований в мета-анализе?

Метод Гринланда и Лонгнекера (1992) является стандартным подходом. Он реконструирует ковариационную матрицу логарифмов относительных рисков по категориям воздействия из каждого исследования, а затем использует обобщенный метод наименьших квадратов для подгонки общей тенденции «доза-эффект». Это требует, чтобы отдельные исследования сообщали количество случаев и человеко-лет (или контролей) по категориям воздействия наряду с скорректированной оценкой эффекта — информация, которая иногда отсутствует в опубликованных отчетах.

Когда следует использовать ограниченные кубические сплайны вместо полиномиальной регрессии?

Ограниченные кубические сплайны (также называемые естественными сплайнами) обычно предпочтительнее полиномов, поскольку они гибко подходят к данным внутри диапазона воздействия, будучи линейными на краях, что позволяет избежать неправдоподобной экстраполяции за пределы данных. Полиномы могут давать неправдоподобные кривые на крайних значениях. Для большинства эпидемиологических анализов «доза-эффект» три-пять узлов, расположенных в квантилях распределения воздействия, обеспечивают хороший баланс между гибкостью и экономностью.

Доказывает ли градиент «доза-эффект» причинно-следственную связь?

Нет. Градиент «доза-эффект» является одним из критериев Брэдфорда Хилла, который усиливает аргумент в пользу причинно-следственной связи, но сам по себе не является ни необходимым, ни достаточным условием. Конфаундинг, обратная причинно-следственная связь и неправильная классификация воздействия могут создавать или маскировать градиент. Доказательства «доза-эффект» должны интерпретироваться наряду с темпоральностью, согласованностью между исследованиями, биологической правдоподобностью и другими причинными критериями.

Похожие методы

Источники

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

    ISBN: 978-0781755641
    Скопировано.
  2. 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.

    Открыть ссылку DOI
    Скопировано.