Исследование «случай-контроль» с подбором пар
- Автор метода
- Brian MacMahon and others; systematised by Schlesselman (1982)
- Год
- 1950s–1970s
- Тип
- Observational analytic design
- Семейство
- Clinical / epidemiology
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Исследование «случай-контроль» с подбором пар — это обсервационное эпидемиологическое исследование, в котором каждый случай (человек с заболеванием или интересующим исходом) сопоставляется с одним или несколькими контролями (людьми без исхода), имеющими одну или несколько общих характеристик — таких как возраст, пол или клиническая обстановка — для контроля искажающих факторов.
Затем сравнивается история воздействия между случаями и их подобранными контролями для оценки отношения шансов воздействия, связанного с заболеванием.
Интуиция метода
Представьте себе это как детектива, подбирающего подозреваемых к их двойникам. Если вы хотите узнать, вызвало ли определенное воздействие заболевание, вы находите пациента с заболеванием, а затем находите одного или нескольких похожих людей — того же возраста, того же пола, из той же больницы — у которых заболевание не развилось. Сохраняя эти фоновые характеристики идентичными, любая разница в истории воздействия между парой с большей вероятностью отражает реальную связь, а не искажающий фактор. Подбор пар сужает сравнение, делая сигнал более чистым, но за счет некоторой гибкости в анализе.
История
Дизайн «случай-контроль» был формализован в эпидемиологии в 1950-х годах, с знаковыми исследованиями Долла и Хилла (1950) о курении и раке легких с использованием контролей на основе больниц. Принцип подбора для улучшения сопоставимости применялся рано и был кодифицирован Брайаном МакМахоном и его коллегами. Учебник Джеймса Шлессельмана «Исследования «случай-контроль»» 1982 года установил аналитическую основу для подобранных дизайнов, включая подобранное отношение шансов и условную логистическую регрессию. Работа Нейтана Мантеля и Уильяма Хензеля 1959 года предоставила основополагающие стратифицированные методы, которые лежат в основе подобранного анализа, а подход условной логистической регрессии разрабатывался в 1970-х-1980-х годах, став стандартным аналитическим инструментом для индивидуально подобранных данных «случай-контроль».
Когда применять
Используйте исследование «случай-контроль» с подбором пар при изучении редкого заболевания или исхода, когда полное когортное исследование потребовало бы непрактично больших выборов или очень длительного наблюдения; когда конкретные искажающие факторы (такие как возраст, пол или клинический центр) требуют строгого контроля; и когда ресурсы позволяют тщательный индивидуальный подбор и условный анализ. Это особенно ценно в условиях стационара и при расследовании вспышек. Не используйте подбор, когда переменные подбора являются потенциальными промежуточными звеньями на причинном пути (чрезмерный подбор), когда количество случаев очень мало и партнеров для подбора не удается найти, или когда зависящие от времени воздействия делают статический подбор непригодным — в этих ситуациях предпочтительнее может быть дизайн «случай-перекрестный» или когортный дизайн. Подбор не устраняет неизмеренные искажающие факторы.
Ограничения и замечания
- Невозможно оценить распространенность или заболеваемость исходом — только отношение шансов связи воздействия и исхода.
- Переменные подбора сами по себе не могут быть изучены как воздействия, если не используются сложные аналитические методы.
- Чрезмерный подбор (подбор по переменной, связанной с воздействием, но не с заболеванием) увеличивает требуемый размер выборки и смещает отношение шансов к нулю.
- Найти адекватные подобные контрольные группы может быть сложно, особенно для редких комбинаций критериев подбора, что приводит к неподобранным случаям, которые должны быть исключены.
- Подобранная структура должна сохраняться в анализе; игнорирование ее (использование безусловной логистической регрессии) приводит к смещенным оценкам.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Эффективно контролирует сильные искажающие факторы (возраст, пол, клинический центр) за счет дизайна, а не только статистической корректировки.
- Хорошо подходит для редких исходов, когда полное когортное исследование нецелесообразно; доля неподобранной выборки может обеспечить сопоставимую точность.
- Уменьшает вариабельность внутри подобранных наборов, часто повышая статистическую эффективность при заданном размере выборки.
- Широко принят и хорошо понятен в клинических и эпидемиологических журналах; условная логистическая регрессия является стандартом и реализована во всех основных статистических пакетах.
Применение
- Исследование факторов риска редких видов рака путем подбора пациентов больницы с раком к контрольным группам из той же больницы по возрасту, полу и отделению госпитализации.
- Расследования вспышек заболеваний пищевого происхождения, в которых случаи заболеваний подбираются к контрольным группам из того же района по географическому положению и случаю приема пищи.
- Фармакоэпидемиологические исследования, изучающие нежелательные реакции на лекарства, с подбором случаев к контрольным группам, подвергшимся воздействию лекарств, по показаниям, возрасту и сопутствующим заболеваниям.
- Исследования профессиональной эпидемиологии редких воздействий (например, специфических химических агентов) с подбором контрольных групп из той же отрасли для устранения профессиональных искажающих факторов.
- Генетическая эпидемиология, где случаи и контрольные группы подбираются по этническому признаку для минимизации стратификации популяции перед генотипированием.
- Исследования неотложной и хирургической помощи, где госпитализация обеспечивает естественную основу для подбора при вопросах о воздействии-исходе в острых случаях.
Как это работает
Как это работает
Сформулируйте точное определение случая, указывающее заболевание или исход, его диагностические критерии, соответствующую популяцию (исходная попуция) и временной интервал. Определите интересующее воздействие и искажающие факторы, которые вы намерены контролировать путем подбора. Предварительно укажите соотношение подбора (1:1, 1:2 и т. д.) и переменные подбора.
Наберите инцидентные или превалентные случаи из определенного источника, такого как больничные записи, реестры заболеваний или система наблюдения. Подтвердите, что каждый случай соответствует определению случая. Отберите контрольные группы из той же исходной популяции — людей, которые могли бы стать случаями — используя стратегии отбора на основе больницы, на основе популяции или плотности.
Для каждого случая отберите один или несколько контролей, которые имеют те же значения переменных подбора (например, тот же пятилетний возрастной диапазон и пол). Индивидуальный (один к одному или один ко многим) подбор связывает каждый контроль с конкретным случаем; частотный подбор балансирует распределения по всему исследованию. Документируйте соотношение подбора и любые использованные калибровочные интервалы.
Определите статус воздействия как для случаев, так и для их подобранных контролей, используя один и тот же метод измерения для обеих групп, чтобы избежать дифференциальной ошибки классификации. Общие источники включают интервью, медицинские записи, данные биобанка или административные базы данных. Ослепление оценщиков исходов относительно статуса случая/контроля снижает информационную ошибку.
Анализируйте подобранные данные с помощью условной логистической регрессии (или теста Мак-Немара для пар 1:1) для сохранения подобранной структуры. Для простой конструкции с подбором 1:1 подобранное отношение шансов оценивается как OR = b/c, где b = несовпадающие пары с подвергнутым случаем и неподвергнутым контролем, а c = несовпадающие пары с неподвергнутым случаем и подвергнутым контролем. Скорректируйте дополнительные ковариаты в условной модели.
Формула
OR = (b / c)
Представьте результаты в виде подобранных отношений шансов с 95% доверительными интервалами. Оцените, были ли переменные подбора подходящими, проверьте наличие чрезмерного подбора (подбор по промежуточному звену воздействия), и оцените остаточное искажение. Обсудите внешнюю валидность относительно исходной популяции.
Частые ошибки
- Чрезмерный подбор: выбор переменных подбора, которые лежат на причинном пути между воздействием и заболеванием (промежуточные звенья), устраняет вариабельность, необходимую для обнаружения связи, и смещает отношение шансов к 1.0.
- Нарушение подбора в анализе: анализ подобранных данных со стандартной (безусловной) логистической регрессией приводит к потере преимуществ подбора и может вызвать смещение — всегда используйте условную логистическую регрессию или тест Мак-Немара.
- Ошибка воспоминания: если случаи вспоминают воздействия более ярко, чем контрольные группы (дифференциальное воспоминание), отношение шансов будет переоценено; по возможности используйте объективные записи или биомаркеры.
- Игнорирование неподобранных случаев: исключение случаев, для которых не удалось найти подобный контроль, может привести к систематической ошибке отбора, если возможность исключения связана с воздействием.
- Недостаточный контроль остаточного искажения: подбор по широким категориям (например, десятилетним возрастным группам) оставляет нерешенным искажение внутри категорий; уточните категории или скорректируйте возраст непрерывно в модели.
Часто задаваемые вопросы
Почему я должен использовать условную логистическую регрессию, а не обычную логистическую регрессию?
В индивидуально подобранном исследовании случай и его подобранные контрольные группы образуют страту. Безусловная логистическая регрессия рассматривает все страты как единую объединенную выборку, что приводит к смещенным оценкам, поскольку межсетевые пересечения рассматриваются как фиксированные параметры — что приводит к проблеме случайных параметров. Условная логистическая регрессия обусловливает достаточную статистику для каждого подобранного набора, устраняя межстратовые пересечения и давая несмещенное подобранное отношение шансов.
Что такое чрезмерный подбор и почему он вреден?
Чрезмерный подбор происходит, когда вы подбираете по переменной, которая связана с воздействием, но не независимо с заболеванием (или является промежуточным звеном на причинном пути). Поскольку случаи и контрольные группы по дизайну имеют схожую историю воздействия, контраст между группами уменьшается, отношение шансов смещается к 1, и требуется больший размер выборки для достижения той же мощности. Избегайте подбора по переменным, которые могут быть последующими последствиями воздействия.
Как выбрать соотношение подбора?
Соотношение 1:1 является наиболее распространенным и простым в управлении. Увеличение до 1:2 или 1:3 контролей на случай повышает точность, когда случаи редки, а контрольные группы многочисленны; прирост эффективности уменьшается после 1:4 и редко оправдывает дополнительную сложность. Если случаи очень редки, а контрольные группы многочисленны, соотношение 1:4 часто считается практическим максимумом.
Могу ли я изучать множественные воздействия в одном исследовании «случай-контроль» с подбором пар?
Да. Модель условной логистической регрессии может включать несколько переменных воздействия одновременно, позволяя оценивать несколько факторов риска при сохранении подобранной структуры. Однако каждое дополнительное воздействие добавляет параметры и требует адекватно большого размера выборки; избегайте «рыбалки в данных», предварительно определяя основные и второстепенные воздействия в протоколе исследования.
В чем разница между индивидуальным подбором и частотным подбором?
Индивидуальный (парный) подбор связывает каждый конкретный случай с одним или несколькими конкретными контролями по переменным подбора, требуя условного анализа. Частотный подбор гарантирует, что общее распределение переменных подбора сбалансировано между случаями и контролями, но не создает пар «случай-контроль»; его можно анализировать с помощью безусловной логистической регрессии с корректировкой на переменные подбора. Индивидуальный подбор обеспечивает более строгий контроль, но более требователен с точки зрения логистики и ограничивает анализ.
Похожие методы
Источники
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755474Скопировано.Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN: 978-0195029338Скопировано.