İçeriğe atla
Arama sonuçlarına dön

Eşleştirilmiş Vaka-Kontrol Çalışması

Ortaya koyan
Brian MacMahon and others; systematised by Schlesselman (1982)
Yıl
1950s–1970s
Tür
Observational analytic design
Aile
Clinical / epidemiology

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Eşleştirilmiş vaka-kontrol çalışması, bir hastalığı veya ilgilenilen sonucu olan her bir vakanın (kişi), bir veya daha fazla kontrol (sonucu olmayan kişiler) ile yaş, cinsiyet veya klinik ortam gibi bir veya daha fazla özelliği paylaşacak şekilde eşleştirildiği, gözlemsel bir epidemiyolojik tasarımdır.

Bu, karıştırıcı faktörleri kontrol etmek için yapılır. Daha sonra vakalar ve eşleştirilmiş kontrolleri arasındaki maruziyet geçmişi karşılaştırılır ve maruziyet-hastalık ilişkisinin odds oranını tahmin etmek için analiz edilir.

Yöntemin mantığı

Bunu, bir dedektifin şüphelileri benzerlerine benzeterek eşleştirmesi gibi düşünebilirsiniz. Belirli bir maruziyetin bir hastalığa neden olup olmadığını bilmek istiyorsanız, hastalığı olan bir hasta bulur ve ardından aynı yaş, aynı cinsiyet, aynı hastanede olan ancak hastalığa yakalanmamış, ona benzeyen bir veya daha fazla kişi bulursunuz. Bu arka plan özelliklerini aynı tutarak, çift arasındaki maruziyet geçmişindeki herhangi bir farkın, karıştırıcı bir faktörden ziyade gerçek bir bağlantıyı yansıtması daha olasıdır. Eşleştirme, bazı analiz esnekliği pahasına karşılaştırmayı sıkılaştırır, böylece sinyal daha temiz olur.

Tarih

Vaka-kontrol tasarımı, 1950'lerde epidemiyolojide, Doll ve Hill'in (1950) sigara ve akciğer kanseri üzerine hastane tabanlı kontrolleri kullanan dönüm noktası niteliğindeki çalışmalarıyla biçimlendirilmiştir. Karşılaştırılabilirliği iyileştirmek için eşleştirme ilkesi erken uygulanmış ve Brian MacMahon ve meslektaşları tarafından kodlanmıştır. James Schlesselman'ın 1982 tarihli Case-Control Studies ders kitabı, eşleştirilmiş odds oranı ve koşullu lojistik regresyon dahil olmak üzere eşleştirilmiş tasarımlar için analitik çerçeveyi oluşturmuştur. Nathan Mantel ve William Haenszel'in 1959 tarihli makalesi, eşleştirilmiş analizin temelini oluşturan temel tabakalı yöntemleri sağlamış ve koşullu lojistik regresyon yaklaşımı 1970'ler-1980'ler boyunca geliştirilmiş ve bireysel olarak eşleştirilmiş vaka-kontrol verileri için standart analitik araç haline gelmiştir.

Ne zaman kullanılır?

Nadir bir hastalık veya sonuç için, tam bir kohort çalışmasının pratik olmayan büyük örneklemler veya çok uzun takip gerektireceği durumlarda; belirli karıştırıcı faktörlerin (yaş, cinsiyet veya klinik merkez gibi) sıkı kontrol gerektirdiği durumlarda; ve kaynakların dikkatli bireysel eşleştirme ve koşullu analize izin verdiği durumlarda eşleştirilmiş vaka-kontrol çalışması kullanın. Özellikle hastane tabanlı ortamlarda ve salgın araştırmalarında değerlidir. Eşleştirme değişkenlerinin maruziyet ve hastalık arasındaki nedensel yol üzerinde olabileceği ara değişkenler olduğunda (aşırı eşleştirme), vaka sayısı çok az olduğunda ve eşleştirme ortakları bulunamadığında veya zamanla değişen maruziyetler statik eşleştirmeyi uygunsuz hale getirdiğinde eşleştirme kullanmayın — bu durumlarda vaka-çapraz veya kohort tasarımı tercih edilebilir. Eşleştirme, ölçülmemiş karıştırıcı faktörleri ortadan kaldırmaz.

Sınırlar ve dikkat edilmesi gerekenler

  • Sonucun prevalansını veya insidansını tahmin edemez — yalnızca maruziyet-sonuç ilişkisi için odds oranını.
  • Eşleştirme değişkenleri, karmaşık analitik yöntemler kullanılmadıkça maruziyet olarak incelenemez.
  • Aşırı eşleştirme (maruziyetle ilişkili ancak hastalıkla bağımsız olarak ilişkili olmayan bir değişken üzerinde eşleştirme) gerekli örneklem boyutunu şişirir ve odds oranını sıfıra doğru yanlı hale getirir.
  • Yeterli eşleştirilmiş kontrol bulmak zor olabilir, özellikle eşleştirme kriterlerinin nadir kombinasyonları için, bu da dışarıda bırakılması gereken eşleştirilmemiş vakalara yol açar.
  • Eşleştirilmiş yapı analizde korunmalıdır; bunu göz ardı etmek (koşulsuz lojistik regresyon kullanarak) yanlı tahminlere neden olur.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Güçlü karıştırıcı faktörleri (yaş, cinsiyet, klinik merkez) yalnızca istatistiksel ayarlamaya değil, tasarımla verimli bir şekilde kontrol eder.
  • Tam bir kohortun mümkün olmadığı nadir sonuçlar için uygundur; eşleştirilmemiş örneklemin bir kısmı karşılaştırılabilir kesinlik sağlayabilir.
  • Eşleştirilmiş setler içindeki değişkenliği azaltır, genellikle belirli bir örneklem büyüklüğü için istatistiksel verimliliği artırır.
  • Klinik ve epidemiyolojik dergilerde yaygın olarak kabul görmüş ve iyi anlaşılmıştır; koşullu lojistik regresyon standarttır ve tüm büyük istatistiksel paketlerde uygulanmıştır.

Uygulama alanları

  • Hastaneden alınan vakalarla, aynı hastanedeki yaş, cinsiyet ve yatış koğuşuna göre eşleştirilmiş kontrolleri kullanarak nadir kanserlerin risk faktörlerini araştırmak.
  • Vakaların gıda kaynaklı hastalıkları coğrafi konuma ve öğün zamanına göre komşu kontrollere eşleştirildiği salgın araştırmaları.
  • Vakaların endikasyon, yaş ve komorbiditeye göre ilaç maruziyetli kontrollere eşleştirildiği ilaç yan etkilerini inceleyen farmakoepidemiyolojik çalışmalar.
  • Endüstri ile eşleştirilmiş kontrollere sahip nadir maruziyetlerin (örneğin, belirli kimyasal ajanlar) mesleki karıştırıcı faktörleri ortadan kaldırmak için mesleki epidemiyoloji çalışmaları.
  • Genetik epidemiyoloji, vakalar ve kontrollerin genotipleme öncesinde popülasyon tabakalaşmasını en aza indirmek için etnik kökene göre eşleştirildiği çalışmalar.
  • Acil durum ve cerrahi çalışmalar, hastane yatışının akut maruziyet-sonuç soruları için doğal bir eşleştirme çerçevesi sağladığı durumlar.

Nasıl çalışır?

Nasıl çalışır?

1

Hastalığı veya sonucu, tanı kriterlerini, uygun popülasyonu (kaynak popülasyon) ve zaman penceresini belirten kesin bir vaka tanımı formüle edin. İlgilenilen maruziyeti ve eşleştirme yoluyla kontrol etmeyi amaçladığınız karıştırıcı faktörleri belirleyin. Eşleştirme oranını (1:1, 1:2 vb.) ve eşleştirme değişkenlerini önceden belirleyin.

2

Hastaneden alınan kayıtlar, hastalık kayıtları veya bir gözetim sistemi gibi tanımlanmış bir kaynaktan insidan veya prevalan vakaları kaydedin. Her vakanın vaka tanımını karşıladığını doğrulayın. Kontrolleri aynı kaynak popülasyonundan — vaka olmaya hak kazanmış kişiler — hastane tabanlı, popülasyon tabanlı veya yoğunluk örnekleme stratejileri kullanarak seçin.

3

Her vaka için, eşleştirme değişkenlerinin değerlerini paylaşan (örneğin, aynı beş yıllık yaş grubu ve cinsiyet) bir veya daha fazla kontrol seçin. Bireysel (bire-bir veya bire-çok) eşleştirme, her kontrolü belirli bir vakaya bağlar; frekans eşleştirmesi ise çalışma genelinde dağılımları dengeler. Eşleştirme oranını ve kullanılan herhangi bir kaliper genişliğini belgeleyin.

4

Vakalar ve eşleştirilmiş kontrolleri için maruziyet durumunu belirleyin; farklı sınıflandırmayı önlemek için her iki grup için de aynı ölçüm yöntemini kullanın. Yaygın kaynaklar arasında görüşmeler, tıbbi kayıtlar, biyobank verileri veya idari veritabanları bulunur. Sonuç değerlendiricilerini vaka/kontrol durumundan habersiz tutmak bilgi yanlılığını azaltır.

5

Eşleştirilmiş verileri, eşleştirilmiş yapıyı korumak için koşullu lojistik regresyon (veya 1:1 eşleştirilmiş çiftler için McNemar testi) ile analiz edin. Basit bir 1:1 eşleştirilmiş tasarım için eşleştirilmiş odds oranı OR = b/c olarak tahmin edilir; burada b = maruz kalmış vaka ve maruz kalmamış kontrol ile uyumsuz çiftler ve c = maruz kalmamış vaka ve maruz kalmış kontrol ile uyumsuz çiftlerdir. Koşullu model içinde ek kovaryetler için ayarlama yapın.

Formül
OR = (b / c)
6

Sonuçları %95 güven aralıkları ile eşleştirilmiş odds oranları olarak ifade edin. Eşleştirme değişkenlerinin uygun olup olmadığını değerlendirin, aşırı eşleştirmeyi (ara maruziyet üzerinde eşleştirme) kontrol edin ve artık karıştırıcı faktörleri değerlendirin. Kaynak popülasyonla ilgili dış geçerliliği tartışın.

Sık yapılan hatalar

  • Aşırı eşleştirme: maruziyet ve hastalık arasındaki nedensel yol üzerinde yer alan (ara değişkenler) eşleştirme değişkenlerinin seçilmesi, ilişkiyi tespit etmek için gereken varyasyonu ortadan kaldırır ve OR'yi 1.0'a doğru yanlı hale getirir.
  • Analizde eşleştirmeyi bozmak: eşleştirilmiş verileri standart (koşulsuz) lojistik regresyon ile analiz etmek, eşleştirmeden elde edilen verimlilik kazançlarını boşa harcar ve yanlılık oluşturabilir — her zaman koşullu lojistik regresyon veya McNemar testini kullanın.
  • Geriye dönük anımsama yanlılığı: vakalar maruziyetleri kontrollerden daha canlı hatırlarsa (farklı anımsama), odds oranı abartılır; mümkün olduğunda nesnel kayıtlar veya biyobelirteçler kullanın.
  • Eşleştirilmiş kontrol bulunamayan vakaların dışlanması, dışlanabilirlik maruziyetle ilişkiliyse seçim yanlılığına neden olabilir.
  • Artık karıştırıcı faktörlerin yetersiz kontrolü: geniş kategoriler üzerinde eşleştirme (örneğin, on yıllık yaş bantları) kategori içi karıştırıcı faktörleri ele almaz; kategorileri iyileştirin veya modelde yaşı sürekli olarak ayarlayın.

Sık sorulan sorular

Neden sıradan lojistik regresyon yerine koşullu lojistik regresyon kullanmalıyım?

Bireysel olarak eşleştirilmiş bir çalışmada, vaka ve eşleştirilmiş kontrolleri bir tabaka oluşturur. Koşulsuz lojistik regresyon, tüm tabakaları tek bir havuzlanmış örneklem olarak ele alır, bu da yanlı tahminlere neden olur çünkü eşleştirilmiş set kesitleri sabit parametreler olarak ele alınır — bu da rastlantısal parametreler sorununa yol açar. Koşullu lojistik regresyon, her eşleştirilmiş setin yeterli istatistiği ile koşullandırılır, tabaka-spesifik kesitleri ortadan kaldırır ve yanlı olmayan bir eşleştirilmiş odds oranı verir.

Aşırı eşleştirme nedir ve neden zararlıdır?

Aşırı eşleştirme, maruziyetle ilişkili ancak hastalıkla bağımsız olarak ilişkili olmayan (veya nedensel yol üzerinde bir ara değişken olan) bir değişken üzerinde eşleştirme yaptığınızda meydana gelir. Vakalar ve kontroller bu nedenle tasarımla benzer maruziyet geçmişlerine sahip olduğundan, gruplar arasındaki karşıtlık azalır, odds oranı 1'e doğru yanlı hale gelir ve aynı gücü elde etmek için daha büyük bir örneklem gerekir. Maruziyetin aşağı akış sonuçları olabilecek değişkenler üzerinde eşleştirmeden kaçının.

Eşleştirme oranını nasıl seçmeliyim?

1:1 oranı en yaygın ve yönetimi en kolay olanıdır. Vaka başına 1:2 veya 1:3 kontrol oranına çıkarmak, vakalar nadir ancak kontroller bol olduğunda kesinliği artırır; verimlilik kazancı 1:4'ün ötesinde azalır ve nadiren ek karmaşıklığı haklı çıkarır. Vakalar çok nadir ve kontroller bol ise, 1:4 oranı genellikle pratik maksimum olarak kabul edilir.

Aynı eşleştirilmiş vaka-kontrol çalışmasında birden fazla maruziyeti inceleyebilir miyim?

Evet. Koşullu lojistik regresyon modeli, birden fazla maruziyet değişkenini eş zamanlı olarak içerebilir, bu da eşleştirilmiş yapıyı korurken birden fazla risk faktörünün değerlendirilmesine olanak tanır. Ancak, her ek maruziyet parametre ekler ve yeterince büyük bir örneklem gerektirir; bir çalışma protokolünde birincil ve ikincil maruziyetleri önceden belirleyerek veri madenciliğinden kaçının.

Bireysel eşleştirme ile frekans eşleştirmesi arasındaki fark nedir?

Bireysel (çift) eşleştirme, her belirli vakayı eşleştirme değişkenleri üzerinde bir veya daha fazla belirli kontrolle bağlar ve koşullu analiz gerektirir. Frekans eşleştirmesi, eşleştirme değişkenlerinin genel dağılımının vakalar ve kontroller arasında dengelenmesini sağlar ancak vaka-spesifik çiftler oluşturmaz; eşleştirme değişkenleri için ayarlama yaparak koşulsuz lojistik regresyon ile analiz edilebilir. Bireysel eşleştirme daha sıkı kontrol sağlar ancak lojistik olarak daha zordur ve analizi sınırlar.

İlgili yöntemler

Kaynaklar

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

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

    ISBN: 978-0195029338
    Kopyalandı.