病例对照研究设计
- 提出者
- Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
- 年份
- 1950s-1970s
- 类型
- Research Design
- 类别
- observational design
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
病例对照研究(case-control study)通过识别患有某种疾病或结局的个体(病例)和没有该结局的对照组(controls),然后回顾性地测量其既往暴露情况。该方法由流行病学家如Schlesselman和MacMahon在20世纪50年代至70年代发展起来,对于罕见疾病尤其有效,因为它对结局富集的病例进行抽样,避免了对庞大队列的需求。它们是临床流行病学、观察性研究和疫情调查的主要方法。
方法背后的直觉
病例对照研究是逆向进行的:从患病人群开始,然后询问“在生病之前您接触过什么?”将其与未患病的对照组进行比较。如果病例组报告既往暴露的可能性远高于对照组,则该暴露很可能是风险因素。关键统计量是比值比(Odds Ratio, OR),它可以仅从病例对照样本中计算得出。主要挑战是回忆偏倚(病例对暴露的回忆可能与对照组不同)和选择偏倚(选择对照组的方式会影响结果)。对于罕见疾病,病例对照研究比队列研究效率高得多:您招募100名病例和100名对照,而不是随访10万名无病人群多年。
历史学
病例对照方法于20世纪50年代出现,当时流行病学家寻求有效地研究罕见疾病。Jerome Schlesselman的专著(1982)正式确立了其统计学基础。病例对照设计在建立因果联系方面被证明是决定性的:沙利度胺与出生缺陷的经典病例对照研究(20世纪60年代)以及吸烟与肺癌的研究(Doll & Hill)都体现了该设计快速检测暴露的强大能力。巢式病例对照研究(从队列中选择对照)和匹配病例对照设计的发展提高了精确度。如今,病例对照研究在流行病学中仍然是基础性的,特别是在调查疫情、职业危害和罕见不良事件方面。
何时使用
在以下情况下使用病例对照研究:(1) 疾病或结局罕见(例如,罕见癌症、出生缺陷),使得队列研究成本过高;(2) 暴露与结局之间存在较长的潜伏期(数年到数十年);(3) 研究单一结局的多种暴露;(4) 进行疫情或流行病调查(比较暴露组与未暴露组);(5) 从现有数据(医疗记录、疾病登记)中生成假设;(6) 资源有限(病例对照研究比队列研究更便宜、更快);(7) 研究无法进行随访的既往暴露。
局限与注意事项
- 回忆偏倚:病例由于经历了结局,对既往暴露的回忆可能与对照组不同。如果病例夸大或低估暴露报告,OR就会有偏倚。
- 选择偏倚:对照组的选择方式严重影响OR。对照组必须来自产生病例的同一源人群;当病例来自社区而使用住院对照时会引入偏倚。
- 时间顺序模糊:回顾性暴露测量可能模糊因果关系。是暴露先于结局,还是结局影响了暴露回忆?
- 无法计算发病率:病例对照样本是结局富集的,因此无法直接估计疾病发病率或绝对风险。OR是唯一可估计的关联度量。
- 暴露误分类:回顾性暴露评估(特别是对于遥远的暴露)容易出错,使OR偏向于无效值。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 对罕见结局的效率:结局富集抽样使得病例对照研究对于罕见疾病比队列研究效率高得多。一项罕见癌症研究可能招募300名病例和300名对照,而不是随访10万人多年。
- 速度和成本:回顾性数据收集比前瞻性随访更快、更便宜。
- 多重暴露:一项病例对照研究可以同时检查多种暴露,识别新的风险因素。
- 已建立的疾病登记:许多疾病都有登记系统(癌症、出生缺陷),可方便地获取特征明确的病例。
- 潜伏期:病例对照研究自然地处理暴露与结局诊断之间较长的诱导-潜伏期。
应用
- 疫情调查:在食源性疾病暴发期间,识别病例(患病者)和对照(暴露但未患病者),比较所食用的食物,并确定来源。
- 出生缺陷流行病学:招募患有先天性畸形的婴儿作为病例,选择基于人群的对照,询问母亲在怀孕期间的用药、感染或暴露情况。
- 职业健康:患有间皮瘤(罕见结局)的工人是病例;对照是没有石棉相关疾病的工人;回顾性评估就业记录中的石棉暴露情况。
- 药物不良反应:因肝衰竭住院的患者(病例)与住院对照(无肝衰竭)进行比较;审查用药史以识别肝毒性药物。
- 癌症病因学:新诊断的癌症患者(病例)按年龄/性别与无癌对照进行频率匹配;收集饮食、吸烟和生殖史以识别风险因素。
使用方式
使用方式
定义病例:具有目标结局的个体(例如,糖尿病、心肌梗死、先天性畸形)。病例可以是新诊断的(发病病例)或在特定时期内所有患病者(现患病例)。明确定义病例:诊断标准、诊断日期、通过医疗记录确认的疾病状态。从产生病例的源人群中选择对照——对照代表了产生病例的人群中的暴露分布。对照必须无病(至少对于特定结局而言)。匹配:对照可以按年龄、性别、种族或其他混杂因素与病例进行1:1或1:k匹配;匹配可提高统计效力,但需要进行统计调整(配对资料使用McNemar检验)。或者,使用非匹配对照并在回归分析中调整混杂因素。通过医疗记录、访谈、问卷或生物样本库样本测量既往暴露。对于历史暴露(遥远的过去),使用医疗记录或职业史;对于近期暴露,访谈是可行的。
公式
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.
构建一个2×2列联表:行 = 暴露状态(是/否),列 = 病例/对照状态。计算比值比:OR = (a × d) / (b × c),其中a = 暴露病例,b = 未暴露病例,c = 暴露对照,d = 未暴露对照。使用对数尺度计算95%置信区间。对于匹配数据(n对匹配),使用McNemar检验:χ² = ((b − c)²) / (b + c),该检验用于判断不一致对是否平衡。对于非匹配数据,使用逻辑回归调整混杂因素并计算调整后的OR。报告调整后的OR、置信区间和p值。检查暴露与混杂因素之间的交互作用。
公式
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:暴露与结局之间无关联。OR > 1:暴露与结局发生几率增加相关(风险因素)。OR < 1:暴露与结局发生几率降低相关(保护因素)。例如,OR = 3意味着病例组中暴露的几率是对照组中暴露几率的3倍。当疾病罕见(患病率 <10%)时,OR近似于相对风险(Relative Risk, RR)。当疾病常见时,OR会高估效应。不包含1.0的置信区间表明统计学显著性。因果关系需要超越统计关联:考虑强度(OR >2–3)、研究间的一致性、剂量-反应关系、时间合理性和生物学机制。评估其他解释:观察到的关联是否可以用选择偏倚、回忆偏倚或未测量的混杂因素来解释?
公式
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.
常见陷阱
- 对照选择不当:从住院患者中选择对照(当病例是社区病例时)或选择患有相关疾病的对照会导致选择偏倚。对照应无病且代表源人群。
- 分析中忽略匹配:如果病例和对照按年龄/性别进行匹配,则标准逻辑回归不适用;应使用条件逻辑回归或McNemar检验进行匹配分析。
- 差异性回忆偏倚:病例可能比对照更彻底地回忆暴露或更扭曲地回忆暴露。通过使用客观记录(例如,病历、就业记录)而非回忆调查来最大程度地减少这种情况。
- 事后选择对照:在看到数据后调整对照选择(例如,选择额外的对照以平衡特定协变量)会引入偏倚。应预先定义对照标准。
- 患病率-发病率偏倚:如果招募的是现患病例(人群中所有疾病病例)而不是发病病例(新诊断病例),则重症疾病的幸存者可能会富集,从而扭曲OR。
常见问题
比值比何时能很好地近似相对风险?
当疾病在人群中罕见(通常患病率<10%)时,比值比(OR)近似于相对风险(RR)。在低患病率下,疾病的几率≈疾病的风险,因此OR≈RR。当患病率>10%时,OR会相对于RR高估效应。例如,如果RR = 2,则在较高患病率下,OR可能为2.5或更高。始终要明确病例对照研究得出的是OR,而不是RR。如果临床解释需要RR,则必须使用基线风险(源人群中的疾病患病率)转换OR。
什么是巢式病例对照研究,为什么要使用它?
巢式病例对照研究(nested case-control study)从前瞻性队列中选择病例和对照。所有病例成员在结局发生时从队列中识别出来;对照从队列中的非病例中随机抽样,通常按年龄和性别与病例进行匹配。巢式病例对照研究结合了队列研究和病例对照研究的优点:可获得时间顺序和发病率数据(如队列研究),但成本较低,因为只对病例和对照子集测量昂贵的暴露(例如,生物标志物、基因检测)。巢式病例对照研究的比值比近似于队列研究的相对风险,即使疾病不罕见。
我应该选择匹配对照还是非匹配对照?
匹配对照(按年龄、性别等与病例1:1匹配)可提高精确度并减少匹配变量带来的混杂。然而,匹配在统计学上是“昂贵的”:您必须使用条件逻辑回归,并且无法估计匹配变量的独立效应。非匹配对照允许在逻辑回归中调整许多混杂因素,并且可能更具成本效益。匹配对于强混杂因素(年龄、性别、日历年)以及难以找到对照时最有用。如果潜在混杂因素众多,请考虑使用非匹配设计并进行回归调整。
如何区分病例对照研究中的选择偏倚和信息偏倚?
选择偏倚(selection bias)源于您选择病例和对照的方式。如果病例和对照来自不同的源人群(例如,住院病例与社区对照),则OR会产生偏倚。信息偏倚(information bias,又称分类偏倚)源于测量暴露或结局的误差。回忆偏倚(recall bias)是一种信息偏倚:患有严重疾病的病例对既往暴露的回忆可能与对照组不同。两者都会使OR产生偏倚,但方式不同。为了最大程度地减少选择偏倚,请确保病例和对照来自同一源人群。为了最大程度地减少信息偏倚,请使用客观记录(医疗图表、生物标志物)而非回忆。
相关方法
参考文献
Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.
ISBN:978-0195027815已复制。Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN:978-0781755657已复制。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.
打开出版物文献已复制。