Skip to content
返回搜索结果

队列研究——纵向观察设计

提出者
Doll & Hill (British Doctors Study, 1951); Snow (cholera, 1854)
年份
Mid-20th century (formal epidemiological design codified ~1950s)
类型
Observational longitudinal study design
类别
Clinical / epidemiology

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

队列研究通过汇集一组具有共同起点(通常是未患有所关注结局)的个体,并随访他们随时间推移以观察谁会发生该结局。通过比较暴露和未暴露亚组的发病率,研究者可以估计相对风险和绝对风险差异。队列研究是衡量疾病发病率和建立暴露与结局之间时间关系的金标准观察设计。

方法背后的直觉

将队列研究想象成一部前瞻性纪录片:在情节展开之前招募一群参与者,记录谁暴露于特定因素,然后观察数月或数年,看谁会生病。因为您在结局发生之前观察暴露情况,所以因果关系的时间顺序比病例对照研究更清晰。权衡之处在于时间和成本——罕见疾病可能需要庞大的队列研究,随访数十年才能积累足够多的事件以得出可靠的结论。

历史学

队列设计可以追溯到19世纪中叶约翰·斯诺在伦敦对霍乱的观察,但正式的流行病学队列研究确立于20世纪50年代初,通过理查德·多尔和奥斯汀·布拉德福德·希尔(1951-1954年)的英国医生研究等开创性调查,该研究证明了吸烟与肺癌之间的因果关系。1948年启动的弗雷明汉心脏研究,是心血管危险因素长期前瞻性队列方法的典范。方法学基础由布莱恩·麦克马洪、托马斯·普格和后来的肯尼斯·罗斯曼编纂。

何时使用

当研究问题涉及疾病发病率、暴露与结局之间的时间顺序或疾病的自然病程时,并且随机化不道德或不切实际时,应使用队列研究。队列设计特别适合研究罕见暴露(因为可以根据暴露状态选择参与者)、单一暴露的多种结局以及长期效应。当结局非常罕见(需要庞大的样本量才能观察到足够多的事件)、研究预算或时间表无法支持长期随访,或者病例对照或横断面设计可以更有效地回答问题时,不应使用队列研究。

局限与注意事项

  • 对于罕见结局效率低下——在足够多的事件累积之前,可能需要庞大的样本量和长期的随访期。
  • 如果失访者与留下来的人不同,失访可能会引入选择偏倚。
  • 长周期和庞大的样本量要求使得队列研究成本高昂且后勤要求苛刻。
  • 与随机试验不同,仅通过设计无法消除未测量变量的混杂。

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

  • 建立时间顺序——暴露在结局之前测量,比病例对照或横断面设计更有说服力地支持因果推断。
  • 允许计算绝对发病率和相对风险,而不仅仅是优势比。
  • 一个队列可以同时产生关于多种结局的数据。
  • 对暴露的前瞻性测量与回顾性设计相比,减少了回忆偏倚。
  • 通过增加暴露个体来丰富队列,适合研究罕见暴露。

应用

  • 量化饮食模式、体育活动或降脂治疗对心血管的长期影响。
  • 估计职业病的发病率(例如,石棉暴露工人的间皮瘤)。
  • 研究糖尿病、艾滋病毒或阿尔茨海默病等慢性病的自然病程。
  • 在上市后监测中评估疫苗的有效性和不良事件。
  • 调查环境暴露(空气污染、辐射)对人口健康数十年的影响。

使用方式

使用方式

1

研究者识别并招募有风险的人群——即尚未患有所关注结局的个体。入选标准可以根据年龄、地理位置、职业或健康系统注册来定义。初始队列在共同的起点招募,并记录基线特征。

2

暴露状态(例如,吸烟、饮食、用药、职业接触因素)在基线时评估,并在许多设计中,在随访期间定期重新评估。此步骤中准确的暴露测量决定了整个研究的质量;在此处的错误分类会使风险估计偏向零。

3

通过定期评估、登记处链接、行政数据或主动联系,对参与者进行随访监测。失访是此阶段内部有效性的主要威胁:如果离开研究的人与留下的人存在系统性差异,则估计的发病率可能会有偏差。

4

通过临床检查、病历、疾病登记处或与生命统计数据的链接来识别新发的结局事件(新诊断、死亡、住院)。清晰、预先指定的结局定义最大限度地减少了结局错误分类。

5

计算暴露组和未暴露组的发病率。主要效应测量是相对风险(RR = 暴露组发病率 / 未暴露组发病率)或在随访时间变化时,是发病率比。通过多变量回归(例如,泊松回归、Cox回归)获得调整后的估计值,以控制混杂。

公式
RR = (Ie / Iu)

常见陷阱

  • 忽略随时间变化的暴露——将基线暴露视为固定不变,而实际上它在随访期间会发生变化(例如,戒烟),这可能导致暴露错误分类并使结果产生偏差;应使用随时间更新的分析或边际结构模型。
  • 对随访时间的控制不足——当随访持续时间在参与者之间存在差异时,比较原始事件计数而不是人时发病率将产生误导性结果。
  • 不朽时间偏倚——参与者无法发生结局的随访期间(例如,在药物处方填写之前的时间)不应归因于暴露组,否则风险估计将人为地有利。
  • 健康工人效应或健康使用者效应——从职业或临床环境中招募的队列可能比一般人群更健康,这限制了外部普遍性。

常见问题

前瞻性队列研究与回顾性队列研究的区别是什么?

在前瞻性队列研究中,研究者招募参与者,然后向前追踪他们,在事件发生时收集暴露和结局数据。在回顾性(历史性)队列研究中,暴露和结局都已发生;研究者从现有记录中重建队列。分析逻辑相同,但回顾性设计更快、更便宜,同时更容易受到不完整历史记录的信息偏倚的影响。

队列研究需要多大?

样本量取决于结局的预期发病率、您希望检测的效应大小、随访持续时间以及所需的统计功效。对于常见结局,几百名参与者可能就足够了;对于效应大小适中的罕见结局,可能需要数万名参与者随访数十年。应在开始招募前进行功效计算。

队列研究与随机试验有何不同?

在随机试验中,研究者控制暴露分配,从而通过设计消除混杂并得出因果结论。在队列研究中,暴露由自然情况决定,因此未测量的混杂因素可能会扭曲暴露-结局关联。队列研究是观察性的,因此在因果问题的证据等级中处于较低位置,但当随机化不道德或不切实际时,它们是可行的。

队列研究产生何种效应测量?

主要效应测量是当使用累积发病率时的相对风险(风险比),或当使用人时分母时的发病率比。队列研究还可以估计风险差异(归因风险),这对于公共卫生影响具有直接的可解释性。有时会报告逻辑回归的优势比以方便起见,但只有当结局罕见时,它才近似于风险比。

如何处理失访?

首先,通过积极的保留策略最大限度地减少失访。报告失访比例,并比较完成者与非完成者的基线特征。使用意向随访原则进行分析,并进行敏感性分析(例如,最佳情况和最坏情况场景插补)以评估研究结果的稳健性。当可测量到导致退出的预测因素时,可以使用逆概率加权来纠正信息性删失。

相关方法

参考文献

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

    ISBN:978-0781755641
    已复制。
  2. Doll, R., & Hill, A. B. (1954). The mortality of doctors in relation to their smoking habits: a preliminary report. British Medical Journal, 1(4877), 1451–1455.

    打开 DOI 文献
    已复制。