Skip to content
返回搜索结果

队列研究设计

提出者
Donald Acheson, Olli Miettinen, and others in modern epidemiology
年份
1970s-1980s
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

字号

它有什么作用?

队列研究是指从暴露到结局追踪一组个体向前发展。在基线时招募暴露和未暴露的参与者(或具有不同暴露水平的参与者),对其进行特征描述,并前瞻性地观察,直到发生结局或研究结束。队列研究是流行病学的基础,当随机试验不可行或不道德时,它是建立因果关联的首选设计。

方法背后的直觉

设想在 10 年内追踪吸烟者和非吸烟者两组人群,并统计每组的肺癌发病数。相对风险(RR)=(吸烟者的肺癌数)/(非吸烟者的肺癌数)告诉您吸烟者患癌症的可能性有多大。队列研究自然地保留了时间顺序(暴露在前,结局在后),避免了回忆偏倚(暴露在基线时记录,而不是在疾病发生后回忆),并且可以从单一暴露研究多种结局。主要权衡是成本和时间:您必须随访人们多年,通常花费巨大。混杂——与暴露和结局都相关的其他因素——仍然是一个威胁,除非得到控制。

历史学

队列研究在 20 世纪 50-70 年代开始在流行病学中流行,例如弗雷明汉心脏研究(1948 年至今),该研究开创了前瞻性心血管危险因素研究。Olli Miettinen 等人正式确立了统计学基础,将队列(基于发病率)与病例对照(基于优势比)方法区分开来。现代队列研究利用电子健康记录、疾病登记和生物样本库来提高效率。动态队列(滚动招募)和嵌套病例对照设计(从队列中选择病例和对照)扩展了方法工具箱。

何时使用

当出现以下情况时使用队列研究:(1)研究罕见暴露(例如,影响人数很少的职业危害),(2)建立暴露与结局之间的时间关系,(3)从单一暴露研究多种结局(例如,吸烟 → 癌症、心脏病、慢性阻塞性肺疾病),(4)评估多年或数十年的长期影响,(5)评估疾病的自然病程和发病率,(6)随机试验不道德(例如,暴露人们于有害物质),(7)结局常见,使得病例对照研究效率较低。

局限与注意事项

  • 时间和成本:对队列进行多年或数十年的随访需要持续的资金、人员和基础设施;损耗(失访)很常见。
  • 失访偏倚:如果丢失的参与者在暴露或混杂因素方面存在系统性差异,则 RR 估计会产生偏倚。需要高随访率(>80%)。
  • 罕见结局:如果结局发病率非常低,则需要庞大的队列,增加成本。病例对照研究可能更有效。
  • 混杂:未测量或测量不佳的混杂因素会偏倚 RR。调整仅限于已测量的变量。
  • 队列效应:随时间招募的参与者在基线特征、预后或长期趋势方面可能存在差异,影响可比性。

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

  • 明确的时间顺序:暴露在结局之前记录,比横断面设计更能令人信服地建立方向性和因果关系。
  • 多种结局:单一暴露可以与多种结局相关,有利于广泛的假设生成。
  • 发病率和绝对风险:直接估计暴露组和未暴露组的风险,从而能够计算所需治疗人数。
  • 避免结局依赖性选择:队列根据暴露定义,而不是结局,从而防止病例对照研究固有的选择偏倚。
  • 发病率:人时数分母考虑了可变的随访时间,允许跨不同随访时长的研究进行比较。

应用

  • 职业流行病学:追踪危险行业(石棉、采矿、化学制造)的工人,量化与工作场所暴露相关的疾病风险。
  • 饮食和生活方式研究:招募参与者,测量基线饮食和体育活动,然后追踪心血管疾病、癌症或死亡率(例如,护士健康研究)。
  • 癌症发病率和预后:招募无病参与者并追踪随访期间的癌症诊断;或招募癌症患者并追踪生存期。
  • 出生队列和儿童发育:招募孕妇或新生儿,测量早期暴露(例如,母亲吸烟、空气污染、贫困),并评估长期的健康和发育结局。
  • 药物安全和不良结局:招募开始使用新药的患者,并监测不良事件、住院或死亡率与替代治疗的比较。

使用方式

使用方式

1

定义队列来源(例如,40-70 岁的无病成人、工厂员工、诊所患者)。定义暴露:是二元的(是/否)、分类的(低/中/高)还是连续的(使用年限)?招募基线时无病的参与者;测量并记录暴露状态和基线混杂因素(年龄、性别、种族、社会经济地位、合并症等)。在预定的时间段内(数月至数十年)随访参与者。使用主动随访(访谈、门诊、邮寄调查)或被动随访(健康记录、疾病登记、保险索赔)。记录结局事件(诊断、住院、死亡)及其日期。记录失访、退出和删失(当参与者在研究结束时仍然存活/无病但结局状态未知时)。标准化所有参与者的结局定义。

公式
Define cohort (exposed and unexposed groups); enroll eligible participants; establish baseline characteristics and exposure status; follow participants forward in time; record outcome events.
2

计算每个暴露组的发病率:发病率 =(组内结局事件数)/(组内风险人时数)。人时数考虑了不同的随访时长:如果一个人随访了 5 年,另一个人随访了 2 年,人时数总计为 7 人年。计算相对风险(RR)= 暴露组发病率 / 未暴露组发病率。RR > 1 表明风险增加;RR < 1 表明风险降低(或保护作用);RR = 1 表明无关联。计算 95% 置信区间(基于泊松分布或 delta 方法)。使用分层(Mantel-Haenszel)或回归(Cox 比例风险模型、泊松回归)调整混杂因素。检查 Cox 模型中的比例风险假设。

公式
Calculate incidence (risk) in exposed and unexposed groups; compute Relative Risk (RR) = Incidence_{\text{exposed}} / Incidence_{\text{unexposed}}.
3

RR 为 2 意味着暴露组的发病率是未暴露组的两倍。RR 为 0.5 意味着暴露组的发病率是未暴露组的一半(保护作用)。不包含 1.0 的置信区间表明统计学上显著的关联(在 α=0.05 时)。评估因果关系:关联是否强(RR > 2-3)?是否存在剂量反应关系(暴露增加 → 风险增加)?在亚组之间是否一致?时间上是否连贯?考虑未测量的混杂因素:是否存在未测量的变量(例如,遗传易感性、饮食)可以解释观察到的 RR?将结果推广到与您的队列相似的人群。报告绝对风险降低或所需治疗人数(NNT)以及 RR 以提供临床背景。

公式
Interpret RR in context of follow-up duration, loss to follow-up, and confounding; assess temporality; generalize to source population.

常见陷阱

  • 随访记录不充分:结局日期缺失或模糊,或参与者之间的结局定义不一致,会使时间推断无效。
  • 忽略失访:在分析中排除失访者会放大选择偏倚。使用意向性治疗逻辑;在不同的缺失数据机制下进行敏感性分析。
  • 未测量的混杂因素:未测量的因素(例如,遗传易感性)可能解释暴露-结局关联。始终讨论潜在的未测量混杂因素。
  • 事后分层:在看到结果后将队列划分为亚组会导致多重比较、假阳性发现和过度拟合。预先指定亚组假设。
  • 假设线性:在剂量反应分析中,假设暴露水平与结局之间存在线性关系可能会掩盖阈值或平台效应。绘制数据并测试非线性拟合。

常见问题

在队列研究中,相对风险(RR)和优势比(OR)有什么区别?

在队列研究中,我们直接测量发病率(一段时间内发生结局的概率),因此相对风险(RR)是自然的估计值:RR = 暴露组发病率 / 未暴露组发病率。优势比(OR)是结局优势的比值;它出现在病例对照研究中,因为在病例对照研究中无法测量发病率。在结局罕见的队列(发病率 <10%)中,RR 和 OR 近似。当结局常见时,它们会发散:OR 比 RR 高估了效应。在队列研究中始终报告 RR;OR 保留给病例对照设计。

什么是人时数,它为什么重要?

人时数(或随访时间)是个人随访时长的总和。如果您随访 100 人各 10 年,那就是 1000 人年。如果 50 人随访 5 年,50 人随访 10 年,那也是 750 人年。发病率是按人时数单位计算的(例如,每 1000 人年)。人时数考虑了部分参与者过早退出、死亡或被删失的事实。使用人时数作为分母(而不仅仅是人数)可以在随访时间可变时获得无偏估计。

如何处理失访?

失访是偏倚的主要来源。目标是随访率 >80%。在分析中,不要仅仅排除失访者;这会引入选择偏倚。相反,使用意向性治疗逻辑:根据失访者最后已知的情况对其进行分类,并在不同的结局情景下(例如,所有失访者均未发生结局、所有失访者均发生结局或随机缺失)进行敏感性分析。如果失访在暴露组和未暴露组之间存在显著差异,则谨慎解释结果。逆概率加权(IPW)或多重插补可以在“随机缺失”假设下调整系统性缺失。

如何区分队列研究和横断面研究?

队列研究招募无病(或无结局)参与者,在基线时测量暴露,并向前追踪直至结局发生。横断面研究在单一时间点同时测量暴露和结局,捕捉患病率。队列研究具有明确的时间顺序(暴露 → 结局),能够进行因果推断。横断面研究无法建立方向性:是暴露导致了结局,还是结局影响了暴露感知?队列研究成本更高、耗时更长,但能提供更强的因果关系证据。

相关方法

参考文献

  1. Miettinen, O. S. (1976). Estimability and estimation in case-referent studies. American Journal of Epidemiology, 103(2), 226–235.

    打开 DOI 文献
    已复制。
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN:978-0781755657
    已复制。
  3. Veierød, M. B., Lydersen, S., & Laake, P. (2012). Medical Statistics in Clinical and Epidemiological Research. Gyldendal Akademisk.

    ISBN:978-8205418627
    已复制。