剂量-反应分析 — 量化暴露水平与结果风险的关系
- 提出者
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- 年份
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- 类型
- Quantitative analytical method
- 类别
- Clinical / epidemiology
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?
剂量-反应分析量化了暴露程度(剂量)与结果(反应)的概率或发生率之间的关系。它是流行病学和毒理学中的核心分析策略,提供证据表明暴露的增加系统性地增加或减少疾病风险。明确的剂量-反应梯度是布拉德福德·希尔(Bradford Hill)支持因果推断的经典标准之一。
方法背后的直觉
可以将剂量-反应分析理解为在询问:更多的暴露是否意味着更大的危害?如果暴露于较高水平化学物质的工人与暴露于较低水平的工人相比,肺部疾病的发生率逐渐升高,那么这种梯度既是风险的衡量标准,也是因果关系的论证。该方法超越了简单的暴露与非暴露比较,绘制了完整的暴露-风险曲线——该曲线可能是线性的、基于阈值的、U形的或饱和的——为监管机构、临床医生和研究人员提供了风险如何随暴露范围变化而变化的定量图景。
历史学
“剂量决定毒性”的原则由帕拉塞尔苏斯在16世纪提出。正式的流行病学应用始于约翰·斯诺(John Snow)1854年的霍乱调查,该调查量化了与布罗德街水泵距离相关的风险。该方法在20世纪中期通过布拉德福德·希尔(Bradford Hill)的工作得到规范,他将剂量-反应梯度纳入其1965年流行病学因果推断的九项标准之一。随着20世纪70年代和80年代逻辑回归和Cox回归的兴起,基于回归的定量剂量-反应建模成为标准,而基于样条的暴露-反应曲线灵活建模从20世纪90年代开始广泛应用。
何时使用
当暴露可以在序数或连续尺度上量化,并且问题是较高暴露是否会导致更大(或更小)的风险时,请使用剂量-反应分析。这是职业流行病学、环境健康、药物流行病学和营养流行病学中的标准做法。它也是跨研究汇总数据进行荟萃分析的关键组成部分。当暴露本质上是二元的,没有有意义的梯度(例如,手术与非手术),当暴露类别太少(少于三个有序水平)无法建模趋势,或者当暴露测量不精确以至于分类不可靠时,请勿应用此方法——在这些情况下,简单的两组比较更合适。
局限与注意事项
- 需要准确详细的暴露测量;错误分类会使剂量-反应估计值偏向零值。
- 将连续暴露分类会引入任意的临界点,并可能产生或掩盖非线性。
- 必须在每个暴露水平上单独控制混杂因素,增加了调整策略的复杂性。
- 极端暴露类别中的受试者数量较少会降低精度,可能需要合并类别。
- 发表偏倚和剂量类别的选择性报告可能会扭曲荟萃分析中汇总的剂量-反应曲线。
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
- 为因果梯度提供证据,加强了超越单一暴露与非暴露比较的因果推断。
- 估计多个暴露水平下的风险,从而能够制定监管标准和确定临床阈值。
- 与大多数观察性研究设计(队列、病例对照、横断面)以及汇总数据的荟萃分析兼容。
- 灵活建模(样条、多项式)适应非线性关系和阈值关系。
- 支持定量风险评估和健康影响建模。
应用
- 职业健康:量化累积石棉或二氧化硅暴露类别下的肺癌风险。
- 药物流行病学:关联累积他汀类药物剂量与心血管事件发生率的降低。
- 环境流行病学:模拟环境细颗粒物(PM2.5)浓度与全因死亡率之间的关联。
- 营养流行病学:描述酒精摄入量与心血管风险之间的U形关系。
- 毒理学:建立基准剂量和安全参考浓度,用于监管风险评估。
- 荟萃分析:汇总多项队列研究中特定剂量的相对风险,以得出汇总的剂量-反应曲线。
使用方式
使用方式
暴露变量在序数或连续尺度上定义和测量:累积剂量、平均强度、持续时间或峰值浓度。清晰且可重现的暴露评估至关重要,因为暴露水平的错误分类——特别是无差别错误分类——会使剂量-反应估计值偏向零值。
暴露要么被分组为有序类别(例如,四分位数或临床上有意义的临界点)进行分类趋势分析,要么使用回归样条、多项式或分数多项式建模为连续变量。分类方法更透明,需要的假设更少;连续建模捕捉完整的曲线形状,并避免任意分类。
对于每个暴露水平或增量,都会估计相对于参考类别(通常是最低或未暴露组)的效应度量。在队列研究中,这通常是相对风险或风险比;在病例对照研究中,则是优势比。根据结果类型,可以使用泊松回归、Cox回归或逻辑回归。对剂量对数风险进行多项式或样条模型拟合,可以得出剂量-反应曲线:ln(RR) = β₀ + β₁d + β₂d²。
公式
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
通过将每个暴露类别的中位数或中点指定为连续分数并将其输入回归模型,进行线性趋势的正式检验。显著的p值(或在荟萃分析中,汇总的趋势系数)证实了关联在不同暴露水平上以一致的方向变化。
除了线性趋势检验,还需要评估关系的函数形式。限制性三次样条或分数多项式模型允许检测非线性模式,例如阈值(低于某个剂量无效应)、平台期(高剂量时效应趋于平稳)或U形(低暴露和高暴露都与风险增加相关)。所选择的形状对风险评估和监管阈值具有直接影响。
常见陷阱
- 在检查数据后选择暴露类别——数据驱动的分类会夸大表观剂量-反应并产生过于乐观的p值;类别应预先定义。
- 忽略非线性——在未检查函数形式的情况下默认进行线性趋势检验,可能会错过具有科学和实践重要性的阈值或U形关系。
- 使用最高暴露组作为参考类别——这仅在它也是最大组时才是正确的;未暴露或最低暴露组是常规参考,因为它能最大化统计功效和可解释性。
- 将剂量-反应与健康工人效应或健康使用者效应混淆——自愿选择较高暴露水平的个体可能与较低暴露组系统性地不同,从而使估计的梯度产生偏差。
常见问题
线性趋势检验与完整剂量-反应模型有何区别?
线性趋势检验将剂量-反应关系简化为单个斜率系数,并检验该斜率是否与零不同。它简洁但假设线性,无法检测阈值或U形模式。完整的剂量-反应模型——使用样条或多项式——估计整个暴露-风险曲线,揭示关系是线性的、非线性的还是阈值依赖的。这两种方法是互补的,通常应一起报告。
剂量-反应分析可以应用于病例对照数据吗?
可以。在病例对照研究中,为病例和对照定义暴露类别,并使用条件或非条件逻辑回归估计每个暴露水平相对于参考类别的优势比。然后将序数暴露分数作为连续变量输入模型以检验趋势。解释类似于队列研究分析,但只有当结果罕见时,优势比才近似于相对风险。
如何在荟萃分析中汇总跨研究的剂量-反应数据?
格陵兰和朗内克(Greenland and Longnecker, 1992)方法是标准方法。它重建了每项研究中跨暴露类别的对数相对风险的协方差矩阵,然后使用广义最小二乘法拟合共同的剂量-反应趋势。这要求个体研究报告每个暴露类别中的病例数和人时(或对照数)以及调整后的效应估计值——这些信息有时在已发表的报告中缺失。
何时应使用限制性三次样条而不是多项式回归?
限制性三次样条(也称为自然样条)通常优于多项式,因为它们在暴露范围内部灵活拟合,同时在尾部被限制为线性,这避免了数据之外的异常外推。多项式在极端情况下可能会产生不合理的曲线。对于大多数流行病学剂量-反应分析,在暴露分布的分位数处放置三到五个节点可以在灵活性和简约性之间取得良好平衡。
剂量-反应梯度能证明因果关系吗?
不能。剂量-反应梯度是布拉德福德·希尔(Bradford Hill)加强因果论证的标准之一,但它本身既非必要也非充分。混杂、反向因果关系和暴露错误分类都可能产生或掩盖梯度。剂量-反应证据必须与时间顺序、研究间一致性、生物学合理性以及其他因果标准一起解释。
相关方法
参考文献
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN:978-0781755641已复制。Greenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.
打开 DOI 文献已复制。