Skip to content
返回搜索结果

嵌套病例对照研究

提出者
Nathan Mantel (1973); D. C. Thomas (1977 formalization)
年份
1973–1977
类型
Hybrid observational 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?

嵌套病例对照研究是一种嵌入在已定义队列中的高效观察性设计。对于每个出现研究兴趣结局(病例)的参与者,都会从当时仍处于风险中的个体中抽取少量匹配的对照。这种密度抽样策略产生的优势比(odds ratio)近似于来自完整队列的发生率比(incidence-rate ratio),而数据收集成本仅为其一小部分——当为所有队列成员测量暴露成本过高或技术要求过高时,它便成为首选替代方案。

方法背后的直觉

设想一个包含10,000名工人的20年职业队列。您想检验某种特定的化学暴露是否会增加膀胱癌的风险,但测量所有10,000名参与者的血清生物标志物成本极其高昂。嵌套病例对照设计解决了这个问题:每当一名工人被诊断(病例)时,您就从风险集中随机抽取(例如)四名工人——即那些尚未出现结局且至少在早期就已入组的工人——并且仅为这五个人测量生物标志物。由于对照是从同一队列和同一随访时间点抽取的,该设计继承了队列的前瞻性结构,同时将生物标志物检测成本降低了约80%。

历史学

嵌套病例对照设计由Nathan Mantel于1973年构思,作为在纵向队列数据中应用回顾性病例对照逻辑的一种方式,在不牺牲时间完整性的情况下恢复效率。D. C. Thomas于1977年正式化了风险集或发生率密度抽样框架,证明了从此类样本估计的优势比在零效应和适度效应大小下等于队列发生率比。该设计在20世纪80年代和90年代在职业和癌症流行病学中得到广泛应用,特别是在需要对存档标本进行昂贵生物标志物检测的研究中。它现在是大型生物样本库关联研究和药物流行病学研究的标准工具。

何时使用

当您拥有(或能够组建)一个具有明确定义的队列,并且有结局数据,但测量所有成员的暴露成本高昂、技术要求高或需要储存的生物样本时,请使用嵌套病例对照设计。当感兴趣的暴露是实验室检测、遗传标记或存档样本,且测量预算有限时,它是理想选择。当需要控制时变混杂因素或希望在大型队列中研究罕见结局而无需进行全队列暴露评估时,该设计也适用。当队列太小以至于无法产生足够数量的病例时;当结局数据不可用或不可靠时;当所有暴露都已为全队列测量(此时全队列分析更有效率)时;或当研究问题需要估计绝对风险而非相对风险时,请勿使用此设计。

局限与注意事项

  • 需要一个具有可靠结局确证的预先存在的队列;建立这样的队列本身就需要大量资源。
  • 条件逻辑回归的匹配设计意味着匹配变量不能作为结局的独立预测因子进行评估。
  • 当结局常见(>10%的队列成员)时,效率增益会减弱,此时可能更倾向于全队列或病例-队列设计。
  • 每例病例选择足够数量的对照需要仔细的样本量计算;对照太少会降低统计效率,而成本节省不成比例。

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

  • 与全队列分析相比,可显著降低暴露评估的成本和精力——通常只需测量5-10%的队列成员。
  • 发生率密度抽样确保优势比是发生率比的无偏估计量,保留了前瞻性设计的因果解释。
  • 通过在每个病例发生时将对照选择锚定在风险集上,允许使用时变暴露。
  • 继承了前瞻性队列的优点:暴露先于结局的时间顺序,以及与传统病例对照研究相比回忆偏倚减少。
  • 灵活匹配时间和个体水平协变量,可有效控制强混杂因素,而无需全队列协变量数据。

应用

  • 大型前瞻性队列中的生物标志物研究——仅为病例和匹配的对照测量储存的血液样本,以研究癌症、心血管疾病或代谢结局。
  • 职业流行病学——评估工厂或登记队列中患有特定癌症的工人累积化学品或辐射暴露。
  • 药物流行病学——在处方记录完整但详细的临床数据需要图表审查的行政健康数据库队列中,评估药物暴露和不良事件。
  • 传染病流行病学——在受感染个体监测队列中,调查严重结局(例如,住院、死亡)的宿主或病原体因素。
  • 遗传和基因组学研究——对来自具有长期随访的人群队列的病例和对照进行候选基因或全外显子组测序。

使用方式

使用方式

1

研究始于一个现有或新近组建的动态或固定队列,其成员在入组时均未患病,并随时间进行随访。该队列提供了病例和对照的抽样框架,确保所有参与者具有共同的基线和暴露窗口。

2

在随访期间,每一次新的结局事件(例如,疾病诊断、死亡)的发生都被记录为病例,并附有事件的确切日期。病例通常是队列中的所有新发事件,但该设计也可以限制在定义的子集(例如,特定的组织学亚型)。

3

对于每个病例,都会形成一个风险集:所有在病例发生时仍处于随访中且未发生结局的队列成员。从该风险集中随机抽取固定数量的对照(通常每例1-10名)——这一过程称为发生率密度抽样或风险集抽样。对照可能与病例进行匹配,匹配变量包括年龄、性别或日历时间等,以减少混杂。

4

暴露信息——生物标志物、储存的生物样本、病历记录或访谈数据——仅为选定的病例和对照检索或测量,而非整个队列。由于对照是在每个病例事件发生时抽取的,因此可以捕捉到相关风险窗口中的时变暴露。

5

条件逻辑回归用于估计每个匹配病例对照组内的优势比(OR),并考虑匹配变量。在发生率密度抽样下,优势比是完整队列分析中发生率比(IRR)的无偏估计量,使得结果可以直接解释为相对风险估计值。

常见陷阱

  • 使用患病而非新发病例——包括队列入组时已患病的参与者——会引入长度偏倚并破坏暴露先于结局的时间顺序假设。
  • 从风险集之外抽取对照——选择已发生结局的对照,或在病例事件日期之后入组的对照,会扭曲密度抽样逻辑并使优势比偏离发生率比。
  • 在分析中忽略匹配结构——使用非条件逻辑回归(而非条件逻辑回归)分析匹配的病例对照数据会产生有偏估计,尤其是在每例病例的对照数量较少时。
  • 未能考虑时变暴露——在随访期间使用单一基线暴露测量值,会错误分类暴露并使结果偏向零。
  • 在因果通路上的变量过度匹配——匹配暴露与结局之间的中间变量会消除检测效应所需的变异。

常见问题

嵌套病例对照研究与传统病例对照研究有何不同?

传统病例对照研究从医院或登记处招募病例,并从一般人群中选择对照,这使得确保对照来自与病例相同的来源人群变得困难。嵌套病例对照研究从具有已知入组和随访日期的明确队列中抽取病例和对照,因此来源人群明确,并且保证对照曾处于成为病例的风险之中——这消除了选择偏倚的一个主要来源,并允许优势比估计发生率比。

我应该选择多少对照每例病例?

选择4-5名对照每例病例可以捕捉到相对于全队列分析的大部分统计效率增益;超过约10:1的比例后,边际增益可忽略不计。最佳数量取决于获取病例与对照数据的相对成本以及统计功效要求。对于每个病例都非常宝贵的罕见结局,每例病例最多可接受10名对照。

嵌套病例对照研究与病例-队列研究的区别是什么?

这两种设计都从队列中抽样以降低暴露评估成本。在嵌套病例对照研究中,对照在病例事件发生时与每个病例进行风险集匹配,并使用条件逻辑回归。在病例-队列研究中,在基线时选择一个随机子队列,并作为所有病例的比较组,无论其发生时间如何;这允许使用相同的子队列研究多个结局,但需要更复杂的加权分析。嵌套病例对照设计通常更易于分析;当需要同时研究多个结局时,病例-队列设计更受青睐。

我可以使用回顾性队列进行嵌套病例对照设计吗?

可以。尽管该设计在概念上是前瞻性的——暴露先于结局——但它可以嵌入从历史记录中组建的回顾性队列中。关键要求是队列的入组日期、随访期和结局日期都有可靠的记录,并且可以在不了解病例状态的情况下为选定的病例和对照检索暴露信息(以避免信息偏倚)。

我可以使用什么软件进行嵌套病例对照数据的条件逻辑回归分析?

匹配病例对照数据的条件逻辑回归在R(survival包中的clogit函数)、Stata(clogit命令)、SAS(PROC LOGISTIC,带STRATA语句)和SPSS中均可用。匹配变量(通常是病例组ID)必须作为分层标识符包含。对于使用完整风险集的时间-到事件分析,在发生率密度抽样下,具有时间匹配的Cox偏似然在数学上等同于条件逻辑回归。

相关方法

参考文献

  1. Thomas, D. C. (1977). Addendum to: Methods of cohort analysis: Appraisal by application to asbestos mining. Journal of the Royal Statistical Society, Series A, 140(4), 469–491.

    打开出版物文献
    已复制。
  2. Mantel, N. (1973). Synthetic retrospective studies and related topics. Biometrics, 29(3), 479–486.

    打开 DOI 文献
    已复制。