Этот пост также доступен в: испанский

Какие парни, эти римляне! Они пришли, они увидели и победили. С этими легионами, у каждого по десять когорт, в каждой когорте почти пятьсот римлян с юбками и сандалиями на бретелях. Когорты были группами солдат, которые были в пределах досягаемости речи одного и того же босса. Они всегда шли вперед, никогда не отступая. Вот как вы можете победить Галлию (хотя и не совсем, как известно).

В эпидемиологии когорта - это также группа людей, которые разделяют что-то, но вместо того, чтобы быть бранью босса, это воздействие фактора, который изучается с течением времени (ни юбка, ни сандалии не важны). Таким образом, когортное исследование - это тип наблюдательного, аналитического плана, направленности антероградной области и одновременной или смешанной временной зависимости, который сравнивает частоту, с которой происходит определенный эффект (обычно заболевание) в двух разных группах (когортах), одна из которых подверглась воздействию. одному фактору, а другой не подвержен воздействию одного и того же фактора (см. прилагаемый рисунок).

Поэтому выборка связана с воздействием фактора. Обе когорты изучаются с течением времени, поэтому большинство когортных исследований являются проспективными или сопутствующими временными (они идут вперед, как римские когорты). Тем не менее, можно провести ретроспективные когортные исследования, как только воздействие и эффект произошли. В этих случаях исследователь определяет экспозицию в прошлом, реконструирует опыт когорты с течением времени и в настоящее время следит за появлением эффекта, поэтому они представляют собой исследования смешанной временной зависимости.

Мы также можем классифицировать когортные исследования в зависимости от того, используют ли они внутреннюю или внешнюю группу сравнения. Иногда мы можем использовать две внутренние когорты, принадлежащие к одной и той же общей популяции, классифицируя субъектов в той или иной когорте в соответствии с уровнем подверженности фактору. Однако в других случаях экспонируемая когорта будет интересовать нас из-за ее высокого уровня воздействия, поэтому мы предпочтем выбрать внешнюю когорту субъектов, не подвергавшихся воздействию, для сравнения между ними.

Другим важным аспектом при классификации когортных исследований является время включения субъектов в исследование. Когда мы выбираем только те предметы, которые соответствуют критериям включения в начале исследования, мы говорим о фиксированной когорте, тогда как мы будем говорить об открытой или динамической когорте, когда субъекты продолжают входить в исследование в течение всего периода наблюдения. Этот аспект будет важен, как мы увидим позже, при расчете показателей связи между воздействием и эффектом.

Наконец, для любопытства мы также можем провести исследование с одной когортой, если мы хотим изучить заболеваемость или развитие определенного заболевания. Несмотря на то, что мы всегда можем сравнить результаты с другими известными данными по населению в целом, в этом типе конструкций отсутствует группа сравнения в строгом смысле, поэтому она включена в продольные описательные исследования.

При последующем наблюдении когортные исследования позволяют нам рассчитать частоту возникновения эффекта между незащищенными и незащищенными, рассчитывая из них ряд мер ассоциации и конкретных мер воздействия.

В исследованиях с закрытыми когортами, в которых число участников не изменяется, мера ассоциации относительный риск (RR), который представляет собой соотношение между частотой облучения (Ie) и неэкспонирования (I0): RR = Ie / I0.

Как известно, RR может иметь значение от 0 до бесконечности. RR = 1 означает, что нет никакой связи между воздействием и эффектом. RR <1 означает, что воздействие является фактором защиты от воздействия. Наконец, ОР> 1 указывает на то, что воздействие является фактором риска, тем больше значение ОР.

Случай исследований с открытыми когортами, в которых участники могут входить и выходить во время последующего наблюдения, является немного более сложным, поскольку вместо инцидентов мы будем рассчитывать плотности заболеваемости, термин, который относится к числу случаев эффекта или заболевания, которые они происходят в зависимости от количества людей, за которыми следует каждый последующий период наблюдения (например, число случаев на 100 человеко-лет). В этих случаях вместо RR мы вычислим коэффициент плотности заболеваемости, который является частным от плотности заболеваемости в экспозиции, деленной на плотность в незащищенности.

Эти меры позволяют нам оценить силу связи между воздействием фактора и эффектом, но они не информируют нас о потенциальном воздействии, которое воздействие оказывает на здоровье населения (эффект, который устранение этого фактора будет иметь на здоровье населения). Для этого нам придется прибегнуть к мерам атрибутивного риска, который может быть абсолютным или относительным.

Существует два абсолютных показателя атрибутивного риска. Первый - это атрибутивный риск в подверженном состоянии (ARE), который представляет собой разницу между частотой в подверженных и не подвергшихся воздействию и представляет количество случаев, которые можно отнести к фактору риска в подверженных. Второе - это атрибутивный риск для населения (PAR), который представляет количество случаев, которое можно отнести к фактору риска в общей популяции.

С другой стороны, есть также два относительных показателя атрибутивного риска (также известные как пропорции или атрибутивные или этиологические доли). Во-первых, относимая доля в подверженных (AFE), которая представляет собой разницу риска по отношению к заболеваемости в группе подверженных воздействию фактора. Во-вторых, относительная доля населения (PAF), которая представляет собой разницу в риске относительно заболеваемости в общей популяции.

В прилагаемой таблице вы можете увидеть формулы, которые используются для расчета этих мер воздействия.

Проблема этих мер воздействия заключается в том, что иногда врачу может быть трудно их интерпретировать. По этой причине, и вдохновленный расчетом количества, необходимого для лечения (NNT) клинических испытаний, был разработан ряд мер, называемых числами воздействия, которые дают нам более прямое представление о влиянии фактора воздействия на заболевание. , в учебе. Эти цифры воздействия - это число воздействий в подвергшихся воздействию (NIE), количество воздействий в случаях (NIC) и количество воздействий в открытых случаях (NIEC).

Давайте начнем с самого простого. NIE будет эквивалентом NNT и будет рассчитываться как обратная величина снижения абсолютного риска или разности рисков между незащищенными и незащищенными. NNT - это количество людей, которых следует лечить, чтобы предотвратить случай, по сравнению с контрольной группой. NIE представляет собой среднее число людей, которые должны подвергаться воздействию фактора риска, чтобы произошел новый случай заболевания, по сравнению с людьми, которые не подвергались воздействию. Например, NIE, равное 10, означает, что из каждых 10 подвергшихся воздействию будет случай заболевания, связанный с изученным фактором риска.

NIC является обратной величиной к PAF, поэтому она определяет среднее количество больных людей, среди которых случай связан с фактором риска. Значение NIC 10 означает, что на каждые 10 пациентов в популяции один относится к исследуемому фактору риска.

Наконец, NIEC является инверсией AFE. Это среднее число пациентов, среди которых случай связан с фактором риска.

Таким образом, эти три параметра измеряют влияние воздействия среди всех подвергшихся воздействию (NIE), среди всех пациентов (NIC) и среди всех пациентов, подвергшихся воздействию (NIEC). Нам будет полезно попытаться рассчитать их, если авторы исследования не сделают этого, поскольку они дадут нам представление о реальном влиянии воздействия на эффект. Во второй таблице я покажу вам формулы, которые вы можете использовать для их получения.

Как кульминация предыдущих трех, мы могли бы оценить влияние воздействия на всю популяцию, рассчитав количество воздействий на популяцию (NIP), для которых мы должны сделать только обратное ARP. Таким образом, НПВ 3000 означает, что на каждые 3000 субъектов населения будет случай заболевания из-за воздействия.

Другим аспектом, который мы должны учитывать при работе с когортными исследованиями, является их риск предвзятости. В целом, обсервационные исследования имеют более высокий риск предвзятости, чем экспериментальные, а также подвержены влиянию мешающих факторов и переменных, влияющих на изменение.

Смещение выбора должно всегда учитываться, так как оно может поставить под угрозу внутреннюю и внешнюю достоверность результатов исследования. Эти две когорты должны быть сопоставимы во всех аспектах, в дополнение к тому, что они представляют население, из которого они происходят.

Другим очень типичным смещением когортных исследований является систематический уклон, который возникает, когда ошибочная классификация участников проводится с точки зрения их воздействия или обнаружения эффекта (в основном, это просто еще одно информационное смещение). , Смещение классификации может быть недифференцированным, когда ошибка возникает случайно независимо от переменных исследования. Этот тип систематической ошибки в пользу нулевой гипотезы, то есть нам трудно обнаружить связь между воздействием и эффектом, если он существует. Если, несмотря на предвзятость, мы обнаруживаем связь, то ничего плохого не произойдет, но если мы ее не обнаружим, мы не узнаем, существует ли она или не видим ее из-за плохой классификации участников. С другой стороны, классификационная погрешность является дифференциальной, когда выполняется по-разному между двумя когортами и имеет отношение к некоторым переменным исследования. В этом случае нет прощения или возможности внесения поправок: направление этого смещения непредсказуемо и смертельно подрывает достоверность результатов.

Наконец, мы всегда должны осознавать возможность смещения путаницы (из-за смешанных переменных) или смещения взаимодействия (из-за переменных, модифицирующих эффект). Идеальным является предотвращение их на этапе проектирования, но не является лишним контролировать путаницу на этапе анализа, главным образом посредством многослойного анализа и многомерных исследований.

И этим мы подходим к концу этого поста. Таким образом, мы видим, что когортные исследования очень полезны для расчета связи и воздействия между эффектом и воздействием, но, осторожно, они не служат для установления причинно-следственных связей. Для этого необходимы другие виды исследований.

Проблема с когортными исследованиями заключается в том, что их трудно (и дорого) выполнить адекватно, часто требуются большие выборки и иногда длительные периоды наблюдения (с последующим риском потерь). Кроме того, они не очень полезны при редких заболеваниях. И мы не должны забывать, что они не позволяют нам устанавливать причинно-следственные связи с достаточной безопасностью, хотя по этой причине исследования типа «случай-контроль» лучше, чем их двоюродные братья, но это уже другая история…

Похожие