Analytisk studiedesign

Question 1

Olika typer av epidemiologi

Answer 1

Olika typer av epidemiologi

1. Deskriptiv epidemiologi: Studier som tar reda på … (Sjukdomar, livsstil, riskfaktorer OSV)
   Hur mår befolkningen?
2. Analytisk epidemiologi
   Vad orsakar att befolkningen mår som den gör?
3. Preventiv (interventiv) epidemiologi
   Effekter av prevention eller andra interventioner för att befolkningen ska må bättre.

Question 2

Läkemedelsepidemiologi

Answer 2

Läkemedelsepidemiologi

1. Deskriptiv läkemedelsepidemiologi
   Hur förskrivs och används läkemedel i befolkningen (T.ex. Beroende på ålder, kön, områden)?
2. Analytisk läkemedelsepidemiologi: Effekt och biverkan av LM
   Varför ser läkemedelsanvändningen ut som den gör?
   ELLER
   Vilka positiva och negativa effekter får vi av läkemedel?
3. Preventiv (interventiv) läkemedelsepidemiologi: T.ex. vilken effekt har en utbildning för läkare för att förbättra läkemedelsanvändningen
   Effekter av interventioner för att förbättra läkemedelsanvändningen

Question 3

Studietyper:

Answer 3

Studietyper:
Kan man mäta?:
Nej —> Kvalitativ
Ja —> Kvantitativ

Bestämmer forskaren exponeringen?
Ja —> experimentell eller kvasiexperimentell (Som efterliknar experimentell studie), om det går att randomisera —> RCT. Om det inte går att randomisera —> CBA och ITS
Om forskaren inte bestämmer över exponeringen —> Observationell studie:
Ingen kontroll grupp —> Deskriptiv (Jämföra och beskriva) —> Tvärsnittsstudie (En snapshot) eller en ekologisk studie (Inte kopplade på individnivå)
Analytisk studie:
1- Kohort studie: Som utgår från exponeringen
2- Fall-kontroll studie: Där deltagare väljs för att de har ett visst outcome

Question 4

Analytiska studier:

Answer 4

Analytiska studier:
Alla dessa handlar om samband och kausalitet (Saker orsakar något). Där man under vissa fall kan välja att göra observationella studier för att, det inte etisk att göra randomisering på allt.

Question 5

Analytiska studier

Answer 5

Analytiska studier

• Ger svar på Hur, Varför
• kunskap om etiologi = orsak till sjukdomen/läkemedelsanvändningen eller effekter av sjukdomen/läkemedlen
• kunskap om bidragande orsaker (interaktion)
• kunskap om störfaktorer (confounding): Som hänger ihop med exponering och utfall
• Kräver en design som möjliggör studier av samband mellan exponering och utfall: Denna studie kräver en jämförelse grupp och tidssamband

Question 6

DAG diagram:

Answer 6

DAG diagram: Används för att visa hur olika sjukdomar hänger ihop. Detta diagram visar sambandet mellan användningen av antidepressiva LM under graviditet och barnets tillväxt. Om antidepressiva LM leder till dåligt tillväxt, men det finns andra faktorer som kan leda till att ett barn får försämrad tillväxt:
1- Depression leder till att antidepressiva LM används och även till minskad vikt för barnet som leder till sämre tillväxt.
2- Därmed uppkommer depression innan förlossningen och efter förlossningen
3- LM:et påverkar BMI —> Missbildningar
4- SES (Socioekonomi, utbildningsnivå) Påverkar barnets tillväxt
Alltså om man bara tar hänsyn till två faktorer (Antidepressiva LM och barnets tillväxt) blir det fel.

Question 7

Analytiska studier kan delas in i:

Answer 7

Analytiska studier kan delas in i:
* Kohortstudier (cohort studies)
* Fall-kontrollstudier (case-control studies)
* Case cross-over studier

Question 8

Kohortstudie:

Answer 8

Kohortstudie: En enkel studie
* Personer som inte haft sjukdomen (utfallet) väljs ut, studieobjekten definieras efter exponering, en kontrollgrupp matchas fram och de följs över tid
* Beräkning av absolut och relativ risk (Utfallsmått): Man kan räkna absoluta risken att drabbas av biverkningar om man är exponerad. Samt absoluta risken att drabbas av biverkningar om man är icke-exponerad och därefter delar man på varandra och få reaktiv risk som effekt mått
* Outcome jämförs mellan grupperna
* Liknar en RCT, men ingen randomisering: (Det är verklighet)!!!

Question 9

Exempel på kohortstudie

Answer 9

Exempel på kohortstudie
Unga friska mellan 18-40 år ålder kom till akutmottagningen med bröst smärta. Antal deltagare är 150 personer. Man samlade på blodprover och olika undersökningar. Inga hjärt-kärl sjukdomar bevisades. 25 år senare, vad har hänt?

Jo, 150 patienter, slumpades ut för att utgöra kontrollgruppen (De bodde i samma kommun och lika gamla under den tiden). 25 år senare? Kontrollen som var slumpat ut hade även samma ålder och könsfördelning.

Men socioekonomiska variabler är olika (Färre hög utbildade i den exponerade gruppen).
Man kunde därför ta slutsats att den exponerade gruppen (som kom till akuten för 25 år sedan) har använt sig mer av antidepressiva LM, sömn medel, mycket mer LM än kontroll gruppen, man kan räkna oddskvoten men även relativa risken.
Patient grupp (som kom till akuten) hade lägre inkomst och var utländska, därför justerade man för dessa variabler, detta görs oftast för att undvika confounding. Oddskvot är inte alltid signifikant (Då den skär 1) för att lite antal observationer.

Question 10

Exempel på kohortstudie: Samband

Answer 10

Exempel på kohortstudie: Samband mellan behandlingen av protonpumpshämmare och njursvikt

Question 11

Orsaker till databaser skapades, är

Answer 11

Orsaker till databaser skapades, är att:
I vissa kliniska prövningar eller forskningsstudier kan man välja att exkludera vissa grupper av människor för att minimera risken för oönskade effekter eller allvarliga komplikationer i studiepopulationen. Men det finns risk att viktig information om dessa patientgrupper försummas.

Question 12

Scream databas:

Answer 12

Scream databas: Har studerat alla stockholmare. Där man kunde ta slutsats att 68% av vuxna i befolkningen finns i databasen. Men 99% var diagnoserada med CVD (hjärt-kärlsjukdomar) och DM (diabetes) som ingick i databasen för att där mäter man njurfunktionen.

Att inkludera dessa 99% av de med hjärt-kärlsjukdomar och diabetes kan vara motiverat om syftet är att undersöka eller övervaka njurefunktionen hos dessa patientgrupper.

Question 13

Scream databasen: Kopplar ihop

Answer 13

Scream databasen: Kopplar ihop data från inköps register, hälsosjukvård register, nationella, socioekonomiska register, befolkningsregister (Om man flyttar ut och in och om man lever, graviditet register OSV, där allt är anonymiserat

Question 14

Planera en kortstudie

Answer 14

Planera en kortstudie

1. Definiera studiepopulation
   - totala populationen, stickprov eller särskild grupp?
   - Varken den exponerade gruppen och kontrollgruppen ska ha sjukdomen (utfallet)
2. Ta fram data om exponering
   - primär eller sekundär datainsamling: Enkäter om man inte har primärdata
3. Definiera jämförelsegrupp
   - Grupperna ska vara jämförbara
   - matchning för att hantera confounding?
4. Definiera uppföljningstid, ta fram data för outcome: Undersöka hur länge ska man följa upp populationen.
5. Analysera resultat
   - beräkna absolut och relative risk
   - hantera confounding med multivariatanalys: Via exempelvis coxregression: Cox-regression är verktyget för att ta hänsyn till confounding-effekter när man utför analys.

Question 15

Olika typer av risk:

Answer 15

Olika typer av risk:

1- Absolut risk (samma som kumulativ incidens) = Antalet som utvecklar utfallet under en tidsperiod / Antal personer som följs upp under tidsperioden.

2- Relativ risk (RR) = Incidensen hos de exponerade / incidensen hos de oexponerade

3- Attributrisk = Riskskillnad = incidensen i exponerad grupp - incidensen i oexponerad grupp

Question 16

A & O är att formulera en tydlig och bra fråga!

Answer 16

A & O är att formulera en tydlig och bra fråga!

PICO: Med alla studier är det viktigt att ha bra fråga. Men särskilt för analytiska studier
P - who are the patients or what’s the problem? = Patient = population
I(E) - what is the intervention or exposure? = Exponering
C – what is the comparison group? = Kontrollgrupp
O - what is the outcome or endpoint? = Outcome/utfall

Question 17

More on PICO

Answer 17

More on PICO

Patients
* disease or condition
* stage, severity
* demographic characteristics (age, gender, etc.)

Intervention
* type of intervention or exposure
* dose, duration, timing, route, etc.

Comparison
* risk or treatment
* No treatment or other active treatment

Outcome
* frequency, risk, benefit, harm
* dichotomous or continuous
* type: mortality, morbidity, quality of life, etc

Question 18

Fall-kontroll studie

Answer 18

Fall-kontroll studie
* Studieobjekten definieras efter outcome
* Exponering definieras retrospektivt och jämförs mellan grupperna
* Om exponeringen vanligare hos fallen – association – “Odds ratio”

Man definierar populationen utifrån outcome/utfall (T.ex. De som lider av en viss biverkan samlas som är fall) och då letar man efter kontroll (Som inte lider av denna biverkan).

Question 19

Ex: Studie om samband mellan antidepressiva LM

Answer 19

Ex: Studie om samband mellan antidepressiva LM och självmord. Frågeställningen är: förebygger eller orsakar antidepressiva LM självmord? De som pågår självmord beror på dålig följsamhet???
Discontinuations (Diskontinuerlighet) är den variabel man studerar för att se om dessa deltagare har avslutat behandlingen.
För att adjusted OR för denna variabel = 1.0 —> Ingen skillnad i avslutad behandling. Självmord beror alltså inte på avslutad behandling, utan det är annat som gör att folk pågår självmord.

OBS! Man föredrar kohort för att det är lätt att förmedla risk.

Question 20

Kohort vs Fallkontrollstudie

Answer 20

Kohort vs Fallkontrollstudie

Kohortstudie:
Fördelar:
1- Man kan beräkna absoluta risken: För att man känner till antal som behandlas
2- Etablera tidssamband: För att studera hur lång tid det tar från LM exponering tills biverkan uppkommer
3- Kan mäta multipla utfall: Många olika biverkningar kan mätas.
Nackdelar:
1- Bortfall: T.ex. Att man inte svarar på enkäter
2- Stora studier krävs vid ovanliga sjukdomar: För att hitta folk med denna sjukdom

Fall-kontrollstudie:
Fördelar:
1- Vid ovanliga sjukdomar: För att man utgår från fall (De med sjukdomen)
2- Färre studiedeltagare krävs
3- Multipla exponeringar
Nackdelar:
1- Svårt att välja kontrollgrupp
2- Stor risk för recall-bais: Minnes fel. Folk lättare kommer ihåg behandling om de fick en biverkan.

Question 21

Kan det finnas fler möjligheter…

Answer 21

Kan det finnas fler möjligheter…
* Att hitta en kontrollgrupp som är så lika som möjligt vad gäller samsjuklighet, läkemedelsanvändning, miljöfaktorer, gener, attityder….?
* Om man är sin egen kontroll?

Cross over studier funkar genom att man koller på händelse under en individens liv. Man jämför alltså samma person under olika perioder i livet

Question 22

Case cross-overstudie

Answer 22

Case cross-overstudie

• Patienterna är sin egen kontroll. Riskperiod jämförs med en eller flera slumpade lika långa perioder
• Lägre risk för confounding: För att man studerar samma individ, med samma gener, föräldrar och variabler.
• Lämpligt för akuta sjukdomar/händelser och exponeringar som ändras över tid
• Problem med kroniska sjukdomar: T.ex. Diabetes, där man har varit sjuk under hela sitt liv.
• Stor risk för recall bias (när data insamlas från patienten)
• Val av tidsperioder viktigt

Question 23

Problem med läkemedelsepidemiologiska studier

Answer 23

Problem med läkemedelsepidemiologiska studier

Deskriptiva studier
* Validitet
* Generaliserbarhet

Analytiska studier
* Slumpvariation: På grund av få patienter
* Bias (systematiska fel)
* Confounding (störfaktorer)

Publiceringsbias

Question 24

Systematiska fel (bias):

Answer 24

Systematiska fel (bias): Inbyggt fel i studiedesignen

Selektionsfel (selection bias): Att man valt ut fel personer ger fel slutsats. Att exkludera vissa grupper av individer, särskilt om de som har avlidit på grund av läkemedelsbehandling inte inkluderas, kan öka risken för bias och snedvridning i resultaten.
* Kontrollerna (och/eller fallen) har valts på ett sådant sätt att de inte är representativa för individer med, respektive utan utfallet i källpopulationen

Informationsfel (information bias/misclassification): Inkluderat rätt patient, men fel data.
Om båda exponerade grupp och oexponerade grupp har samma fel —> (Icke-differential)
Om olika fel för båda grupperna —> blir det allvarligt (Differential), det är därför bra att välja fall och kontroll från samma data källa
* Informationen angående exponeringen och/eller utfallet är felaktig
* Kan vara samma (non-differential) eller olika (differential) fel för fall & kontroller

Question 25

Selektionsfel: kan vara på grund av:

Answer 25

Selektionsfel: kan vara på grund av:
* Felaktigt utvalda fall
* Felaktigt utvalda kontroller
* Dålig svarsfrekvens

Question 26

Informationsfel: Kan vara på grund av:

Answer 26

Informationsfel: Kan vara på grund av:
* Skillnaden mellan förskrivning-utköp-användning (dålig följsamhet): Exponeringen. Inte alla som köper LM blir exponerade av LM:et, de kanske inte tar LM (Problem med följsamhet)
* Läkemedel som saknas: De kanske behandlas med LM, men det ses inte i register (T.ex. Cancer behandling för att de behandlas på sjukhus)
- tex OTC, internetköp, låna av någon, anv. på sjukhus
* Datakvalitet (felaktiga registreringar): På grund av t.ex. minnesfel
* Data saknas
* Minnesfel (recall bias)
* Underdiagnosticering
* Överdiagnosticering

Man måste därför göra validering och sensitivt analys

Question 27

Confounder (störfaktor)

Answer 27

Confounder (störfaktor)
* En tredje faktor förklarar hela eller delar av sambandet mellan exponeringen och utfallet.
En förväxlingsfaktor påverkar både exponeringen och utfallet, utan att vara en länk i ett orsakssamband mellan exponeringen och utfallet.
* Kan vara positiv (Att den ökar på sambandet) eller negativ (Att den minskar på sambandet)

Question 28

T.ex: p-piller

Answer 28

T.ex: p-piller ökar risk för hudcancer, men i detta fall har vi ålder som confounder.
T.ex: Yngre som solar och tar p-piller och får cancer. Man ritar en DAG diagram.

Question 29

Grafen ovan visar en kumulativ incidens:

Answer 29

Grafen ovan visar en kumulativ incidens: Grafen visar att de som behandlas med statiner har en risk ökningen med 109% jämfört med de som inte får statin. Det beror på confounder.

När man har inkluderat 50 olika faktorer med i sin analys såsom andra LM, rökning: Visade det sig att de som inte får statiner har högre risk att få hjärtinfarkt. Man får riskreduktion med statin alltså. Det är viktigt att inkludera confounder och hantera den för rätt slutsats

Question 30

Icke-jämförbara grupper

Answer 30

Icke-jämförbara grupper (confounding) – en typ av selektionsbias

• alltid ett problem i observationsstudier
• det finns alltid en anledning till exponering!
  – confounding by indication

Möjliga sätt att hantera icke-jämförbarhet

• I uppläggningen a/ restriktion; b/ matchning; c/ jämförelse med användare av läkemedel med samma indikation; c/(randomisering)
• I analysen a/ standardisering; b/ stratifiering, c/ multivariatanalys

Restriktion: Restriktion innebär att begränsa studiepopulationen genom att inkludera eller exkludera vissa grupper.

Matchning: Försöka få kontroller som är liknade exponerade gruppen som möjligt.
och randomisering (om det går) men inte alltid etisk och lämplig.

I analysen kan man ta hänsyn till:
Standardisering: Standardisering är en statistisk metod som används för att justera eller jämföra olika grupper genom att kontrollera för skillnader i vissa variabler, men inte alltid lätt om man har många variabler.
Stratifiering: Att man delar upp populationen i subgrupper
Oftast gör man multivariatanalys, där man tar hänsyn till båda ovan.

Question 31

Analytiska studier hamnar

Answer 31

Analytiska studier hamnar lägre än RCT, på grund av confounders. Men högre än tvärsnittsstudier för att tvärsnittsstudier inte har analytisk design och man kan därför inte följa före och efter.