F4/F9: Observationelle studier: Kohorte-, Case-kontrol- og tværsnitsstudier Flashcards
F4) Kunne beskrive forskellige typer af kohortestudier.
Kohorte: En gruppe af individer, som man følger i en periode, med hensyn til et eller andet forhold → Prospektivt/Retrospektivt.
Typer
1. Prospektivt kohortestudie
Starter i nutiden → følger deltagerne fremad i tid
Data om eksponering indsamles før sygdom opstår
Høj kvalitet, men dyrt og tidskrævende
- Retrospektivt kohortestudie
Starter med eksisterende data (fx fra journaler)
Både eksponering og sygdom er allerede sket
Hurtigere og billigere, men kræver gode dataregistre - Ambispektivt kohortestudie (mixed design)
Kombinerer retrospektive og prospektive elementer
Starter med tidligere data og fortsætter med ny dataindsamling fremadrettet
Evt: 🧬Nested Case-Control Studie → Se notion eller under case-control studier (F9) :)
🧑🤝🧑 Andre underinddelinger
4. Åbne vs. lukkede kohorter
Lukket kohorte: Fast gruppe, alle rekrutteres på samme tidspunkt og følges ens
Åben kohorte (dynamisk): Nye deltagere kan inkluderes løbende, fx i befolkningsregistre
- Befolkningsbaseret vs. klinisk kohorte
Befolkningsbaseret: Udvælges fra den generelle befolkning
Klinisk kohorte: Udvælges fx blandt patienter med en bestemt sygdom (bruges ofte i prognosestudier)
F4) Kunne beskrive typiske kilder til bias i kohortestudier (herunder selektionsbias → Fx ved anvendelse af værktøjet ROBINS-I).
Kohortestudier er observationelle, så de er særligt sårbare over for bias og confounding, fordi der ikke er randomisering.
- Selektionsbias
Når udvælgelsen af deltagere fører til systematiske forskelle mellem grupper.
Eksempler:
Kun raske/ressourcestærke deltager i opfølgningen.
Differential loss to follow-up: Hvis syge deltagere falder fra oftere i eksponeringsgruppen.
I ROBINS-I:
→ Bias due to selection of participants into the study
F4) Kunne beskrive effektmodifikation
Effektmodifikation (Effect modification / Interaction)
Når effekten af en eksponering varierer afhængigt af niveauet af en tredje variabel.
Det er ikke en bias eller fejl, men noget man skal undersøge aktivt, fx ved stratificering eller interaktionsled i regression.
Eksempel:
En behandling virker bedre hos yngre end ældre → alder modificerer effekten af behandlingen.
Tegn på effektmodifikation:
Forskellig effekt (RR, OR etc.) i undergrupper.
Husk:
Det er klinisk interessant, og skal rapporteres, ikke kontrolleres væk.
F4) Kunne beskrive immortal time bias
🕒 Immortal Time Bias
Opstår når deltageren skal overleve et stykke tid (immortal time), før de kan få eksponeringen – og denne “overlevelse” ikke håndteres korrekt i analysen.
Konsekvens:
→ Eksponerede grupper ser kunstigt sundere ud.
Eksempel:
Et studie undersøger, om statiner nedsætter dødelighed efter AMI:
Hvis man klassificerer patienter som “statinbehandlet”, hvis de på noget tidspunkt får statiner – men ikke regner tiden før behandling som “ubehandlet” – så får man immortal time bias.
For at få statin, skal man overleve til det tidspunkt, og denne overlevelse “tæller” utilsigtet som effekt.
Hvordan undgås det?
Brug time-dependent exposure models (fx Cox med time-varying covariates) eller korrekt starttidspunkt.
F4) Kunne beskrive confounding by indication
💉 Confounding by indication
Når årsagen til behandlingsvalg også påvirker udfaldet.
Typisk problem i studier af lægemidler – patienter får behandling netop fordi de er mere syge, og det forveksles med behandlingseffekt.
Eksempel:
Man undersøger, om morfin øger dødelighed hos palliative patienter.
→ Morfin gives ofte til de mest syge → højere dødelighed skyldes ikke morfin, men sygdommens sværhedsgrad.
Hvordan kontrolleres det?
Justering for sygdomsgrad
Matching
Brug af propensity score
(eller helst: RCT)
F4) Kunne diskutere hvordan man kan minimere og håndtere bias i design og analyse af kohortestudier
- Brug af ACNU-desin (Se notion/andet flashcard for mere info)
- Kun inklusion af nye brugere → Man undgår “Prelavent user bias”
- Aktiv comparator modvirker confounding by indication.
- Ens “tid-nul” i begge grupper.
Andre muligheder for minimering
- (Randomisering) (I interventionsstudier)
- Matching (Fx på alder, køn, sygdomsgrad)
- Stratificering (Analysedel)
- Regressionsanalyse (Analysedel)
F4) Diskuter hvordan man kan minitere og håndtere bias i design og analyse af kohortestudier? Forklar her ACNU-design?
Active Comparator New User (ACNU) Cohort Study
ACNU står for:
A = Association med eksponeringen
C = Causalitet ift. udfaldet
N = Not on the causal pathway
U = Unevenly distributed (skævt fordelt mellem grupper).
- Forebygger confounding by indication.
- Sikrer sig korrekt tid-nul.
- EtACNU-studieer en typeobservationskohortestudie, der anvendes særligt ilægemiddelovervågning og farmakoepidemiologitil at evaluereeffekter eller bivirkninger af lægemidleri virkelige kliniske settings.
📌Bestanddele i betegnelsen:
-
New User (ny bruger)
- Inkluderer kunpersoner, der starter på en behandling for første gang(dvs. ekskluderer dem, der allerede er i behandling).
- Dette hjælper med at undgå“prevalent user bias”, hvor man ellers ville inkludere personer, der allerede har haft nytte eller skade af behandlingen og dermed ikke repræsenterer den oprindelige risikopopulation.
-
Active Comparator (aktiv kontrol)
- I stedet for at sammenligne lægemidlet med ingen behandling eller placebo, sammenligner man med enanden aktiv behandling, der bruges til samme indikation.
- Dette hjælper med at reducereconfounding by indication, fordi begge grupper har samme behandlingsbehov.
🧠Eksempel:
Man vil undersøge risikoen for hjerteanfald ved brug af to diabetesmediciner:
- Gruppe A: Nye brugere afGLP-1 receptor agonist
- Gruppe B: Nye brugere afSGLT2-hæmmer
Begge grupper har diabetes og har fået ordineret et lægemiddel mod det, men man sammenligneraktivt to behandlinger og inkluderer kun dem, derstarter behandlingen, ikke dem der har været i gang i lang tid.
✅Fordele ved ACNU-design:
- Reducererbiasfra tidligere behandling (prevalent user bias)
- Reducererconfounding by indication
- Givermere realistisk og etisk relevant sammenligning, fordi begge grupper får aktiv behandling
F4) Kunne beskrive typiske kilder til bias i kohortestudier: Confounding fx ved anvendelse af værktøjet ROBINS-I).
- Confounding
Når en tredje faktor påvirker både eksponeringen og udfaldet → forvansker sammenhængen.
Eksempler:
Alder, køn, socioøkonomi, komorbiditet.
Fx: Sammenhæng mellem kaffe og hjerte-kar-sygdom kan være confounded af rygning.
I ROBINS-I:
→ Bias due to confounding
F4) Kunne beskrive typiske kilder til bias i kohortestudier: Informationsbias fx ved anvendelse af værktøjet ROBINS-I).
- Informationsbias
Når data om eksponering eller udfald er systematisk fejlagtige.
Eksempler:
Dårlig måling af eksponering (fx selvrapporteret kost/rygning).
Udfaldsbedømmelse påvirket af kendskab til eksponering → Observer bias
I ROBINS-I:
→ Bias in measurement of interventions or outcomes
Misklassifikation (Undertype af informationsbias)
En form for informationsbias, hvor eksponering eller udfald fejlklassificeres.
🔹 To typer af misklassifikation:
- Ikke-differentiel misklassifikation
Fejlklassifikation sker ligeligt i alle grupper (uafhængig af eksponering/udfald).
Konsekvens:
→ Bias mod nulhypotesen (dvs. man undervurderer en reel sammenhæng).
Eksempel:
Alle deltagere har svært ved at huske, hvor meget alkohol de drikker – uanset om de fik sygdom eller ej. - Differentiel misklassifikation
Fejlklassifikation er systematisk forskellig mellem grupper.
Konsekvens:
→ Kan føre til over- eller undervurdering af effekten – meget mere alvorligt.
Eksempel:
Personer med sygdom husker eller rapporterer deres tidligere eksponering anderledes end raske (fx husker mere alkoholforbrug, fordi de prøver at finde en årsag → recall bias).
F4) Kunne beskrive typiske kilder til bias i kohortestudier: Rapporteringsbias fx ved anvendelse af værktøjet ROBINS-I).
- Rapporteringsbias (Reporting bias)
Når resultater selektivt rapporteres.
Eksempler:
Kun signifikante eller “positive” resultater offentliggøres.
Udvælgelse af favorable analysemetoder.
I ROBINS-I:
→ Bias in selection of the reported result
F4) Hvad er ROBINS-I værktøjet?
🛠️ ROBINS-I-værktøjet (Risk Of Bias In Non-randomised Studies – of Interventions)
ROBINS-I vurderer risiko for bias i 7 domæner:
Confounding
Udvælgelse af deltagere
Klassificering af intervention
Afvigelser fra planlagt intervention
Manglende data
Måling af udfald
Valg af rapporterede resultater
Hvert domæne vurderes som:
Lav risiko
Moderat risiko
Alvorlig risiko
Kritisk risiko
Ingen information
📚 Eksempel:
Et kohortestudie undersøger, om fysisk aktivitet reducerer risikoen for depression.
→ Selektionsbias opstår, hvis kun sunde og motiverede personer deltager.
→ Confounding, hvis socioøkonomisk status ikke justeres for.
→ Informationsbias, hvis depression måles ved selvrapportering og ikke klinisk vurdering.
→ Rapporteringsbias, hvis kun signifikante resultater publiceres.
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie).
📘 Design af case-kontrol studie:
🔑 Grundstruktur:
Udvælgelse af cases:
Personer, der har den sygdom eller tilstand, der undersøges.
Cases skal være veldefinerede og repræsentative for den sygdom, man undersøger.
Udvælgelse af controls:
Personer uden sygdommen, men som ligner cases så meget som muligt i øvrigt (alder, køn, socioøkonomisk status).
Kontrollerne skal være repræsentative for den samme population, som cases kommer fra.
Sammenligning af eksponering:
Man ser på eksponeringen for en risikofaktor (fx rygning, ernæring, miljøpåvirkninger) hos både cases og kontroller.
Dette kan gøres ved at interviewe deltagerne, bruge medicinske journaler, spørgeskemaer, etc.
Analyser:
Oftest anvendes odds ratio (OR) til at måle styrken af associationen mellem eksponeringen og sygdommen.
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie). (Her besvarelse af nested case-kontrol studie)
- Nested Case-Kontrol Studie
Et nested case-kontrol studie er en variation af case-kontrol designet, som foregår inden for en større kohorte, som allerede er blevet fulgt over tid. I stedet for at vælge cases og kontroller fra hele befolkningen, vælger man dem fra den eksisterende kohorte.
✅Fordele:
Mindre selektionsbias: Eftersom både cases og kontroller stammer fra samme kohorte, kan det give et mere præcist billede af eksponeringen.
Billigere og hurtigere: Der er allerede indsamlet data, som kan bruges til at udvælge cases og kontroller.
Eksempel:
Du har en stor kohorte, der er blevet fulgt i flere år. Når du opdager, at nogle i kohorten udvikler en sygdom (cases), vælger du kontroller fra den samme kohorte (de, der ikke udvikler sygdommen).
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie). (Her besvarelse af hvad et klassisk case-kontrol studie indeholder + fordele)
- Klassisk Case-Kontrol Studie
I et klassisk case-kontrol studie udvælges cases og kontroller uafhængigt af hinanden fra to separate grupper (cases fra sygdomspopulationen og kontroller fra en ikke-sygdomspopulation).
✅ Fordele:
Kan bruges til at studere sjældne sygdomme.
Hurtig og omkostningseffektiv.
❌ Ulemper:
Øget risiko for selektionsbias, hvis kontrollerne ikke er passende matchede med cases.
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie). (Her besvarelse af hvad et populationsbaseret case-kontrol studie indeholder + fordele)
I et population-baseret case-kontrol studie udvælges både cases og kontroller fra den samme befolkningsgruppe (fx en by, region eller land). Dette minimerer risikoen for selektionsbias, fordi både grupper stammer fra samme kilder og har en højere sandsynlighed for at være repræsentative for den generelle befolkning.
✅Fordele:
Mindre selektionsbias.
Øget eksternt validitet (resultaterne kan generaliseres til befolkningen som helhed).
❌Ulemper:
Kan være dyrere og mere tidskrævende at organisere.
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie). (Her besvarelse af hvad et matched case-kontrol studie indeholder + fordele)
- Matched Case-Kontrol Studie
I et matched case-kontrol studie bliver hver case matchet med en eller flere kontroller, der ligner dem så meget som muligt på faktorer som alder, køn, og andre relevante faktorer (fx socioøkonomisk status). Matchningen hjælper med at kontrollere for confounding.
✅Fordele:
Kan reducere confounding ved at sikre, at cases og kontroller er meget ens i vigtige demografiske og sundhedsrelaterede faktorer.
Ulemper:
❌ Ulemper:
Svært at finde nøjagtige match for alle cases.
Hvis du ikke matcher korrekt, kan det introducere bias.
F9 - Kunne redegøre for designet af case-kontrol studier herunder beskrive forskellige variationer (fx nested case-kontrol studie). (Her besvarelse af hvad et case- crossover studie studie indeholder + fordele/ulemper)
- Case-Crossover Studie
Et case-crossover studie anvendes ofte til at undersøge akutte udfald og undersøge, hvordan en kortvarig eksponering kan udløse en sygdomshændelse. Her er en person både sin egen case og kontrol. Man sammenligner eksponeringen under perioden før sygdomshændelsen (case-periode) med eksponeringen i en kontrolperiode, hvor personen ikke er syg.
✅Fordele:
God til at studere akutte begivenheder (fx hjerteanfald, slagtilfælde).
Undgår selektionsbias, fordi hver person fungerer som sin egen kontrol.
❌ Ulemper:
Ikke egnet til at studere langvarige sygdomme eller kroniske tilstande.
F9 - Kunne diskutere typiske kilder til bias i case-kontrol studier (herunder selektionsbias, konfounding, informationsbias og rapporteringsbias, fx ved anvendelse af værktøjet ROBINS-I).
🔍 1. Selektionsbias
💡 Hvad er det?
Selektionsbias opstår, når udvælgelsen af cases og kontroller ikke er tilfældig og derfor ikke er repræsentativ for den population, som man ønsker at generalisere til. Dette kan føre til, at de resultater, man får, ikke afspejler den virkelige sammenhæng mellem eksponering og udfald.
🛠 Hvordan kan det håndteres?
Matching: Matching af cases og kontroller på relevante faktorer (fx alder, køn) kan hjælpe med at reducere selektionsbias.
Repræsentative grupper: Cases og kontroller skal udvælges fra den samme population, hvilket sikrer, at de er sammenlignelige.
Stratificering: Stratificer analysen på relevante faktorer (fx alder, køn) for at sikre, at resultaterne afspejler den ønskede sammenhæng på tværs af undergrupper.
🔍 2. Konfounding
💡 Hvad er det?
Konfounding opstår, når en tredje variabel er associeret med både eksponeringen og udfaldet, hvilket kan give et skævt billede af sammenhængen mellem eksponeringen og udfaldet. For eksempel kan en variabel som rygning være en konfounder, hvis den er forbundet med både eksponeringen (f.eks. alkoholforbrug) og sygdommen (f.eks. lungekræft).
🛠 Hvordan kan det håndteres?
Matching: Matching af cases og kontroller på konfounderende faktorer kan hjælpe med at kontrollere for konfounding.
Stratificering: Stratificer dataene efter konfounderen (fx efter alder, køn, socioøkonomisk status).
Multivariat analyse: Brug af multivariate regressionsmodeller til at justere for potentielle konfoundere, der kan påvirke resultatet.
🔍 3. Informationsbias
💡 Hvad er det?
Informationsbias opstår, når der er fejl i, hvordan data om eksponering eller udfald er blevet indsamlet. Det kan være, at cases og kontroller er blevet målt forskelligt, hvilket skaber skævhed i resultaterne.
Typer af informationsbias:
Recall bias: Deltagerne kan have svært ved at huske deres eksponering korrekt, hvilket kan føre til, at cases (som ofte er mere opmærksomme på deres sygdom) over- eller underdriver deres eksponering.
Misklassifikation: Fejl i at kategorisere eksponering eller udfald (fx fejlagtig diagnose eller eksponeringsmåling).
🛠 Hvordan kan det håndteres?
Objektive målinger: Brug af objektive målinger (fx laboratorietests, medicinske journaler) i stedet for selvrapportering, som kan være præget af recall bias.
Blinding: Hvis muligt, kan man anvende blindede dataindsamlere, så de ikke ved, om en deltager er case eller kontrol.
Validere data: Krydsvalidere data ved at sammenligne forskellige kilder (fx spørgeskemaer vs. medicinske journaler).
🔍 4. Rapporteringbias
💡 Hvad er det?
Rapporteringbias opstår, når der er en systematisk forskel i, hvordan resultaterne rapporteres, afhængig af hvilken gruppe deltagerne tilhører. For eksempel kan cases have en tendens til at rapportere mere om deres eksponering, mens kontrollerne kan have mindre motivation til at huske eller rapportere eksponeringen korrekt.
🛠 Hvordan kan det håndteres?
Standardisering af dataindsamling: Brug af en ensartet metode til dataindsamling, så både cases og kontroller rapporterer på samme måde.
Brug af flere datakilder: Når det er muligt, indsamles data fra flere kilder (fx spørgeskemaer og medicinske journaler) for at få et mere objektivt billede.
Blinding af dataindsamlere: Hvis forskeren ikke ved, om en deltager er case eller kontrol, kan det reducere bias i rapporteringen.
🧰 Værktøjet ROBINS-I
ROBINS-I (Risk of Bias In Non-randomized Studies – of Interventions) er et værktøj, der hjælper med at vurdere risikoen for bias i ikke-randomiserede studier, inkl. case-kontrol studier.
💡 Hvad vurderes?
Selektionsbias: Er der korrekt udvælgelse af deltagere? Er der skævhed i udvælgelsen af cases og kontroller?
Konfounding: Er der tilstrækkelig kontrol for konfounding? Er relevante konfoundere blevet justeret for?
Informationsbias: Er der forskel i, hvordan data om eksponering og udfald er blevet indsamlet?
Datalækage og Follow-up: Er der tabte deltagere, og hvordan håndteres det?
Rapporteringsbias: Er der systematisk forskel i, hvordan information rapporteres fra de to grupper?
F9 - Kunne diskutere typiske kilder til bias i case-kontrol studier → Kontrolselektion og kontrolbias!
💡 Hvad er kontrolselektion bias?
Kontrolselektion bias opstår, når der er en systematisk forskel i måden, hvorpå kontroller udvælges sammenlignet med cases, hvilket kan påvirke undersøgelsens resultater.
Hvis kontrolgruppen ikke er korrekt repræsenteret i forhold til cases, kan det føre til skæve vurderinger af sammenhængen mellem eksponering og sygdom.
- Tilsvarende fejltype findes ikke i kohortestudier.
Det sker fx når:
- Man vælger kontroller fra en gruppe, derhar en anden eksponeringsrate end baggrundsbefolkningen.
- Kontroller er for sunde, for syge, eller udvalgt på en måde, der hænger sammen med eksponeringen.
Typer af kontrolselektion bias:
- Selektionsbias på grund af ikke-repræsentative kontroller.
- Selektionsbias ved valg af kontroller baseret på sygdomsfaktorer.
- Overlevelsesbias.
F9 - Kunne diskutere fordele og ulemper ved observationelle studier overfor randomiserede forsøg (herunder typer af spørgsmål, bias, studie størrelse, generaliserbarhed, og omkostninger).
Større risiko for confounding i case kontrol studier i forhold til RCT, da der ikke sker en randomisering i case-kontrol studie. Der kan være en usammenlignelighed mellem eksponerede og eksponerede (Case-control). Det elimineres principielt ved randomisering (RCT). Skal håndteres i design eller analyse i case-control studier
Observationelle studier → Case control studier
Spørgsmålstype: Associationer og naturlige eksponeringer
Bias: Større risiko for bias (selektionsbias, konfounding)
Studiestørrelse: Kan være meget store, specielt ved brug af registre
Generaliserbarhed: Højere, da de afspejler virkelige forhold
Omkostninger: Relativt billige og hurtigere at gennemføre
Randomiserede forsøg
Spørgsmålstype: Kausalitet og effekt af interventioner
Bias: Lavere risiko for bias grundet randomisering
Studiestørrelse: Mindre, men kræver omhyggelig rekruttering og opfølgning
Generaliserbarhed: Lavere, da deltagerne kan være selekterede
Omkostninger: Dyre og tidskrævende
F9 - Kunne beskrive andre typer af observationelle studiedesign, herunder tværsnitsstudier (fx spørgeskema studier), økologiske studier og case-crossover-studier. HER TVÆRSNITSSTUDIE
- Tværsnitsstudier (Cross-sectional studies)
Et tværsnitsstudie er en type observationelt studie, hvor data indsamles på ét enkelt tidspunkt eller i en kort periode. Formålet er at måle prævalensen af en sygdom, tilstand eller eksponering i en befolkning på et givet tidspunkt.
Egenskaber:
Tidsramme: Data indsamles på ét tidspunkt (dvs. “snapshot”).
Formål: Bestemme prævalens (forekomsten) af en sygdom eller eksponering i en befolkning.
Dataindsamling: Spørgeskemaer, interviews, kliniske målinger eller eksisterende databaser.
Fordele:
Hurtigt og billigt at gennemføre.
Kan give et billede af, hvordan en sygdom eller eksponering ser ud i befolkningen på et givent tidspunkt.
Nemt at indsamle data om flere faktorer på samme tid.
Ulemper:
Kan ikke bestemme årsag-virkning, da det kun måler på ét tidspunkt, så kausalitet kan ikke fastslås.
Kan være udsat for selektionsbias, da deltagere ikke nødvendigvis er repræsentative for den brede befolkning.
Eksempel:
Et spørgeskema, der indsamler oplysninger om forekomsten af depression blandt voksne i en by, kan give et billede af, hvordan sygdommen er fordelt i denne befolkning på et givent tidspunkt.
F9 - Kunne beskrive andre typer af observationelle studiedesign, herunder tværsnitsstudier (fx spørgeskema studier), økologiske studier og case-crossover-studier. HER SPØRGESKEMA STUDIER
Et spørgeskema studie er en type tværsnitsstudie, hvor data indsamles via spørgeskemaer, som deltagerne udfylder. Formålet med et spørgeskema studie er typisk at indsamle information om deltageres holdninger, adfærd, sundhedsstatus, livsstil, symptomer eller andre relevante variabler.
Egenskaber ved spørgeskema studier:
Dataindsamling: Data indsamles direkte fra deltagerne gennem standardiserede spørgeskemaer. Spørgsmålene kan være åbne (hvor deltagerne skriver deres svar) eller lukkede (hvor deltagerne vælger et svar fra flere muligheder).
Tidsramme: Det er som regel et tværsnitsdesign, dvs. data indsamles på et enkelt tidspunkt eller i en kort periode.
Formål: Undersøge specifikke spørgsmål, f.eks. prævalens af en sygdom, livsstilsfaktorer eller deltagernes holdninger til et bestemt emne.
Fordele:
Effektivt og relativt billigt at gennemføre, især når spørgeskemaet kan distribueres elektronisk eller via post.
Skalérbarhed: Kan let anvendes på en stor population.
Standardiseret dataindsamling: Alle deltagere får de samme spørgsmål, hvilket sikrer en vis konsistens i dataene.
Ulemper:
Recall bias: Deltagerne kan have svært ved at huske bestemte oplysninger korrekt, hvilket kan føre til unøjagtige svar.
Selvrapportering bias: Deltagernes svar kan være påvirket af sociale forventninger eller ønsket om at fremstå på en bestemt måde.
Manglende dybde i data: Spørgeskemaer kan begrænse de oplysninger, der kan opnås, især hvis de er meget strukturerede og lukkede.
Selektionsbias: Hvis spørgeskemaet ikke når en repræsentativ gruppe af befolkningen, kan resultaterne blive skæve og ikke generaliserbare.
Eksempler på anvendelser:
Undersøgelse af prævalens af psykiske lidelser i en befolkning.
Spørgeskemaer om kostvaner, motion eller alkoholforbrug i en specifik gruppe.
Måling af livskvalitet hos patienter med en kronisk sygdom.
Huskeregler:
Spørgeskema studier er nemme at gennemføre, men de er også udsatte for bias, som kan påvirke resultaterne (f.eks. recall og selvrapportering).
Det er vigtigt at sikre, at spørgsmålene er objektive, og at deltagerne er repræsentative for den befolkning, man ønsker at generalisere resultaterne til.
Spørgeskemaer bruges ofte som et redskab i andre studietyper, herunder både tværsnitsstudier, longitudinelle studier og interventionsstudier, hvor de kan hjælpe med at indsamle information om deltagernes eksponeringer, adfærd eller resultater.
F9 - Kunne beskrive andre typer af observationelle studiedesign, herunder tværsnitsstudier (fx spørgeskema studier), økologiske studier og case-crossover-studier. HER ØKOLOGISKE STUDIER
- Økologiske studier
Økologiske studier er observationelle studier, der undersøger grupper eller populationer i stedet for individer. De anvender ofte samlede data om befolkninger, f.eks. på landsplan eller i en region, og sammenligner forskellige grupper eller steder.
Egenskaber:
Tidsramme: Kan være både tværsnits- eller longitudinelle.
Formål: Undersøge forholdet mellem eksponeringer og sygdomme på niveauet for befolkning eller geografiske enheder (f.eks. lande, byer).
Dataindsamling: Data indsamles for hele grupper snarere end for individer (f.eks. nationale sundhedsregistre, gennemsnit af kostvaner, sygdomsdata).
Fordele:
Let at gennemføre, da der ofte bruges eksisterende data om grupper.
Kan bruges til at undersøge geografiske forskelle i sygdomsforekomst eller eksponeringer (f.eks. forskelle mellem lande eller regioner).
Ulemper:
Økologisk fejlslutning: Det er ikke muligt at drage konklusioner om individers adfærd baseret på gruppedata. Det kan føre til fejltolkning af sammenhænge, da gruppeniveauet ikke nødvendigvis afspejler individniveauet (f.eks. et land, der har en høj forekomst af sygdom, betyder ikke nødvendigvis, at alle individer i landet har sygdommen).
Kan være svært at kontrollere for konfoundere, da der ikke er randomisering.
Eksempel:
Et økologisk studie kunne undersøge sammenhængen mellem gennemsnitlig frugt- og grøntsagsforbrug og kræftforekomst på tværs af forskellige lande.
F9 - Kunne beskrive andre typer af observationelle studiedesign, herunder tværsnitsstudier (fx spørgeskema studier), økologiske studier og case-crossover-studier. HER NATURAL EXPERIMENT STUDIE
Natural experiments er en type observationelt studie, hvor forskere udnytter en naturlig eller uplanlagt hændelse, ændring eller intervention i samfundet, som skaber en situation, der minder om et randomiseret kontrolforsøg. I et natural experiment undersøger forskeren, hvordan en ekstern “naturlig” begivenhed (som ikke er tilfældigt tildelt af forskeren) påvirker en befolkning eller en gruppe, og hvordan effekten af denne begivenhed kan måles.
Egenskaber ved natural experiments:
Naturlig intervention: I et natural experiment opstår den “intervention”, som undersøges, ikke gennem planlagte forskningsdesign, men snarere gennem en naturlig begivenhed. Det kan være ændringer i lovgivning, økonomiske forhold, politiske beslutninger eller naturkatastrofer, der uforvarende påvirker en befolkning.
Sammenligning af grupper: Forskeren sammenligner to eller flere grupper, hvor én gruppe er blevet påvirket af den naturlige begivenhed, mens en anden gruppe ikke er blevet påvirket, og forsøger at identificere forskelle i resultater mellem disse grupper.
Randomisering ikke nødvendigt: Der er ikke randomisering af deltagerne som i et eksperimentelt studie. Dog kan man forsøge at kontrollere for faktorer, der kan påvirke resultatet, ved at sammenligne grupper, der er så ens som muligt, før den naturlige intervention fandt sted.
Fordele ved natural experiments:
Etik og praktisk gennemførelse: I mange tilfælde kan natural experiments tilbyde en løsning, hvor randomiserede kontrolforsøg (RCT) ikke ville være etisk mulige. For eksempel kan et studie af virkningerne af en ny lovgivning om rygning ikke involvere randomisering, men det kan stadig give indsigt i lovens effekter.
Større ekstern validitet: Da interventionen (den naturlige begivenhed) sker i virkeligheden og ikke i et kontrolleret eksperimentelt miljø, kan resultaterne have høj generaliserbarhed til virkelige verden.
Lettere at gennemføre: Da forskeren ikke har kontrol over “interventionen”, kan studiet være lettere og billigere at gennemføre end et traditionelt randomiseret forsøg.
Ulemper ved natural experiments:
Manglende randomisering: Der er ingen kontrol over, hvem der bliver “eksponeret” for den naturlige begivenhed, hvilket gør det vanskeligt at udelukke konfounding (forstyrrende faktorer), som kan påvirke resultaterne.
Usikkerhed omkring kausalitet: Selvom natural experiments kan give indikationer af kausalitet, er det ofte svært at fastslå en klar årsag-virkning, da der kan være mange ukontrollerede faktorer, der påvirker udfaldet.
Selektionsbias: Grupperne, der er eksponeret for den naturlige begivenhed, er måske ikke tilfældigt udvalgt, og derfor kan der opstå selektionsbias.
Eksempler på natural experiments:
Ændring af lovgivning: Et land indfører en lov, der forbyder rygning på offentlige steder. Forskere kan undersøge, hvordan denne lovændring påvirker forekomsten af rygning og relaterede sygdomme i befolkningen.
Økonomiske kriser: Forskere kan undersøge virkningerne af en økonomisk nedtur på folkesundheden ved at sammenligne sundhedsresultater i perioder før og efter en recession.
Naturkatastrofer: Efter en stor naturkatastrofe som en jordskælv eller oversvømmelse kan forskere undersøge, hvordan det påvirker mentale helbredstilstande i berørte områder, og hvordan folk reagerer på stress.
Medicin eller vaccineændringer: Hvis et lands regering pludselig ændrer sin tilgang til vaccination, kan forskere undersøge effekten af ændringen på sygdomsforekomst.
Eksempler på anvendelse af natural experiments:
Loven om minimumsløn: Et studie kunne undersøge, hvordan en ændring i minimumslønnen i ét land påvirker arbejdsløsheden eller sundheden i befolkningen, hvor forskeren sammenligner lande eller regioner, der er påvirket af loven, med dem der ikke er.
Rygning: Hvis en offentlig kampagne mod rygning introduceres i ét land, kan et natural experiment undersøge, hvordan denne intervention påvirker rygevaner og sundhedsresultater, ved at sammenligne grupper før og efter kampagnen.
Naturkatastrofer: Et studie kunne undersøge psykiske helbredseffekter af en stor naturkatastrofe ved at sammenligne befolkningen før og efter hændelsen, og hvordan samfundet reagerer på stress og traumer.
Huskeregler for natural experiments:
Udnyt eksisterende hændelser som naturlige eksponeringer (f.eks. lovændringer, naturkatastrofer).
Tænk på konfoundere: Vær opmærksom på faktorer, der kan påvirke både eksponeringen og udfaldet, og prøv at kontrollere for disse.
Vær forsigtig med kausalitet: Selvom et natural experiment kan indikere en sammenhæng, er det ikke nødvendigvis en årsag-virkning relation.
