epidemiologi - hva er det? -...

TI Lund Nilsen EPIDEMIOLOGI - Hva er det? 1

EPIDEMIOLOGIHva er det?

Medisin for ikke-medisinereonsdag 25. september 2002

Tom Ivar Lund NilsenInstitutt for samfunnsmedisinske fag


Medisinsk forskning

• Fire hovedområder

– årsaker til sykdom (epidemiologisk forskning)

– behandling av sykdom (klinisk forskning)

– molekylære og genetiske grunnlag for sykdom (basalforskning)

– helsevesenets effektivitet og kvalitet (helsetjenesteforskning)


Epidemiologi

Epidemiologi er...

systematisk leting etter årsaker til sykdom

…og hensikten er å innhente kunnskap somgjør at sykdommer kan forebygges


Epidemiologiens historie (1)

• Til alle tider har folk hatt en formening om sykdomsårsaker– f.eks. gudenes vrede, planetenes stilling, gasser i luften,

eller egne synder– smitteteorier med sanksjoner mot de syke ble tidlig

foreslått

• Begrepet epidemiologi var opprinnelig knyttet til studier avsmittsomme sykdommer (epidemier)– man prøvde å finne årsaken til epidemien og deretter

forebygge– mest kjent er kanskje John Snow og hans studier av

koleraepidemien i London på 1850-tallet


John Snow (1813-1858)

• Snow kartla forekomsten avkolera– hvert sykdomstilfelle ble

systematisk plottet på et kartover Londons gater

• fant en opphopning rundt énvannpumpe

• Snow konkluderte med atsmitten kom med vannet

• pumpen ble stengt og antall nyetilfeller redusert


Epidemiologiens historie (2)

Utover 1900-tallet har epidemiologien utviklet seg raskt:

• ikke bare smittsomme, men også kroniske sykdommer– særlig fokus på å avdekke risikofaktorer for

• kreft• hjerte/kar

• noen snakker også om epidemiologi i forhold til:– trafikkskader– trygdeytelser


Kunnskap om årsaker

Viktigst i epidemiologien er altså å tilegne segkunnskap om årsaker til sykdom


Hvordan få denne kunnskapen?

Man kan studerer sykdommenes forekomst relatert til:

• Tid– har det vært endringer i forekomsten over en viss periode

• Sted– er det ulik forekomst mellom ulike geografiske områder

• Personer– er forekomsten knyttet til spesielle egenskaper eller

eksponeringer som personer har eller utsettes for


Tid

(www.kreftregisteret.no, 2002)

Forekomst av kreft i Norge 1954-99, alle lokalisasjoner(aldersjustert insidensrate)


StedFøflekk-kreft i Norge 1995-99

Relativ risiko etter fylke

(www

.kre

ftre

gist

eret

.no,

200

2)


Personer

• demografi (alder, kjønn, rase)


Alder og kjønnKreft i Norge 1995-99. De hyppigste kreftformer fordelt på kjønn og alder

(www

.kre

ftre

gist

eret

.no,

200

2)


Personer


• antropometri (høyde, vekt, fedme)


FedmeBMI og risiko for brystkreft

0.1

1

10

lav medium høy

Kategorier av BMI

Rel

ativ

risi

koBrystkreft under 50 år Brystkreft over 50 år

(TI

Lund

Nils

en, 2

002

( dat

a fr

a H

UN

T I)

)


Personer



• sosioøkonomi (utdanning, yrke, inntekt)


Utdanning

dårlig selvopplevd helse

langvarig helseproblem

kronisk sykdom

(Krokstad et al., 2002)


Personer




• livsstil (kosthold, røyk, alkohol, fysisk aktivitet)


Fysisk aktivitet

(Thune & Furberg, 2001)

Relativ risiko for brystkreft ved høy vs. lav fysisk aktivitet


Personer




• livsstil (kost, røyk, alkohol, fysisk aktivitet)

• miljøfaktorer (fysiske og kjemiske faktorer, yrkeseksponering)


YrkeseksponeringObservert og forventet antall tilfeller av

lungekreft blant ansatte i norske nikkelverk

0

50

100

150

200

250

Anta

ll lu

ngek

reft

Forventet antallObservert antall

1950 20001960 1970 1980 1990

(Romundstad, 2002)


Personer






• biologi og genetikk (blodtrykk, kolesterol, hormoner, gener)


BlodtrykkSammenheng mellom blodtrykk og hodepine i ulike aldersgrupper

(Hagen et al., 2002)


Personer






• biologi og genetikk (blodtrykk, kolesterol, hormoner, gener)

Alle disse utgjør mulige årsaksfaktorer som vi iepidemiologien ofte omtaler som eksponeringer


Den sanne sammenheng

I epidemiologien er vi opptatt av å finne den sannesammenheng mellom eksponering og sykdom

og for å finne en sammenheng som er nærmest muligden sanne sammenheng er det spesielle elementersom er nødvendige i gjennomføringen av en studie…


Nødvendige elementer

• gode og pålitelige mål på sykdom

• god og pålitelig informasjon om eksponeringsfaktorer

• det best egnede studiedesign


Mål på sykdom (og død)

• prevalens– andel med sykdom i en spesifikk populasjon på et gitt

tidspunkt

• insidens– antall nye tilfeller av sykdom i en spesifikk populasjon i

løpet av et gitt tidsrom

• mortalitet– antall som dør av en gitt sykdom i en spesifikk populasjon

i løpet av et gitt tidsrom


Prevalens

Andel av en populasjon som har en sykdom på et gitt tidspunkt:

• eksempel:– dersom prevalensen av diabetes er på 3% den 1.

september 2002 så kan det f.eks. bety at 30 av 1000personer hadde diabetes denne datoen

• et viktig sykdomsmål i helseplanlegging– sier noe om ressursbehovet

• ikke velegnet for å finne årsaker til sykdom


Insidens

• eksempel:– dersom insidensen av brystkreft er 7% per år så kan det

f.eks. bety at dersom man følger 1000 kvinner i ett år såvil 70 få diagnosen brystkreft

• det beste og mest brukte sykdomsmål i årsaksstudier– studerer sammenhengen mellom eksponering og antall nye

tilfeller av en sykdom som oppstår etter ateksponeringen har inntruffet

Antall nye tilfeller av en sykdom som oppstår i en populasjon iløpet av et gitt tidsrom:




• god og pålitelig informasjon om eksponeringsfaktorer



Mål på eksponering

Informasjon om pasienter/deltakere fremskaffes via:• intervju

– kostbart og tidkrevende, mulig feilrapportering• spørreskjema (selvutfylt)

– redusert deltakelse, mulig feilrapportering• registre (kobling til folkeregister, fødselsregister, m.fl.)

– tillatelse fra datatilsynet• kliniske undersøkelser/blodprøver

– kostbart og tidkrevende

• det er enkelte fallgruver når man skal velge utdeltakere og samle informasjon...


Bias og confounding

• ingen gode utrykk for disse begrepene på norsk, derforbruker man ofte de engelske ordene:

• i ordboka:– Bias = fordreining– Confounding = å blande sammen


Bias

• Seleksjonsbias– spesielle grupper deltar/deltar ikke i studien– spesielle grupper unnlater å svare på spørsmål

• Informasjonsbias– over- eller underdriver det sanne eksponeringsnivå– spørreskjema klarer ikke å fange opp den virkelige

eksponeringNår informasjonen er samlet inn kan man ikke gjøre noemed bias, dette må man forebygge i studieplanleggingen

Avvik fra den sanne sammenheng; en skjevhet i den måltesammenheng mellom eksponering og sykdom som kan oppstå pga.:


Eksempel på seleksjonsbias

The healthy worker effect:• dersom man sammenligner sykeligheten blant folk som

jobber i et helseskadelig arbeidsmiljø med sykeligheten iresten av befolkningen vil man ofte finne at arbeiderne harlavere sykelighet– dette er jo motsatt av hva man ville forventet– et resultat av en seleksjonsprosess hvor de som fortsatt

er i arbeid er de som er friskest, mens de som ble sykeav arbeidsmiljøet allerede er sluttet


Eksempel på informasjonsbias

• informasjon om eksponering innhentes fra mødre tilmisdannede barn og sammenlignes med informasjon framødre til barn uten misdannelser

• man kan tenke seg at mødre til misdannede barn tenkernøyere igjennom hendelser i svangerskapet enn andre mødre

• dermed kan det oppstå en skjevhet i informasjonen ommulige risikofaktorer mellom de to gruppene av mødre– dette betegnes i epidemiologien som recall bias, og er et aktuelt

problem når syke og friske skal huske tilbake om muligeeksponeringsfaktorer

I en studie er man interessert i å se på sammenhengen mellommedfødte misdannelser og eksponeringer i svangerskapet:


Confounding

• effekten av en utenforliggende faktor blander seg medeffekten av den faktor man ønsker å studere

• kriterier for en konfunderende faktor:– det må være en uavhengig sammenheng mellom confounderen og

sykdommen og mellom confounderen og den opprinneligeeksponeringsfaktoren

Dersom man har informasjon om mulige konfunderendefaktorer kan man i statistiske analyser justere bortden sammenblandede effekten og finne den sanne

sammenheng mellom eksponering og sykdom

Også et avvik fra den sanne sammenheng; en skjevhet i den måltesammenheng mellom eksponering og sykdom som kan oppstå fordi:


Eksempel på confounding• høyde er en risikofaktor for prostatakreft

– høye menn har litt større risiko enn lave menn• alder er en risikofaktor for prostatakreft

– økt alder gir større risiko• i tillegg er det en sammenheng mellom høyde og alder

– eldre menn er lavere enn yngre menn

• dersom man måler sammenhengen mellom høyde og prostatakreftuten å ta hensyn til alder vil det se ut som om lave menn harhøyere risiko bare fordi lave menn er eldre

• dersom man justerer for effekten av alder ser man atsammenhengen er motsatt, høye menn har større risiko


Prostatakreft, høyde og alder

Relativ risiko for prostatakreft blant mennsom deltok i HUNT 1984-86

HøydeUjustert

relativ risikoAldersjustertrelativ risiko

LavMediumHøy

1.00.70.5

1.01.11.2




• god og pålitelig informasjon om årsaksfaktorer



Studiedesign

• deskriptive studier– tverrsnittsstudier

• analytiske studier– eksperimentelle studier

• randomiserte kontrollerte studier (RCT)

– observasjonsstudier• kohortstudier• case-control studier


Deskriptive studier

• sier noe om forekomst og fordeling av sykdommer og muligeårsaksfaktorer i populasjonen

• kan indikere årsakssammenhenger (hypotesegenrerende)

• Tverrsnittsstudier– gir et øyeblikksbilde av befolkningen– prevalens av sykdom (andelen med en sykdom vs. andelen uten)– samler informasjon om deltakernes sykdoms- og

eksponeringsstatus samtidig• kan ikke si med sikkerhet at eksponeringen inntraff før sykdommen

(”hva kom først, høna eller egget?”)• dermed ikke så velegnet til å studere mulige årsaksfaktorer• men finner man en sammenheng mellom sykdom og eksponering kan

dette danne grunnlag for videre studier i et analytisk design


Analytiske studier

• Eksperimentelle studier– randomiserte kontrollerte studier

• Observasjonsstudier– kohort– case-control


Randomiserte kontrollerte studier

Randomiserte studier er ”gullstandarden” i årsaksforskning:• brukes oftest for å evaluere effekt av en ny behandling eller

et nytt medikament• randomisering vil si at ”eksponering” (behandling) og ikke-

eksponering (placebo) fordeles tilfeldig blant deltakerne– dersom det er mange nok deltakere vil randomiseringen føre til

at gruppen av eksponerte og ikke-eksponerte er tilnærmet likenår det gjelder faktorer som kan påvirke effekten av behandling(f.eks. alder, kjønn, røyking, sosial status, etc.)

• behandlings- og placebo-gruppen følges deretter over tid forå se hvilken effekt behandlingen har på sykdomshelbredelsen

• man kan trekke slutninger om behandlingens effektivitetbasert på statistiske sammenhenger


Uetisk gullstandard ?

• MEN… de fleste epidemiologiske problemstillinger lar segikke studere i et slikt eksperimentelt design– uetisk å påføre folk en eksponering som gir sykdom

• man må som oftest bruke alternative studiedesign, hvorobersvasjonsstudier er de mest vanlige:– kohort studier– case-control studier


Observasjonsstudier (1)• Kohortstudier

– det som ligger nærmest gullstandarden RCT– utgangspunktet er også her eksponert eller ikke-eksponert,

men man har ikke fordelt eksponeringen tilfeldig, bareregistrert hva den enkelte er utsatt for

– deretter registrerer man andelen som blir syke i fremtiden– går fremover i tid, fra eksponering til sykdom– ettersom eksponeringen ikke er randomisert kan gruppen av

eksponerte og ikke-eksponerte være forskjellig m.t.pfaktorer som alder, kjønn, røyking, mm.

– må samle informasjon om slike mulige konfoundere, ogjustere i statistiske analyser


Observasjonsstudier (2)

• Case-kontroll studier– utgangspunktet er syk eller ikke-syk– man registrerer en gruppe med syke, og velger en gruppe

med friske kontroller som disse skal sammenlignes med• her er det fare for seleksjonsbias både når det gjelder

definering av syke og ved utvelgelse av kontroller– registrerer andelen som var eksponert i fortiden

• her er det fare for informasjonsbias dersom deltakerneselv skal fortelle om sin eksponeringsstatus

– går bakover i tid, fra sykdom til eksponering– også her er det viktig å ha informasjon om mulige

confoundere for at gruppen av syke og friske skal væresammenlignbare


Eksempel på en kohort-studie

• utgangspunktet er alle nyfødte barn i Trondheim i år 2001(disse utgjør en kohort)

• fordeler barna i eksponeringsgrupper, f.eks. én gruppe med lavog én gruppe med høy luftforurensning i nærmiljøet

– etter en viss tid teller man opp antall astmatilfeller i de togruppene

– etter å ha justert for effekten av andre faktorer(confoundere) som kan forstyrre sammenhengen kan man sinoe om de som her mest eksponert for luftforurensninghar større forekomst av astma enn de minst eksponerte

Man vil studere sammenhengen mellom luftforurensning og astma:


Eksempel på en case-control studie

• men nå er utgangspunktet alle barn som utviklet astma iTrondheim i løpet av år 2001 (caser)

• så velger man et like stort antall barn uten astma fra densamme befolkningen (kontroller)

– deretter teller man opp antall barna i de to gruppene somhar vært utsatt for lav eller høy luftforurensning inærmiljøet

– etter å ha justert for effekten av andre faktorer(confoundere) som kan forstyrre sammenhengen kan man sinoe om de som har astma har vært mer eksponert forluftforurensning enn de som ikke har astma

Temaet er det samme, luftforurensning og astma:


Fordeler og ulemper

KohortFordeler

Case-controlFordeler

• direkte mål på sykdomsforekomst• lite utsatt for bias• flere sykdommer kan studeres fra

den samme eksponeringsinformasjon

• effektiv ved sjeldne sykdommer• trenger informasjon fra færre

individ

Ulemper Ulemper

• må samle informasjon om mange(kostbart/ressurskrevende)

• uegnet ved sjeldne sykdommer (måfølge kohorten over laaang tid for åfå nok syke)

• utsatt for bias (både seleksjons- oginformasjonsbias)

• kan bare studere én sykdom forhvert studie




• god og pålitelig informasjon om årsaksfaktorer



I tillegg...

• må man utføre korrekte statistiske analyser, og...• ha gode epidemiologiske mål på sammenhengen mellom

eksponering og sykdom


Relativ risiko

• insidens ratio er et vanlig mål på sammenheng iepidemiologiske studier (kohortstudier) og omtales oftestsom relativ risiko– risiko for å få sykdom dersom du er eksponert, relativt til

risiko for å få sykdom dersom du ikke er eksponert– fra eksponering til sykdom

• odds ratio er også mye brukt (i case-control studier), og vil imange tilfeller være lik relativ risiko– odds for å være eksponert dersom du er syk, relativt til odds

for å være eksponert dersom du ikke er syk– fra sykdom til eksponering

• det kan være vanskelige å formidle slike relative mål påsammenheng på en forståelig måte til publikum...


Eksempel på relativ risiko• følger 1000 høye kvinner og 1000 lave kvinner i ett år og finner at

det oppstår– 10 nye brystkrefttilfeller blant de laveste og 15 blant de høyste

• dette gir en relativ risiko (insidens ratio) på 1.5 eller 50%– høye kvinner har 50% større risiko for brystkreft enn lave kvinner– det er 50% flere brystkrefttilfeller blant høye sammenlignet med lave– risikoforskjellen er på 5 brystkrefttilfeller

• dersom man fant 100 brystkreft blant lave og 150 blant høye– relativ risiko er fortsatt 50%– men risikoforskjellen er nå på 50 brystkrefttilfeller

Det er derfor viktig å være oppmerksom på hyppigheten avsykdommen når man snakker om relativ risiko


Oppsummering• epidemiologi er studiet av sykdommers årsaker

– studerer sykdomsforekomst i forhold til mulige årsaksfaktorer• tid• sted• personer

• gode epidemiologiske studier krever– gode mål på sykdomsforekomst

• insidens– gode mål på mulige årsaksfaktorer

• ikke bias, og nok informasjon til å justere for mulig confounding– det best egnede studiedesign

• gullstandarden er RCT, men oftest umulig å gjennomføre (etikk)• da er kohortstudier eller case-control studier de mest vanlige

– korrekte statistiske analyser som gir gode assosiasjonsmål• insidens ratio og odds ratio er mest vanlig (men ikke enkle å forstå)

epidemiologi - hva er det? -...

Documents