Protopatisk Bias: Enkel Forklaring + Eksempler

Protopatisk bias oppstår når en eksponering initieres (eller stoppes) som svar på et symptom på sykdommen (utfall) som ennå ikke er diagnostisert. Dette fører til en falsk konklusjon om årsakssammenheng mellom eksponering og utfall.

denne bias er spesielt kjent i farmakoepidemiologiske studier hvor:

  • eksponeringen er reseptbelagte medisiner
  • utfallet er en sykdom

Protopatisk bias kan forekomme på 1 av 2 måter, her er en trinnvis forklaring på hvordan dette kan skje:

1-enten blir en eksponering INITIERT som svar på et symptom på den udiagnostiserte sykdommen, så ER Det:

  • etter en tid vil sykdommen bli diagnostisert
  • eksponeringen vil synes å gå forut for sykdommen
  • vi vil feilaktig konkludere med at eksponeringen forårsaket sykdommen

2- eller en eksponering AVBRYTES som svar på et symptom på den udiagnostiserte sykdommen, da:

  • etter en tid vil sykdommen bli diagnostisert
  • Unngåelse av eksponeringen vil synes å gå forut for sykdommen
  • vi vil feilaktig konkludere med at eksponeringen er beskyttende mot sykdommen

Protopatisk skjevhet påvirker observasjonsstudier hvor valget av hvem som får eksponeringen og hvem som ikke er randomisert.

det virker ved feilaktig å reversere årsak og virkning-et fenomen som kalles omvendt årsakssammenheng.

Eksempler på protopatisk bias

i denne delen vil vi reise tilbake til 1980 for å studere 2 eksempler:

  1. hvor et legemiddel er foreskrevet som svar på tidlige symptomer på en sykdom.
  2. hvor et legemiddel avbrytes som svar på tidlige symptomer på en sykdom

La oss komme i gang!

eksemplene nedenfor ble diskutert I Problemet Med «Protopatisk Bias» I Case-Control Studier, 1980.

Østrogenresept påvirket av endometrial cancer symptomer

Dette var en case-control studie som inkluderte:

  • en kasusgruppe: kvinner som hadde endometriekreft
  • en kontrollgruppe: kvinner med andre diagnoser enn livmorhalskreft

Kontroller ble matchet på alder og rase med hvert medlem av saksgruppen.

Data om eksponering for østrogen og årsaken til indikasjonen ble samlet inn.

resultatene viser at mange av disse kvinnene ble foreskrevet østrogen og noen var svar på livmor blødning som er et symptom på kreft:

i dette tilfellet kan protopatisk bias oppstå da østrogenbruk går foran diagnosen livmorhalskreft og ser dermed ut til å forårsake livmorhalskreft:

for å studere effekten av protopatisk bias, bestemte etterforskerne å beregne 2 oddsforhold for forholdet mellom østrogenrecept og livmorhalskreft:

  1. den første inkludert tilfeller og kontroller for hvem østrogen ble foreskrevet for å behandle livmor blødning
  2. den andre unntatt denne gruppen

ved å ekskludere gruppen som østrogen ble foreskrevet for å behandle livmor blødning fra deres analyse, forfatterne var i stand til å fjerne påvirkning av protopathic bias.

faktisk viser resultatene en nedgang på 10% av oddsraten når påvirkning av protopatisk bias ble fjernet.

denne stratifiserte analysen som vi nettopp beskrev, er viktig av 2 grunner:

  1. det bekrefter tilstedeværelsen av protopatisk bias: ved å vise at østrogen resept kan påvirkes av symptomer på endometrial kreft
  2. det kvantifiserer effekten av protopatisk bias: I dette tilfellet var det en økning på 10% i odds ratio

Seponering av orale prevensjonsmidler som svar på tidlige symptomer på godartet brystsykdom

Tidlige symptomer på godartet brystsykdom kan omfatte brystsmerter og ømhet.

over tid kan en merkbar klump bli lagt merke til som fører til diagnose av godartet brystsykdom:

disse tidlige godartede brystsykdomssymptomene (som brystsmerter og ømhet) kan vurderes av leger som potensielle kontraindikasjoner for:

  • Initiere bruk av p-piller
  • Fortsatt bruk av p-piller

Janerich et al. fant at betydelig flere kvinner med godartet brystsykdom ble rådet av sine leger til å avbryte orale prevensjonsmidler av grunner knyttet til brystklager:

og fordi mindre p-piller bruk vil forut for diagnostisering av godartet bryst sykdom, oral contraceptive bruk vil synes å være mindre forbundet med godartet bryst sykdom:

Dette vil føre til protopatisk skjevhet som vi kanskje feilaktig tror at p-piller er beskyttende mot godartet bryst sykdom.

hvordan unngå protopatisk bias

hvis vi har noen grunn til å tro at symptomer på en ennå udiagnostisert sykdom kan påvirke eksponeringen, må vi ta noen beskyttende tiltak for å unngå protopatisk bias.

Protopatisk bias kan behandles på 2 måter:

ved å ekskludere gruppen av individer som ble eksponert som svar på symptomer på det ennå udiagnostiserte utfallet

Kan dette gjøres ved å kjøre analysen to ganger (dvs. beregne 2 odds ratio som vi så i eksempel # 1 ovenfor):

  • En inkludert tilfeller som ble foreskrevet stoffet som respons på symptomer på udiagnostisert sykdom
  • og en unntatt denne gruppen

og deretter sammenligne resultater fra begge analysene for å identifisere og kvantifisere protopatisk bias.

denne tilnærmingen er begrenset av vår evne til å identifisere gruppen av deltakere som fikk eksponeringen som svar på symptomer på det ennå udiagnostiserte utfallet, noe som ikke alltid er mulig.

ved å bruke en forsinkelse i eksponeringsdefinisjonen

innebærer denne tilnærmingen utelukkelse fra vurdering av eksponering av en bestemt tidsperiode før diagnosedato.

enkelt sagt vil vi ignorere alle eksponeringer som oppstår under lag-tiden:

Hva er den beste lag-tiden som skal brukes?

Dessverre er Det Ikke noe enkelt svar på dette spørsmålet, da dette avhenger mye av sykdommen som studeres.

Spesifikt, kan du anslå tidsperioden hvor sykdommen / utfallet kan gå ubemerket mens du presenterer noen symptomer som kan påvirke eksponeringen?

hvis du ikke kan, er du i utgangspunktet igjen med 2 alternativer:

  1. enten for å bruke samme lagtid brukt i tidligere lignende studier (hvis slike studier eksisterer)
  2. eller bestemme lagtid analytisk ved å bruke data fra din egen studie

Hva er big deal med å velge riktig lagtid?

Å Velge en nær optimal lagtid er viktig som:

  • en kortere enn optimal lagtid vil føre til ufullstendig kontroll av protopatisk bias
  • Og en lengre lagtid vil føre til utelukkelse av eksponeringer som kan være årsakssammenheng med utfallet

en metode for å bestemme lagtid ved hjelp av dine egne studiedata innebærer litt komplekse statistiske metoder og forklares i detaljer I Tamim et al.

jeg vil imidlertid gi en kort oversikt over denne metoden:

først beregner vi oddsforholdene for sammenhengen mellom eksponering og utfall for forskjellige verdier av lagtid.

så plotter vi dem som vist nedenfor:

fra denne tomten kan vi se at:

  • oddsforholdet avtar først etter hvert som lagtiden blir større: dette kan forventes når eksponeringen er assosiert med tidlige symptomer på utfallet-dette skyldes protopatisk bias
  • så stabiliserer kurvens helling etter hvert som vi øker lagtidsperioden: her nærmer kurven seg den sanne objektive verdien av oddsforholdet

punktet hvor kurven begynner å stabilisere er den beste lagtiden som skal brukes i studien. Og oddsforholdet beregnet ved hjelp av denne verdien av lagtiden anses upåvirket av protopatisk bias.

Videre lesning

  • Ledetid Skjevhet
  • Lengde Tid Skjevhet
  • Tidsmessig Skjevhet
  • Mistanke Om Eksponering Skjevhet
  • Proxy Skjevhet
  • Prevalens-Insidens Skjevhet
  • Prevalens-Insidens Skjevhet

Legg igjen en kommentar

Din e-postadresse vil ikke bli publisert.