Bias

Bias di selezione può risultare quando la selezione di soggetti in uno studio o la loro probabilità di essere trattenuti nello studio porta a un risultato diverso da quello che avresti ottenuto se avessi arruolato l’intera popolazione target. Se uno ha arruolato l’intera popolazione e ha raccolto dati accurati sull’esposizione e sull’esito, allora si potrebbe calcolare la vera misura dell’associazione. Generalmente non iscriviamo l’intera popolazione; invece prendiamo campioni., Tuttavia, se si campionava la popolazione in modo equo, il campionamento da tutte e quattro le cellule era equo e rappresentativo della distribuzione dell’esposizione e del risultato nella popolazione complessiva, allora si può ottenere una stima accurata della vera associazione (assumendo un campione abbastanza grande, in modo che l’errore casuale sia minimo e supponendo che non ci siano altri pregiudizi o confusione). Concettualmente, questo potrebbe essere visualizzato da mestoli di dimensioni uguali (campionamento) per ciascuna delle quattro celle.,

La tabella di contingenza ha colonne (malate e non malate) e righe (esposte e non esposte. In questa illustrazione le 4 categorie di esposizione / malattia hanno mestoli di dimensioni uguali per trasmettere l’idea di un campionamento imparziale.,-malato

Esposti
Non esposti

Tuttavia, se il campionamento non è rappresentativo dell’esposizione-esito distribuzioni nella popolazione generale, quindi le misure di associazione sarà di parte, e questo è indicato come un bias di selezione., Di conseguenza, il bias di selezione può risultare quando la selezione di soggetti in uno studio o la loro probabilità di essere trattenuti in uno studio di coorte porta a un risultato diverso da quello che avresti ottenuto se avessi arruolato l’intera popolazione target. Un esempio di ciò potrebbe essere rappresentato dalla tabella seguente, in cui le procedure di iscrizione hanno portato a un campionamento sproporzionatamente ampio di soggetti malati che hanno avuto l’esposizione.

Questa tabella di contingenza ha un mestolo più grande nella cella che tablula il numero di soggetti esposti con malattia., Ciò indica che c’era una tendenza a campionare eccessivamente questa categoria, ad esempio, uno studio di controllo del caso in cui i casi erano più probabili essere selezionati se erano stati esposti.,/tr>

Exposed
Non-exposed

There are several mechanisms that can produce this unwanted effect:

1. Selection of a comparison group (“controls”) that is not representative of the population that produced the cases in a case-control study., (Control selection bias)
2. Perdita differenziale al follow-up in uno studio di coorte, tale che la probabilità di essere persa al follow-up è correlata allo stato del risultato e allo stato di esposizione., (Perdita al follow-up bias)
3. il Rifiuto, la non-risposta, il contratto di partecipazione che è correlato con l’esposizione e la malattia (Self-bias di selezione)
4. Utilizzando la popolazione generale, come un gruppo di confronto per un lavoro di studio di coorte (“effetto lavoratore Sano”)
5. Differenziale di rinvio o la diagnosi di soggetti

Bias di Selezione in Studi Caso-Controllo

In uno studio caso-controllo di bias di selezione si verifica quando i soggetti per il gruppo di controllo non sono veramente rappresentativo della popolazione che ha prodotto l’casi., Ricordare che in uno studio caso-controllo i controlli sono utilizzati per stimare la distribuzione dell’esposizione (cioè la proporzione con l’esposizione) nella popolazione da cui sono sorti i casi. La distribuzione dell’esposizione nei casi viene quindi confrontata con la distribuzione dell’esposizione nei controlli per calcolare l’odds ratio come misura dell’associazione.,th>

Diseased

Non-diseased

Total

Exposed

7

1,000

1,007

Non-exposed

6

5,634

5,640

Given the entire population, we could compute the risk ratio = 6.,53. Tuttavia, uno conduce spesso uno studio di caso-controllo quando il risultato è raro come questo, perché è molto più efficiente. Di conseguenza, al fine di stimare il rapporto di rischio potremmo utilizzare la distribuzione relativa dell’esposizione in un campione della popolazione, a condizione che questi controlli siano selezionati da procedure tali che il campione fornisca una stima accurata della distribuzione dell’esposizione nella popolazione complessiva.

Se un campione di controllo è stato selezionato in modo appropriato, ad es., tale che è stato rappresentativo dello stato di esposizione nella popolazione, quindi i risultati del controllo del caso potrebbero apparire come la tabella seguente.,

Casi

Controlli

Esposti

7

10

Non esposti

6

56

Nota che il campione dei controlli rappresenta solo l ‘ 1% della popolazione generale, ma la distribuzione delle esposizioni nei controlli (10/56) è rappresentativa dell’esposizione di stato nella popolazione generale (1,007/5,640)., Di conseguenza, l’odds ratio = 6.53 fornisce un rapporto di stima imparziale del rapporto di rischio.

Al contrario, supponiamo che nello stesso studio ipotetico i controlli fossero un po ‘ più probabili da scegliere se avessero l’esposizione studiata.,cosa come questa:

	Casi	Controlli
Esposti	7	16
Non esposti	6	50

Qui abbiamo lo stesso numero di controlli, ma gli investigatori hanno utilizzato procedure di selezione che sono leggermente più propensi a selezionare i controlli che avevano l’esposizione., Di conseguenza, la stima dell’effetto, l’odds ratio, è stata distorta (O = 3,65).

Concettualmente, il pregiudizio qui potrebbe essere rappresentato dalla tabella seguente in cui il grande mestolo indica che i soggetti non malati con l’esposizione sono stati sottoposti a campionamento eccessivo.

In questa tabella la maggiore tendenza a iscrivere i controlli non malati che erano stati esposti è rappresentata da un mestolo più grande in quella cella.,seased

Controls
Exposed
Non-exposed

Depending on which category is over or under-sampled, this type of bias can result in either an underestimate or an overestimate of the true association.,

Esempio:

È stato condotto uno studio ipotetico caso-controllo per determinare se uno stato socioeconomico inferiore (l’esposizione) è associato a un rischio più elevato di cancro cervicale (il risultato). I” casi ” consistevano in 250 donne con cancro cervicale che sono state indirizzate al Massachusetts General Hospital per il trattamento del cancro cervicale. Sono stati indirizzati da tutto lo stato. Ai casi è stata posta una serie di domande relative allo status socioeconomico (reddito familiare, occupazione, istruzione, ecc.)., Gli investigatori hanno identificato i soggetti di controllo passando da porta a porta nella comunità intorno a MGH dalle 9:00 AM alle 5:00 PM. Molti residenti non sono a casa, ma persistono e alla fine iscrivono abbastanza controlli. Il problema è che i controlli sono stati selezionati da un meccanismo diverso rispetto ai casi (vicinanza immediata per i controlli rispetto a tutto lo stato per i casi), E il meccanismo di reclutamento porta a porta potrebbe aver avuto la tendenza a selezionare individui di diverso status socioeconomico, dal momento che le donne che erano a casa potrebbero essere state un po ‘ più, In altre parole, i controlli avevano maggiori probabilità di essere iscritti (selezionati) se avevano l’esposizione di interesse (status socioeconomico inferiore).

Il criterio “Would”

Gli epidemiologi a volte usano il criterio” would “per testare la possibilità di bias di selezione; chiedono” Se un controllo avesse avuto la malattia, sarebbero stati probabilmente arruolati come caso?,”Se la risposta è ‘sì’, allora il bias di selezione è unlikel

Bias di auto-selezione

Il bias di selezione può essere introdotto negli studi di caso-controllo con bassi tassi di risposta o partecipazione se la probabilità di rispondere o partecipare è correlata sia all’esposizione che al risultato.

La tabella 10-4 nel testo di Aschengrau e Seage mostra uno scenario con tassi di partecipazione differenziali in cui i soggetti malati che avevano l’esposizione avevano un tasso di partecipazione dell ‘ 80%, che le altre tre categorie avevano tassi di partecipazione del 60%., Questo potrebbe essere rappresentato come segue:

In questa tabella di contingenza una maggiore partecipazione dei soggetti che hanno avuto l’esposizione e il risultato di interesse è rappresentato dal mestolo più grande in quella cella.,s

Diseased	Non-diseased
Exposed
Non-exposed

Question: Can self-selection bias occur in prospective cohort studies?, Rifletti sulla tua risposta prima di guardare la risposta qui sotto.

Risposta

Sorveglianza differenziale, rinvio o diagnosi dei soggetti

Aschengrau e Seage forniscono un esempio in cui gli investigatori hanno condotto uno studio caso-controllo per determinare se l’uso di contraccettivi orali aumentava il rischio di tromboembolia . Il gruppo di casi era costituito da donne che erano state ricoverate in ospedale per tromboembolia venosa. I controlli erano donne di età simile che erano state ricoverate per problemi non correlati negli stessi ospedali., Le interviste hanno indicato che il 70% dei casi ha usato contraccettivi orali, ma solo il 20% dei controlli li ha usati. Il rapporto di probabilità era 10.2, ma in retrospettiva, questa era una sovrastima. C’erano stati rapporti che suggerivano una tale associazione. Di conseguenza, gli operatori sanitari erano vigili dei loro pazienti con contraccettivi orali ed erano più propensi ad ammetterli in ospedale se sviluppavano trombosi venosa o segni o sintomi sospetti di tromboembolia. Di conseguenza, lo studio ha avuto la tendenza a superare il campione di donne che avevano sia l’esposizione che il risultato di interesse.,

Sovra-campionamento di donne con l’esposizione e il risultato è rappresentato da un mestolo più grande per quella categoria.,/tr>

Esposti
Non esposti

in usa, aschengrau e Seage suggeriscono che questo bias di selezione potrebbe essere stato ridotto da più restrittive caso i criteri di selezione, in modo tale che solo le donne che chiaramente necessario il ricovero in ospedale sarebbero iscritti nel caso di gruppo.,

torna all’inizio / pagina precedente/pagina successiva