Please enable JavaScript.

Coggle requires JavaScript to display documents.

流病期末 (實驗流行病學 (缺點 (並不是所有主題都適合做實驗流行病學 (例如抽菸、喝酒、服用毒品等暴露, 可能會有道德上的爭議（孕婦用藥等）),…

- - - - 測試新藥、新疫苗
    - - 在水中加氟，測試對蛀牙的影響
      - 大人口數的疫苗施打
      - 廣泛性使用預防性藥物
      - 受試者通常多到破萬以上，通常是政府主導，且是走出實驗室的
      - 歷史上有名的試驗
        
        在1954年的Salk polio vaccine trial，其中超過一百五十萬試驗人口
  - - - 人跟人之間、組別與組別之間要是公平的，意即除了要測試的部分有差異之外，其他條件盡可能是相同的--> 困難（尤其是找控制組的過程最難XD）
      - 舉例：找一群都受到同一種細菌感染的病患，並randomly assign這些病患到新治療或是舊治療，盡可能讓受試者、施策者都不知道
    - - 資訊的取得要盡可能是完整的且沒有誤差的
  - - - 未得病的人
        
        preventive
        
        immuned
      - 得病的人
        
        caused
        
        doomed
  - - - 要使用randomization決定組別之間的組成
      - 最好連研究人員都無法參與影響到subject的分配
    - - 將群眾分配到兩個或多個治療組別的方式
        
        其中包含一組控制組
      - 關鍵在於在study population的任何一個個體都不能較其他個體傾向於或不傾向於獲得特定治療
      - 不能由任何一個此實驗中的研究人員來操控，其中一種選取方式是透過亂數表分配
      - 盡可能地達到blinding
        
        至少double blinding，或甚至是triple blinding
    - - 例如副作用極為明顯、或治療與否會造成顯著差異的情況
  - - - 因為在已知得病與否的狀況下可以自行決定暴露的劑量
      - 所以通常會使用較強的劑量，加速研究的步調
  - - - 例如抽菸、喝酒、服用毒品等暴露
      - 可能會有道德上的爭議（孕婦用藥等）
    - - 因為需要更多population base
- - - - 相對簡單，且不花時間
      - 可以同時間研究數個暴露與數個疾病的關係
        
        可以用來screening新的假說
      - 容易觀察疾病頻率、健康需求，主要用於健康計畫的設計
    - - 在暴露與疾病之間存在時序上的模糊
      - 暴露的資訊取得可能會有information bias（因為是已知得病才去搜集暴露的資訊）
      - 疾病的狀態不同可能會影響study subject的選取--> 出現selection bias
      - 不太能區分出risk factor, prognostic factor
      - 對於罕見、高死亡率的疾病或病程相對短的疾病不易觀察！
  - - - 意即和時間軸平行，但是不一定要是prospective（可以是混合retrospective, prospective）
    - - 當「暴露組」、「非暴露組」的CI, IDR呈現不同，我們即可以假設這個差異是因為暴露造成的！
      - cumulative incidence ratio（risk ratio, relative risk）
        
        暴露的CI / 非暴露的CI
        
        其值介於0~無限大
        
        RR=1
        
        暴露與疾病之間是無關連性的
        
        RR<1
        
        暴露具有保護性效果
        
        RR>1
        
        暴露會是一個risk
        
        解釋為有暴露造成疾病的風險是沒暴露造成疾病的風險的幾倍
      - incidence density rate ratio（rate ratio）
        
        也是同樣道理
        
        暴露的IDR / 非暴露的IDR
      - attributive risk in exposure
        
        暴露得病的incidence - 非暴露也得病的incidence
        
        剩下的就是要暴露才會得病者！！！
        
        意思是要排除掉在暴露組中doomed的人
        
        這種人不管有沒有暴露都會得病XD
      - attributive risk in proportion
        
        「attributive risk in exposure」/ 暴露得病的incidence
        
        解釋為在暴露組之中有多少比例的人其得病絕對相關於暴露！
        
        也等於 (RR - 1) / RR
      - population attributable risk
        
        在總人口的得病incidence - 在case中非暴露的incidence
        
        （總人口暴露比例X暴露得病的incidence+總人口非暴露比例X非暴露得病的incidence）- 非暴露得病的incidence
      - population attributable risk in proportion
        
        population attributable risk / 總人口的疾病incidence
        
        解釋為在總人口中得病者之中絕對因為暴露而得病的比例
    - - 優點
        
        因為暴露都是在疾病發生之前測量
        
        因此不具有時間的模糊性！
        
        所以可以儘可能減少information bias
        
        因此可以減少selection bias
        
        我們可以同時觀察一個暴露造成的數種可能疾病
      - 缺點
        
        很昂貴
        
        要搜集一大堆人來做研究
        
        同時如果這個要研究的疾病相對罕見或需要很長時間來發病就更可怕惹
        
        難以在整個cohort中定位出一個個體，尤其是retrospective study
        
        如果當有人離開cohort，而這個人與outcome相關，然後他離開的原因又會造成組別之間分布的差異，就會產生bias（cencoring）
  - - - 因為control要能夠代表case組的base population
      - 條件要是沒有我現在有興趣的疾病的病患（不需要完全健康！）
      - 其選取的理由、方式要是與疾病是獨立的！
      - 當control組的人在study過程中發病，就要納入case組
      - control要和case在同一個時間點做選取
    - - 通常從病例、疾管署等來源獲得
      - case的定義要很嚴格
        
        因為類似疾病其病因可能截然不同
    - - Medical records
      - Telephone interviews
      - Written questionnaires
      - Medical tests
    - - 解釋為暴露者得病的機會比上暴露沒得病的機會
        
        其勝算比為疾病組中有暴露的勝算 / 健康組中有暴露的勝算
      - 數字解釋
        
        當OR = 1
        
        代表暴露與疾病之間不具有關聯性
        
        當OR > 1
        
        代表此暴露會造成疾病的risk
        
        當OR < 1
        
        代表此暴露對疾病具保護性
      - 或是暴露得病者的機會比上非暴露者得病的機會
        
        其勝算為暴露組中有生病的勝算 / 非暴露組中有生病的勝算
      - 上二種解釋端看勝算的算法，勝算會不一樣，但是最終的勝算比都是一樣的！
    - - 優點
        
        相較於cohort study較便宜、較省時
        
        可以用來觀察罕見疾病、疾病發病時間長的疾病
        
        可以用於研究一大堆潛在的危險因子
      - 缺點
        
        不適合用於研究罕見的暴露
        
        造成selection bias
        
        因為疾病的狀態會影響選取狀態
        
        已知疾病狀態來搜集暴露資料可能會造成information bias
        
        尤其是這個誤差在case, control是不同的！
    - - hospital-based case control study
        
        泛指case都是從醫院取得，同時control也從同一家醫院取得（但是在不一樣的醫療前提之下）
        
        control的取得也從醫院獲取，但此時仍可能出現這些病人存在有跟疾病相關的危險因子
        
        這個control的選取其醫療情況需要是跟暴露沒有任何關係！
      - population-based case control study
        
        在一群base population at risk中選取control
        
        兩種選取方式
        
        Density sampling
        
        當一個case進來，就從base population中選取一個control與之作配對
        
        好處是可以針對時間等干擾因子做配對
        
        通常用在觀察時間相對長；或是暴露的頻率會隨著時間而改變的研究
        
        Cumulative sampling
        
        在所有case都確定之後再從base population中選取出control
        
        case的選取主要在population’s registry、surveillance system獲得
        
        在確定case, control之後在開始搜集暴露的資訊
        
        優缺點
        
        優點
        
        較cohort study適合研究罕見疾病
        
        相較於簡單case-control study
        
        可以估算在base population中的疾病頻率
        
        且因為control都是從同一個base population選取
        
        selection bias會較小
        
        缺點
        
        容易出現information bias（相較於cohort study）
        
        昂貴、不實際，因為要追蹤在base population中所有人（相較於簡單case control study來説）
    - - 盡量讓case, control的人數呈現1:1
        
        若是無法1:1，也不要大於1:4
      - 在case control study中相對於實驗流行病學、cohort study其樣本數可以較少
      - 可以透過一開始的case-control配對針對干擾因子的配對排除
        
        但是要注意不要match太多變項，因為排除太多因素在研究之外，會讓母群體變的不精確、代表性變差
    - - 目的在於增加研究效益、控制干擾因子、增加數據上強度
      - 只可用在discordant pairs
        
        也就是case, control具有不一樣的暴露狀態
        
        不然若是暴露相同，又配對其他干擾因子，這樣可比較性太過少
  - - - 沒有一個人的暴露、疾病狀態是得知的，但是大概知道暴露的比例、疾病的比例等，也就是知道趨勢，最後也只能知道暴露與疾病的相關性
    - - 優點
        
        非常他媽便宜！！
        
        常用在人口出現干擾之後的成效評估
      - 缺點
        
        無法得知causal inference
        
        無法得知暴露與疾病誰先誰後
        
        temporal ambiguity
- - - - 需要三個東西（公式會考）
        
        risk ratio
        
        信心水準
        
        自然log（ln）算的變異數
      - 注意risk ratio不可以是1！！
        
        且信賴區間也不能包含有1！
    - - 公式就不細講惹（幹公式會考）
      - 一樣信賴區間只要包含1就是不顯著！
  - - - 精度高
        
        表示隨機誤差小
        
        變異數小
        
        導致信賴區間窄！
    - - 準確度高
        
        表示系統性誤差（bias）少
      - 系統性誤差可能來自於selection bias, information bias
    - - selection bias
        
        選取方法有問題
        
        導致成效的估計受到影響
        
        最容易出現在case-control study / cross sectional study
        
        因為無法定義母群體
        
        容易因為疾病的狀態而影響選取
        
        不恰當的對照組
        
        例如：今天要研究超商結帳員跟腕隧道症候群的關係，control卻選老師（也有很多寫粉筆用到手腕的動作）
        
        Self-selection Bias
        
        通常出現在study population的選取是自願者的情況
        
        這樣通常會選到健康意識強或暴露很多的人，其他人可能進不到研究中
        
        Healthy-worker Effects
        
        主要出現在工業衛生
        
        因為進到工廠檢查的只會看到那些健康到仍然可以來工廠上班的人
        
        而忽略了生病嚴重到無法上班的人！！
        
        Selective Loss to Follow-Up
        
        主要出現在cohort study, population-based case-control study
        
        主要原因是當流失的這些人在組別之間造成disproportionate
        
        尤其是當疾病的risk factor是造成流失的原因之一
        
        Berkson’s Bias
        
        出現在當所有study population都來自醫院時
        
        當用來決定study population的醫療行為出現 disproportionate時就會出現Berkon's bias
        
        老師舉例酒精濃度對上嚴重或輕微頭部外傷
        
        Survivor Bias
        
        也就是有些人本身就活得比較久，找這些人來做的研究可能會導致必然的positive 結果
        
        但是這個他媽的排除不了吧，除非用年齡match稍微可能可以排除一點
      - information bias
        
        資料的搜集、或是採集方法有問題
        
        導致成效估計受影響
        
        misclassification
        
        nondifferential
        
        在control, case中的正確的變項的分類是不變的（sensitivity, specificity）
        
        differential
        
        在case, control中變項的正確分類產生改變
        
        舉例
        
        在cohort study中暴露較容易檢測出疾病
        
        在case control study中有病的人回想過去的暴露--> recall bias
        
        定義是把暴露或疾病的分類做錯
        
        Observer/Interviewer bias
        
        施測者對此假說的認知、暴露狀態、疾病狀態的認知不同會導致不一樣的data collecting
        
        Hawthorne effect
        
        在受試者進行研究過程中可能因為覺得被檢視，而做出與平常不同的行為
        
        例如：抽菸者在研究過程中可能覺得被大家檢視而少抽
      - confounder
        
        導致資料之間喪失比較性！
        
        導致成效估計受影響
        
        干擾因子是會導致組別失去比較性
        
        可能會加強或是減弱研究的效果
        
        干擾因子對暴露的影響是正相關，加上干擾因子又是疾病的其中一種risk factor
        
        導致一個對疾病的正向效應
        
        定義
        
        是疾病的一種risk factor
        
        其造成的分佈與暴露造成的分佈不同
        
        與暴露之間具有關聯性但是不是因過關係
      - three effect
        
        只要研究對象是人都會產生
        
        年齡效應
        
        年齡幾乎是所有疾病的risk factor
        
        cohort effect
        
        在某一時間之後出生的人可能出現的代性差異
        
        例如疫苗施打
        
        period effect
        
        在某一時間發生的特定事件導致該時間存在的所有人都受到影響
        
        例如：日本廣島原子彈投放
    - - away from null
        
        null代表信賴區間包含1或是相關係數是0的情況
        
        估計值在準確值遠離null的那一側
      - toward the null
        
        估計值在準確值靠近null那一側
      - beyond the null
        
        估計值直接在null的另一邊！