منابع خطا در پژوهشهاي پزشكي

Slides:



Advertisements
Similar presentations
Deriving Biological Inferences From Epidemiologic Studies.
Advertisements

Causality Inferences. Objectives: 1. To understand the concept of risk factors and outcome in a scientific way. 2. To understand and comprehend each and.
1 Case-Control Study Design Two groups are selected, one of people with the disease (cases), and the other of people with the same general characteristics.
Bias, Confounding and the Role of Chance
Chance, bias and confounding
Bias Thanks to T. Grein.
Population Health for Health Professionals. Module 2 Epidemiology The Basic Science of Public Health.
Epidemiology Kept Simple
Epidemiology & Critical Thinking D. Morse st Avenue Tel: Office Hours: 4:00-5:00 (M & W)
Dr. Rufaidah Dabbagh Dr. Armen Torchyan MBBS, MPH MD, MPH CMED 304 Family and Community Medicine Department Family and Community Medicine Department.
Bias and errors in epidemiologic studies Manish Chaudhary BPH( IOM) MPH(BPKIHS)
Cohort Studies Hanna E. Bloomfield, MD, MPH Professor of Medicine Associate Chief of Staff, Research Minneapolis VA Medical Center.
Introduction to Cancer Epidemiology
Validity and Reliability Dr. Voranuch Wangsuphachart Dept. of Social & Environmental Medicine Faculty of Tropical Medicine Mahodil University 420/6 Rajvithi.
Case Control Study Manish Chaudhary BPH, MPH
1 Introduction to causal association and bias in epidemiological study Shashi Kant AIIMS.
Research Design Interactive Presentation Interactive Presentation
Supercourse Environmental Exposure Assessment And Biomarkers Wael Al-Delaimy, MD, PhD.
Lecture 8 Objective 20. Describe the elements of design of observational studies: case reports/series.
 Correlation and regression are closely connected; however correlation does not require you to choose an explanatory variable and regression does. 
Evidence-Based Medicine 3 More Knowledge and Skills for Critical Reading Karen E. Schetzina, MD, MPH.
Experiments Unit 2 – Mod 5. Experiment Carefully controlled method of investigation used to establish a cause-and-effect relationship Experimenter purposely.
Web of Causation; Exposure and Disease Outcomes Thomas Songer, PhD Basic Epidemiology South Asian Cardiovascular Research Methodology Workshop.
Causal inference Afshin Ostovar Bushehr University of Medical Sciences Bushehr, /4/20151.
Observation Bias (Information Bias) Biased measure of association due to incorrect categorization. DiseasedNot Diseased Exposed Not Exposed The Correct.
Measures of Association
October 15H.S.1 Causal inference Hein Stigum Presentation, data and programs at:
Mother and Child Health: Research Methods G.J.Ebrahim Editor Journal of Tropical Pediatrics, Oxford University Press.
Causation. Associations may be due to Chance (random error) statistics are used to reduce it by appropriate design of the study statistics are used to.
Lesson 9: Reliability, Validity and Extraneous Variables.
Introduction to confounding and DAGs
Cohort design in Epidemiological studies Prof. Ashry Gad Mohamed MBCh B, MPH, DrPH Prof. of Epidemiology Dr Amna R Siddiqui MBBS, MSPH, FCPS, PhD Associate.
Section 7.4 ~ The Search for Causality Introduction to Probability and Statistics Ms. Young.
Chapter 2 Nature of the evidence. Chapter overview Introduction What is epidemiology? Measuring physical activity and fitness in population studies Laboratory-based.
A short introduction to epidemiology Chapter 10: Interpretation Neil Pearce Centre for Public Health Research Massey University, Wellington, New Zealand.
Causal relationships, bias, and research designs Professor Anthony DiGirolamo.
Unit 2 – Public Health Epidemiology Chapter 4 – Epidemiology: The Basic Science of Public Health.
System error Biases in epidemiological studies FETP India.
Medical Research: Validity, Bias, Confounds, Probability, P-value, and Power Kimberly Pendell.
The Impact of Epidemiology in Public Health Robert Hirokawa, DrPH Epidemiologist, Science and Research Group HHI / TSP, Hawaii Department of Health.
Understanding lack of validity: Bias
Case Control Study Dr Pravin Pisudde Moderator: Abhishek Raut.
Design of Clinical Research Studies ASAP Session by: Robert McCarter, ScD Dir. Biostatistics and Informatics, CNMC
1 Causation in epidemiology, confounding and bias Imre Janszky Faculty of Medicine NTNU.
Measures of disease frequency Simon Thornley. Measures of Effect and Disease Frequency Aims – To define and describe the uses of common epidemiological.
Types of Research Studies Architecture of Clinical Research
Lecture notes on epidemiological studies for undergraduates
Epidemiological Methods
CASE-CONTROL STUDIES Ass.Prof. Dr Faris Al-Lami MB,ChB MSc PhD FFPH
Showing Cause, Introduction to Study Design
Study design IV: Cohort Studies
Study design V: Case-Control Studies
Validity Generalization
Epidemiology Kept Simple
Lecture 3: Introduction to confounding (part 1)
Dr Seyyed Alireza Moravveji Community Medicine Specialist
Kanguk Samsung Hospital, Sungkyunkwan University
Improved Patient Outcomes Best Available Clinical Evidence Patient’s
ERRORS, CONFOUNDING, and INTERACTION
Study design V: Case-Control Studies
Critical Appraisal วิจารณญาณ
Study design IV: Cohort Studies
Case-Control Studies.
Research Methods for the Behavioral Sciences
The objective of this lecture is to know the role of random error (chance) in factor-outcome relation and the types of systematic errors (Bias)
Imagine that you are conducting an experiment into anti-depressants…
Bias, Confounding and the Role of Chance
Relationship Relation: Association: real and spurious Statistical:
Research Techniques Made Simple: Interpreting Measures of Association in Clinical Research Michelle Roberts PhD,1,2 Sepideh Ashrafzadeh,1,2 Maryam Asgari.
Dr Luis E Cuevas – LSTM Julia Critchley
Presentation transcript:

منابع خطا در پژوهشهاي پزشكي Sources of Error In Medical Research منابع خطا در پژوهشهاي پزشكي A Keshtkar MD, MPH, PhD Assistant Professor of Epidemiology Tehran UMS (SPH)

مراحل اثبات رابطه علیتی 1- تعیین وجود رابطه (فرایند آماری) 2- اثبات رابطه علیتی (فرایند غیرآماری)

پیشینه اثبات رابطه علیتی اصول کخ برای اثبات علت یک بیماری عفونی: 1- همیشه بتوان ارگانیسم مورد نظر را در بیماران پیدا کرد. 2- ارگانیسم در بیماریهای دیگر مشاهده نشود. 3- ارگانیسم جدا شده از فرد بیمار بتواند بعد از چند نسل بیماریزایی خود را در حیوانات آزمایشگاهی حفظ نماید.

اصول هیل Hill در اثبات رابطه علیتی 1. Consistency 2. Strength of association 3. Temporality 4. Dose-response relationship 5. Biological evidence 6. Deconfounding 7. Cessation of exposure 8. Analogy 9. Specificity of association

انواع خطا: 1- خطاي تصادفي 2- خطاي سيستماتيك

خطاي تصادفي: خطايي كه بدون الگو و جهت مشخص ايجاد ميشود. منابع خطاي تصادفي: 1- خطاي انساني: اندازه گيري فشارخون توسط معاينه‌كننده 2- خطاي ابزار: خطاي دستگاه فشارسنج 3- تغيير پذير بودن متغير مورد مطالعه: نوسان فشار خون با گذشت زمان و ...

Random Error frequency the distribution of X with no random error X

Random Error the distribution of X with random error frequency the distribution of X with no random error X

Random Error the distribution of X with random error frequency the distribution of X with no random error X

Random Error the distribution of X with random error frequency the distribution of X with no random error Notice that random error doesn’t affect the average, only the variability around the average X

مثال: برای انجام مطالعه ای با هدف برآورد توزیع سطح سرمی مارکر PSA در دو جامعه تقریبا مشابه، دو محقق الف و ب بطور مستقل نمونه ای از این دو جامعه اخذ و سطح سرمی این مارکر را اندازه گیری نمودند. محقق الف و ب بترتیب میانگینهای 2.3 و 3.7 بدست آوردند. آیا با این اطلاعات میتوان تاثیر خطای تصادفی در این برآوردها را ارزیابی نمود؟ اگر خیر به چه اطلاعات دیگری نیاز دارید؟ انحراف معیار مارکر PSA در جامعه الف و ب بترتیب 0.7 و 0.4 بود. حال در مورد تاثیر خطای تصادفی در این دو جامعه بحث کنید.

شاخصهای نشانگر خطای تصادفی در متغیرهای کمی: انحراف معیار: مقایسه دو متغیر هم جنس (با روش سنجش یکسان) ضریب تغییرات: مقایسه دو متغیر هم جنس، مقایسه دو روش سنجش و ... ضریب تغییرات بین فردی: Inter-assay CV ضریب تغییرات درون فردی: Intra-assay CV  

شاخصهای نشانگر خطای تصادفی در متغیرهای کمی: Intra-assay CV Inter-assay CV

پايايي (Reliability)، مفهوم ميزان دخالت خطاي تصادفي در برآورد ها است. يك اندازه گيري زماني پايا است كه متاثر از خطاي تصادفي نبوده و در تكرار اندازه گيري، نتايج يكساني بدست دهد. پايايي را با شاخصهاي مختلفي ميتوان اندازه گيري كرد يكي از ساده ترين آنها واريانس يا انحراف معيار است. نام ديگر پايايي، دقت precision است. معمولا با تكرار اندازه گيري دقت يا پايايي افزايش مي يابد فرمولهاي حجم نمونه مناسب بمنظور به حداقل رساندن خطاي تصادفي است.

تکرار اندازه گیری امکان پذیر و منطقی است. راهکارهای افزایش یا ارزیابی پايايي (Reliability)اندازه گیریها در مطالعات رسیدن به حجم نمونه مناسب (مطابق با فرمول حجم نمونه در شرایط مختلف) یک راهکار عمومی و اولیه است. بر اساس مفهوم پایایی (قابلیت تکرار) بهتر است از طریق یک مطالعه پایلوت با حجم نمونه کوچک، از این قابلیت با تکرار اندازه گیری اطمینان پیدا نمود: تکرار اندازه گیری امکان پذیر و منطقی است. تکرار اندازه گیری امکان پذیر و یا منطقی نیست.

اندازه های پایایی و روایی

خطاي سيستماتيك: خطايي كه الگو و جهت خاصي دارد و در تكرار اندازه گيريها همچنان تكرار ميگردد. مثال: ترازويي كه همواره 2 كيلوگرم وزن افراد را بيشتر نشان ميدهد. خطاي سيستماتيك با تكرار اندازه گيري يا افزايش حجم نمونه كاهش نمي يابد. نام ديگر اين نوع خطا سوگرايي يا Bias است.

Systematic Error frequency the distribution of X with no systematic error X

Systematic Error the distribution of X with systematic error frequency the distribution of X with no systematic error X

Systematic Error the distribution of X with systematic error frequency the distribution of X with no systematic error Notice that systematic error does affect the average -- we call this a bias X

The Error Component X T + e Two Components:

The Error Component X T + e Two Components: er

The Error Component X T + e Two Components: er Random Error

The Error Component X T + e Two Components: er Random Error es

X T + e The Error Component er es Two Components: Random Error Systematic Error

روايي (Validity)، مفهوم ميزان دخالت خطاي سيستماتيك در برآورد ها است. از نظر تئوریک، خطای منظم یا سیستماتیک به درجه تفاوت بین اندازه گیری ما با مقدار واقعی متغیر اطلاق میگردد. در برخی شرایط برای نشان دادن مقدار واقعی یک متغیر میتوانیم از استاندارد طلایی استفاده کنیم. با توجه به نوع متغیر مورد اندازه گیری: کمی کیفی

RELIABILITY AND VALIDITY Reliable Biased (Not Valid) Not Reliable Biased (Not Valid) Not Reliable Valid Reliable Valid Random error – measurement not reliable Systematic error – measurement biased (not valid)

انواع سوگرايي Bias: سوگرايي انتخاب سوگرايي اطلاعات سوگرايي مخدوش شوندگي

سوگرايي انتخاب selection bias اين سوگرايي زماني اتفاق مي‌افتد كه احتمال انتخاب برخي نمونه/نمونه هاي مورد مطالعه بيش از ساير نمونه ها باشد. اهميت اين نوع سوگرايي در مطالعات مورد شاهدي از ساير مطالعات بيشتر است. بخصوص در hospital based case control study

سوگرايي اطلاعات information bias اين سوگرايي ناشي از خطاي منظم در اندازه گيري است. اين نوع سوگرايي باعث ميشود وضعيت فرد از نظر مواجهه يا پيامد بدرستي تعيين نشود. يك علت شايع آن بخاطر تفاوت در خاطره يادآوري افراد تحت مطالعه است. Recall bias سوگرايي مصاحبه گر interviewer bias نوعي ديگر از اين سوگرايي است كه بعلت تفاوت در كنكاش مصاحبه كننده براي تعيين وضعيت افراد از نظر مواجهه بوجود مي‌آيد.

انواع misclassification سوء طبقه بندي غيرافتراقي: در طبقه بندي افراد از نظر پيامد، خطا مستقل از مواجهه صورت گرفته يا در طبقه بندي از نظر مواجهه، خطا مستقل از پيامد صورت گرفته است. سوء طبقه بندي افتراقي: در طبقه بندي افراد از نظر پيامد، خطا مستقل از مواجهه صورت نگرفته يا در طبقه بندي از نظر مواجهه، خطا مستقل از پيامد صورت نگرفته است.

سوگرايي مخدوش شوندگي confounding bias اين سوگرايي ناشي از تاثير يك متغير سوم در رابطه بين مواجهه با پيامد است كه اثر متغير ميتواند بغلط قويتر يا ضعيفتر نشان داده شود. مثال: نقش جنس در رابطه بين مصرف سيگار و سكته قلبي

ويژگيهاي متغير مخدوش كننده: با بيماري يا پيامد رابطه عليتي داشته باشد. با مواجهه رابطه (همراهي) داشته باشد. متغير واسطه اي در يك زنجيره عليتي نباشد.

X Night Light Child’s Myopia Parental Myopia These authors believed that the apparent association use of a night light and child’s myopia was likely because of confounding by parent’s myopia. These authors provided direct data that nearsightedness in parents is associated with the use of night light, probably to help the parents see better. And, there is data to suggest that myopia is inherited; ie if parents have it, their kids are more likely to have it. So, this is an example, where parenteral myopia confounds the relationship between night lights and child’s myopia and there is no real direct, or what we call independent, association between use of night lights and child’s myopia. Child’s Myopia

not yet specified mechanism Exercise CAD not yet specified mechanism HDL ?

Smoking Cough ? What if you wanted to look at the association between smoking and lung cancer? A naïve investigator might consider calling “cough” a confounder because it is “associated”with smoking and “associated” with lung cancer. But if you did you would end up washing away much of the effect of smoking So, variables that are the result of the disease are not confounders. Looked at another way, the issue with confounding is not just blindly looking for factors associated with the exposure and the outcome but it is instead looking at pathways that are extraneous to the pathway under study and making sure that any effect that you declare is not the result of this extraneous pathway. In this situation, where cough is a result of lung ca, there is not a clear pathway leading from smoking to cough to lung cancer. Lung CA