DOI: https://doi.org/10.1007/s10654-024-01129-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38971917
تاريخ النشر: 2024-07-01
المؤلف: John Ferguson وآخرون
الموضوع الرئيسي: تقنيات الاستدلال السببي المتقدمة
نظرة عامة
تقدم هذه القسم graphPAF، وهو حزمة R مصممة لتقدير، واستنتاج، وتصوير النسب المنسوبة للسكان (PAF) ونسب التأثير. تدعم هذه الحزمة ليس فقط تقدير PAF القياسي ولكن أيضًا تمكّن من تحليل النسب المنسوبة عبر عوامل خطر متعددة من خلال الرسوم البيانية والمخططات النمائية. بالإضافة إلى ذلك، تستوعب حسابات التعرض المستمر، والنسب المنسوبة المحددة للمسارات، والتحليلات القائمة على الشبكات البايزية لتقديرات PAF المشتركة، والتتابعية، والمتوسطة في سياقات متعددة عوامل الخطر. تعمل المقالة كدليل نظري ودليل عملي لاستخدام graphPAF.
في الختام، تجمع graphPAF بين أدوات متقدمة متعددة لتقدير عبء المرض في إعدادات غير قياسية، مما يجعلها موردًا قيمًا لعلماء الإحصاء وعلم الأوبئة. تهدف إلى تسهيل المقارنات حول عبء المرض عبر عوامل الخطر المتقطعة والمستمرة، وبالتالي تعزيز فهم تأثيرات الصحة العامة.
مقدمة
تناقش مقدمة هذه الورقة البحثية النسب المنسوبة للسكان (PAFs)، التي تقيس تأثير عوامل الخطر المحددة على انتشار أو حدوث الأمراض داخل السكان. باستخدام مثال مساهمة التدخين في فشل القلب في أيرلندا، يوضح المؤلفون كيف يمكن أن تساعد PAFs في تحديد التخفيض المحتمل في حالات المرض إذا تم القضاء على عامل خطر. تسلط الورقة الضوء على أهمية PAFs في تحديد أولويات التدخلات الصحية وتقدم مجموعة متنوعة من حزم R المصممة لتقدير PAFs تحت تصاميم دراسات مختلفة، بما في ذلك graphPAF الذي تم تطويره حديثًا. تعزز هذه الحزمة الأدوات الموجودة من خلال السماح بتقدير PAFs لعوامل خطر متعددة الفئات ودمج العلاقات السببية من خلال نموذج الشبكة البايزية، مما يوفر تقديرات أكثر دقة في السيناريوهات المعقدة.
يتناول المؤلفون أيضًا قيود الطرق السابقة التي لم تأخذ في الاعتبار المسارات السببية بين عوامل الخطر، مما قد يؤدي إلى نتائج متحيزة. يقدمون مفهوم PAFs المحددة للمسارات (PS-PAFs) لقياس عبء المرض المنسوب إلى مسارات سببية محددة، مثل العلاقة بين التدخين، وضغط الدم، وأمراض القلب. بالإضافة إلى ذلك، توضح الورقة كيف تستوعب graphPAF عوامل الخطر المستمرة وتوفر مقدرات قوية لحسابات PAF المختلفة، بما في ذلك PAFs المشتركة، والتتابعية، والمتوسطة. تعد الأقسام اللاحقة من المخطوطة بالتعمق أكثر في الأسس النظرية والتطبيقات العملية لـ graphPAF، مقدمة دليل شامل للباحثين في هذا المجال.
نقاش
في هذا القسم، يناقش المؤلفون تقدير النسب المنسوبة للسكان (PAF) لتصاميم دراسات مختلفة، بما في ذلك الدراسات المقطعية، ودراسات الحالة والشاهد، والدراسات الطولية. يعرفون PAF للمرض السائد باستخدام الصيغة \( PAF = \frac{P(Y = 1) – P(Y_0 = 1)}{P(Y = 1)} \)، حيث \( Y \) يشير إلى نتيجة المرض في السكان الحاليين و \( Y_0 \) يمثل النتيجة الافتراضية إذا تم القضاء على عامل الخطر. بالنسبة للمرض الحادث في الدراسات الطولية، يقدم المؤلفون تقدير PAF المعتمد على الزمن \( PAF(t) = \frac{P(T \leq t) – P(T_0 \leq t)}{P(T \leq t)} \)، مؤكدين على الحاجة إلى تفسير دقيق في وجود أحداث متنافسة.
يحدد المؤلفون الشروط اللازمة للتقدير غير المتحيز، بما في ذلك فرضية قيمة العلاج الثابتة (SUTVA) ومتطلبات مجموعة التعديل الكافية من المتغيرات. يقدمون صيغ تقدير محددة لتصاميم دراسات مختلفة، مشيرين إلى أن التصاميم المقطعية تستخدم نهج التوحيد، بينما تتطلب دراسات الحالة والشاهد إعادة الوزن لأخذ طريقة العينة في الاعتبار. يختتم القسم بمناقشة حزمة graphPAF، التي تسهل تقدير PAF من خلال نماذج إحصائية متنوعة وتوفر أدوات لحساب فترات الثقة والتعامل مع بيانات الاستطلاع. بشكل عام، يؤكد المؤلفون على أهمية المنهجيات القوية والتفسير الدقيق في تقدير PAF عبر سياقات وبائية مختلفة.
DOI: https://doi.org/10.1007/s10654-024-01129-1
PMID: https://pubmed.ncbi.nlm.nih.gov/38971917
Publication Date: 2024-07-01
Author(s): John Ferguson et al.
Primary Topic: Advanced Causal Inference Techniques
Overview
The section introduces graphPAF, an R package designed for the estimation, inference, and visualization of population attributable fractions (PAF) and impact fractions. This package not only supports standard PAF estimation but also enables the analysis of attributable fractions across multiple risk factors through fanplots and nomograms. Additionally, it accommodates continuous exposure calculations, pathway-specific attributable fractions, and Bayesian network-based analyses for joint, sequential, and average PAFs in multi-risk factor contexts. The article serves as both a theoretical guide and a practical tutorial for utilizing graphPAF.
In conclusion, graphPAF consolidates various advanced tools for estimating disease burden in non-standard settings, making it a valuable resource for statisticians and epidemiologists. It aims to facilitate comparisons of disease burden across both discrete and continuous risk factors, thereby enhancing the understanding of public health impacts.
Introduction
The introduction of this research paper discusses Population Attributable Fractions (PAFs), which quantify the impact of specific risk factors on the prevalence or incidence of diseases within a population. Using the example of smoking’s contribution to heart failure in Ireland, the authors illustrate how PAFs can help identify the potential reduction in disease cases if a risk factor were eliminated. The paper highlights the importance of PAFs in prioritizing health interventions and introduces various R packages designed for estimating PAFs under different study designs, including the newly developed graphPAF. This package enhances existing tools by allowing for the estimation of PAFs for multi-category risk factors and incorporating causal relationships through a Bayesian network model, thus providing more accurate estimations in complex scenarios.
The authors also address the limitations of previous methods that did not account for causal pathways among risk factors, which could lead to biased results. They introduce the concept of pathway-specific PAFs (PS-PAFs) to measure the disease burden attributable to specific causal pathways, such as the relationship between smoking, blood pressure, and heart disease. Additionally, the paper outlines how graphPAF accommodates continuous risk factors and provides robust estimators for various PAF calculations, including joint, sequential, and average PAFs. The subsequent sections of the manuscript promise to delve deeper into the theoretical foundations and practical applications of graphPAF, offering a comprehensive guide for researchers in the field.
Discussion
In this section, the authors discuss the estimation of Population Attributable Fractions (PAF) for various study designs, including cross-sectional, case-control, and cohort studies. They define PAF for prevalent disease using the formula \( PAF = \frac{P(Y = 1) – P(Y_0 = 1)}{P(Y = 1)} \), where \( Y \) indicates the disease outcome in the current population and \( Y_0 \) represents the hypothetical outcome if the risk factor were eliminated. For incident disease in cohort studies, the authors present a time-dependent PAF estimation \( PAF(t) = \frac{P(T \leq t) – P(T_0 \leq t)}{P(T \leq t)} \), emphasizing the need for careful interpretation in the presence of competing events.
The authors outline the conditions necessary for unbiased estimation, including the Stable Unit Treatment Value Assumption (SUTVA) and the requirement for a sufficient adjustment set of covariates. They provide specific estimation formulas for different study designs, noting that cross-sectional designs utilize a standardization approach, while case-control studies require re-weighting to account for the sampling method. The section concludes with a discussion of the graphPAF package, which facilitates the estimation of PAF through various statistical models and provides tools for calculating confidence intervals and handling survey data. Overall, the authors emphasize the importance of robust methodologies and careful interpretation in PAF estimation across different epidemiological contexts.