DOI: https://doi.org/10.1007/s10654-023-01063-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38170371
تاريخ النشر: 2024-01-03
المؤلف: John Ferguson وآخرون
الموضوع الرئيسي: طرق إحصائية واستدلال بايزي
نظرة عامة
في عام 1953، اقترح مورتون ليفين طريقة لتقدير النسب المئوية المنسوبة للسكان (PAF) بناءً فقط على انتشار عوامل الخطر ومخاطرها النسبية. لا تزال هذه الطريقة شائعة، خاصة في السيناريوهات التي تفتقر إلى بيانات على مستوى الأفراد. ومع ذلك، يُعترف بأن نهج ليفين يمكن أن يؤدي إلى انحياز تقاربي في تقديرات PAF عندما تكون العلاقة بين عوامل الخطر والمرض مشوشة، حتى عند استخدام المخاطر النسبية المعدلة.
يقدم المؤلفون إعادة تعبير عن تقدير ميتينين الذي يتضمن المخاطر النسبية السببية، والمخاطر النسبية غير المعدلة، وانتشار عوامل الخطر في السكان. على الرغم من أن هذه الإعادة ليست جديدة، إلا أنها لم تُعترف بها على نطاق واسع في الأدبيات الحالية. يمكن أن يعزز المُقدّر المقترح تقدير PAF في السكان الذين لا تتوفر لديهم بيانات فردية، رهناً بالقدرة على نقل المخاطر النسبية المعدلة وغير المعدلة إلى السكان المستهدفين. علاوة على ذلك، يستنتج المؤلفون صيغ تحليلية جديدة لتقييم الانحياز النسبي والمطلق في صيغة ليفين، بناءً على النتائج السابقة المستندة إلى المحاكاة التي أجراها دارو وستينلاند. يتم توسيع النتائج لتشمل عوامل الخطر غير الثنائية والتعرضات المستمرة، مع التأكيد على تداعياتها العملية لتقدير PAF.
مقدمة
تناقش مقدمة الورقة النسبة المئوية المنسوبة للسكان (PAF)، وهي مقياس حاسم في علم الأوبئة يقيس نسبة حالات المرض في السكان التي يمكن تجنبها إذا تم القضاء على عامل خطر معين. تعتبر PAF أداة مهمة في تقييم أهمية عوامل الخطر في تسبب الأمراض وفي توجيه التدخلات الصحية. تم تطبيق هذا المفهوم على نطاق واسع في دراسات مختلفة، بما في ذلك تلك التي تفحص تأثير التدخين على سرطان الرئة وعوامل الخطر القابلة للتعديل للأمراض مثل النقرس والاكتئاب عبر مجموعات سكانية مختلفة.
رياضياً، يمكن التعبير عن PAF كالتالي:
\[
\text{PAF} = \frac{P(Y = 1) – P(Y_0 = 1)}{P(Y = 1)}
\]
حيث \( P(Y = 1) \) هو انتشار المرض في السكان الحاليين و\( P(Y_0 = 1) \) هو الانتشار الافتراضي بدون عامل الخطر. تؤكد الورقة على أن تعريف عوامل الخطر مقصور على تلك التي لها ارتباطات سببية مع المرض، وتوضح التعقيدات المعنية في تقدير PAF، خاصة عندما تكون بيانات الأفراد غير متاحة. في مثل هذه الحالات، يتم استخدام طرق بديلة، مثل تلك التي اقترحها مورتون ليفين، لتقدير PAF باستخدام بيانات على مستوى السكان ومخاطر نسبية سببية، على الرغم من أن هذه التقديرات قد تختلف عن PAF الحقيقي ما لم يتم استيفاء شروط معينة، مثل القابلية للتبادل الهامشي.
مناقشة
في قسم المناقشة هذا، يقوم المؤلفون بتقييم نقدي لاستخدام صيغ مختلفة لتقدير النسبة المئوية المنسوبة للسكان (PAF) في الدراسات الوبائية، مع التركيز بشكل خاص على مقارنة صيغة ميتينين مع صيغة ليفين. تُظهر طريقة ميتينين، التي تتضمن انتشار التعرض بين الحالات، أنها تعطي تقديرات دقيقة لـ PAF حتى في وجود التشويش، بشرط أن تظل المخاطر النسبية السببية (RR_C) ثابتة عبر طبقات مختلفة من المشوشات. بالمقابل، فإن صيغة ليفين عرضة لانحياز كبير، خاصة عندما يتم استخدام المخاطر النسبية غير المعدلة (RR_U) في البيئات الملاحظة حيث من المحتمل حدوث التشويش. يؤكد المؤلفون أنه بينما قد تنتج صيغة ليفين نتائج صحيحة تحت ظروف معينة (مثل عدم وجود تشويش)، إلا أنها يمكن أن تؤدي إلى استنتاجات خاطئة حول اتجاه العلاقة عند تطبيقها بشكل غير صحيح.
كما يسلط المؤلفون الضوء على قيود طرقهم المقترحة، خاصة فرضية قابلية نقل المخاطر النسبية عبر السكان، والتي قد لا تكون صحيحة في الممارسة العملية. يدعون إلى استخدام صيغة ميتينين عندما تكون كل من المخاطر النسبية غير المعدلة والسببية متاحة، مع التحذير من الممارسة الشائعة لتطبيق صيغة ليفين مع المخاطر النسبية غير المعدلة. تختتم المناقشة بالاعتراف بالتعقيدات المعنية في تقدير PAF، خاصة في وجود تعديل التأثير وتفاوت المخاطر النسبية السببية عبر طبقات المشوشات، وتقترح أن هناك حاجة لمزيد من البحث لتحسين هذه التقديرات في التطبيقات الواقعية.
DOI: https://doi.org/10.1007/s10654-023-01063-8
PMID: https://pubmed.ncbi.nlm.nih.gov/38170371
Publication Date: 2024-01-03
Author(s): John Ferguson et al.
Primary Topic: Statistical Methods and Bayesian Inference
Overview
In 1953, Morton Levin proposed a method for estimating population attributable fractions (PAF) based solely on the prevalence of risk factors and their relative risks. This method remains prevalent, particularly in scenarios lacking individual-level data. However, it is recognized that Levin’s approach can yield asymptotic bias in PAF estimates when the relationship between risk factors and disease is confounded, even when using adjusted relative risks.
The authors present a re-expression of Miettinen’s estimand that incorporates the causal relative risk, unadjusted relative risk, and the prevalence of risk factors in the population. Although this re-expression is not novel, it has not been widely acknowledged in existing literature. The proposed estimator could enhance PAF estimation in populations without individual data, contingent upon the ability to transport adjusted and unadjusted relative risks to the target population. Furthermore, the authors derive new analytic formulas for assessing the relative and absolute asymptotic bias in Levin’s formula, building on previous simulation-based findings by Darrow and Steenland. The results are extended to accommodate non-binary risk factors and continuous exposures, emphasizing their practical implications for PAF estimation.
Introduction
The introduction of the paper discusses the Population Attributable Fraction (PAF), a crucial metric in epidemiology that quantifies the proportion of disease cases in a population that could be prevented if a specific risk factor were eliminated. PAF is instrumental in evaluating the significance of risk factors in disease causation and in guiding health interventions. The concept has been widely applied in various studies, including those examining the impact of smoking on lung cancer and modifiable risk factors for diseases such as gout and depression across different populations.
Mathematically, PAF can be expressed as:
\[
\text{PAF} = \frac{P(Y = 1) – P(Y_0 = 1)}{P(Y = 1)}
\]
where \( P(Y = 1) \) is the prevalence of disease in the current population and \( P(Y_0 = 1) \) is the hypothetical prevalence without the risk factor. The paper emphasizes that the definition of risk factors is restricted to those with causal associations with disease, and it outlines the complexities involved in estimating PAF, particularly when individual-level data is unavailable. In such cases, alternative methods, such as those proposed by Morton Levin, are employed to estimate PAF using population-level data and causal relative risks, although these estimates may differ from the true PAF unless certain conditions, such as marginal exchangeability, are met.
Discussion
In this discussion section, the authors critically evaluate the use of different formulas for estimating the Population Attributable Fraction (PAF) in epidemiological studies, particularly contrasting Miettinen’s formula with Levin’s formula. Miettinen’s approach, which incorporates the prevalence of the exposure among cases, is shown to yield accurate PAF estimates even in the presence of confounding, provided that the causal relative risk (RR_C) remains constant across different strata of confounders. In contrast, Levin’s formula is prone to significant bias, particularly when unadjusted relative risks (RR_U) are used in observational settings where confounding is likely. The authors emphasize that while Levin’s formula may produce correct results under certain conditions (e.g., no confounding), it can lead to erroneous conclusions about the direction of the association when applied incorrectly.
The authors also highlight the limitations of their proposed methods, particularly the assumption of transportability of relative risks across populations, which may not hold true in practice. They advocate for the use of Miettinen’s formula when both unadjusted and causal relative risks are available, while cautioning against the common practice of applying Levin’s formula with unadjusted relative risks. The discussion concludes by acknowledging the complexities involved in estimating PAF, particularly in the presence of effect modification and varying causal relative risks across confounder strata, and suggests that further research is needed to refine these estimations in real-world applications.