Upload
phamquynh
View
216
Download
0
Embed Size (px)
Citation preview
Strategie analitiche per il controllo
del detection bias
Andrea Arfè
Anno accademico 2014-15
Lab
Tempo
• Esempio: studio di coorte su associazione fra statine e Diabete Mellito di Tipo 2
Farmacoepidemiologia
Il Detection Bias
Introduzione
N. individui
100
100
30
10
N. Eventi osservati
Tempo
• Esempio: studio di coorte su associazione fra statine e Diabete Mellito di Tipo 2
Farmacoepidemiologia
Il Detection Bias
Introduzione
N. Eventi osservatiN. individui
100
100
30
10
• Supponiamo che gli utilizzatori di statine siano sottoposti a più controlli medici.
Controllo medico
Tempo
• Esempio: studio di coorte su associazione fra statine e Diabete Mellito di Tipo 2
Farmacoepidemiologia
Il Detection Bias
Introduzione
N. Eventi osservatiN. individui
100
100
30
10
N. Eventi realmente
insorti
30
30
• Supponiamo che gli utilizzatori di statine siano sottoposti a più controlli medici.• Conseguenza: fra i non utilizzatori osservo meno casi di diabete di quelli realmente insorti
Controllo medico
Tempo
• Esempio: studio di coorte su associazione fra statine e Diabete Mellito di Tipo 2
Farmacoepidemiologia
Il Detection Bias
Introduzione
N. Eventi osservatiN. individui
100
100
30
10
N. Eventi realmente
insorti
30
30
• Supponiamo che gli utilizzatori di statine siano sottoposti a più controlli medici.• Conseguenza: fra i non utilizzatori osservo meno casi di diabete di quelli realmente insorti
Controllo medico
Anche se la terapia con statine non ha alcun effetto, potrebbe comunque risultare associata ad un rischio maggiore di diabete!
• Definizione di detection bias:
Farmacoepidemiologia
Il Detection Bias
Introduzione
• Detection bias negli studi di farmacoepidemiologia:
Farmacoepidemiologia
Il Detection Bias
Introduzione
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti della lezioneFarmacoepidemiologia
Il Detection Bias
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti:
1. Esempio: studio di coorte su associazione fra aderenza a
statine e rischio di diabete
2. Diagrammi causali per il detection bias
3. Due metodi analitici per il detection bias
3.1 Sensitivity analysis
3.2 Analisi condizionata
Farmacoepidemiologia
Il Detection Bias
Argomenti della lezione
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti:
1. Esempio: studio di coorte su associazione fra aderenza
a statine e rischio di diabete
2. Diagrammi causali per il detection bias
3. Due metodi analitici per il detection bias
3.1 Sensitivity analysis
3.2 Analisi condizionata
Farmacoepidemiologia
Il Detection Bias
Argomenti della lezione
• Studio di coorte sull’associazione fra aderenza alla terapia con statine e rischio di Diabete Mellito di Tipo II
• Fonte dei dati:
Archivio anagrafico
Archivio prescrizioni farmaceutiche
Archivio schede dimissione ospedaliere
Archivio visite ambulatoriali
Popolazione target: circa 10 milioni residenti
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
Farmacoepidemiologia
Il Detection Bias
• Definizione della coorte:- Pazienti eleggibili: adulti (40-80 anni) con almeno una prescrizione di statine nel 2003-2004
- Data di ingresso: data prima prescrizione di statine nel 2003-2004
- Criteri di esclusione:o Prescrizioni di statine nei 3 anni prima dell’ingresso o Storia di diabete (ospedalizzazioni o prescrizioni) nei 3 anni prima dell’ingresso
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Durata del follow-up:- Dall’ingresso della coorte fino al primo dei seguenti eventi:
o Inizio terapia con farmaci anti-diabeticio Morte/emigrazione/fine della registrazioneo Fine dello studio (31/12/2010)
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Durata del follow-up:- Dall’ingresso della coorte fino al primo dei seguenti eventi:
o Inizio terapia con farmaci anti-diabeticio Morte/emigrazione/fine della registrazioneo Fine dello studio (31/12/2010)
• Outcome dello studio:- Inizio terapia con antidiabetici, come proxy dell’insorgenza di Diabete Mellito di Tipo II
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Aderenza alle statine (esposizione in studio):- Valutata attraverso la Proportion of Days Covered (PDC):
o Molto bassa (PDC<25%) – RIFERIMENTOo Bassa (25%≤PDC<50%)o Intermedia (50% ≤ PDC<75%)o Alta (75% ≤PDC)
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Aderenza alle statine (esposizione in studio):- Valutata attraverso la Proportion of Days Covered (PDC):
o Molto bassa (PDC<25%) – RIFERIMENTOo Bassa (25%≤PDC<50%)o Intermedia (50% ≤ PDC<75%)o Alta (75% ≤PDC)
• Analisi statistica:- Stima Hazard Ratio (HR), con intervalli di confidenza al 95%, tramite modello di regressione di Cox con covariate tempo-dipendenti- Aggiustamento per covariate (e.g. età, genere, uso concomitante di altri farmaci, Charlson’s comorbidity score, …)
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Risultati: associazione aderenza-rischio di diabete
Membri della coorte: 567,122 nuovi utilizzatori di statine
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Risultati: sospetto detection bias
Membri della coorte: 567,122 nuovi utilizzatori di statine
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Farmacoepidemiologia
Il Detection Bias
Esempio: studio di coorte su aderenza
a statine e rischio di diabete
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti:
1. Esempio: studio di coorte su associazione fra aderenza a
statine e rischio di diabete
2. Diagrammi causali per il detection bias
3. Due metodi analitici per il detection bias
3.1 Sensitivity analysis
3.2 Analisi condizionata
Farmacoepidemiologia
Il Detection Bias
Argomenti della lezione
• Diagrammi causali: rappresentazione grafica di un insieme di relazioni causali fra determinati fattori
• Formati da un insieme di nodi legati da frecce:1. I nodi rappresentano dei fattori di interesse2. Le frecce rappresentano possibili meccanismi causali
intercorrenti fra i fattori rappresentati dai nodi
Greenland S, Pearl J, Robins JM. Causal diagrams for epidemiologic research. Epidemiology 1999; 10:37-48
Diagrammi causali:
Definizioni
Farmacoepidemiologia
Il Detection Bias
• Diagrammi causali: rappresentazione grafica di un insieme di relazioni causali fra determinate variabili
• Formati da un insieme di nodi legati da frecce:1. I nodi rappresentano dei fattori di interesse2. Le frecce rappresentano possibili meccanismi causali
intercorrenti fra i fattori rappresentati dai nodi
• Esempio:
Fattori: Diab (presenza diabete)Inc (incidente stradale)Osp (ospedalizzazione)
Diab Inc
Osp
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Definizioni
• Diagrammi causali: rappresentazione grafica di un insieme di relazioni causali fra determinate variabili
• Formati da un insieme di nodi legati da frecce:1. I nodi rappresentano dei fattori di interesse2. Le frecce rappresentano possibili meccanismi causali
intercorrenti fra i fattori rappresentati dai nodi
• Esempio:
Fattori: Diab (presenza diabete)Inc (incidente stradale)Osp (ospedalizzazione)
Diab Inc
Osp
Soffrire di diabete può portare ad una ospedalizzazione
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Definizioni
• Diagrammi causali: rappresentazione grafica di un insieme di relazioni causali fra determinate variabili
• Formati da un insieme di nodi legati da frecce:1. I nodi rappresentano dei fattori di interesse2. Le frecce rappresentano possibili meccanismi causali
intercorrenti fra i fattori rappresentati dai nodi
• Esempio:
Fattori: Diab (presenza diabete)Inc (incidente stradale)Osp (ospedalizzazione)
Diab Inc
Osp
Subire un incidente può portare ad una ospedalizzazione
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Definizioni
• Diagrammi causali: rappresentazione grafica di un insieme di relazioni causali fra determinate variabili
• Formati da un insieme di nodi legati da frecce:1. I nodi rappresentano dei fattori di interesse2. Le frecce rappresentano possibili meccanismi causali
intercorrenti fra i fattori rappresentati dai nodi
• Esempio:
Fattori: Diab (presenza diabete)Inc (incidente stradale)Osp (ospedalizzazione)
Diab Inc
Osp
Gli incidenti stradali NON causano il diabete!
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Definizioni
• Tassonomia (parziale) dei diagrammi causali:
Diagrammi diretti:
Diagrammi misti:
Lauritzen SL, Richardson TS. Chain graph models and their causal interpretations. J Roy Stat Soc B 2002; 64:321-61
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Tipi
• Tassonomia (parziale) dei diagrammi causali:
Hanno solo frecce con un singolo verso ben definito
A B A ha un effetto diretto su B
Diagrammi diretti:
Diagrammi misti:
Lauritzen SL, Richardson TS. Chain graph models and their causal interpretations. J Roy Stat Soc B 2002; 64:321-61
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Tipi
• Tassonomia (parziale) dei diagrammi causali:
Hanno solo frecce con un singolo verso ben definito
A B A ha un effetto diretto su B
Diagrammi diretti:
Diagrammi misti:
Lauritzen SL, Richardson TS. Chain graph models and their causal interpretations. J Roy Stat Soc B 2002; 64:321-61
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Tipi
A X B A ha un effetto indiretto su B (mediato da X)
• Tassonomia (parziale) dei diagrammi causali:
Hanno solo frecce con un singolo verso ben definito
A B A ha un effetto diretto su B
Diagrammi diretti:
Diagrammi misti:
Lauritzen SL, Richardson TS. Chain graph models and their causal interpretations. J Roy Stat Soc B 2002; 64:321-61
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Tipi
A X B A ha un effetto indiretto su B (mediato da X)
A X B A ha un sia un effetto diretto che indiretto su B
• Tassonomia (parziale) dei diagrammi causali:
Hanno solo frecce con un singolo verso ben definito
Ammettono anche frecce bidirezionali o archi non direzionali
A B
Diagrammi diretti:
Diagrammi misti:
A B
A e B possono essere associate per motivi causali o non-causali
Lauritzen SL, Richardson TS. Chain graph models and their causal interpretations. J Roy Stat Soc B 2002; 64:321-61
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Tipi
A B A ha un effetto diretto su B
A X B A ha un effetto indiretto su B (mediato da X)
A X B A ha un sia un effetto diretto che indiretto su B
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Usi
• I diagrammi causali forniscono uno strumento formale con una semantica precisa per rappresentare relazioni causali anche complesse.
Figure tratta da:van Kampen D. The SSQ model of schizophrenic prodromal unfolding revised: an analysis of its causal chains based on the language of directed graphs. Eur Psychiatry. 2014;29:437-48
Greenland S, Pearl J, Robins JM. Causal diagrams for epidemiologic research. Epidemiology 1999; 10:37-48Pearl J. Causal diagrams for empirical research. Biometrika 1995; 82:669-710Hernán MA, Hernández-DÍaz S, Robins JM. A structural approach to selection bias. Epidemiology 2004; 15:615-25Hernán MA, Cole SR. Causal diagrams and measurement bias. Am J Epidemiol 2009; 70:959-62
• La teoria dei diagrammi causali è molto ricca e ha trovato vari usi in Epidemiologia (cf. referenze sotto).
Da teoria diagrammi causali: • Deduzione di indipendenze condizionate (regole di d-separazione)• Selezione dei confondenti per l’aggiustamento• Rappresentazione formale di selection bias ed errori di misura• …
• Noi useremo dei diagrammi misti per descrivere formalmente il detection bias.
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali:
Usi
• Ipotetico studio di coorte:
Outcome(e.g. insorgenza diabete)
Esposizione(e.g. livello di aderenza alla
terapia con statine)
Diagrammi causali per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Ipotetico studio di coorte:
NON OSSERVATO
Outcome(e.g. insorgenza diabete)
Esposizione(e.g. livello di aderenza alla
terapia con statine)
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali per il
Detection Bias
• Ipotetico studio di coorte:
NON OSSERVATO
Outcome(e.g. insorgenza diabete)
Proxy dell’outcome(e.g. prescrizione di
farmaci antidiabetici)
Esposizione(e.g. livello di aderenza alla
terapia con statine)
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali per il
Detection Bias
• Ipotetico studio di coorte:
NON OSSERVATO
Outcome(e.g. insorgenza diabete)
Proxy dell’outcome(e.g. prescrizione di
farmaci antidiabetici)
Misura della «identificabilità»
dell’outcome(e.g. frequenza
controlli medici)
Esposizione(e.g. livello di aderenza alla
terapia con statine)
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali per il
Detection Bias
• Ipotetico studio di coorte:
Esposizione(e.g. livello di aderenza alla
terapia con statine)
NON OSSERVATO
Outcome(e.g. insorgenza diabete)
Proxy dell’outcome(e.g. prescrizione di
farmaci antidiabetici)
Misura della «identificabilità»
dell’outcome(e.g. frequenza
controlli medici)
DETECTION BIAS
Farmacoepidemiologia
Il Detection Bias
Diagrammi causali per il
Detection Bias
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti:
1. Esempio: studio di coorte su associazione fra aderenza a
statine e rischio di diabete
2. Diagrammi causali per il detection bias
3. Due metodi analitici per il detection bias
3.1 Sensitivity analysis
3.2 Analisi condizionata
Farmacoepidemiologia
Il Detection Bias
Argomenti della lezione
Sensitivity Analysis per il
Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
Farmacoepidemiologia
Il Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
)0|1Pr(
)1|1Pr(
EY
EYRR
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
)0|1Pr(
)1|1Pr(
EY
EYRR
)0|1Pr(
)1|1Pr(*
**
EY
EYRR
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
BiasRRRR *
Fattore di bias = ?
)0|1Pr(
)1|1Pr(
EY
EYRR
)0|1Pr(
)1|1Pr(*
**
EY
EYRR
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
• Assumendo l’assenza di falsi positivi (i.e. può essere Y*=1 solo se Y=1)
)1,1|1Pr( *1 EYYS
)0,1|1Pr( *0 EYYS
(dimostrazione in appendice)
)0|1Pr(
)1|1Pr(
EY
EYRR
)0|1Pr(
)1|1Pr(*
**
EY
EYRR
0
1*
S
SRRRR
Fattore di bias
Farmacoepidemiologia
Il Detection Bias
Sensitivity Analysis per il
Detection Bias
• Derivazione algebrica dell’effetto del detection bias:
• Assumendo l’assenza di falsi positivi (i.e. può essere Y*=1 solo se Y=1)
)1,1|1Pr( *1 EYYS
)0,1|1Pr( *0 EYYS
)0|1Pr(
)1|1Pr(
EY
EYRR
)0|1Pr(
)1|1Pr(*
**
EY
EYRR
1
0
1*
S
SRRRR
Formula per sensitivity analysis
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Applicazione a studio di coorte su aderenza a statine e rischio di diabete:
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Bias factor (S1 / S0)
Reference: very low adherence
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Applicazione a studio di coorte su aderenza a statine e rischio di diabete:
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
RR*
RR
Bias factor (S1 / S0)
Reference: very low adherence
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Applicazione a studio di coorte su aderenza a statine e rischio di diabete:
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigating the statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Bias factor (S1 / S0)
Reference: very low adherence
Sensitivity Analysis per il
Detection Bias
Farmacoepidemiologia
Il Detection Bias
• Quali strategie analitiche potrebbero essere adottate in caso di sospetto detection bias?
Argomenti:
1. Esempio: studio di coorte su associazione fra aderenza a
statine e rischio di diabete
2. Diagrammi causali per il detection bias
3. Due metodi analitici per il detection bias
3.1 Sensitivity analysis
3.2 Analisi condizionata
Farmacoepidemiologia
Il Detection Bias
Argomenti della lezione
•Analisi condizionata rispetto una misura di «identificabilità»
D = condizionamento rispetto a D(i.e. stratificazione, restrizione o aggiustamento per regressione)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
•Analisi condizionata rispetto una misura di «identificabilità»
D = condizionamento rispetto a D(i.e. stratificazione, restrizione o aggiustamento per regressione)
Razionale: negli strati di D il detection bias è assente perché tutti i soggetti che sviluppano l’outcome hanno la stessa probabilità che questo venga identificato
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
RRRRS
SRRRR 1
0
1*Negli strati di D: (dimostrazione in appendice)
0.6
0.8
1
1.2
1.4
1.6
0 1 2 >=3
PDC <25%
25% <= PDC <50%
50% <= PDC <75%
PDC >= 75%
Number of outpatient specialist visits
Haz
ard
rat
io o
f dia
bet
es
low
intermediate
high
very low
Adherence with statins
• Esempio: HR per associazione aderenza statine – diabete per numero di visite specialistiche nel primo anno di follow-up
Farmacoepidemiologia
Il Detection Bias
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigatingthe statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
D
Analisi condizionata rispetto misure di
«identificabilità»
0.6
0.8
1
1.2
1.4
1.6
0 1 2 >=3
PDC <25%
25% <= PDC <50%
50% <= PDC <75%
PDC >= 75%
Number of outpatient specialist visits
Haz
ard
rat
io o
f dia
bet
es
low
intermediate
high
very low
Adherence with statins
• Esempio: HR per associazione aderenza statine – diabete per numero di visite specialistiche nel primo anno di follow-up
Farmacoepidemiologia
Il Detection Bias
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigatingthe statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Analisi condizionata rispetto misure di
«identificabilità»
0.6
0.8
1
1.2
1.4
1.6
0 1 2 >=3
PDC <25%
25% <= PDC <50%
50% <= PDC <75%
PDC >= 75%
Number of outpatient specialist visits
Haz
ard
rat
io o
f dia
bet
es
low
intermediate
high
very low
Adherence with statins
• Esempio: HR per associazione aderenza statine – diabete per numero di visite specialistiche nel primo anno di follow-up
Farmacoepidemiologia
Il Detection Bias
Arfè A, Corrao G. Tutorial: Strategies addressing detection bias were reviewed and implemented for investigatingthe statins-diabetes association. J Clin Epidemiol 2014; 68:480-8
Analisi condizionata rispetto misure di
«identificabilità»
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
A B
C C è un collider
• Condizionare rispetto ad una variabile può introdurre una forma di bias detta collider stratification bias.
Cole SR, Platt RW, Schisterman EF, Chu H, Westreich D, Richardson D, Poole C. Illustrating bias due to conditioning on a collider. Int J Epidemiol 2010; 39:417-20
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
A B
C C è un collider
• Condizionare rispetto ad una variabile può introdurre una forma di bias detta collider stratification bias.
• Collider stratification bias:
Cole SR, Platt RW, Schisterman EF, Chu H, Westreich D, Richardson D, Poole C. Illustrating bias due to conditioning on a collider. Int J Epidemiol 2010; 39:417-20
A B
C
A e B non sono associate
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
A B
C C è un collider
• Condizionare rispetto ad una variabile può introdurre una forma di bias detta collider stratification bias.
• Collider stratification bias:
A B
C
A e B non sono associate
Condizionando rispetto a C
A B
C
A e B possono essere associate negli strati di C
Cole SR, Platt RW, Schisterman EF, Chu H, Westreich D, Richardson D, Poole C. Illustrating bias due to conditioning on a collider. Int J Epidemiol 2010; 39:417-20
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Esempio di collider stratification bias:
Mangiato pollo
Mangiato gamberi
Salmonella
(collider)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Esempio di collider stratification bias:
Mangiato pollo
Mangiato gamberi
Salmonella
Pollo (sì/no)
Gamberi (sì/no)
Salmonella (N)
No salmonella (N)
No No 1 99
Sì No 60 40
No Sì 60 40
Sì Sì 99 1(collider)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Esempio di collider stratification bias:
Mangiato pollo
Mangiato gamberi
Salmonella
Pollo (sì/no)
Gamberi (sì/no)
Salmonella (N)
No salmonella (N)
No No 1 99
Sì No 60 40
No Sì 60 40
Sì Sì 99 1
Associazione marginale pollo/gamberi:
99+ 1 60 + 40
60 + 40 1 + 99
Gamberi
Pollo
Sì No
Sì
No𝑂𝑅 =
99 + 1 ⋅ 1 + 99
60 + 40 ⋅ 60 + 40=
100 ⋅ 100
100 ⋅ 100= 1
No associazione
(collider)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Esempio di collider stratification bias:
Mangiato pollo
Mangiato gamberi
Salmonella
Pollo (sì/no)
Gamberi (sì/no)
Salmonella (N)
No salmonella (N)
No No 1 99
Sì No 60 40
No Sì 60 40
Sì Sì 99 1
Associazione pollo/gamberi nello strato degli individui con salmonella:
99 60
60 1
Gamberi
Pollo
Sì No
Sì
No𝑂𝑅 =
99 ⋅ 1
60 ⋅ 60= 0.0275 < 1
Associazione negativa
(collider)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Esempio di collider stratification bias:
Mangiato pollo
Mangiato gamberi
Salmonella
Pollo (sì/no)
Gamberi (sì/no)
Salmonella (N)
No salmonella (N)
No No 1 99
Sì No 60 40
No Sì 60 40
Sì Sì 99 1
Intuitivamente: • fra chi ne ha subito l’effetto (i.e. salmonella), la mancanza di una causa
(e.g. pollo) rende più probabile la presenza dell’altra (e.g. gamberi)
• Viceversa, fra chi non ne ha subito l’effetto (i.e. no salmonella), la presenza di una causa (e.g. pollo) rende meno probabile la presenza dell’altra (e.g. gamberetti)
Farmacoepidemiologia
Il Detection Bias
Analisi condizionata rispetto misure di
«identificabilità»
• Potenziale collider stratification bias in una analisi condizionata per il detection bias:
Prima di effettuare questo tipo di analisi occorre valutare la possibilità che la misura D di «identificabilità» sia un collider.
+ visite mediche+ visite mediche
Sottostimo associazione
Farmacoepidemiologia
Il Detection Bias
Conclusioni
1. Un possibile detection bias và sospettato ogniqualvolta l’outcome in studio viene identificato tramite proxy, e.g. negli studi di farmacoepidemiologia basati su healthcare utilization databases (HCU).
2. Nessuno dei due metodi illustrati può essere considerato superiore agli altri:
3. Considerare molteplici approcci può risultare la strategia ottimale.
4. I diagrammi causali possono aiutare nel comprendere la natura del problema e a valutare la validità dei metodi analitici considerati.
Sensitivity analysis:
Analisi condizionata:
Facile da implementare
Richiede conoscenza range plausibile per fattore di bias
Fornisce misure non distorte
Potenziale collider stratification bias
Appendici
• Dimostrazione formula per sensitivity analysis
Assunti: 1) Tutte le variabili sono dicotome (1=presenza, 0=assenza)2) No falsi positivi, i.e. Y=1 ogniqualvolta Y*=1
𝑅𝑅∗ =𝑃 𝑌∗ = 1 𝐸 = 1
𝑃 𝑌∗ = 1 𝐸 = 0
=𝑃 𝑌∗ = 1, 𝑌 = 1 𝐸 = 1
𝑃 𝑌∗ = 1, 𝑌 = 1 𝐸 = 0
=𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 1 ⋅ 𝑃 𝑌 = 1 𝐸 = 1
𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 0 ⋅ 𝑃 𝑌 = 1 𝐸 = 0
=𝑆1 ⋅ 𝑃 𝑌 = 1 𝐸 = 1
𝑆0 ⋅ 𝑃 𝑌 = 1 𝐸 = 0
=𝑆1𝑆0
⋅ 𝑅𝑅
Per l’assunto (2)
Per definizione
Per definizione
Per definizione
Per definizione
𝑅𝑅∗ = 𝑅𝑅 ⋅𝑆1𝑆0
𝑅𝑅 = 𝑅𝑅∗ ⋅𝑆1
𝑆0
−1
• Dimostrazione razionale analisi condizionata – parte 1
Assunti: 1) Tutte le variabili sono dicotome (1=presenza, 0=assenza)2) No falsi positivi, i.e. Y=1 ogniqualvolta Y*=13) Le relazioni fra le variabili E, D, Y, ed Y* sono correttamente rappresentate dal diagramma causale a destra.
Se le relazioni fra le variabili E, Y, Y* e D sono rappresentate daldiagramma causale a sinistra, allora è possibile dimostrare (usando il criterio di moralizzazione, c.f. Dawid, 2002) cheE ed Y* sono condizionatamente indipendenti date D ed Y:
𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 𝑒, 𝐷 = 𝑑 = 𝑃 𝑌∗ = 1 𝑌 = 1, 𝐷 = 𝑑per ogni 𝑒, 𝑑 = 0,1
Dawid P. Discussion on the paper by Lauritzen and Richardson. J Roy Stat Soc Ser B 2002; 64:348-61
Intuitivamente: D e Y bloccano tutti i meccanismi che rendono E ed Y* associate.
• Dimostrazione razionale analisi condizionata – parte 2
Assunti: 1) Tutte le variabili sono dicotome (1=presenza, 0=assenza)2) No falsi positivi, i.e. Y=1 ogniqualvolta Y*=13) Le relazioni fra le variabili E, D, Y, ed Y* sono correttamente rappresentate dal diagramma causale a destra.
Dato che 𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 𝑒, 𝐷 = 𝑑 = 𝑃 𝑌∗ = 1 𝑌 = 1, 𝐷 = 𝑑per ogni 𝑒, 𝑑 = 0,1 𝐧𝐞𝐥𝐥𝐨 𝐬𝐭𝐫𝐚𝐭𝐨 𝑫=𝒅 vale:
𝑅𝑅∗ =𝑃 𝑌∗ = 1 𝐸 = 1, 𝐷 = 𝑑
𝑃 𝑌∗ = 1 𝐸 = 0, 𝐷 = 𝑑
=𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 1, 𝐷 = 𝑑
𝑃 𝑌∗ = 1 𝑌 = 1, 𝐸 = 0, 𝐷 = 𝑑⋅𝑃 𝑌 = 1 𝐸 = 1, 𝐷 = 𝑑
𝑃 𝑌 = 1 𝐸 = 0, 𝐷 = 𝑑
=𝑃 𝑌∗ = 1 𝑌 = 1, 𝐷 = 𝑑
𝑃 𝑌∗ = 1 𝑌 = 1, 𝐷 = 𝑑⋅𝑃 𝑌 = 1 𝐸 = 1, 𝐷 = 𝑑
𝑃 𝑌 = 1 𝐸 = 0, 𝐷 = 𝑑
𝑃 𝑌 = 1 𝐸 = 1, 𝐷 = 𝑑
𝑃 𝑌 = 1 𝐸 = 0, 𝐷 = 𝑑= 𝑅𝑅
Per definizione
Per l’assunto (2)
Per definizione
Per indipendenza condizionata