#PAGE_PARAMS# #ADS_HEAD_SCRIPTS# #MICRODATA#

Analýza dat v neurologii LVI.
Koncept atributivního rizika v analýze populačních studií –  III. Preventabilní frakce


Autoři: L. Dušek;  T. Pavlík;  J. Jarkovský ;  J. Koptíková
Působiště autorů: Masarykova univerzita, Brno ;  Institut biostatistiky a analýz
Vyšlo v časopise: Cesk Slov Neurol N 2016; 79/112(2): 236-238
Kategorie: Okénko statistika

Předchozí díly seriálu se zabývaly konceptem atributivního rizika čistě z pohledu studia rizikových faktorů. Tedy faktorů, které při zkoumání jejich následku v asociačních studiích dosahují hodnot relativního rizika (RR) větších než 1. Odhady populační atributivní frakce (PAF) v takové situaci udávají podíl celkové incidence nemoci, který je důsledkem působení daného rizikového faktoru. Od těchto výpočtů pak můžeme odvodit kvantitativní odhad, kolika onemocněním můžeme v dané populaci zabránit, pokud příslušný rizikový faktor eliminujeme (viz díly 54 a 55 seriálu). Ačkoli tento kontext hodnocení rizikových faktorů v literatuře převažuje, rozhodně není jediný možný. Podobným způsobem můžeme samozřejmě hodnotit sílu vlivu a kvantitativní dopad i u faktorů protektivních. Interpretace zde bude logicky opačná, neboť jde o faktory definované hodnotami relativního rizika, případně poměru šancí (OR) menšími než 1.

U protektivních faktorů neodhadujeme atributivní riziko, ale tzv. preventabilní frakci (Preventive Fraction; PF), která udává podíl celkových případů onemocnění, jež nenastanou, pokud bude populace vystavena danému protektivnímu faktoru (ve srovnání s populací, na kterou protektivní faktor nepůsobí). Hodnotu PF jednoduše odvodíme z výsledku asociačních studií, které kvantifikovaly vliv protektivního faktoru pomocí RR (prospektivní studie) nebo OR (retrospektivní studie). Hodnotu PF pak vypočítáme jako:

PF = 1 –  RR

nebo

PF = 1 –  OR.

Je zřejmé, že platí následující vztah: čím silnější je vliv protektivního faktoru, tím nižších hodnot (vždy menších než 1) nabývá hodnota RR, případně OR, a tím větší je hodnota PF. A tím větší je tedy i podíl hypotetické celkové incidence onemocnění, který daný protektivní faktor eliminuje. Interpretační rozdíl oproti atributivnímu riziku je zřejmý. Chceme-li u rizikových faktorů snížit incidenční zátěž, kterou způsobují, hovoříme o eliminaci působení daného faktoru, v důsledku čehož proporcionálně klesne množství nemocných. U protektivních faktorů je situace jednodušší. Tyto faktory samy snižují počet nemocných, a výpočet PF tak lze přímočaře provést z odhadů RR či OR.

Preventabilní frakci můžeme také odhadnout z dostupných odhadů rizika výskytu nemoci v populaci exponované protektivním faktorem (RE) a rizika výskytu nemoci v populaci bez této expozice (RNE). Jelikož expozice zde snižuje riziko vzniku onemocnění, platí logicky:

PF = (RNE –  RE)/ RNE.

Ke kvantitativnímu odhadu populačního vlivu protektivních faktorů používáme obdobný koncept jako u faktorů rizikových a odhadujeme tzv. populační preventabilní frakci (Population Preventive Fraction; PPF). Tento ukazatel lze jednoduše definovat jako podíl hypotetické celkové zátěže populace danou nemocí (podíl celkové hypotetické incidence), kterému bylo zabráněno v důsledku expozice protektivním faktorem. Výpočet je opět relativně jednoduchý:

PPF = PE × (1 –  RR) = PE × PF,

kde PE je prevalence protektivního faktoru v celém vzorku (populaci).

Podobně jako u populačního atributivního rizika (PAR) výše uvedený vztah kvantifikuje populační dopad protektivního faktoru s ohledem na sílu jeho vlivu (čím nižší je hodnota RR, tím je protektivní vliv silnější) a s ohledem na jeho reálný výskyt v dané populaci (čím větší je prevalence PE, tím větší je zásah neboli expozice v populaci). Jako extrémní a spíše hypotetický příklad uveďme protektivní faktor, který se vyskytuje téměř u všech osob v dané populaci (např. PE = 0,95) a je přitom i velmi silný (např. RR = 0,05). Potom je hodnota PPF rovna 0,90 a kvantifikuje, že daný protektivní faktor zabrání až 90 % všech možných onemocnění ve srovnání s populací bez působení tohoto faktoru.

PF je evidentně odhadem potenciálního vlivu protektivního faktoru, který můžeme prediktivně aplikovat i v úvahách na úrovni jedince. PPF již ale pracuje s konkrétní populací a populační dopad preventivního faktoru váží i jeho skutečnou prevalencí, resp. prevalencí jeho expozice v populaci. Odhad PPF můžeme v podstatě označit za promítnutí efektu protektivních faktorů do reálné populace. Kvalitativní síla faktoru, tedy síla jeho vztahu k dané nemoci (zde měřená např. hodnotou RR < 1). přitom nemusí nijak souviset s jeho prevalencí a tedy s dostupností expozice v konkrétní populaci. Velmi silný protektivní faktor, s hodnotami RR výrazně nižšími než 1, tak může mít až zanedbatelný kvantitativní populační dopad v důsledku malé prevalence a naopak. Tuto skutečnost dokládá na různých kombinacích hodnot příklad 1.

Příklad 1. Výpočet a interpretace preventabilní frakce (PF) a populační preventabilní frakce (PPF).
Příklad 1. Výpočet a interpretace preventabilní frakce (PF) a populační preventabilní frakce (PPF).

Ačkoli výpočet a interpretaci PF přirovnáváme k již dříve vysvětlenému atributivnímu riziku a atributivní frakci, je nutné zdůraznit jeden zásadní rozdíl v interpretaci jinak velmi obdobných matematických vztahů. U atributivní frakce hodnotíme rizikový faktor, který navyšuje počet onemocnění, a tudíž zde hodnotíme skutečně pozorovaný počet nemocných (jevů) v exponované populaci i v populaci bez expozice. U PF však jde o hodnocení protektivního faktoru, a tedy v exponované populaci hodnotíme počet nepozorovatelných jevů (non-observable cases, counter-factual), neboť expozice zde zabránila jejich vzniku (ve srovnání s populací referenční). Mezi oběma koncepty tak není možné provádět přímočaré převody, neboť jejich referenční populace jsou nesouměřitelné. Například podíl všech nádorů plic, ke kterým by v konkrétní populaci nedošlo v důsledku zvýšení prevalence osob, jež přestaly kouřit (populační preventabilní frakce), není roven podílu nádorů plic, které se ve stejné populaci nově objeví v důsledku srovnatelného navýšení prevalence kuřáků. Tuto závažnou vlastnost obou konceptů přibližuje příklad 2.

Příklad 2. Vztah populační atributivní frakce (PAF) a populační preventabilní frakce (PPF).
Příklad 2. Vztah populační atributivní frakce (PAF) a populační preventabilní frakce (PPF).

Předchozí odstavec ovšem nijak nerelativizuje dosavadní výklad. Nadále platí, že odhady populační atributivní frakce (PAF) i populační preventabilní frakce (PPF) nabízejí interpretaci směřující k prevenci nemocí či jiných negativních jevů. Avšak jejich interpretace a zejména numerické hodnoty nejsou jednoduše zaměnitelné. Hodnota PAF rovna 75 % značí vliv velmi silného rizikového faktoru, který bude mít zřejmě i vysokou prevalenci. Interpretace říká, že kompletní eliminací tohoto faktoru můžeme dosáhnout až 75% redukce incidence nemoci, kterou daný faktor způsobuje. U exponované i neexponované populace můžeme v tomto případě experimentálně počty onemocnění pozorovat, exponovaná populace je pod vlivem rizikového faktoru. Stejná hodnota PPF je interpretována tak, že působení daného protektivního faktoru zabránilo vzniku 75 % všech potenciálně možných onemocnění (tedy na exponované populaci již nepozorovatelných).

Ve všech výše uvedených příkladech si na místě protektivního faktoru můžeme představit nejrůznější myslitelné vlastnosti jedinců v populaci, např. přítomnost genetických mutací, určitý somatotyp, stravovací zvyk, pravidelné rekreační sportování apod. Odsud je jen krůček k tomu, abychom jako protektivní faktor hodnotili nějakou cílenou zdravotnickou intervenci, která chce dosáhnout navýšení prevalence protektivních, pozitivních atributů dané populace, např. včasné diagnostické vyšetření, skríning, kampaň omezující kouření apod. Účinný zásah této intervence u daného jedince nahrazuje v naší terminologii expozici (hodnota PE pak vyjadřuje např. podíl osob zapojených do skríningu) a odhady PFPPF mohou sloužit k zpětnému hodnocení nebo k prospektivní optimalizaci preventivních populačních programů. Při hodnocení dopadu zdravotnických intervencí v reálné populaci ovšem do hry vstupuje více faktorů a nevystačíme pouze s teoretickými modely. Této problematice budeme věnovat další díl seriálu.

doc. RNDr. Ladislav Dušek, Ph.D.

Institut biostatistiky a analýz

MU, Brno

e mail: dusek@iba.muni.cz


Štítky
Dětská neurologie Neurochirurgie Neurologie

Článek vyšel v časopise

Česká a slovenská neurologie a neurochirurgie

Číslo 2

2016 Číslo 2

Nejčtenější v tomto čísle
Přihlášení
Zapomenuté heslo

Zadejte e-mailovou adresu, se kterou jste vytvářel(a) účet, budou Vám na ni zaslány informace k nastavení nového hesla.

Přihlášení

Nemáte účet?  Registrujte se

#ADS_BOTTOM_SCRIPTS#