Bias och confounding

Bias är systematiska fel som gör att en observerad association avviker från den avsedda deskriptiva eller kausala parametern. Confounding är den särskilda bias som uppstår när jämförelsegrupper inte är utbytbara därför att gemensamma orsaker påverkar både exponering och utfall. Korrekt kontroll kräver en kausalt motiverad studiedesign och variabelselektion – inte rutinmässig justering för alla tillgängliga kovariater.

Grundbegrepp: bias, confounding och kausal effekt

Bias är ett systematiskt fel i skattningen av en parameter. Om samma studieprincip upprepades i mycket stora stickprov skulle skattningen ändå i genomsnitt avvika från målparametern. Bias kan uppstå genom bland annat confounding, selektion, felaktig mätning, olämplig tidsindelning eller misspecificerad analys. Den kan förstora eller försvaga en verklig effekt, skapa en skenbar effekt när den sanna effekten är noll eller reversera effektens riktning.

Bias ska skiljas från slumpfel, som ger variation mellan upprepade stickprov. Slumpfelet minskar vanligen när stickprovsstorleken ökar och uttrycks med standardfel och konfidensintervall. Låg precision innebär breda konfidensintervall men behöver inte innebära systematiskt fel. Ett mycket precist estimat kan samtidigt vara kraftigt biased. Varken ett lågt p-värde eller ett smalt konfidensintervall skyddar därför mot confounding eller annan bias.

Bias avser främst studiens interna validitet. Bristande extern validitet är något annat: en korrekt skattad effekt i studiepopulationen behöver inte kunna generaliseras till exempelvis äldre, multisjuka eller patienter med annan baslinjerisk. En studie kan således ha god intern men begränsad extern validitet, eller tvärtom omfatta en representativ population men ändå ge en internt biased jämförelse.

Vid kausal inferens skiljs den observerade fördelningen (P(Y\mid X=x)) från den interventionella fördelningen (P(Y\mid do(X=x))). Den senare beskriver vad som skulle hända om exponeringen tilldelades genom en intervention, så att dess naturliga orsaker kopplades bort. Confounding föreligger när exponerade och oexponerade inte är utbytbara: deras potentiella utfall hade skilt sig även om båda grupperna hade fått samma exponering.

Kausala estimand och effektskalor

Bias kan endast bedömas i förhållande till ett fördefinierat estimand, det vill säga den exakta parameter som studien ska skatta. Relevanta estimand är bland annat total effekt, kontrollerad eller naturlig direkt effekt, genomsnittlig behandlingseffekt i målpopulationen, average treatment effect (ATE), och genomsnittlig effekt bland faktiskt behandlade, average treatment effect among the treated (ATT). Valet bestämmer vilka personer, utfallstidpunkter, interventioner och mediatorer som är relevanta.

Den totala effekten omfattar alla kausala vägar från exponering till utfall. En direkt effekt exkluderar däremot en eller flera medierade vägar och kräver ytterligare antaganden om hur mediatorn definieras och interveneras på. Även behandlingsstrategin måste vara entydig: ”behandlad” kan exempelvis betyda behandlingsstart, faktisk följsamhet under 12 månader eller en dynamisk dosstrategi. Otydliga interventioner ger ett otydligt estimand även om den statistiska modellen är avancerad.

Confoundingens riktning och storlek är skalberoende. På additiv skala kan sambandet illustreras som

[ \text{observerad effekt}=\text{sann kausal effekt}+\text{bias}. ]

För relativa effektmått kan det i stället uttryckas som

[ \text{observerad relativ effekt} =\text{sann relativ effekt}\times\text{biasfaktor}. ]

En faktor över 1 förstärker ett relativt estimat medan en faktor under 1 försvagar det, men tolkningen beror också på den sanna effektens riktning. Samma datamaterial kan visa liten effektmodifiering på multiplikativ skala men tydlig heterogenitet i absolut riskdifferens, särskilt när baslinjerisken varierar mellan kliniska grupper.

Confoundingens mekanism

Anta att (X) är behandling, (Y) mortalitet och (Z) sjukdomsgrad. Om svårare sjuka oftare behandlas påverkar (Z) sannolikheten för (X). Samtidigt ökar sjukdomsgraden mortaliteten oberoende av behandlingen. Då finns den icke-kausala vägen

[ X\leftarrow Z\rightarrow Y. ]

Jämförelsegrupperna har olika prognos redan före behandlingsstart. Den observerade mortalitetsskillnaden bland behandlade och obehandlade blandar därför behandlingens effekt med den högre baslinjerisken bland behandlade. En effektiv behandling kan framstå som verkningslös eller skadlig om denna prognostiska obalans inte hanteras.

Klassiskt anges tre kriterier för en möjlig confounder: variabeln ska vara associerad med exponeringen i källpopulationen, ha en självständig relation till utfallet och inte ligga på den kausala vägen från exponering till utfall. Kriterierna är användbara för orientering men inte tillräckliga. En variabel kan uppfylla statistiska associationskriterier och ändå vara olämplig att justera för, exempelvis om den är en collider eller en konsekvens av exponeringen.

Modern kausal inferens definierar därför confounders genom deras roll i ett minimalt tillräckligt justeringsset. Ett sådant set blockerar alla öppna backdoor-vägar mellan exponering och utfall, och ingen variabel kan tas bort utan att minst en sådan väg åter öppnas. Definitionen gäller i första hand en mängd variabler; varje enskild confounder behöver inte själv vara en direkt gemensam orsak.

Kliniska former av confounding

Confounding by indication är centralt i läkemedelsepidemiologi. Indikationen, sjukdomsgraden eller den förväntade prognosen påverkar behandlingsvalet och är samtidigt kopplad till utfallet. Patienter med septisk chock får exempelvis mer intensiv behandling än stabila patienter men har också högre mortalitet. Ett rått estimat kan därmed få behandlingen att se skadlig ut trots en gynnsam kausal effekt.

När läkare styr vissa patienter mot ett visst preparat talar man om channeling bias. Ett nytt läkemedel kan exempelvis företrädesvis ges till terapiresistenta eller särskilt sköra patienter. Contraindication bias innebär det omvända: patienter med hög komplikationsrisk undviker en behandling, vilket kan få behandlingen att framstå som säkrare. New-user-design, aktiv komparator och detaljerad mätning av sjukdomsgrad kan reducera men inte automatiskt eliminera dessa problem.

Healthy-user-bias uppstår när personer som initierar eller följer preventiv behandling även motionerar mer, röker mindre, deltar i screening och följer andra medicinska råd. En observerad skyddseffekt kan då delvis bero på dessa beteenden. Socioekonomiska faktorer, utbildning, bostadsområde, livsstil och genetiska egenskaper kan på motsvarande sätt påverka både exponering och sjukdomsrisk.

Klassiska exempel är att rökning kan sammanblanda sambandet mellan alkoholkonsumtion och lungcancer, och att maternell ålder sammanblandar sambandet mellan födelseordning och trisomi 21. Tidsberoende confounding föreligger när en prognostisk faktor förändras under uppföljningen och påverkar senare behandling. Problemet blir särskilt komplext om faktorn själv har påverkats av tidigare behandling, exempelvis när tidigare glukokortikoiddos påverkar aktuell sjukdomsaktivitet, som i sin tur styr nästa dos.

Selektionsbias

Selektionsbias uppstår när inklusion, deltagande, fortsatt uppföljning eller analysvillkor beror på faktorer som är relaterade till både exponering och utfall. Den analyserade populationen representerar då inte den kausala jämförelse som estimandet avser. Problemet är inte bara att deltagarna avviker från allmänbefolkningen, utan att selektionsmekanismen förvränger associationen inom analysmaterialet.

Självselektion och non-response kan ge bias om deltagande exempelvis påverkas av både hälsomedvetenhet och sjukdom. Differential loss to follow-up uppstår när sannolikheten för bortfall beror på exponering och framtida utfall eller deras orsaker. Komplett-fallanalys är endast oskadlig under särskilda antaganden; stort respektive litet bortfall är inte i sig tillräckligt för att avgöra biasens storlek.

Selektionsbias kan förstås som collider-bias. Om både exponering och utfall påverkar deltagande (S), bildas strukturen (X\rightarrow S\leftarrow Y). I källpopulationen är vägen blockerad vid collidern, men när analysen villkoras på (S=1) öppnas den. Därmed kan en association skapas även om (X) och (Y) var oberoende före selektionen. Invers sannolikhetsviktning för deltagande eller censurering kan användas om selektionsmekanismens relevanta orsaker har mätts korrekt.

Informationsbias och felklassificering

Informationsbias beror på systematiska fel i mätningen eller klassificeringen av exponering, utfall eller kovariater. Recall bias uppstår exempelvis när fall minns tidigare exponering annorlunda än kontroller. Intervjuar- och observatörsbias innebär att datainsamlarens kännedom om exponering eller diagnos påverkar bedömningen. Standardiserade protokoll, blindad utfallsbedömning och registerbaserade mätningar kan minska men inte alltid eliminera felen.

Vid detection- eller surveillance bias övervakas en grupp mer intensivt och får därför fler diagnoser. Ett läkemedel kan då förefalla öka risken för en laboratorie- eller bilddiagnostiskt upptäckt sjukdom enbart därför att användarna provtas oftare. Kalibreringsfel kan på motsvarande sätt ge systematiskt för höga eller låga värden; batch-effekter och förändrade laboratoriemetoder kan dessutom skapa tidsrelaterad differential mätning.

Felklassificering är differential om sensitivitet eller specificitet skiljer sig efter den andra variabelns status, exempelvis om exponering mäts noggrannare bland fall. Den kan då ge bias i valfri riktning. Icke-differential felklassificering av en dikotom exponering förskjuter ofta ett effektmått mot noll när felen är oberoende och vissa ytterligare villkor gäller, men detta är ingen allmän regel. Flerkategorivariabler, beroende mätfel och felklassificering av både exponering och utfall kan ge annan riktning.

Sensitivitet är sannolikheten att klassificera verkligt exponerade eller sjuka korrekt, medan specificitet är motsvarande sannolikhet bland verkligt oexponerade eller friska. Positivt prediktivt värde påverkas dessutom starkt av prevalensen. Vid låg exponeringsprevalens kan även måttligt bristande specificitet skapa många falskt positiva, så att en liten systematisk skillnad i specificitet mellan utfallsgrupper ger betydande bias. Mätfel i confounders leder ofta till ofullständig kontroll och därmed residual confounding.

Mediator, collider och effektmodifierare

En confounder är en orsak till både exponering och utfall: (Z\rightarrow X) och (Z\rightarrow Y). En mediator ligger däremot efter exponeringen på en kausal väg, (X\rightarrow M\rightarrow Y). Justering för mediatorn tar normalt bort åtminstone en del av den totala effekten. Om estimandet är total effekt är mediatorn därför vanligen en olämplig justeringsvariabel; om estimandet är en direkt effekt krävs en särskild mediationsanalys och starkare antaganden.

En collider är en gemensam effekt, exempelvis (X\rightarrow C\leftarrow Y). Utan villkorande är vägen blockerad. Justering, matchning, restriktion eller selektion på (C), eller ibland på dess efterkommande, kan öppna vägen och framkalla bias. Principen förklarar bland annat Berksons bias, survivor bias och vissa snedvridningar i analyser som begränsas till patienter med en viss diagnos.

Effektmodifiering eller interaktion innebär att behandlingseffekten varierar mellan nivåer av en annan variabel, exempelvis att en behandling har större absolut nytta hos patienter med hög baslinjerisk. Detta är ett kliniskt fynd, inte en bias som ska elimineras. Effekter bör skattas och rapporteras per relevant stratum med konfidensintervall. Effektmodifiering måste alltid knytas till en skala: frånvaro av interaktion på relativ skala utesluter inte heterogenitet i riskdifferens.

Identifiering med kausala diagram

En riktad acyklisk graf, DAG, består av noder för variabler och pilar för antagna direkta kausala relationer. Grafen är riktad eftersom pilarna har en riktning och acyklisk eftersom ingen variabel kan vara sin egen orsak via en sluten pilkedja. En förfader till (X) har en riktad väg till (X); en efterkommande ligger nedströms från (X).

En väg är en följd av sammanhängande pilar oavsett pilriktning. Icke-collider-noder blockerar en väg när man villkorar på dem, medan collider-noder normalt blockerar vägen utan justering men kan öppna den efter villkorande. En backdoor-väg mellan (X) och (Y) börjar med en pil in i (X). Den förmedlar association som inte är en del av den avsedda kausala effekten.

Backdoor-kriteriet anger att ett tillräckligt justeringsset ska blockera alla sådana vägar och inte innehålla exponeringens efterkommande. Flera alternativa set kan finnas. I strukturen (X\leftarrow A\leftarrow B\rightarrow Y) kan exempelvis justering för (A) eller (B) vara tillräcklig, beroende på resten av grafen. Ett minimalt set är ofta att föredra framför att inkludera alla tillgängliga variabler, eftersom onödig justering kan minska precisionen eller öppna collider-vägar.

DAG-strukturen ska formuleras från biologisk, klinisk och organisatorisk kunskap före analys. Data kan informera om mätbara associationer men kan inte ensamma fastställa pilarnas riktning eller utesluta omätta gemensamma orsaker. Två olika kausala grafer kan ge samma observerade sannolikhetsfördelning men kräva olika justering.

Empirisk bedömning och stratifierad analys

Baslinjefördelningar bör jämföras mellan exponeringsgrupper med avseende på kliniskt relevanta prognostiska faktorer. Skillnader i ålder, samsjuklighet, sjukdomsgrad, tidigare behandling och vårdkontakter kan indikera bristande jämförbarhet. Frånvaro av statistiskt signifikanta skillnader visar däremot inte att confounding saknas; bedömningen bör baseras på storlek, precision och kausal relevans.

Vid stratifiering korsklassificeras exponering och utfall inom nivåer av en möjlig confounder. Om strataspecifika effektmått är någorlunda homogena kan de sammanfattas. För stratum (k), med cellerna (a_k,b_k,c_k,d_k) och totalen (n_k), är Mantel–Haenszels justerade oddskvot

[ OR_{MH}= \frac{\sum_k(a_kd_k/n_k)} {\sum_k(b_kc_k/n_k)}. ]

Betydande variation mellan strataspecifika estimat talar för att ett enda sammanfattande mått kan vara kliniskt missvisande och att effektmodifiering eller modellproblem bör utredas. Homogenitet ska inte bedömas enbart med ett interaktionstest, eftersom sådana test ofta har låg styrka.

Simpsons paradox innebär att den aggregerade associationen försvinner eller reverseras efter stratifiering. Det kan inträffa när confounderns nivåer är ojämnt fördelade mellan exponeringsgrupperna. Vilket estimat som är relevant avgörs av den kausala frågan och datagenereringen, inte av att det råa eller stratifierade resultatet verkar mer intuitivt.

Ett change-in-estimate-kriterium på omkring 10 procent används ibland: om exponeringsestimatet ändras minst så mycket efter kovariatjustering bedöms confounding vara betydelsefull. Detta är endast en pragmatisk tumregel. Det är varken en kausal definition eller ett statistiskt test och kan missa gemensamma effekter av flera variabler, skaleffekter och confounding som samtidigt motverkar varandra.

Kontroll vid studiedesign

Randomisering gör behandlingen oberoende av deltagarnas prognostiska faktorer i förväntan och kan därför balansera både kända och okända confounders. Den garanterar dock inte exakt balans i en enskild, särskilt liten, studie. Stratifierad eller blockerad randomisering kan användas för viktiga prognosfaktorer. Allocation concealment förhindrar att den kommande tilldelningen påverkar inklusionen och skyddar därmed själva randomiseringsprocessen.

Blindning fyller en annan funktion. Den motverkar främst skillnader i samtidig vård, följsamhet, rapportering och utfallsbedömning, det vill säga prestations- och bedömningsbias. Blindning skapar inte utbytbarhet om allokeringen från början varit confounded. Tillräcklig stickprovsstorlek behövs både för precision och för att stora prognostiska obalanser ska bli mindre sannolika.

Restriktion begränsar populationen till en nivå av en möjlig confounder, exempelvis en viss åldersgrupp. Metoden är enkel men förhindrar analys av den begränsade variabelns effektmodifiering och minskar generaliserbarheten. Den kan också minska rekryteringstakten och precisionen.

Vid individuell matchning kopplas varje fall eller exponerad till en eller flera jämförelsepersoner med liknande kovariatprofil. Frekvensmatchning eftersträvar i stället samma övergripande fördelning av matchningsvariabler. Matchningen måste beaktas i analysen, exempelvis med betingad logistisk regression för individuellt matchade fall–kontrollstudier. Overmatching på mediatorer, collider-relaterade variabler eller faktorer starkt kopplade till exponeringen men inte utfallet kan ge bias eller onödig precisionsförlust. Matchning och restriktion är designåtgärder och ska skiljas från stratifiering och standardisering efter datainsamlingen.

Statistisk justering av uppmätta confounders

Standardisering skapar jämförbara grupper genom att väga strataspecifika risker eller rater mot samma kovariatfördelning. Vid direkt standardisering appliceras gruppernas strataspecifika mått på en gemensam standardpopulation. Vid indirekt standardisering appliceras referenspopulationens strataspecifika rater på studiepopulationen; kvoten mellan observerat och förväntat antal händelser kan exempelvis uttryckas som standardiserad mortalitetskvot.

Regressionsmodell väljs efter utfall och estimand. Linjär regression används för kontinuerliga utfall, logistisk regression för binära utfall, Poisson- eller närliggande modeller för händelser och persontid samt Coxregression för tid till händelse. Kontinuerliga confounders bör inte rutinmässigt delas vid godtyckliga gränser. Flexibla splines eller andra icke-linjära funktioner bevarar information och minskar residual confounding från felaktig funktionell form.

Om (Z) är ett tillräckligt justeringsset kan den kausala fördelningen identifieras genom

[ P(Y\mid do(X=x)) =\sum_z P(Y\mid X=x,Z=z)P(Z=z). ]

Formeln standardiserar de kovariatspecifika utfallen till en gemensam fördelning av (Z). För kontinuerliga variabler ersätts summan av en integral.

Tolkningen kräver utbytbarhet givet (Z), positivitet och konsistens. Positivitet innebär att varje relevant kovariatprofil har en positiv sannolikhet för samtliga jämförda exponeringar. Konsistens innebär att det observerade utfallet under den faktiska exponeringen motsvarar det potentiella utfallet under samma väl definierade intervention. Därutöver krävs korrekta mätningar, lämplig tidsordning och tillräckligt specificerad modell.

Felkällor omfattar residual confounding, multikollinearitet, glesa celler, överanpassning och extrapolation utanför gemensamt stöd. Oddskvoter och hazardkvoter är dessutom non-collapsible: ett justerat och ett ojusterat mått kan skilja sig även utan confounding. En förändring efter justering kan därför inte automatiskt tolkas som mängden borttagen bias.

Propensity score och tidsvarierande confounding

Propensity score är sannolikheten för exponering givet uppmätta baslinjekovariater:

[ e(Z)=P(X=1\mid Z). ]

Den sammanfattar flera kovariater till en behandlingssannolikhet och kan användas för matchning, stratifiering, kovariatjustering eller invers sannolikhetsviktning. Metoden kontrollerar endast variabler som mätts och modellerats; en välbalanserad propensity score-analys eliminerar inte omätt confounding.

Efter matchning eller viktning ska kovariatbalans granskas snarare än enbart modellens diskrimination. Standardiserad medelskillnad, SMD, används för kontinuerliga och binära variabler. (|SMD|<0,1) betraktas ofta som pragmatiskt acceptabel balans, men gränsen är inte absolut och bör kompletteras med fördelningsdiagram, variansjämförelser och kontroll av kliniskt centrala kovariater.

Vid invers sannolikhetsviktning får behandlade vanligen vikten (1/e(Z)) och obehandlade (1/[1-e(Z)]) för ett ATE-liknande estimand. Propensity scores nära 0 eller 1 ger extrema vikter, hög varians och stor känslighet för enskilda observationer. Stabiliserade vikter, trimning eller begränsning till populationen med common support kan förbättra precisionen men ändrar ibland målpopulationen och därmed estimandet.

Konventionell regression kan vara biased vid tidsvarierande confounding om en kovariat både påverkar senare behandling och själv har påverkats av tidigare behandling. Justering för kovariaten kan då blockera en del av behandlingens effekt, medan utebliven justering lämnar confounding. Marginala strukturella modeller med tidsuppdaterade inversa sannolikhetsvikter, parametrisk g-formel eller strukturella nästlade modeller är utvecklade för denna situation. De kräver dock korrekt tidsordning, upprepade mätningar och frånvaro av relevanta omätta confounders vid varje behandlingstidpunkt.

Omätt och residual confounding

Regression kan inte kontrollera okända eller omätta gemensamma orsaker. Residual confounding kan dessutom kvarstå för uppmätta variabler om de kategoriserats grovt, mätts med fel, registrerats efter exponeringen eller modellerats med fel funktionell form. Ofullständiga proxyvariabler, exempelvis antal vårdbesök som approximation för sjukdomsgrad, kan endast delvis återställa utbytbarheten.

Negativkontroller kan ge evidens för kvarvarande bias. En negativkontrollexponering ska dela confounding- och mätmekanismer med den verkliga exponeringen men inte kunna orsaka utfallet. Ett negativkontrollutfall ska påverkas av liknande störfaktorer men inte av exponeringen. En observerad association med negativkontrollen talar för systematiskt fel, men frånvaro av association bevisar inte att huvudanalysen är opåverkad.

Kvantitativ biasanalys specificerar antaganden om en omätt confounders prevalens och associationer med exponering och utfall och beräknar korrigerade estimat över plausibla scenarier. E-value anger på relativ skala den minsta styrka som en omätt confounder behöver ha i association med både exponering och utfall för att helt förklara ett observerat estimat, under givna antaganden. Rosenbaums (\Gamma) används i matchade studier för att uttrycka hur mycket behandlingsoddsen kan skilja sig mellan annars matchade individer på grund av dold bias.

Instrumentvariabelanalys kräver att instrumentet är relaterat till exponeringen (relevans), endast påverkar utfallet via exponeringen (exklusionsrestriktion) och är oberoende av omätta orsaker till utfallet. Genetiska instrument kan bryta mot antagandena genom pleiotropi. Svaga instrument kan ge låg precision och stor bias. Under ytterligare antaganden skattar analysen ofta en lokal genomsnittlig behandlingseffekt bland compliers, det vill säga personer vars behandling påverkas av instrumentet, snarare än ATE i hela populationen.

Klinisk tolkning, rapportering och kvalitetsgranskning

Granskningen bör börja med den kausala frågan, inte regressionsmodellen. Definiera population, exponering eller intervention, jämförelse, utfall, tid noll, uppföljning och estimand. Gemensam tid noll för inklusion, behandlingsklassificering och riskperiod är särskilt viktig för att undvika immortal-time-bias. Rita därefter en DAG med kliniskt rimliga orsaker till behandling, utfall, deltagande och mätning.

Granska hur deltagarna inkluderades, vilka som saknas och om uppföljningen beror på prognos. Bedöm om exponering, utfall och confounders mättes före eller efter behandlingsstart, med samma metod i grupperna och med tillräcklig validitet. Jämför råa och justerade estimat med konfidensintervall, men tolka inte skillnaden mekaniskt som confounding eftersom non-collapsibility, precision och modellskillnader också påverkar.

En systematisk kvalitetsgranskning bör omfatta:

• förhandsbestämt och kausalt motiverat justeringsset;
• kodning, funktionell form och mättidpunkt för varje kovariat;
• hantering av saknade data och antaganden bakom imputering;
• analys av positivitet och gemensamt stöd;
• diagnostik efter matchning eller viktning, inklusive SMD och viktfördelning;
• prövning av interaktion och kliniskt relevant effektmodifiering;
• alternativa modellspecifikationer och estimand;
• negativkontroller eller kvantitativ analys av omätt confounding;
• redovisning av bortfall, censurering och exklusioner.

Resultat bör rapporteras på både relativ och absolut skala när det är kliniskt relevant, med tydlig angivelse av målpopulation och uppföljningstid. Sensitivitetsanalyser ska visa om slutsatsen är robust för rimliga alternativa antaganden, inte bara om samma regressionskoefficient återkommer i närliggande modeller. Statistisk signifikans, god prediktion, ett stabilt justerat estimat eller balans i observerade kovariater etablerar inte i sig kausalitet. Den kausala tolkningen är ytterst beroende av studiedesignen, tidsordningen, mätkvaliteten och rimligheten i antagandet om frånvaro av relevanta omätta confounders.

Källor

• Confounding
• Confounding
• Category:Confounding
• Confounding
• Bild: File:Simple Confounding Case.svg — طاها, CC BY-SA 3.0
• Bild: File:Confounding modification.png — Ultrabem, CC BY-SA 4.0