Mått på sjukdomsfrekvens och association

Sammanfattning

Sjukdomsfrekvens och samband kan endast tolkas när tillstånd, utfall, population, tidsperiod och mätmetod är tydligt definierade. Prevalens beskriver hur vanligt ett tillstånd är i en avgränsad population, medan persontid används när individer bidrar med olika lång observationstid. Relativ risk anger den proportionella skillnaden i risk mellan grupper men måste bedömas tillsammans med absolut risk, grundrisk och observationstid för att vara kliniskt användbar. Resultatens tillförlitlighet bekräftas genom validerade metoder, lokal verifiering, relevant referensmaterial samt granskning av mätosäkerhet och felkällor. Epidemiologiska mått ska inte ensamma styra handläggningen utan tolkas utifrån datakvalitet, patientgrupp och om resultatet avser diagnostik, prognostik, riskvärdering eller uppföljning.

Grundläggande epidemiologiska begrepp

Epidemiologi, prognos och folkhälsa

Epidemiologi och prognos är närliggande men skilda områden. Epidemiologisk beskrivning av en sjukdom behöver hållas isär från bedömning av den enskilda patientens framtida sjukdomsförlopp. Prognostik och riskvärdering kan användas vid diagnostik, uppföljning och kliniska beslut, medan ett folkhälsoperspektiv avser sjukdomens betydelse på befolkningsnivå.

Vid tolkning behöver följande frågor särskiljas:

• Vad är det medicinska tillståndet och hur definieras det?
• Vilket utfall eller fynd mäts?
• I vilken patientgrupp eller befolkning görs mätningen?
• Avser resultatet diagnostik, prognostik, riskvärdering eller uppföljning?
• Hur har mätmetoden validerats?
• Vilken mätosäkerhet och vilka felkällor finns?
• Mot vilket referensmaterial, normalfynd eller riktvärde jämförs resultatet?

En epidemiologisk uppgift blir inte kliniskt tolkningsbar utan en tydlig definition av sjukdomen, populationen och mätmetoden. Förändringar i definition, diagnostik eller undersökningsförfarande kan påverka kvantifieringen och därmed jämförbarheten mellan olika verksamheter eller tidpunkter.

Mätprincip och kvantifiering

Mätprincipen beskriver vad en metod faktiskt registrerar. Kvantifieringsprincipen anger hur observationer eller mätdata sammanställs till ett resultat. Dessa behöver vara fastställda innan resultat används för riskvärdering, prognostik eller uppföljning.

Vid kvantifiering ska det framgå:

• vilket fynd eller utfall som registreras
• hur mätningen utförs
• hur prover eller mätdata sammanställs och analyseras
• vilka referensvärden, normalfynd eller riktvärden som används
• vilka omständigheter som kan ge metodfel
• hur onormala fynd definieras och rapporteras

Ett mätvärde bör inte bedömas isolerat. Tolkningen behöver relateras till metodens användningsområde, den undersökta populationen och de kliniska förutsättningarna. Om metoden används utanför det sammanhang där den har validerats kan resultatets betydelse förändras.

Validering, verifiering och mätosäkerhet

Validering innebär att en metod bedöms i förhållande till sitt avsedda användningsområde. Verifiering och funktionskontroll avser kontroll av att metoden och utrustningen fungerar på avsett sätt i den verksamhet där de används. Dessa moment är centrala för att epidemiologiska och kliniska mätdata ska kunna tolkas.

Mätosäkerhet behöver beaktas även när ett resultat redovisas numeriskt. Ett exakt angivet tal är inte automatiskt ett exakt mått på det biologiska eller kliniska tillståndet. Osäkerheten kan vara kopplad till undersökningsförfarandet, utrustningen, patientförberedelserna, analysen eller tolkningen.

Referensmaterial och felkällor

Referensmaterial, normalfynd och riktvärden används för att sätta ett observerat resultat i ett sammanhang. De är inte utbytbara utan måste vara relevanta för den aktuella metoden och den population som undersöks. Vid jämförelser mellan grupper eller över tid behöver samma definitioner och kvantifieringsprinciper användas.

Felkällor ska identifieras och dokumenteras. Särskild försiktighet krävs när:

• mätmetoden har ändrats
• datainsamlingen inte har genomförts på samma sätt
• patientgruppen skiljer sig från referensmaterialet
• uppgifter saknas eller har osäker kvalitet
• resultat bygger på en metod som inte har verifierats lokalt
• ett riktvärde används som om det vore en absolut biologisk gräns

Tillförlitlig epidemiologisk tolkning förutsätter således tydliga definitioner, standardiserad mätning, relevant referensmaterial samt öppen redovisning av mätosäkerhet och felkällor.

Population, tidsperiod och persontid

För att ett frekvensmått ska kunna tolkas måste tre komponenter vara tydligt definierade: vilken population som studeras, under vilken tidsperiod observationen sker och hur mycket observationstid populationen bidrar med. Samma antal sjukdomsfall kan få helt olika betydelse beroende på populationens storlek, sammansättning och uppföljningstid.

Definiera populationen

Populationen ska avgränsas så att det framgår vilka personer som kan ingå i täljaren och nämnaren. Avgränsningen kan bygga på exempelvis:

• geografiskt område
• ålder eller livsfas
• kön
• vårdnivå eller klinisk verksamhet
• viss diagnos eller samsjuklighet
• kalenderperiod
• exponering eller behandling

Ålder kräver särskild uppmärksamhet eftersom sjukdomar, fysiologiska värden och kliniska risker kan skilja sig genom hela livsförloppet. En population av barn kan därför inte utan vidare jämföras med en vuxen eller äldre population. Även breda kategorier som ”äldre” behöver preciseras. I olika sammanhang kan gränsen exempelvis anges som över 80 år eller 75 år och äldre, vilket ger olika studiepopulationer.

Multisjuklighet är ett annat exempel där populationen måste definieras uttryckligen. Multisjuklighet kan definieras som förekomst av minst två kroniska tillstånd hos samma person, men resultaten beror också på vilka sjukdomar som räknas och vilket tröskelvärde som används. Två studier kan därför rapportera olika sjukdomsfrekvens trots att de till synes undersöker samma grupp.

Skillnaden mellan en sluten och en dynamisk population är praktiskt viktig:

En klinisk kohort som följs från diagnos kan närma sig en sluten population. Befolkningen i ett geografiskt område eller patienterna inom en vårdverksamhet är vanligen dynamiska eftersom personer flyttar, avlider, insjuknar eller avslutar sin vårdkontakt.

Ange tidsperioden

Ett frekvensmått utan tidsangivelse är ofullständigt. Det ska framgå om mätningen avser:

• en bestämd tidpunkt
• ett tidsintervall
• tiden från en definierad startpunkt
• hela eller delar av livsförloppet
• kalenderår eller individuell uppföljningstid

Startpunkten måste vara entydig, exempelvis diagnosdatum, inklusion i en studie eller första vårdkontakt. Slutpunkten kan vara ett utfall, död, avslutad uppföljning eller slutet av den fastställda studieperioden.

Kalendertid och tid sedan inklusion ska inte blandas ihop. Två personer kan observeras under samma kalenderår men bidra med olika lång uppföljningstid. På motsvarande sätt kan personer inkluderas under olika kalenderår men följas lika länge från sin respektive startpunkt.

Persontid

Persontid sammanför antalet observerade personer med deras individuella observationstid. Varje person bidrar från den tidpunkt då personen uppfyller kriterierna för att ingå och står under observation, fram till utfall, död, förlust till uppföljning eller studieperiodens slut [1][2].

Persontiden beräknas genom att summera samtliga individers observationstid:

Total persontid = summan av varje deltagares tid under observation

Om 100 personer vardera följs under ett år bidrar de tillsammans med 100 personår. Samma mängd persontid kan teoretiskt uppnås om 200 personer följs under ett halvt år. Populationerna och observationsmönstren är dock inte automatiskt jämförbara, eftersom risk kan variera med ålder, sjukdomsfas och tid sedan inklusion.

Persontid är särskilt användbar när:

• deltagarna inkluderas vid olika tidpunkter
• uppföljningstiden varierar
• personer lämnar populationen
• en dynamisk population studeras
• händelsefrekvensen ska relateras till faktisk tid under observation

Persontid ska endast räknas under perioder då personen verkligen tillhör riskpopulationen och kan observeras för det aktuella utfallet. En tydlig definition av population, tidsperiod och riskperiod är därför nödvändig innan sjukdomsfrekvensen beräknas.

Incidens och kumulativ risk

Incidens beskriver hur ofta nya fall av ett tillstånd uppstår i en population som från början är fri från tillståndet. Måttet förutsätter en riskpopulation, det vill säga personer som ännu inte har utfallet men kan få det, och en tydligt definierad observationsperiod [1][2]. Två besläktade men skilda mått används.

Kumulativ incidens (incidensproportion)

Kumulativ incidens, även kallad incidensproportion eller risk, är andelen av en initialt sjukdomsfri riskpopulation som utvecklar utfallet under en angiven tidsperiod [3]:

kumulativ incidens = antal nya fall under perioden / antal personer i risk vid periodens början

Måttet är enhetslöst, antar värden mellan 0 och 1 och saknar tid i nämnaren. Eftersom proportionen växer monotont med observationstiden är ett värde utan angiven tidsreferens inte tolkningsbart; en femårsrisk och en tioårsrisk för samma tillstånd är olika tal [3]. Kumulativ incidens är ett direkt riskmått och besvarar den fråga en patient oftast ställer, nämligen sannolikheten att drabbas inom en viss framtida tidshorisont [3]. En rapporterad risk på 10 procent på fem år innebär att av 100 personer med likartade egenskaper förväntas 10 få utfallet inom fem år [3].

Den enkla proportionen förutsätter att alla följs hela perioden. När personer censureras, det vill säga avslutar uppföljningen i förtid, eller när konkurrerande händelser förekommer skattas den kumulativa incidensfunktionen i stället med Kaplan–Meier (utan konkurrerande risker) eller Aalen–Johansen (med konkurrerande risker) [3]. Risker som beräknas som om konkurrerande händelser inte fanns blir överskattade [3].

Incidenstal (incidensdensitet)

Incidenstal, även kallat incidensdensitet eller persontidsrat, mäter antalet nya fall per enhet persontid [1][3]:

incidenstal = antal nya fall / summan av deltagarnas persontid i risk

Till skillnad från kumulativ incidens har incidenstalet tid i nämnaren och uttrycks per persontid, till exempel per 1 000 personår. Talet är ett mått på sjukdomsprocessens hastighet och kan anta värden från 0 till oändligheten [3]. Incidenstal är att föredra när deltagare inkluderas vid olika tidpunkter, följs olika länge eller lämnar riskpopulationen, eftersom varje individ bidrar med exakt sin tid under observation [1][2]. Ett incidenstal på 2 per 1 000 personår kan för kommunikation uttryckas som ungefär 2 fall per 1 000 personer och år [1].

Hastighet och risk får inte förväxlas. Ett incidenstal är en hastighet och ger bara indirekt information om hur stor andel som drabbats vid en given tidpunkt; risken, den tillryggalagda sträckan, beror på hur länge hastigheten verkat och varierar dessutom oftast över tid [3].

Falldefinitionen avgör måttet

Incidensens storlek beror i hög grad på hur ett nytt fall definieras. I registerdata måste det avgöras om ett första fall någonsin (first-ever) eller ett återkommande fall (recurrent) räknas, och hur lång sjukdomsfri inkörningsperiod (run-in) som krävs innan ett fall betraktas som nytt [4]. I en svensk registerstudie av statininsättning 2019 varierade incidensproportionen från 17,4 per 1 000 vid åtta månaders inkörningsperiod till 9,45 per 1 000 vid fem år och 8,4 per 1 000 vid tio år; det positiva prediktiva värdet för ett verkligt nyinsatt fall var 49 procent vid åtta månader men 89 procent vid fem år [4]. Minst fem olika felklassificeringar kan uppstå beroende på hur incidens definieras, vilket gör att incidensmått mellan studier bara är jämförbara när falldefinition och inkörningsperiod är desamma [4].

Prevalens

Prevalens beskriver hur vanligt ett tillstånd är i en population eller patientgrupp [1]. Uppgiften behöver alltid läsas tillsammans med information om population, ålder, kön, diagnostisk metod och hur fallen identifierades. Samma sjukdom kan få påtagligt olika rapporterad prevalens i befolkningsstudier och kliniska material.

Fallidentifiering och diagnostiska kriterier

Prevalensberäkningar blir särskilt osäkra när det saknas ett enkelt diagnostiskt test. För ME/CFS har variationer i studiedesign och tillämpning av falldefinitioner försvårat bedömningen av sjukdomens förekomst. Klinisk bedömning av en erfaren läkare krävs för fallidentifiering. Studier baserade på kliniska patientmaterial kan identifiera patienter med ME/CFS mer korrekt, men överrepresenterar samtidigt personer med högre socioekonomisk ställning och tillgång till specialiserade mottagningar.

Befolkningsbaserade studier, med eller utan klinisk bedömning, har uppskattat att mellan 836 000 och 3,3 miljoner personer i USA har ME/CFS. Det breda intervallet visar hur starkt resultatet kan påverkas av metodval. Dessutom hade minst 80 procent av dem som uppfyllde kriterierna inte fått diagnosen av hälso- och sjukvården. Registrerade diagnoser eller patientgrupper vid kliniker kan därför ge en missvisande bild av den faktiska förekomsten.

Fibromyalgi illustrerar också betydelsen av hur fallen identifieras. Den globala prevalensen anges till cirka 2 procent, med viss variation beroende på undersökningsmetod. I befolkningsstudier är förhållandet mellan kvinnor och män ungefär 3:1, medan kvinnor är cirka åtta gånger vanligare än män bland kliniskt diagnostiserade patienter. Skillnaden talar för att kliniska material inte utan vidare kan användas för att beskriva könsfördelningen i hela befolkningen.

Prevalens i olika populationer

Prevalens bör anges för en tydligt avgränsad grupp. Ett värde för hela befolkningen kan inte direkt överföras till patienter med en viss samsjuklighet.

Multisjuklighet definieras som minst två kroniska tillstånd hos samma person. Den uppskattas beröra cirka 40 procent av världens befolkning. Resultat från studier av multisjuklighet varierar dock beroende på vilket mått och vilket tröskelvärde som används. Det saknas konsensus mellan studier av olika sjukdomskluster, vilket begränsar jämförbarheten.

Ålder, kön och socioekonomiska faktorer

Prevalensen kan variera kraftigt mellan demografiska grupper. ME/CFS är tre till fyra gånger vanligare hos kvinnor än hos män och har högst prevalens i åldern 40 till 50 år, även om tillståndet förekommer i ett brett åldersspann, även hos barn och ungdomar. Alla etniska grupper berörs, och det finns visst stöd för ökad risk i socioekonomiskt utsatta grupper.

För hjärt-kärlsjukdom ökar prevalensen med åldern hos både kvinnor och män. Bland kvinnor har omkring en av tre tecken på kranskärlssjukdom efter 65 års ålder, jämfört med en av åtta i åldern 45 till 64 år. Även depression, ångest och kronisk stress rapporteras ha högre prevalens hos kvinnor än hos män. Socioekonomiskt utsatta populationer har högre förekomst av både hjärt-kärlsjukdom och psykisk sjukdom.

Prevalensuppgifter bör därför inte tolkas som universella konstanter. Bedöm alltid vilka som undersökts, vilka kriterier som använts, om fallen identifierats i befolkningen eller vården samt om viktiga skillnader i ålder, kön, samsjuklighet och socioekonomiska förutsättningar har beaktats.

Sambandet mellan incidens och prevalens

Incidens och prevalens är kopplade via tillståndets varaktighet. Prevalensen ökar med inflödet av nya fall, alltså incidensen, och med hur länge fallen kvarstår, och minskar när personer tillfrisknar eller avlider [2]. Relationen beror därför på sjukdomens naturalförlopp. Vid tillstånd med kort duration eller hög självläkning, som en influensaepidemi, kan incidensen vara hög utan att prevalensen växer nämnvärt, och vid tillstånd med hög dödlighet hålls prevalensen låg trots betydande incidens [2]. Vid kroniska tillstånd där behandling förlänger överlevnaden utan att bota, som diabetes eller hiv, ackumuleras fallen och prevalensen stiger tills dödligheten motsvarar incidensen [2].

Om populationen befinner sig i ett jämviktsläge (steady state), där prevalensen är någorlunda konstant och inflödet av nya fall ungefär motsvarar utflödet genom tillfrisknande eller död, gäller [2]:

P / (1 − P) = I × D

där P är prevalensproportionen, I är incidenstalet och D är fallens genomsnittliga varaktighet från diagnos till tillfrisknande eller död. När tillståndet är ovanligt, med en prevalens under cirka 10 procent, förenklas sambandet till [2]:

P = I × D

Formeln förutsätter jämvikt och att varaktigheten inte förändras över tid [5][6]. Den kan användas åt båda hållen. Omvänt kan den genomsnittliga varaktigheten skattas ur incidens och prevalens: om magsäckscancer har en incidens på 52 nya fall per 100 000 och en prevalens på 26 per 100 000 blir den genomsnittliga sjukdomsdurationen 0,5 år, det vill säga en förväntad överlevnad på ungefär sex månader från diagnos [2]. Metoden att härleda prevalenta fall ur incidens och duration används i praktiken i globala sjukdomsbördeskattningar, till exempel för typ 1-diabetes [5].

En viktig konsekvens följer av sambandet: en förändrad prevalens kan spegla antingen förändrad incidens eller förändrad varaktighet. Effektiv prevention som sänker incidensen minskar prevalensen, medan en behandling som förlänger överlevnaden utan att bota kan höja prevalensen trots oförändrad eller sjunkande incidens [2]. En stigande prevalens ska därför inte automatiskt tolkas som ökande insjuknande [2].

Relativ risk

Relativ risk beskriver hur risken för ett utfall skiljer sig mellan grupper, exempelvis mellan personer med och utan en viss exponering eller riskfaktor. Måttet uttrycks vanligen som en multiplikativ skillnad eller som en relativ riskökning eller riskminskning. En uppgift om tvåfaldig relativ risk innebär således att utfallet är dubbelt så vanligt i den exponerade gruppen som i jämförelsegruppen. Relativ risk anger däremot inte hur vanligt utfallet faktiskt är [7].

Jämförelsegruppen, populationen, utfallet och observationstiden måste vara tydligt angivna. En relativ risk kan annars inte överföras direkt mellan studier eller användas som ett fristående mått på en enskild patients prognos.

Relativ risk och absolut risk

Samma relativa risk kan motsvara mycket olika absoluta risker [3]. Detta är centralt vid kliniska behandlingsbeslut, eftersom en relativ effekt måste redovisas tillsammans med den absoluta risken för att bli tolkningsbar [3]. Sambandet mellan blodtryck och kardiovaskulär risk är exempelvis kontinuerligt, progressivt och loglinjärt. Den relativa riskökningen per blodtrycksskillnad är större hos yngre personer, medan den absoluta risken för kardiovaskulära händelser är betydligt högre hos äldre eftersom andra riskfaktorer är vanligare.

Vid antihypertensiv behandling kan den relativa riskminskningen för kardiovaskulära händelser vara likartad i grupper med olika grundrisk. Den absoluta nyttan blir ändå större i gruppen med hög risk för aterosklerotisk hjärt-kärlsjukdom. En isolerad blodtrycksstegring kan därför ha begränsad betydelse för den absoluta risken på fem eller tio års sikt, medan samma blodtryck tillsammans med flera andra riskfaktorer kan innebära hög absolut risk.

Vid screening kan två interventioner ha liknande relativ effekt men olika absolut nytta. Testning för ockult blod i feces har rapporterats minska dödligheten i kolorektalcancer med omkring 30 procent, medan mammografiscreening har rapporterats minska bröstcancerdödligheten med 14 till 32 procent. Trots jämförbar relativ effekt kan den absoluta skillnaden i antal förebyggda dödsfall vara större för den ena interventionen.

Relativa risker för riskfaktorer och riskmodifierare

En hög relativ risk innebär inte automatiskt att en riskfaktor förbättrar den kliniska riskbedömningen. Den oberoende relativa risk som rapporteras för en biomarkör eller annan riskmodifierare är ofta betydligt större än modifierarens påverkan på patientens beräknade absoluta risk.

En riskmodifierare är mest relevant när patientens beräknade risk ligger nära en behandlingsgräns. I situationer med låg eller mycket hög risk är det mindre sannolikt att ytterligare information ändrar handläggningen. En användbar modifierare bör förbättra diskrimineringen eller den korrekta omklassificeringen, vara praktiskt användbar och ha tydlig klinisk eller folkhälsomässig nytta. Både ogynnsamma och gynnsamma resultat ska påverka riskbedömningen i förväntad riktning.

Familjeanamnes illustrerar hur relativ risk kan användas. När minst två förstagradssläktingar har astma, hjärt-kärlsjukdom, typ 2-diabetes, bröstcancer, kolorektalcancer eller melanom anges den relativa risken hos nära släktingar vara två- till femfaldig. Uppgiften måste dock tolkas tillsammans med familjens storlek, antalet friska släktingar, diagnosernas säkerhet och åldern vid insjuknandet.

Betydelse på populationsnivå

En riskfaktors betydelse för sjukdomsbördan bestäms inte enbart av dess relativa risk utan också av hur vanlig riskfaktorn är. En ovanlig exponering med hög relativ risk kan ge ett begränsat bidrag till populationens sjukdomsbörda. Omvänt kan en mycket vanlig exponering med måttlig relativ risk orsaka många sjukdomsfall. Därför behöver både högriskstrategier och befolkningsinriktad prevention användas. Många personer med en liten riskökning kan tillsammans orsaka fler sjukdomsfall än ett fåtal personer med kraftigt förhöjd risk.

Oddskvot

Oddskvot (OR) är ett relativt associationsmått som jämför oddset för ett utfall mellan två grupper, till exempel exponerade och oexponerade [2][7]. Odds är kvoten mellan sannolikheten att en händelse inträffar och sannolikheten att den inte inträffar; för en händelse med sannolikheten p är oddset p / (1 − p) [2]. Oddskvoten är kvoten mellan oddset i den exponerade gruppen och oddset i den oexponerade [7].

Beräkning

I en fyrfältstabell med exponering (ja eller nej) mot utfall (ja eller nej) beräknas oddskvoten som korsproduktkvoten [2]:

OR = (a × d) / (b × c)

Oddskvoten kan anta värden från 0 till oändligheten. Vid OR = 1 är oddsen lika i grupperna och ingen association föreligger; OR > 1 talar för ökat odds för utfallet vid exponering och OR < 1 för minskat [2][7]. Oddskvoten är symmetrisk, det vill säga oddskvoten för utfallet givet riskfaktorn är densamma som oddskvoten för riskfaktorn givet utfallet, vilket gör måttet till standardutfall i fall-kontrollstudier och i logistisk regression [2]. Måttet bör redovisas med 95-procentigt konfidensintervall; om intervallet innefattar 1 väger även en till synes stor oddskvot lätt [2].

Oddskvot och relativ risk

Oddskvot och relativ risk sammanfaller när utfallet är ovanligt, men oddskvoten ligger alltid längre från 1 än motsvarande relativa risk för samma data: vid ökad risk gäller OR > RR > 1 och vid skyddande exponering OR < RR < 1 [2][7]. Skillnaden växer med hur vanligt utfallet är. Så länge utfallets frekvens är låg, under cirka 10 procent, är oddskvoten en god approximation av den relativa risken, men vid vanliga utfall kan oddskvoten kraftigt överskatta den relativa risken [7][8][9].

Detta är en vanlig och kliniskt viktig feltolkning. I en randomiserad studie där andelen som testade för malaria var 51 procent i kontrollgruppen och 73,8 procent i interventionsgruppen var den relativa risken 1,45 men oddskvoten 2,7; att tolka oddskvoten som en relativ risk skulle nästan fördubbla den skenbara effekten [7]. En genomgång av 288 randomiserade studier fann att oddskvoten påtagligt överskattade den relativa risken i ungefär en tredjedel av de studier som redovisade oddskvot för det primära utfallet och i upp till två tredjedelar av dem som redovisade oddskvot för sekundära utfall eller subgruppsanalyser [9]. En oddskvot på 0,31 innebär inte att risken är 69 procent lägre utan att oddset är ungefär 69 procent lägre [8].

Klinisk användning

Oddskvot är det enda giltiga relativa måttet i traditionella fall-kontrollstudier, eftersom urvalet av kontroller inte tillåter en direkt skattning av risken i källpopulationen [7]. I studier där risken kan skattas direkt, som kohortstudier, tvärsnittsstudier och randomiserade studier, är den relativa risken ett giltigt och mer lättolkat alternativ som då bör föredras framför oddskvoten [7][9]. Oddskvoten ingår som standardutdata vid logistisk regression, där justerade oddskvoter beskriver en riskfaktors association med utfallet när övriga modellvariabler hålls konstanta [2]. Vid vanliga utfall kan justerade relativa risker i stället skattas med till exempel modifierad log-Poisson-regression [7].

Tolkning och vanliga felkällor

Slumpmässiga och systematiska fel

Ett frekvens- eller associationsmått kan inte tolkas säkrare än de data det bygger på, och två principiellt olika feltyper måste skiljas åt [10]. Slumpmässiga fel, det vill säga bristande precision, minskar med ökande studiestorlek och beskrivs med konfidensintervall; en skattning som redovisas utan konfidensintervall är ofullständig [2][10]. Systematiska fel (bias) kvarstår däremot även i en oändligt stor studie och delas konventionellt in i tre typer: informationsbias, confounding och selektionsbias [10].

Informationsbias

Informationsbias uppstår vid felklassificering av exponering, utfall eller confounder [10]. Icke-differentiell felklassificering, där sannolikheten för fel är densamma oberoende av grupptillhörighet, drar med få undantag associationen mot noll, alltså mot en relativ risk eller oddskvot lika med 1, och är särskilt problematisk i studier som finner svaga samband [10]. Differentiell felklassificering, där felet skiljer sig mellan sjuka och friska eller mellan exponerade och oexponerade, kan snedvrida måttet åt endera hållet. Ett typexempel är minnesbias (recall bias) i fall-kontrollstudier, där personer med sjukdom minns tidigare exponering annorlunda än kontroller [10].

Confounding

Confounding föreligger när en tredje faktor är kopplad till både exponering och utfall och därigenom skapar ett skenbart samband [10]. Om exempelvis en exponering samvarierar med rökning och rökning oberoende orsakar utfallet, kan hela eller delar av den observerade effekten i själva verket bero på rökningen [10]. Confounding kan begränsas i designen genom randomisering, restriktion eller matchning, och i analysen genom stratifiering (till exempel Mantel–Haenszel-skattning) eller multivariabel regression [10]. Justering ger dock aldrig full garanti: residual confounding kvarstår om relevanta faktorer utelämnats, mätts oprecist eller modellerats felaktigt [10]. Riktade acykliska grafer (DAG) används i ökande grad för att identifiera vilka variabler som behöver justeras [10].

Selektionsbias och omvänd kausalitet

Selektionsbias uppstår när urvalet till studien, eller bortfallet ur den, är kopplat till både exponering och utfall. I tvärsnittsstudier, där exponering och utfall mäts samtidigt, kan tidsordningen ofta inte fastställas, vilket ger risk för omvänd kausalitet: utfallet, snarare än exponeringen, kan ha påverkat den uppmätta exponeringen [10]. Prospektiv exponeringsbedömning före utfallet minskar denna risk [10].

Från association till orsakssamband

Ett statistiskt samband är inte i sig ett orsakssamband [10]. Bradford Hills synpunkter från 1965 utgör en etablerad ram för att väga evidens för kausalitet och omfattar bland annat sambandets styrka, konsistens mellan studier, temporalitet (exponering före effekt), dos-respons-gradient, biologisk plausibilitet och koherens med övrig kunskap [10]. Hill betonade att synpunkterna ska stödja en samlad bedömning och inte får tillämpas mekaniskt som ett ja- eller nej-kriterium; ingen enskild synpunkt är nödvändig eller tillräcklig, medan temporalitet är det enda formella villkoret [10]. Randomiserade studier hanterar confounding genom slumpmässig tilldelning och är därför bäst lämpade för kausala slutsatser, medan observationsstudier kräver replikering i olika populationer och stöd från andra evidenslinjer innan ett samband tolkas kausalt [10].

Bedöm måttet tillsammans med datakvaliteten

Vid tolkning ska själva måttet hållas isär från kvaliteten på de underliggande data. Ett exakt redovisat värde kan bygga på felklassificerade eller selekterade observationer, och fler decimaler innebär inte bättre datakvalitet. Innan ett frekvens- eller associationsmått används kliniskt bör följande klarläggas:

1. Är population, riskperiod och utfall entydigt definierade?
2. Redovisas skattningen med konfidensintervall?
3. Är det ett absolut mått (risk, incidenstal) eller ett relativt (RR, OR, HR), och tolkas det därefter?
4. Vid ett relativt mått: framgår grundrisken, så att den absoluta nyttan eller skadan kan bedömas?
5. Vilka systematiska fel (informationsbias, confounding, selektionsbias) är sannolika, och åt vilket håll drar de?
6. Är evidensen från randomiserade studier eller från observationsdata, och är den tidsmässigt aktuell?

En relativ riskminskning som redovisas isolerat kan ge intryck av stor nytta även när den absoluta nyttan är liten; sådana tal är vanliga i marknadsföring och ska tolkas mot grundrisken, gärna kompletterade med absolut riskreduktion och antal som behöver behandlas (NNT) [2][7].

Källor

1. Choi J, Ki M, Kwon HJ, m.fl. Health Indicators Related to Disease, Death, and Reproduction. J Prev Med Public Health 2019. PMID: 30742757
2. Hazra A, Gogtay N. Biostatistics Series Module 8: Assessing Risk. Indian J Dermatol 2017. PMID: 28400629
3. Liu P, Ravani P. Age and the eGFR-dependent risk for adverse clinical outcomes. Clin Kidney J 2022. PMID: 36755849
4. Hoffmann M, Støvring H. Incidence in pharmacoepidemiology: Basic definitions and types of misclassification. Basic Clin Pharmacol Toxicol 2022. PMID: 35357769
5. Green A, Hede SM, Patterson CC, m.fl. Type 1 diabetes in 2017: global estimates of incident and prevalent cases in children and adults. Diabetologia 2021. PMID: 34599655
6. Pearce N. Effect Measures in Prevalence Studies. Environ Health Perspect 2004. PMID: 15238274
7. Gallis JA, Turner EL. Relative Measures of Association for Binary Outcomes: Challenges and Recommendations for the Global Health Researcher. Ann Glob Health 2019. PMID: 31807416
8. Barría RMP. Interpreting Risk and Impact Measures in Nursing Research: Implications for Evidence-based Practice. Invest Educ Enferm 2026. PMID: 41980255
9. Knol MJ, Duijnhoven RG, Grobbee DE, m.fl. Potential Misinterpretation of Treatment Effects Due to Use of Odds Ratios and Logistic Regression in Randomized Controlled Trials. PLoS One 2011. PMID: 21698176
10. More S, Bampidis V, Benford D, m.fl. Scientific Committee guidance on appraising and integrating evidence from epidemiological studies for use in EFSA's scientific assessments. EFSA J 2024. PMID: 38974922