Observational Study Designs

Sammanfattning

En observationsstudie undersöker patienter, exponeringar, behandlingar och kliniska utfall utan att forskarna styr vilken behandling patienten får. Vanliga upplägg är kohortstudier, fall–kontrollstudier och tvärsnittsstudier, som används för att beskriva klinisk praxis, prevalens, prognos och samband mellan exponeringar och utfall. Studiens tillförlitlighet bedöms genom granskning av population, urval, datakälla, definitioner av exponeringar och utfall, uppföljning, bortfall samt hantering av saknade uppgifter. Observerade samband bekräftar inte kausalitet, eftersom systematiska fel, störfaktorer, indikationsrelaterade störfaktorer och omvänd kausalitet kan påverka resultaten även efter statistisk justering. Klinisk tillämpning kräver värdering av absoluta och relativa riskmått, patientens grundrisk, studiens tillämplighet och övrig evidens, särskilt innan slutsatser dras om behandlingseffekt.

Definition och kännetecken för observationsstudier

Grundläggande definition

En observationsstudie är en vetenskaplig undersökning där forskarna systematiskt samlar in och analyserar uppgifter om patienter, exponeringar, behandlingar och kliniska utfall utan att genom studien styra vilken behandling den enskilda patienten får. Vårdens beslut fattas således inom ordinarie klinisk verksamhet, medan forskningen observerar och bearbetar det som inträffar.

Detta skiljer observationsstudier från kliniska prövningar, där studieupplägget kan ange intervention, jämförelsebehandling, inklusions- och exklusionskriterier samt definierade utfallsmått. I en observationsstudie kan patienterna ändå ha fått läkemedel, genomgått ingrepp eller följts enligt ett strukturerat vårdprogram. Det avgörande är att behandlingen inte tilldelas av forskaren inom ramen för studien.

Observationsstudier kan användas för att beskriva:

• förekomst och fördelning av sjukdom eller riskfaktorer
• samband mellan exponering och kliniskt utfall
• behandlingsmönster i klinisk praxis
• prognos och sjukdomsförlopp
• variationer mellan patientgrupper eller vårdenheter
• långsiktiga resultat efter diagnostik eller behandling

Ett observerat samband innebär inte i sig att exponeringen orsakar utfallet. Patienter som får olika behandlingar kan redan från början skilja sig beträffande sjukdomsgrad, samsjuklighet, ålder eller andra prognostiska faktorer. Sådana skillnader måste beaktas vid tolkningen.

Retrospektiva och prospektiva observationsstudier

Observationsstudier kan vara retrospektiva eller prospektiva. Skillnaden gäller framför allt när studieplaneringen sker i förhållande till datainsamlingen och de kliniska händelser som analyseras.

Retrospektiva och prospektiva upplägg är inte värderingar av studiens kvalitet. En väl genomförd retrospektiv studie kan vara kliniskt betydelsefull, medan en prospektiv studie kan få begränsat värde om uppföljningen är ofullständig eller relevanta variabler saknas.

Register som grund för observationsstudier

Register är en central källa till observationsdata. De kan innehålla information om stora patientgrupper, kliniska åtgärder och utfall från ordinarie vård. Registerbaserade studier kan vara retrospektiva, prospektiva eller innehålla båda delarna beroende på hur uppgifterna samlas in och när analysen planeras.

Register kan särskilt bidra med kunskap om patientgrupper som är svåra att studera i kliniska prövningar och om resultat över längre tid. Samtidigt bestäms användbarheten av vilka patienter som registreras, hur variabler definieras, hur fullständig registreringen är och om uppföljningsdata finns tillgängliga.

Klinisk betydelse

Observationsstudier och register får särskilt stor betydelse inom områden där det saknas tillräckliga data från kontrollerade studier. Rekommendationer kan då i hög grad bygga på expertkonsensus som stöds av retrospektiva och prospektiva observationsstudier samt registerdata.

Sådan evidens behöver tillämpas med kliniskt omdöme. Den mest lämpliga handläggningen påverkas även av tillgänglig diagnostisk utrustning, lokal kompetens, möjligheten till specialiserade ingrepp och den välinformerade patientens önskemål. När kunskapsunderlaget huvudsakligen bygger på observationsstudier kan det därför vara motiverat att avvika från generella rekommendationer i vissa kliniska situationer.

Kohortstudier

Grundprincip och upplägg

I en kohortstudie identifieras en avgränsad grupp personer, och deras exponeringar, behandlingar eller kliniska egenskaper relateras till senare utfall. Forskarna fördelar inte deltagarna genom randomisering. Vilken behandling patienten får bestäms i stället inom rutinsjukvården utifrån kliniska bedömningar, patientpreferenser och lokala förutsättningar.

Kohorten kan bygga på särskilt insamlade studieuppgifter, sjukvårdsregister eller elektroniska patientjournaler. Internationella sjukdoms- och interventionsregister används exempelvis för att beskriva diagnostiska och terapeutiska processer, resursanvändning och följsamhet till riktlinjer. Sådana register kan ge en detaljerad bild av hur vården faktiskt bedrivs i olika länder, vårdmiljöer och patientgrupper.

En kliniskt användbar kohortstudie behöver tydligt ange:

• vilken population som ingår
• hur deltagarna identifierades
• vilka exponeringar, behandlingar eller vårdprocesser som registrerades
• hur utfallen definierades och bedömdes
• under vilken tidsperiod uppgifterna samlades in
• vilka faktorer som kan ha påverkat både exponering och utfall

Vad kohortstudier kan besvara

Kohortstudier lämpar sig för att beskriva klinisk praxis och samband mellan patientegenskaper, vård och utfall. De kan bland annat användas för att undersöka:

• hur diagnostik och behandling används i rutinsjukvården
• om kliniska riktlinjer har införts och efterlevs
• skillnader i vård mellan sjukhus, regioner eller länder
• resursanvändning och vårdprocesser
• sjuklighet, dödlighet och livskvalitet
• förändringar i symtom eller funktion över tid
• utfall i patientgrupper som är otillräckligt representerade i randomiserade prövningar

Patientrapporterade mått kan ingå för att fånga symtom, funktion, välbefinnande, livskvalitet och problem som inte framkommer genom traditionella kliniska utfall. Sjukdomsspecifika instrument kan användas vid exempelvis hjärtsvikt, ischemisk hjärtsjukdom, förmaksflimmer, medfödda hjärtfel och pulmonell hypertension. Generiska instrument kan möjliggöra jämförelser mellan olika tillstånd. Elektroniska journalsystem och automatiserad datainsamling kan underlätta återkommande bedömningar, men integreringen i den kliniska verksamheten och tolkningen av resultaten kan vara begränsande.

Tolkning och kausalitet

Den centrala begränsningen är att observationsdata påverkas av förväxlingsfaktorer. Patienter som får en viss behandling kan skilja sig från obehandlade patienter i fråga om exempelvis sjukdomsgrad, samsjuklighet eller andra kliniska egenskaper. Dessa skillnader kan påverka utfallet oberoende av behandlingen.

Även ett starkt statistiskt samband är därför inte liktydigt med ett orsakssamband. Randomiserade kliniska prövningar använder randomisering för att minska systematiska skillnader mellan behandlingsgrupper och möjliggör därmed säkrare kausal tolkning. En kohortstudie kan däremot identifiera mönster, formulera hypoteser och visa om resultat från prövningar återfinns i klinisk vardag.

Kohortdata i kvalitetsarbete

Kohortbaserade register kan kopplas till kvalitetsindikatorer för att mäta hur väl rekommenderade vårdprocesser har genomförts. Riktlinjer används framåtsyftande som stöd för beslut hos en enskild patient, medan kvalitetsindikatorer vanligen tillämpas i efterhand på en patientgrupp. Resultaten kan synliggöra förbättringsområden, men de måste tolkas med hänsyn till population, datakvalitet och skillnader i kliniska förutsättningar.

Fall–kontrollstudier

Grundprincip och upplägg

I en fall–kontrollstudie utgår forskarna från ett definierat utfall. Personer som har utfallet, fallen, jämförs med personer som inte har det, kontrollerna. Därefter undersöks om grupperna skiljer sig avseende tidigare exponeringar, behandlingar eller kliniska egenskaper.

Studien kan exempelvis jämföra patienter som har utvecklat en hjärt-kärlhändelse med patienter utan motsvarande händelse och analysera om en viss exponering varit vanligare bland fallen. Upplägget är särskilt inriktat på att identifiera samband mellan möjliga riskfaktorer och utfall. Resultaten kan bidra till förståelsen av sjukdomars naturliga förlopp och generera hypoteser som senare behöver prövas med mer robusta metoder.

Forskarna styr inte exponeringen och fördelar inte deltagarna genom randomisering. Fall–kontrollstudien är därför en observationsstudie, även om analysen omfattar en tydligt definierad jämförelsegrupp.

Val av fall och kontroller

Studiens värde är beroende av att fallen och kontrollerna hämtas från jämförbara populationer. Fallen måste motsvara det utfall som forskningsfrågan avser. Kontrollerna ska representera den population från vilken fallen uppkom, men får inte själva ha det studerade utfallet.

Om grupperna har valts på olika sätt kan ett observerat samband bero på urvalet snarare än på exponeringen. Tolkningen kräver därför särskild uppmärksamhet på:

• hur utfallet definierades
• hur fallen identifierades
• hur kontrollerna valdes
• om exponeringar registrerades på samma sätt i båda grupperna
• om grupperna skilde sig avseende andra prognostiska faktorer
• om behandlingsval påverkades av patienternas sjukdomsgrad eller riskprofil

En kontrollgrupp som inte är jämförbar med fallen kan inte fullt ut korrigeras genom en avancerad statistisk analys.

Confounding och indikationsbias

Den centrala begränsningen är förväxling, det vill säga att sambandet mellan exponering och utfall påverkas av andra faktorer. Detta är särskilt viktigt när exponeringen är en behandling. Indikationsbias innebär att patientens tillstånd, riskfaktorer eller prognos påverkar vilken behandling som ges. Samma faktorer kan samtidigt påverka utfallet.

Om en viss behandling oftare ges till svårt sjuka patienter kan behandlingen därför framstå som förknippad med sämre prognos, även om sambandet helt eller delvis förklaras av att de behandlade patienterna redan från början hade högre risk. Det omvända kan också förekomma om en behandling huvudsakligen ges till patienter med gynnsammare förutsättningar.

Kända skillnader kan beaktas genom statistisk justering eller metoder baserade på benägenheten att få en viss behandling, exempelvis matchning eller justering med hjälp av benägenhetspoäng. Sådana metoder minskar vissa systematiska skillnader men kan inte säkert hantera okända, oregistrerade eller felmätta förväxlingsfaktorer. Att grupperna blir balanserade avseende dokumenterade variabler innebär därför inte att de är jämförbara i alla relevanta avseenden.

Klinisk tolkning

Ett statistiskt samband i en fall–kontrollstudie ska inte automatiskt tolkas som ett orsakssamband. Data från observationsstudier påverkas av förväxling och kan inte ensamma ge definitiva belägg för orsakssamband. Detta gäller särskilt slutsatser om behandlingseffekt.

Flera behandlingar som initialt förefallit gynnsamma i observationsstudier har senare fått resultaten motsagda i randomiserade studier. Ett exempel är hormonbehandling efter menopaus i syfte att minska kardiovaskulär risk. Fall–kontrollstudier kan därför ge viktiga signaler och välgrundade hypoteser, men behandlingsbeslut bör inte grundas på ett observerat samband utan kritisk bedömning av alternativa förklaringar.

När randomiserade studier saknas måste resultatet vägas samman med studiens urval, möjliga förväxlingsfaktorer, klinisk rimlighet och annan tillgänglig evidens. Metaanalys kan inte skapa säker evidens om de ingående studierna har ett otillräckligt upplägg eller om adekvata randomiserade studier saknas. Kliniskt resonemang, erfarenhet och den enskilda patientens förutsättningar och preferenser förblir därför avgörande.

Tvärsnittsstudier

Grundprincip och upplägg

En tvärsnittsstudie beskriver en definierad population vid en bestämd tidpunkt eller under en kort, avgränsad period. Exponeringar, sjukdomar, symtom, behandlingar och andra egenskaper mäts samtidigt. Studien ger därmed en ögonblicksbild av populationen, snarare än en beskrivning av hur individer utvecklas över tid.

Deltagarna kan identifieras genom exempelvis befolkningsurval, patientregister, journaler eller en enkät riktad till en viss yrkesgrupp. En internationell tvärsnittsstudie bland kirurger och onkologer kan till exempel kartlägga aktuell klinisk praxis för handläggning och uppföljning av en viss tumörsjukdom. Resultatet beskriver då hur vanligt ett visst arbetssätt är bland de läkare som deltog när undersökningen genomfördes.

Population, tidsperiod och urvalsmetod måste anges tydligt. Ett resultat från patienter vid en högspecialiserad mottagning kan inte utan vidare generaliseras till primärvård eller hela befolkningen. På motsvarande sätt behöver en enkätstudie redovisa vilka som bjöds in, vilka som svarade och om de svarande skilde sig från dem som inte deltog.

Vad studien kan mäta

Tvärsnittsstudier används främst för att uppskatta prevalens, alltså hur stor andel av en population som har ett visst tillstånd eller en viss egenskap vid undersökningstillfället. De kan också beskriva fördelningen av riskfaktorer, symtom, behandlingsmönster och vårdpraxis.

En tvärsnittsstudie mäter vanligen prevalens, inte incidens. Den visar hur många som har tillståndet vid en viss tidpunkt, men inte hur många nya fall som uppkommer under en bestämd uppföljningstid.

Tolkning av samband

Den centrala begränsningen är att exponering och utfall registreras samtidigt. Det är därför ofta oklart vad som kom först. Om depression är vanligare bland personer med hjärt-kärlsjukdom kan studien visa ett samband, men inte avgöra om depression bidrog till sjukdomen, om sjukdomen bidrog till depression eller om båda förklaras av andra faktorer.

Observationsdata är dessutom känsliga för störfaktorer. Ålder, samsjuklighet, socioekonomiska förhållanden, vårdsökande och behandling kan påverka både den undersökta exponeringen och utfallet. Statistisk justering kan minska vissa skillnader, men ger inte samma skydd mot systematiska fel som randomisering. Resultaten ska därför inte formuleras som att exponeringen orsakar utfallet.

Vanliga felkällor

• Selektionsfel: Deltagarna är inte representativa för målpopulationen.
• Bortfallsfel: Personer som svarar på en enkät kan skilja sig systematiskt från dem som avstår.
• Informationsfel: Exponering eller sjukdom klassificeras felaktigt genom bristfälliga journaluppgifter, mätmetoder eller självrapportering.
• Överlevnadsfel: Personer med kort sjukdomstid eller hög tidig dödlighet kan vara underrepresenterade.
• Störfaktorer: En tredje faktor påverkar både exponering och utfall.
• Omvänd kausalitet: Utfallet kan ha påverkat den exponering som registreras.

Klinisk användbarhet

Tvärsnittsstudier är särskilt användbara för att beskriva sjukdomsbörda, identifiera variation i vårdpraxis och formulera hypoteser för vidare forskning. De kan genomföras relativt snabbt eftersom långvarig uppföljning inte krävs. För klinisk tolkning bör läkaren framför allt fråga om populationen motsvarar den egna patientgruppen, om mätningarna är tillförlitliga och om alternativa förklaringar till observerade samband har beaktats. Resultaten kan vara vägledande och hypotesgenererande, men ger inte i sig definitiv evidens för kausala samband eller behandlingseffekt.

Urval, exponeringar och utfallsmått

Definiera studiepopulationen före datainsamlingen

Urvalet ska avgränsas med tydliga inklusions- och exklusionskriterier. Kriterierna bör kunna tillämpas likadant på alla potentiella deltagare och vara möjliga att kontrollera i den valda datakällan. Dokumentera särskilt:

• vilken verksamhet eller vårdnivå populationen hämtas från
• aktuell indikation för undersökning eller behandling
• relevanta kontraindikationer
• tidsperiod för inkludering
• vilka patientförberedelser som krävs
• vilka tekniska eller patientrelaterade förhållanden som medför att mätningen inte kan genomföras eller tolkas

Urvalet behöver motsvara den population som forskningsfrågan gäller. En studie av ultraljud för diagnostik av njurartärstenos bör exempelvis utgå från patienter som undersöks med denna indikation, inte från samtliga patienter som genomgår ultraljud av njurarna. Om endast patienter med fullständigt genomförda och tekniskt godkända undersökningar inkluderas ska detta anges uttryckligen. Annars riskerar patienter med exempelvis nedsatt ork, hörselnedsättning, språksvårigheter eller svårigheter att följa instruktioner att falla bort utan att det framgår.

Redovisa antalet identifierade, inkluderade och exkluderade personer samt orsaken till exklusion. Ett bortfall på grund av kontraindikation skiljer sig metodologiskt från ett bortfall orsakat av saknade uppgifter, tekniska fel eller bristande medverkan.

Operationalisera exponeringen

Exponeringen är den behandling, undersökning, kliniska egenskap eller annan faktor som relateras till utfallet. Den måste definieras så att samma uppgifter klassificeras på samma sätt oberoende av vem som gör bedömningen. Ange:

• datakälla och tidpunkt för registrering
• mätmetod eller klassificeringsregel
• om exponeringen mäts en gång eller upprepade gånger
• hur dos, varaktighet eller intensitet registreras när detta är relevant
• hur förändringar under uppföljningen hanteras
• vilka uppgifter som betraktas som saknade eller otillförlitliga

Vid apparatbaserade undersökningar ska exponeringen inte enbart beskrivas som att en undersökning har utförts. Det behövs även uppgifter om mätprincip, kvantifiering, utrustning, kalibrering, validering och funktionskontroll. För ultraljud kan både morfologiska fynd och uppmätta flödeshastigheter behöva definieras. Om undersökningen är undersökarberoende bör genomförandet standardiseras och mätosäkerheten beskrivas.

Patientens förutsättningar kan påverka exponeringsmätningen. Bristande medverkan, hosta, slem, varierande utförande, läckage vid munnen eller otillräckliga instruktioner kan ge otillförlitliga värden. Tekniska felkällor omfattar bland annat läckage i anslutningar, brister i kalibreringsrutiner och programvarufel. Sådana observationer ska registreras, inte döljas genom att mätvärdet behandlas som säkert.

Välj och definiera utfallsmått

Utfallet ska specificeras före analysen. Skilj mellan primärt utfallsmått, som besvarar huvudfrågan, och sekundära utfallsmått. För varje utfall anges mätmetod, tidpunkt, enhet, beslutsgräns och regel för ofullständiga mätningar.

Ett funktionellt utfall kan exempelvis beskrivas med gångsträcka i meter och procent av referensvärdet. Syresättning kan redovisas som SpO2 i vila och lägsta SpO2 under gång. Om provet avbryts i förtid ska både tidpunkten och den begränsande faktorn dokumenteras. Gånghjälpmedel och syrgastillförsel ska anges eftersom de påverkar tolkningen.

Jämförelser med tidigare mätningar ska använda samma definitioner och mätförhållanden. En observerad förbättring kan annars bero på metodvariation snarare än en verklig klinisk förändring. Sekundära utfall, subgruppsanalyser och analyser som definierats i efterhand ska hållas åtskilda från den primära analysen.

Bias, confounding och effektmodifiering

Tre skilda problem vid tolkning

Observationsdata kan visa samband mellan exponeringar, behandlingar och utfall, men ger inte i sig definitiva belägg för ett orsakssamband. Vid tolkningen behöver tre närliggande men principiellt olika företeelser hållas isär.

Systematiska fel och förväxling hotar framför allt studiens interna tolkning. Effektmodifiering innebär däremot inte nödvändigtvis att resultatet är felaktigt. Det kan i stället visa att ett genomsnittligt resultat döljer kliniskt betydelsefull variation.

Confounding by indication

Det viktigaste inneboende problemet när behandlingseffekter ska uppskattas från observationsstudier är confounding by indication, på svenska ofta indikationsrelaterad förväxling. Behandlingen ges inte slumpmässigt. Läkaren väljer behandling utifrån patientens diagnos, sjukdomsgrad, prognos, samsjuklighet och andra kända eller okända omständigheter. Samma omständigheter kan samtidigt påverka risken för det studerade utfallet.

Ett sämre utfall i den behandlade gruppen kan därför bero på att dessa patienter var sjukare redan när behandlingen valdes. Omvänt kan ett bättre utfall bero på att behandlingen företrädesvis gavs till patienter med bättre prognos. Den observerade skillnaden mellan grupperna kan då inte utan vidare tillskrivas behandlingen.

Vid bedömning av en observationsstudie bör följande frågor ställas:

• Vilka faktorer kan ha påverkat behandlingsvalet?
• Påverkar samma faktorer även utfallet?
• Var dessa faktorer kända och registrerade i datakällan?
• Har analysen tagit hänsyn till dem?
• Kan viktiga okända eller omätta faktorer fortfarande förklara resultatet?

Statistisk justering minskar men eliminerar inte problemet

Förväxling kan delvis hanteras genom att analysen justeras för faktorer som kan ha påverkat både behandlingsbeslutet och utfallet. Metoder med benägenhetspoäng kan användas för matchning eller statistisk justering, och nyare metoder för orsaksinferens kan försöka efterlikna en klinisk prövning.

Sådana metoder gör dock inte en observationsstudie likvärdig med en randomiserad studie. Justering kan endast göras för faktorer som har identifierats, mätts och registrerats på ett användbart sätt. Okänd eller omätt förväxling kvarstår, och även kända faktorer kan inte alltid beaktas fullständigt. Ett justerat samband ska därför inte automatiskt tolkas som en kausal behandlingseffekt.

Ett kliniskt viktigt exempel är hormonbehandling efter menopaus för att minska kardiovaskulär risk. Tidiga slutsatser baserade på observationsdata motsades senare av randomiserade studier. Exemplet visar att omfattande observationsmaterial och avancerad statistisk analys inte garanterar korrekt kausal tolkning.

Effektmodifiering och den enskilda patienten

Även när ett genomsnittligt behandlingsresultat är väl belagt behöver det inte motsvara vad som kan förväntas hos patienten framför läkaren. Patienter kan skilja sig från studiepopulationen, och effekten kan variera mellan kliniskt relevanta grupper.

Effektmodifiering ska därför inte blandas ihop med förväxling. Vid förväxling är den uppskattade effekten snedvriden av andra faktorer. Vid effektmodifiering kan effekten faktiskt vara olika i olika grupper. Klinisk tillämpning kräver därför både granskning av risken för systematiska fel och förväxling samt bedömning av hur väl studiepopulationens genomsnittliga resultat är tillämpligt på den aktuella patienten.

Statistisk analys och tolkning

Relativa och absoluta riskmått

Statistisk analys av observationsdata ska inte stanna vid att konstatera att två grupper har olika utfallsfrekvens. Sambandets storlek behöver uttryckas på ett sätt som är kliniskt tolkningsbart. Relativa riskmått beskriver utfallet i en grupp i förhållande till en jämförelsegrupp, medan absoluta riskmått visar den faktiska skillnaden i utfallsfrekvens.

Relativa mått kan framstå som imponerande utan att den kliniska skillnaden är stor. Samma relativa risk kan motsvara helt olika absoluta skillnader beroende på grundrisken. Därför bör resultatet, när underlaget medger det, redovisas både relativt och absolut.

Om utfallet inträffar hos 15 % i jämförelsegruppen och hos 10 % i den behandlade gruppen är den absoluta riskreduktionen 5 procentenheter. Det innebär fem färre utfall per 100 behandlade. NNT blir då 20, eftersom 100 dividerat med 5 är 20. Tolkningen är att 20 patienter behöver behandlas under den studerade tidsperioden för att ett utfall ska förhindras.

NNT kan göra behandlingseffekten mer begriplig, men måttet är ett genomsnitt. Det visar inte om effekten uppkommer tidigt eller sent, om den varierar över tid eller om vissa patientgrupper har större nytta än andra. NNT måste därför alltid anges tillsammans med relevant utfall, population och tidsperiod.

Grundriskens betydelse

Den absoluta betydelsen av ett samband beror på patientens grundrisk. En måttlig relativ riskreduktion kan ge stor absolut nytta hos en högriskpatient men liten nytta hos en patient med mycket låg risk. Riskbedömning är därför central när ett studieresultat ska omsättas i kliniska beslut.

En riskmodell bör bedömas utifrån om den har validerats i en population som liknar den där modellen ska användas. Prognosfaktorerna bör ha samlats in utan kännedom om det senare utfallet. Både utfallet och den tidsperiod som prognosen gäller måste vara relevanta för det kliniska beslutet. Modellens värde ligger inte enbart i att rangordna patienter, utan i att bidra till en rimlig uppskattning av absolut risk och möjlig absolut behandlingsnytta.

Riskbedömning bör ses som en fortlöpande process. Skattningen behöver uppdateras när nya kliniska uppgifter, undersökningsresultat eller symtom tillkommer.

Subgruppsanalyser och interaktion

Ett genomsnittligt samband i hela studiepopulationen behöver inte vara lika starkt hos alla patienter. Subgruppsanalyser kan ge ledtrådar om variation mellan exempelvis risknivåer eller kliniska kategorier. Ett test för interaktion kan användas för att bedöma om sambandet faktiskt skiljer sig mellan undergrupper.

Sådana analyser ska dock tolkas försiktigt. När många undergrupper analyseras ökar risken för att till synes betydelsefulla mönster uppkommer av en slump. Ett subgruppsfynd bör därför inte automatiskt betraktas som belägg för en verklig skillnad. Den kliniska rimligheten, interaktionsanalysen och möjligheten att återfinna fyndet i andra jämförbara populationer behöver vägas in.

Från statistiskt samband till klinisk betydelse

Tolkningen bör slutligen besvara tre frågor:

1. Hur stor är skillnaden mellan grupperna?
2. Hur stor är den absoluta skillnaden vid patientens grundrisk?
3. Är populationen, utfallet och uppföljningstiden relevanta för den aktuella patienten?

Ett statistiskt samband blir kliniskt användbart först när effektens storlek, grundrisken, tidsperioden och möjliga variation mellan patientgrupper redovisas tillsammans.

Rapportering, etik och klinisk tillämpbarhet

Transparent rapportering

En observationsstudie ska rapporteras så att läsaren kan bedöma vad som faktiskt gjordes, vilka patienter resultaten avser och vilka osäkerheter som kvarstår. Det räcker inte att redovisa ett statistiskt signifikant samband. Rapporteringen behöver visa hur studiepopulationen definierades, hur exponeringar och utfall mättes samt vilka analyser som var planerade respektive tillkom efter att data hade granskats.

Följande uppgifter bör framgå tydligt:

• studiens frågeställning och kliniska bakgrund
• studiedesign, datakälla och tidsperiod
• inklusions- och exklusionskriterier
• antal möjliga, inkluderade och analyserade deltagare
• definitioner av exponeringar, jämförelsegrupper och utfall
• uppföljningstid och bortfall
• hantering av saknade uppgifter
• vilka möjliga störfaktorer som inkluderades i analysen och varför
• primära och sekundära analyser
• effektmått med osäkerhetsmått
• subgruppsanalyser och analyser utförda i efterhand
• finansiering, intressekonflikter och uppgift om datatillgänglighet

Resultatredovisningen bör om möjligt innehålla både relativa och absoluta mått. En stor relativ skillnad kan ha begränsad klinisk betydelse om den absoluta risken är låg. Samtidigt kan en måttlig relativ skillnad vara viktig vid vanliga eller allvarliga utfall. Tabeller bör därför redovisa antalet deltagare och antalet utfall i respektive grupp, inte enbart justerade skattningar från statistiska modeller.

Subgruppsresultat och analyser som inte var planerade från början ska märkas tydligt. Sådana fynd kan vara hypotesgenererande men bör inte presenteras som etablerade behandlingsprinciper. Detsamma gäller sekundära utfall, särskilt om många jämförelser har genomförts.

Etiska överväganden

Att forskaren inte fördelar behandling innebär inte att observationsstudier saknar etiska frågor. Studien ska ha ett motiverat syfte, och den information som samlas in ska vara relevant för frågeställningen. Informerat samtycke och etisk granskning behöver hanteras utifrån studiens upplägg och tillämpliga regler.

Forskarna bör redovisa hur deltagarnas intressen har beaktats och om datainsamlingen kan medföra belastning eller skada. Det ska också framgå vilka ekonomiska eller professionella relationer som kan uppfattas som verkliga eller potentiella intressekonflikter. Finansieringskällan bör anges, eftersom både val av frågeställning och tolkning av resultat kan påverkas av sådana bindningar.

Patientrapporterade utfall och patientrapporterade erfarenheter kan vara viktiga när klinisk nytta inte fångas fullt ut av laboratorievärden, diagnoskoder eller vårdkontakter. Om dessa mått används behöver de beskrivas lika tydligt som övriga utfall.

Bedöm klinisk tillämpbarhet separat från intern giltighet

Ett statistiskt robust samband är inte automatiskt tillämpligt på den enskilda patienten. Bedöm först om studiepopulationen liknar den aktuella patientgruppen avseende sjukdom, ålder, samsjuklighet, vårdmiljö och tillgängliga behandlingar. Granska därefter om diagnostisk utrustning, kompetens och organisatoriska förutsättningar motsvarar den egna verksamheten.

Observationsdata kan stödja diagnostiska, prognostiska och terapeutiska överväganden, särskilt när randomiserade studier saknas. De ger dock inte definitiva belägg för orsakssamband. Kliniska beslut måste därför förena studieresultaten med övrig evidens, professionellt omdöme, aktuell reglering samt den välinformerade patientens önskemål. Riktlinjer och observationsstudier ska bistå beslutsfattandet, inte ersätta läkarens individuella ansvar.