LinkLab原创：是谁混淆了结果的真实性？

根据前几期的介绍,我们了解到临床研究的目的就是为了比较某暴露和非暴露情况对某人群或个体产生健康结局的差异即病因(causation)。最理想的情况下,就是使用一个个体或一个人群自身或完全相同的人群,而且在同一时间经历暴露和非暴露,然后比较健康结局。这个假象我们称为“反事实”(counterfactual),因为实际上这种比较是不可能的。现实就是,使用两个可比较的人群进行研究,尽量减少人群的差异对研究结果造成影响。一旦脱离这种最理想的情况,我们获得更多的是关联(association)。那是什么混淆了结果的真实性呢?从“相关”到“病因”,除了实验设计外,我们需要重点分析和排除的是:随机误差;系统误差(偏倚bias);效应修正(effect modification)。今天我们简单介绍这几个因素,并在未来的几期中将再分别详述。随机误差:a.随机分布且不可预测的;b.不可避免但可估计误差大小;c.通过增加样本量或重复测量取均值的方法可以减小。系统误差即偏倚(bias):a.系统的偏离真实值;b.可避免,且必须控制。偏倚:是指研究设计、实施、分析和推断过程中存在的各种对暴露因素与疾病关系的错误估计,它系统的歪曲了暴露因素与疾病间的真实联系。基本分为三大类:选择偏倚(selection bias)、信息偏倚(information bias)、混淆偏倚(confounding bias)。效应修正(effect modification):不像偏倚,效应修正是研究者需要去发现并报道的能够丰富暴露与结局关联关系的方式。效应修正根据除暴露和结局变量外的第三类变量来改变暴露和结局之间的关联关系的大小。例如:工作压力导致抑郁症;假设女性比男性更容易因为工作压力导致抑郁症,那么性别就是工作压力和抑郁症关联关系的一个修正因素(effect modifier)。我们应该分别报道在不同性别下工作压力与抑郁的关联关系,而不是去使用各种方法规避该因素。预告在让association转换成causation的道路上,从不缺少钻研者,这也正是流行病学好玩之处。原因很简单,我们必须通过逻辑思维和知识积累融入到实验设计和分析中才能挖掘真理。明天我们就来学习一个研究系统误差的工具,然后我们就正式进入流行病学的艺术世界了。