De presentatie wordt gedownload. Even geduld aub

De presentatie wordt gedownload. Even geduld aub

1 Help! Statistiek! Doel:Informeren over statistiek in klinisch onderzoek. Tijd:Derde woensdag in de maand, 12-13 uur 18 februariGraven naar causaliteit.

Verwante presentaties


Presentatie over: "1 Help! Statistiek! Doel:Informeren over statistiek in klinisch onderzoek. Tijd:Derde woensdag in de maand, 12-13 uur 18 februariGraven naar causaliteit."— Transcript van de presentatie:

1 1 Help! Statistiek! Doel:Informeren over statistiek in klinisch onderzoek. Tijd:Derde woensdag in de maand, uur 18 februariGraven naar causaliteit 18 maart Betrouwbaarheidsintervallen 15 aprilHerhaald meten met twee maten Sprekers: Vaclav Fidler, Hans Burgerhof, Wendy Post, Sacha la Bastide Tekst op: (download area)www.EpidemiologyGroningen.nl Doorlopende serie laagdrempelige lezingen, voor iedereen vrij toegankelijk.

2 2 Graven naar causaliteit Overzicht -Wat zijn causale effecten? -Waarom is het zo moeilijk ze te bepalen? -Het gebruik van causale diagrammen (DAGs): –Terminologie en theorie –Confounding: opsporen en corrigeren –Voorbeelden -Slotopmerkingen

3 3 Wat zijn causale effecten? In het dagelijks leven: causale effecten hebben te maken met oorzaak ``ik druk op het lichtknopje’’ en (direct) gevolg ``het licht gaat aan’’ Het lichtknopje indrukken is een noodzakelijke en voldoende (en directe) oorzaak.

4 4 Waarom zijn causale effecten zo moeilijk te bepalen? In de epidemiologie: ziekten hebben oorzaken die vaak noch noodzakelijk, noch voldoende, noch direct zijn! Terug naar het lichtknopje: als ik het lichtknopje indruk, gaat het licht soms wel aan, maar soms ook niet als het licht aangaat, gebeurt dat pas over 20 jaar zelfs als ik het lichtknopje niet indruk, gaat soms het licht aan! Het indrukken van het lichtknopje verandert de kans dat het licht aangaat

5 5 Waarom zijn causale effecten zo moeilijk te bepalen? (vervolg) Wat er vaak gebeurt: het causale effect van een factor waarin we geïnteresseerd zijn wordt verstoord (`confounded’) door het causale effect van andere factoren confounding (vertekening, verstoring, verdraaiing, in de war schoppen)

6 6 Voorbeeld: astma Primaire vraag: is er causaal effect van de antihistamine behandeling op astma? Gerelateerde vragen: -Is er sprake van confounding? -Zo ja, voor welke variabelen moeten we corrigeren om een correcte schatting van het effect te krijgen? luchtverontreiniginggeslacht bronchiale reactiviteit antihistamine behandeling astma ?

7 7 Confounding – Definitie Een variabele is een confounder: -als hij geassocieerd is met de behandeling/blootstelling waarin we geïnteresseerd zijn -als hij onafhankelijk geassocieerd is met de uitkomst -niet op het causale pad ligt... hoe kunnen we confounders vinden en hoe kunnen we ervoor corrigeren? behandeling confounder uitkomst

8 8 Causale diagrammen Een causaal diagram (graaf): een grafische representatie van de causale relaties tussen variabelen -dwingt de onderzoeker expliciet te zijn over (impliciete) causale aannames -niet-parametrisch (geeft algemene resultaten) -te gebruiken naast de gebruikelijke analyse en kwantitatieve resultaten -is gekoppeld aan de theorie van structural equation modelling (SEM) en path analysis ABAB

9 9 Het gebruik van causale diagrammen Gegeven de causale aannames kunnen causale diagrammen en de bijbehorende theorie ( Pearl 2000 )... helpen bij het identificeren van confounding... de variabelen identificeren waarvoor gecorrigeerd moet worden om een niet-vertekende (unconfounded) schatting van het effect te verkrijgen... de variabelen identificeren waarvoor niet gecorrigeerd moet worden om een schatting van het effect te verkrijgen

10 10 Definitie DAG `Directed Acyclic Graph’ (DAG): bestaat uit variabelen (knopen) en pijlen tussen die variabelen zodanig dat de graaf a-cyclisch is (geen feedback loops heeft) D A B C E

11 11 Terminologie X, Y: ouders van Z; Z: kind van X en Y A: voorouder van Z; Z: afstammeling van A Z: put (collider): variabele op pad waarbij er vanuit de voorgaande en volgende variabele pijlen in de richting van de variabele wijzen Hier: X Z Y Z Y B X A

12 12 Terminologie -X en Y delen geen gemeenschappelijke oorzaak; zijn onafhankelijk van elkaar in de gehele populatie -X en Y zijn beiden oorzaken van Z (hebben een causaal effect op Z) -A is een gemeenschappelijke oorzaak van zowel B als X: B en X zijn geassocieerd in de gehele populatie Z Y B X A

13 13 Statistische associatie Twee variabelen zijn alleen dan statistisch geassocieerd in de gehele populatie als: OF: de een oorzaak van de ander is (X veroorzaakt Z; A veroorzaakt B) OF: ze een gemeenschappelijke (voor-)ouder delen (B en X hebben beiden A als gemeenschappelijke oorzaak, idem B en Z) Z Y B X A

14 14 Conditioneren op ouders Er geldt: Door op zijn ouders te conditioneren (stratificeren, aangegeven met omkadering) wordt een variabele X onafhankelijk van alle variabelen die geen afstammeling van X zijn. longkanker gele vingers roken

15 15 Conditioneren op kinderen Ook geldt: conditioneren (stratificeren) op kinderen beïnvloedt de associaties tussen de (voor-)ouders van die variabele. Voorbeeld: A: de accu is leeg B: de benzinetank is leeg C: de auto start niet A B C

16 16 Het effect van conditioneren Voorbeeld (2) B=1B=0 A= A= Conditioneren op C: C=1C=0 B=1B=0B=1B=0 A= A= OR=0.67 Binnen strata van C zijn A en B niet langer onafhankelijk! A B C

17 17 Het effect van conditioneren Voorbeeld (3) Conditioneren (stratificeren) op D veroorzaakt -een associatie tussen A en B (binnen strata van D) -maar verandert ook de grootte van de associaties tussen A-C en B-C! A B C D A: de benzinetank is leeg B: de accu is leeg C: de auto start niet D: op de fiets naar het werk

18 18 Het effect van conditioneren Samenvattend: conditioneren (stratificeren) kan marginale afhankelijkheden doen verdwijnen kan conditionele afhankelijkheden introduceren die er eerst nog niet waren kan de grootte van al bestaande afhankelijkheden beïnvloeden... maar wanneer moet je nu conditioneren?

19 19 Open, gesloten en achterdeurpad A - C - D is een gericht pad (directed path) E - C - D is een achterdeur pad (backdoor path) A - C - B is een gesloten pad (blocked path), want C is een put Elk pad dat niet gesloten is, is een open pad (unblocked path) AB C ED

20 20 Voorbeeld: astma luchtverontreiniginggeslacht bronchiale reactiviteit antihistamine behandeling astma ? Primaire vraag: is er causaal effect van de antihistamine behandeling op astma? Gerelateerde vragen: -Is er sprake van confounding? -Zo ja, voor welke variabelen moeten we corrigeren om een correcte schatting van het effect te krijgen?

21 21 Het opsporen van confounding: stappenplan 1)Verwijder alle effecten vanuit de behandeling/blootstelling 2)Is er een open pad van de behandeling naar de uitkomst? -Ja → confounding -Nee → geen confounding

22 22 Het opsporen van confounding Voorbeeld (vervolg) AB C E D ?

23 23 Het opsporen van confounding Voorbeeld (vervolg) Drie paden blijven open: E ← A → C → D E ← C ← B → D E ← C → D Confounding! Maar... voor welke variabelen moeten we corrigeren? AB C E D

24 24 Het achterdeurcriterium (backdoor criterium) Een verzameling variabelen S, waarvan er geen variabele afstammeling van behandeling/blootstelling OF uitkomst is, voldoet om confounding op te heffen als bij het weghalen van alle pijlen komende vanuit de behandeling EN bij het verbinden van alle paren variabelen die een kind/afstammeling in S hebben … er geen open pad is dat NIET door S gaat. Intuïtief idee: we blokkeren alle open paden door op S te conditioneren.

25 25 Voorbeeld: astma (vervolg) Is het genoeg om op C te conditioneren? (is er een open pad dat niet door C gaat na conditioneren op C?) NEE! Conditioneren op C introduceert een associatie tussen A en B en creëert daarmee een achterdeurpad (E-A-B-D)! AB C E D

26 26 Voorbeeld: astma (vervolg) S={C, A} of S={C, B} voldoen wel: conditioneren op een van deze verzamelingen S blokkeert alle open paden van E naar D. Hier: conditioneren op S={C, B} lijkt praktisch het best haalbaar (bronchiale reactiviteit en geslacht) A B C E D

27 27 Kan conditioneren schadelijk zijn? Waarop moeten we conditioneren? Nergens op! Geen confounding Wat gebeurt er als we (abusievelijk) op C conditioneren? Bias wordt geïntroduceerd! ? E D C

28 28 Directe en indirecte effecten Geeft het conditioneren op F een schatting van het directe effect van E op D? Nee! Conditioneren op F creëert een achterdeurpad E-G- D... Dus je schat tegelijkertijd zowel E-D als E-G-D! F E D G ?

29 29 Voorbeeld 1 (case control studie) E : een bepaald medicijngebruik tijdens het eerste trimester van de zwangerschap (uit medische dossiers) E*: zelfde medicijngebruik, nu zelf-gerapporteerd 1 maand na de geboorte D: het wel of niet optreden van een bepaalde afwijking bij de baby, ontstaan in het tweede trimester van de zwangerschap D=1D=0 E*=1E*=0E*=1E*=0 E= E= Vraag: Welk causaal diagram is consistent met zowel de aannames als de data en wat zijn de gevolgen voor de analyse?

30 30 Voorbeeld 1 (vervolg) Odds Ratio’s Odds ratio’s: E = (380/800):(220/800) Stratificeren op E*: = (180/20):(600/200) E* Stratificeren op E: D=1D=0 E*=1E*=0E*=1E*=0 E= E= E : medisch dossier E*: zelfrap. 1 maand na de geboorte D : afwijking ontstaan in 2 e trimester zwangerschap

31 31 Voorbeeld 1 (vervolg) Hoe lopen de pijlen? - E* en D zijn niet onafhankelijk in strata van E - Let op! Recall bias! Wat is de juiste analyse? Hier: de ongecorrigeerde odds ratio E D E* E : medisch dossier E*: zelfrap. 1 maand na de geboorte D : afwijking ontstaan in 2 e trimester zwangerschap D=1D=0 E*=1E*=0E*=1E*=0 E= E=

32 32 Voorbeeld 2 (randomized clinical trial) E*: het random toegewezen zijn aan een interventieprogramma dat een gezond dieet promoot (wel/geen interventie) E: het vetgehalte in het dieet van de proefpersoon (laag/hoog) D: overlijden binnen 15 jaar volgend op de interventie Aanname: de interventie heeft geen ander effect op D behalve via het consumeren van vet (E) D=1D=0 E*=1E*=0E*=1E*=0 E= E= Vraag: Welk causaal diagram is consistent met zowel de aannames als de data en wat zijn de gevolgen voor de analyse?

33 33 Voorbeeld 1 (vervolg) Odds Ratio’s Odds ratio’s: E = (380/800):(220/800) Stratificeren op E*: = (180/20):(600/200) E* Stratificeren op E: D=1D=0 E*=1E*=0E*=1E*=0 E= E= E : dieet E*: toewijzing interventieprogr. D : overlijden binnen 15 jaar E* heeft alleen effect op D via E

34 34 Voorbeeld 2 (randomized clinical trial) Hoe lopen de pijlen? - E* is random: geen pijlen ernaar toe! - Omdat E* en D gegeven E niet onafhankelijk zijn, moet er een variabele U bestaan als volgt: E D E* U E : vetgehalte dieet E*: toewijzing interventieprogr. D : overlijden binnen 15 jaar E* heeft alleen effect op D via E D=1D=0 E*=1E*=0E*=1E*=0 E= E=

35 35 Voorbeeld 2 (randomized clinical trial - vervolg) Als we geïnteresseerd zijn in het effect van de interventie op overlijden is de ongecorrigeerde analyse van toepassing: Als we geïnteresseerd zijn in het effect van het dieet, zullen we moeten corrigeren voor de variabele U (...of: instrumental variables gebruiken...) E D E* U D=1D=0 E*=1E*=0E*=1E*=0 E= E= E : vetgehalte dieet E*: toewijzing interventieprogr. D : overlijden binnen 15 jaar E* heeft alleen effect op D via E

36 36 Slotopmerkingen Causale diagrammen: dwingen/helpen om causale aannames expliciet te maken helpen om confounding op te sporen, uit te schakelen en een correcte schatting van het effect te verkrijgen Echter... Verschillende sets causale aannames kunnen even plausibel zijn en verschillende consequenties voor de analyse hebben Wat als de graaf cyclisch blijkt?

37 37 Literatuur S. Greenland, J. Pearl, J.M. Robins, `Causal diagrams for epidemiologic research’, Epidemiology 10 (1999), M.A. Hernán, S. Hernández-Diaz, J.M. Robins, `A structural approach to selection bias’, Epidemiology 15 (2004), J. Pearl, Causality. Models, reasoning and inference (Cambridge 2000) J. M. Robins, `Data, design and background knowledge in etiologic inference’, Epidemiology 11 (2001), B. Shipley, Cause and correlation in biology (Cambridge 2000) T.J. VanderWeele, J.M. Robins, `Four types of effect modification. A classification based on directed acyclic graphs’, Epidemiology 18 (2007),

38 38 Volgende maand Woensdag 18 maart – 13 uur Lokaal 16 Betrouwbaarheidsintervallen


Download ppt "1 Help! Statistiek! Doel:Informeren over statistiek in klinisch onderzoek. Tijd:Derde woensdag in de maand, 12-13 uur 18 februariGraven naar causaliteit."

Verwante presentaties


Ads door Google