Epidemiologi och Statistik
Kurs: Basvetenskap 5 Moment 2
Epidemiologi är läran om hur sjukdom fördelar sig i befolkningen och vilka faktorer som styr den fördelningen. För den blivande läkaren är detta inte en avskild akademisk disciplin utan själva ryggraden i evidensbaserad medicin: varje gång du väljer att sätta in en förebyggande behandling, tolkar ett provsvar eller bedömer en ny studie använder du epidemiologiskt och statistiskt tänkande. Den röda tråden i detta kapitel är resan från befolkning till patient och tillbaka: vi börjar med att mäta hur vanlig och hur allvarlig en sjukdom är, går vidare till att designa studier som fångar orsakssamband, kvantifierar risken som en exponering medför, översätter detta till diagnostiska testers träffsäkerhet hos den enskilda patienten, granskar hur screening, bias och confounding kan lura oss, och avslutar med det statistiska språk (p-värden och konfidensintervall) som binder ihop alltihop. Genomgående används hjärt-kärlsjukdom som röd tråd, eftersom det är modulens kliniska sammanhang och det tydligaste exemplet på hur riskfaktorer, prevention och stora studier hänger samman.
Målsättning
Efter detta avsnitt ska du kunna:
- Definiera och räkna med de centrala sjukdomsmåtten incidens, prevalens och mortalitet, samt förstå sjukdomsbördemåttet DALY.
- Redogöra för de vanligaste studiedesignerna (Tvärsnittsstudie, Kohortstudie, Fall-kontrollstudie, RCT, Ekologisk studie, Tvillingstudier) och deras styrkor och svagheter.
- Skilja på grundbegreppen Exponering, Riskfaktor, Prediktor, Prognostisk faktor, Confounder, Intermediär faktor och Kovariat.
- Tolka riskmåtten relativ risk (Relativ Risk (RR)), oddskvot, absolut riskreduktion och number needed to treat (NNT).
- Beräkna och tolka ett diagnostiskt tests sensitivitet, specificitet och prediktiva värden med hjälp av en 2×2-tabell.
- Förklara principerna för screening samt känna igen och motverka systematiska fel (bias) och confounding.
- Tolka p-värden, konfidensintervall och en Forest plot.
Sjukdomsmått: incidens, prevalens och mortalitet
Allt börjar med att sätta siffror på hur vanlig en sjukdom är. Två mått står i centrum och blandas ofta ihop. Incidens beskriver nya fall och mäter alltså hur snabbt sjukdomen uppstår: antalet nyinsjuknade under en tidsperiod dividerat med den population som var i risk (ofta uttryckt som fall per 100 000 personår). Incidensen speglar risken att bli sjuk och är det mått man vill följa när man studerar orsaker eller effekten av prevention. Prevalens beskriver däremot alla befintliga fall vid en given tidpunkt (punktprevalens) delat med hela populationen, och speglar bördan av sjukdom just nu. Prevalensen påverkas av både hur många som insjuknar och hur länge de förblir sjuka: en långdragen, icke-dödlig sjukdom kan ha låg incidens men hög prevalens, medan en snabbt dödlig eller snabbt botad sjukdom kan ha hög incidens men låg prevalens. Sambandet fångas grovt av att prevalens ≈ incidens × sjukdomens varaktighet.
Mortalitet är incidensen av dödsfall (dödsfall per population och tid) och skiljer sig från letalitet (case fatality rate), som är andelen av de sjuka som dör av sjukdomen. Mortaliteten i hjärtinfarkt är kopplad till socioekonomi: incidensen av hjärtinfarkt samvarierar tydligt med utbildningsnivå och socioekonomisk status. För att fånga inte bara död utan även funktionsförlust används sammansatta mått. DALY (Disability-Adjusted Life Years) summerar förlorade friska levnadsår genom att lägga ihop år förlorade i förtidig död och år levda med funktionsnedsättning, och är ett av WHO:s viktigaste mått på total sjukdomsbörda. I kardiologiska studier används ofta det sammansatta kliniska utfallsmåttet MACE (Major Adverse Cardiovascular Events), som slår ihop hårda händelser som kardiovaskulär död, hjärtinfarkt och stroke till en enda ändpunkt.
| Mått | Vad det beskriver | Räknare / nämnare | Speglar |
|---|---|---|---|
| Incidens | Nya fall | Nyinsjuknade / population i risk och tid | Risk att insjukna |
| Prevalens | Alla befintliga fall | Sjuka just nu / hela populationen | Sjukdomsbörda nu |
| Mortalitet | Dödsfall i befolkningen | Döda / population och tid | Dödsrisk i befolkningen |
| Letalitet | Andel döda bland sjuka | Döda av sjukdomen / antal sjuka | Sjukdomens allvarlighet |
| DALY | Sjukdomsbörda | Förlorade friska levnadsår | Död + funktionsförlust |
Incidens vs prevalens
Tänk badkar: incidensen är kranen (nya fall som rinner in), prevalensen är vattennivån (alla befintliga fall), och tillfrisknande plus död är avloppet. En sjukdom kan ha hög vattennivå (prevalens) trots svag kran (incidens) om avloppet är litet, dvs. om patienterna lever länge med sjukdomen.
Grundläggande epidemiologiska begrepp
Innan man kan mäta risk måste man vara stringent med termerna. En Exponering är helt enkelt den faktor man vill studera, oavsett om den är skadlig eller skyddande. Blir exponeringen bekräftat kausalt kopplad till sjukdomsrisk kallas den en Riskfaktor. Detta skiljer sig från en Prediktor, som endast förutspår vem som utvecklar sjukdom utan att nödvändigtvis vara orsak, och från en Prognostisk faktor, som förutspår förloppet hos den som redan är sjuk.
Den svåraste distinktionen gäller variabler som stör analysen. En Confounder (störfaktor) är associerad med både exponeringen och utfallet utan att ligga i orsakskedjan, och snedvrider sambandet om man inte justerar för den. En Intermediär faktor ligger däremot i den kausala kedjan mellan exponering och utfall och ska därför inte justeras för, eftersom man då skulle justera bort en del av just den effekt man vill mäta. Kovariat är en bred paraplyterm för vilken variabel som helst som man tar hänsyn till i analysen.
Tenta-fokus
Skilj confounder (störfaktor, står utanför kausalkedjan, ska justeras för) från intermediär faktor (står inuti kausalkedjan, ska inte justeras för). Att felaktigt justera för en intermediär faktor kallas overadjustment och kan dölja ett verkligt orsakssamband.
Mått på ateroskleros och hjärtfunktion
I kardiovaskulär epidemiologi behövs objektiva, mätbara markörer för att kunna skatta risk innan patienten fått en klinisk händelse. Tre används återkommande:
- C-IMT (Carotid Intima Media Thickness): ultraljudsmätning av halspulsåderns väggtjocklek, en tidig markör för ateroskleros.
- CAC (Coronary Artery Calcium Score): graderar förkalkning i kranskärlen via CT och skattar därigenom aterosklerotisk börda.
- ABI (Ankle-Brachial Index): kvoten mellan systoliskt blodtryck i ankel och arm; ett lågt värde talar för perifer kärlsjukdom.
Preventionsnivåer
Prevention delas in i nivåer efter var i sjukdomsförloppet man griper in, och detta är centralt för folkhälsoarbetet:
- Primordial prevention: förhindrar att själva riskfaktorerna uppstår, ofta på samhällsnivå (t.ex. rökstopp och sunda matvanor i hela befolkningen).
- Primärprevention: behandlar redan etablerade riskfaktorer innan sjukdom uppstått (t.ex. statiner till högriskindivider).
- Sekundärprevention: förhindrar återinsjuknande hos den som redan haft en händelse (t.ex. läkemedel efter genomgången hjärtinfarkt).
Könsskillnader och socioekonomi
Riskbilden är inte könsneutral. Kvinnor uppvisar ofta mer diffusa hjärtinfarktsymtom och har könsspecifika riskfaktorer som preeklampsi och tidig menopaus, vilket gör att kvinnors risk lätt underskattas. Män drabbas i genomsnitt tidigare och har oftare bukfetma som drivande faktor. Utöver kön är socioekonomi en stark determinant: incidensen av hjärtinfarkt är tydligt kopplad till utbildningsnivå, ett exempel på hur strukturella faktorer verkar via mellanliggande biologiska riskfaktorer.
Studiedesign: kohort, fall-kontroll och RCT
För att gå från samband till orsak måste man välja rätt studiedesign. Designerna skiljer sig i tidsriktning, i vilket mått de kan beräkna och i hur väl de skyddar mot bias. I den enklaste observationella designen, Tvärsnittsstudien, mäts exponering och sjukdom samtidigt vid en tidpunkt utan uppföljning; den lämpar sig för att skatta prevalens men kan sällan avgöra vad som kom först. Kohortstudien följer i stället en definierad grupp framåt i tiden och jämför insjuknandet mellan exponerade och oexponerade, vilket gör att den kan beräkna incidens och relativ risk direkt; den är dock dyr och olämplig för mycket sällsynta sjukdomar. Fall-kontrollstudien vänder på logiken och utgår från utfallet: man identifierar sjuka (fall) och friska (kontroller) och jämför deras tidigare exponering bakåt i tiden. Den är effektiv för sällsynta sjukdomar men kan bara ge en oddskvot och är känslig för minnes- och selektionsbias.
Den experimentella designen RCT (randomiserad kontrollerad studie) är guldstandard för att fastställa kausalitet vid behandling, eftersom Randomisering fördelar både kända och okända störfaktorer jämnt mellan grupperna. På populationsnivå finns Ekologisk studie, som jämför exponering och sjukdom mellan grupper snarare än individer och därför riskerar det ekologiska felslutet (att gruppsamband felaktigt tolkas som individsamband). Slutligen används Tvillingstudier för att särskilja genetiska faktorer från miljöfaktorer, genom att jämföra samstämmighet mellan enäggs- och tvåäggstvillingar.
| Studiedesign | Tidsriktning | Typiskt riskmått | Styrka | Svaghet |
|---|---|---|---|---|
| Tvärsnittsstudie | En tidpunkt | Prevalens (OR) | Snabb, billig | Ingen tidsordning |
| Kohortstudie | Framåt (prospektiv) | Incidens, RR | Kan visa orsaksföljd | Dyr, tar tid |
| Fall-kontrollstudie | Bakåt (retrospektiv) | Oddskvot (OR) | Bra för sällsynt sjukdom | Minnes-/selektionsbias |
| RCT | Framåt, experimentell | RR, ARR, NNT | Guldstandard för kausalitet | Dyr, etiska gränser |
| Ekologisk studie | Gruppnivå | Korrelation | Enkel med registerdata | Ekologiskt felslut |
Klinisk pärla
I vetenskapliga RCT-artiklar visar “Table 1” (baseline-data) om randomiseringen fungerat: en jämn fördelning av ålder, vikt, blodtryck och sjukdomshistorik mellan grupperna är kvittot på att kända störfaktorer balanserats bort.
Riskmått: RR, OR, absolut risk och NNT
När designen väl gett data ska sambandets storlek uttryckas. Relativ Risk (RR) är kvoten mellan insjuknanderisken hos exponerade och oexponerade: RR = 1 betyder ingen skillnad, RR > 1 ökad risk och RR < 1 skyddande effekt. RR kan beräknas i kohortstudier och RCT där man känner den underliggande risken. I fall-kontrollstudier, där man inte kan mäta incidens, används i stället oddskvoten (OR), som vid sällsynta utfall ligger nära RR. Dessa relativa mått säger dock ingenting om hur stor risken är i absoluta tal. En fördubbling (RR = 2) av en försumbar risk är fortfarande försumbar. Därför kompletteras de med absolut riskreduktion (ARR), som är den rena skillnaden i risk mellan grupperna, och med number needed to treat (NNT), som är 1/ARR och anger hur många patienter man måste behandla för att förhindra ett fall. Ett lågt NNT betyder en kliniskt kraftfull behandling. Man kan också ange hur stor andel av sjukdomen i den exponerade gruppen som beror på exponeringen; detta fångas av den etiologiska fraktionen (attributable fraction).
| Riskmått | Formel / innebörd | Används i | Tolkning |
|---|---|---|---|
| Relativ Risk (RR) | Risk exponerade / risk oexponerade | Kohort, RCT | >1 ökad, <1 skyddar |
| Oddskvot (OR) | Odds exponering hos fall / kontroller | Fall-kontroll | Närmar sig RR vid sällsynt utfall |
| Absolut riskreduktion (ARR) | Risk kontroll − risk behandling | RCT | Faktisk vinst i procentenheter |
| Number needed to treat (NNT) | 1 / ARR | RCT | Antal att behandla per räddat fall |
| Etiologisk fraktion | Andel av sjukdom pga exponering | Kohort | Kausalt bidrag hos exponerade |
Tenta-fokus
Relativa mått (RR, OR) överdriver lätt den kliniska betydelsen. Ett läkemedel som “halverar risken” (RR 0,5) är oimponerande om baslinjerisken bara var 0,2 %. Kräv alltid det absoluta måttet (ARR/NNT) innan du bedömer klinisk nytta.
Diagnostiska tester: sensitivitet, specificitet och prediktiva värden
Från befolkningsrisk går vi nu till den enskilda patienten och frågan hur bra ett test skiljer sjuka från friska. Grunden är en 2×2-tabell som ställer testresultatet mot det sanna sjukdomstillståndet.
| Sjuk (verkligt +) | Frisk (verkligt −) | |
|---|---|---|
| Test positivt | Sant positiv (SP) | Falskt positiv (FP) |
| Test negativt | Falskt negativ (FN) | Sant negativ (SN) |
Ur denna tabell härleds de fyra centrala måtten. Sensitivitet = SP / (SP + FN) är andelen sjuka som testet fångar; ett högsensitivt test missar få sjuka och lämpar sig därför för att utesluta sjukdom (ett negativt svar är då tillförlitligt, minnesregeln SnNout). Specificitet = SN / (SN + FP) är andelen friska som testet friar; ett högspecifikt test ger få falska larm och lämpar sig för att bekräfta sjukdom (SpPin). Sensitivitet och specificitet är egenskaper hos själva testet och är oberoende av hur vanlig sjukdomen är.
De prediktiva värdena besvarar den fråga patienten faktiskt ställer. Positivt prediktivt värde (PPV) = SP / (SP + FP) är sannolikheten att en person med positivt test verkligen är sjuk, och negativt prediktivt värde (NPV) = SN / (SN + FN) är sannolikheten att en person med negativt test verkligen är frisk. Till skillnad från sensitivitet och specificitet beror de prediktiva värdena starkt på prevalensen: samma test ger lågt PPV i en lågprevalent population, eftersom de falskt positiva då dränker de sant positiva.
| Testegenskap | Formel | Frågar | Praktisk nytta |
|---|---|---|---|
| Sensitivitet | SP / (SP + FN) | Hur många sjuka fångas? | Utesluta sjukdom (SnNout) |
| Specificitet | SN / (SN + FP) | Hur många friska frias? | Bekräfta sjukdom (SpPin) |
| Positivt prediktivt värde | SP / (SP + FP) | Positivt test → verkligt sjuk? | Prevalensberoende |
| Negativt prediktivt värde | SN / (SN + FN) | Negativt test → verkligt frisk? | Prevalensberoende |
Prevalensberoendet i praktiken
Ett test med 99 % sensitivitet och 99 % specificitet låter perfekt, men om sjukdomen bara finns hos 1 av 1000 blir ändå majoriteten av de positiva svaren falska larm. Därför tolkas alltid ett testresultat mot den kliniska förhandssannolikheten, inte i ett vakuum.
Screening, bias och confounding
Screening innebär att systematiskt testa till synes friska personer för att upptäcka sjukdom tidigt. För att ett screeningprogram ska vara motiverat brukar man kräva att sjukdomen är vanlig och allvarlig, att den har ett upptäckbart förstadium, att det finns ett tillräckligt säkert och accepterat test, och framför allt att tidig behandling förbättrar prognosen. Screening introducerar dessutom egna, försåtliga fel: lead time bias (överlevnaden ser längre ut bara för att diagnosen ställs tidigare, utan att döden skjuts upp) och length time bias (screening fångar oproportionerligt de långsamväxande, godartade fallen). Detta är skälet till att screeningnytta måste bevisas i randomiserade studier snarare än genom att jämföra överlevnad hos upptäckta fall.
Bortom screening hotas all epidemiologisk forskning av två slags fel. Systematiska fel (bias) rör studiens validitet och försvinner inte med större studie. Hit hör selektionsbias (icke-representativt urval, snedvridet bortfall eller olämpliga kontroller) och informations-/felklassificeringsbias (deltagare hamnar i fel exponerings- eller utfallskategori, t.ex. genom minnesfel i en fall-kontrollstudie). Slumpmässiga fel rör i stället precisionen och minskar när studien blir större. Den tredje hoten, confounding, är varken bias eller slump utan en verklig men störande tredje faktor.
| Feltyp | Undertyp | Vad det snedvrider | Motmedel |
|---|---|---|---|
| Systematiskt fel (bias) | Selektionsbias | Validitet | Representativt urval, låg bortfall |
| Systematiskt fel (bias) | Felklassificering | Validitet | Objektiva, blindade mätningar |
| Screeningbias | Lead time / length time | Skenbar överlevnad | Randomiserad utvärdering |
| Slumpmässigt fel | — | Precision | Större studiestorlek |
| Confounding | — | Skenbart samband | Se metoder nedan |
Confounding kontrolleras med flera metoder. Restriktion väljer en studiepopulation som saknar störfaktorn, Stratifiering analyserar undergrupper separat, och multivariat modellering justerar statistiskt för flera variabler samtidigt via regression. Mest kraftfull är dock Randomisering, som ensam kan balansera även okända störfaktorer och därför gör RCT till guldstandard.
Klinisk pärla
Randomisering är den enda metoden som skyddar mot confounding från faktorer vi inte ens vet finns. Restriktion, stratifiering och multivariat justering kan bara hantera de störfaktorer vi känner till och har mätt.
Statistik: p-värde, konfidensintervall och evidensvärdering
Till sist behövs ett språk för att uttrycka hur mycket slumpen kan förklara ett fynd. P-värdet anger sannolikheten att observera minst en så stark effekt som den funna om nollhypotesen (ingen skillnad) vore sann; ett p < 0,05 kallas konventionellt statistiskt signifikant. P-värdet säger dock ingenting om effektens storlek eller kliniska relevans, och ett icke-signifikant resultat bevisar inte frånvaro av effekt. Därför föredras konfidensintervall (KI), oftast 95 %, som anger det intervall inom vilket det sanna värdet med rimlig säkerhet ligger. Intervallet ger både precision (ju smalare desto säkrare) och signifikans i ett enda mått: för ett riskmått som RR eller OR är resultatet icke-signifikant om KI inkluderar 1,0, eftersom värdet 1 betyder “ingen skillnad”. För en absolut skillnad gäller motsvarande gräns vid 0.
Enskilda studier vägs slutligen samman i systematiska översikter och metaanalyser, som utgör toppen av evidenshierarkin, följt av RCT som guldstandard för behandlingseffekt och därefter observationsstudier. Resultaten visualiseras ofta i en Forest plot, där varje studies punktskattning ritas som en fyrkant (vars storlek speglar studiens vikt) med ett vågrätt streck för konfidensintervallet, och där den poolade totaleffekten anges som en diamant längst ned. En vertikal linje vid RR = 1 gör det direkt avläsbart vilka studier som är signifikanta. Sambandets form kan dessutom variera: det kan vara linjärt, ha ett tröskelvärde eller vara J- eller U-format, som det välkända sambandet mellan BMI och mortalitet där både låga och höga värden ökar risken.
| Begrepp | Innebörd | Tumregel |
|---|---|---|
| Nollhypotes | Antagande om ingen skillnad | Testet försöker förkasta den |
| P-värde | Sannolikhet för fyndet om nollhypotesen är sann | < 0,05 = signifikant |
| Konfidensintervall (95 %) | Trolig omfattning av sant värde | Smalt = precist |
| Signifikans för RR/OR | Beror på om KI täcker 1,0 | KI korsar 1 → icke-signifikant |
| Evidenshierarki | Metaanalys > RCT > observation | Högre = starkare bevis |
Tenta-fokus
Blanda inte ihop statistisk och klinisk signifikans. En mycket stor studie kan göra en obetydlig skillnad statistiskt signifikant (litet p-värde), medan ett brett konfidensintervall som korsar 1,0 innebär att effekten är förenlig med ingen effekt alls. Läs alltid konfidensintervallet, inte bara p-värdet.