489. Ryzyko przypisane AR – jaka część ryzyka może być związana z ekspozycją?

W poprzednich lekcjach omawialiśmy ryzyko, różnicę ryzyka i ryzyko względne. Kolejnym krokiem jest pytanie o znaczeniu praktycznym: jaka część obserwowanego ryzyka może być związana z określoną ekspozycją? Temu pytaniu służą miary określane po angielsku jako attributable risk i attributable fraction. Są one szczególnie ważne w epidemiologii, medycynie zapobiegawczej i zdrowiu publicznym, ponieważ pomagają przejść od samego stwierdzenia związku do oszacowania potencjalnego obciążenia chorobą.

Terminologia nie jest całkowicie jednolita. W części podręczników attributable risk oznacza różnicę ryzyka między grupą eksponowaną i nieeksponowaną, czyli miarę bezwzględną. W innych źródłach tym samym terminem określa się frakcję przypisaną ekspozycji, wyrażaną jako ułamek lub procent. Dlatego w poprawnym raporcie należy zawsze podać wzór, jednostkę i populację, której dotyczy wynik. W tej lekcji rozróżnimy przede wszystkim: attributable risk jako nadmiar ryzyka, attributable fraction among the exposed oraz population attributable fraction.

1. Od związku statystycznego do miary wpływu

Załóżmy, że badacze porównują dwie grupy: osoby narażone na ekspozycję oraz osoby bez tej ekspozycji. Ekspozycją może być palenie tytoniu, praca w warunkach wysokiego zapylenia, brak szczepienia, określony wzorzec snu albo przewlekły stres. Wynikiem może być zawał serca, astma, zakażenie, hospitalizacja, depresja lub inne zdarzenie zdrowotne.

Jeśli ryzyko w grupie eksponowanej jest wyższe niż w grupie nieeksponowanej, możemy obliczyć różnicę ryzyka. Sama różnica nie dowodzi jeszcze przyczynowości. Informuje natomiast, o ile punktów procentowych ryzyko jest większe w grupie eksponowanej. Dopiero po uzasadnieniu założenia przyczynowego można ostrożnie mówić, że nadmiar ten jest przypisywany ekspozycji.

Jest to ważne rozróżnienie. Miary przypisane mają sens przyczynowy lub kontrfaktyczny: pytają, co mogłoby się stać, gdyby ekspozycję usunięto albo gdyby osoby eksponowane nie były eksponowane. Takie interpretacje wymagają między innymi odpowiedniego projektu badania, kontroli ważnych czynników zakłócających, poprawnego pomiaru ekspozycji i wiarygodnego porównania grup (Greenland, 2015).

2. Attributable risk jako nadmiar ryzyka

Niech:

  • Re oznacza ryzyko zdarzenia w grupie eksponowanej;
  • Ru oznacza ryzyko zdarzenia w grupie nieeksponowanej;
  • AR oznacza attributable risk, czyli ryzyko przypisane lub nadmiar ryzyka.

Podstawowy wzór ma postać:

AR = Re − Ru

Wynik jest wyrażony w tych samych jednostkach co ryzyko: jako proporcja, odsetek albo liczba zdarzeń na określoną liczbę osób. Jeśli ryzyko wynosi 0,12 w grupie eksponowanej i 0,05 w grupie nieeksponowanej, to:

AR = 0,12 − 0,05 = 0,07

Oznacza to bezwzględny nadmiar ryzyka równy 0,07, czyli 7 punktów procentowych w analizowanym okresie. Można powiedzieć, że w grupie eksponowanej wystąpiło o 7 zdarzeń więcej na każde 100 osób niż w grupie nieeksponowanej, pod warunkiem że obie grupy są porównywalne i obserwowane w tym samym przedziale czasu.

AR jest liczbowo tożsamy z różnicą ryzyka omawianą w poprzednich lekcjach. Różnica polega głównie na perspektywie interpretacyjnej. Risk difference opisuje kontrast między grupami, natomiast attributable risk podkreśla możliwy nadmiar przypisany ekspozycji. W publikacji najlepiej unikać niejednoznaczności i stosować precyzyjne określenie, np. „różnica ryzyka, interpretowana jako nadmiar ryzyka przy założeniu przyczynowości”.

3. Frakcja przypisana wśród eksponowanych

Różnica ryzyka odpowiada na pytanie: o ile większe jest ryzyko? Często chcemy jednak wiedzieć: jaka część ryzyka w grupie eksponowanej może być związana z ekspozycją? Do tego służy frakcja przypisana wśród eksponowanych, oznaczana zwykle jako AFe albo PAFe.

Wzór brzmi:

AFe = (Re − Ru) / Re

Można go także zapisać przy użyciu ryzyka względnego:

AFe = (RR − 1) / RR

gdzie RR = Re / Ru.

W naszym przykładzie:

AFe = (0,12 − 0,05) / 0,12 = 0,07 / 0,12 = 0,583

Po pomnożeniu przez 100 otrzymujemy około 58,3%. Interpretacja brzmi: przy przyjęciu modelu przyczynowego, prawidłowym pomiarze oraz porównywalności grup około 58% przypadków zdarzenia wśród osób eksponowanych można przypisać ekspozycji lub potencjalnie uniknąć po jej usunięciu.

To nie znaczy, że dla każdej osoby można ustalić, czy jej choroba została spowodowana ekspozycją. Jest to miara dla grupy, a nie indywidualny „test przyczynowości”. Nie należy także interpretować jej jako prawdopodobieństwa, że ekspozycja była przyczyną choroby u konkretnego pacjenta.

4. Przykład medyczny: zakażenie po procedurze

W badaniu kohortowym obserwowano 1000 pacjentów po zabiegu. U 400 osób zastosowano określony typ opatrunku, a u 600 zastosowano standardową procedurę. Zakażenie rany wystąpiło u 32 osób w grupie z badanym opatrunkiem i u 18 osób w grupie standardowej.

Ryzyko w grupie eksponowanej wynosi:

Re = 32 / 400 = 0,08

Ryzyko w grupie nieeksponowanej wynosi:

Ru = 18 / 600 = 0,03

Różnica ryzyka:

AR = 0,08 − 0,03 = 0,05

W grupie otrzymującej badany opatrunek wystąpiło zatem o 5 punktów procentowych więcej zakażeń. Ryzyko względne wynosi 0,08 / 0,03 = 2,67. Frakcja przypisana wśród eksponowanych:

AFe = (0,08 − 0,03) / 0,08 = 0,625

To 62,5%. Taki wynik można interpretować jako potencjalnie możliwy do uniknięcia udział zakażeń w grupie eksponowanej, ale tylko wtedy, gdy różnica nie wynika z zakłócenia, błędu selekcji, odmiennej ciężkości stanu pacjentów lub innych różnic między grupami. Jeśli opatrunek był przydzielany losowo, interpretacja przyczynowa jest bardziej wiarygodna. Jeśli był wybierany przez personel w zależności od stanu pacjenta, potrzebna jest szczegółowa kontrola czynników zakłócających.

5. Frakcja przypisana w populacji

Frakcja przypisana wśród eksponowanych dotyczy tylko osób narażonych. Zdrowie publiczne często potrzebuje jednak odpowiedzi dotyczącej całej populacji: jaka część wszystkich przypadków może być związana z ekspozycją? Temu służy population attributable fraction, czyli frakcja przypisana w populacji, oznaczana jako PAF.

Najbardziej bezpośredni wzór ma postać:

PAF = (Rp − Ru) / Rp

gdzie:

  • Rp to ryzyko w całej badanej populacji;
  • Ru to ryzyko w grupie nieeksponowanej.

Jeżeli znamy częstość ekspozycji w populacji Pe, możemy zapisać:

Rp = PeRe + (1 − Pe)Ru

Wtedy:

PAF = (Rp − Ru) / Rp

W niektórych sytuacjach, zwłaszcza gdy dostępne są dane o ryzyku względnym i częstości ekspozycji, stosuje się równoważną postać:

PAF = Pe(RR − 1) / [1 + Pe(RR − 1)]

PAF zależy więc nie tylko od siły związku, lecz także od tego, jak często ekspozycja występuje w populacji. Ekspozycja o wysokim RR, ale bardzo rzadka, może odpowiadać za niewielką część wszystkich przypadków. Z kolei umiarkowanie szkodliwa ekspozycja, obecna u większości populacji, może mieć duże znaczenie dla zdrowia publicznego (Mansournia i Altman, 2018).

6. Przykład z zakresu zdrowia publicznego

Załóżmy, że w mieście ryzyko hospitalizacji z powodu zaostrzenia astmy w ciągu roku wynosi 4%. Wśród osób nienarażonych na wysokie stężenia zanieczyszczeń ryzyko wynosi 2,5%. Wysoką ekspozycję ma 40% mieszkańców.

Najpierw obliczamy ryzyko względne:

RR = 0,04 / 0,025 = 1,6

Ryzyko przypisane wśród eksponowanych:

AFe = (1,6 − 1) / 1,6 = 0,375

Oznacza to 37,5% potencjalnie przypisanego ryzyka wśród osób eksponowanych.

Frakcja przypisana w populacji:

PAF = 0,40 × (1,6 − 1) / [1 + 0,40 × (1,6 − 1)]

PAF = 0,24 / 1,24 ≈ 0,194

Otrzymujemy około 19,4%. Przy założeniu przyczynowości i skutecznego usunięcia ekspozycji można więc szacować, że mniej więcej jedna piąta hospitalizacji z powodu zaostrzeń astmy w tej populacji byłaby potencjalnie możliwa do uniknięcia. Nie oznacza to, że każdą z tych hospitalizacji można rzeczywiście zapobiec jednym działaniem. Usunięcie ekspozycji może być trudne, a jej wpływ może zależeć od wieku, palenia, leczenia, warunków mieszkaniowych i innych czynników.

7. AR, AFe i PAF – trzy różne pytania

Miara Wzór Główne pytanie
Attributable risk / różnica ryzyka Re − Ru O ile większe jest ryzyko w grupie eksponowanej?
AFe (Re − Ru) / Re Jaka część ryzyka wśród eksponowanych może być przypisana ekspozycji?
PAF (Rp − Ru) / Rp Jaka część wszystkich przypadków w populacji może być przypisana ekspozycji?

Miary te nie są zamienne. AR jest bezwzględne i zachowuje jednostkę ryzyka. AFe i PAF są względnymi udziałami, zwykle wyrażanymi w procentach. W praktyce warto podawać równocześnie miarę względną, np. RR, miarę bezwzględną, np. AR, oraz przedział ufności.

8. Związek z przyczynowością i ograniczenia interpretacji

Określenia „przypisane” i „możliwe do uniknięcia” nie powinny być używane automatycznie po uzyskaniu różnicy ryzyka. W badaniu obserwacyjnym różnica między grupami może wynikać z ekspozycji, ale również z wieku, chorób współistniejących, statusu społeczno-ekonomicznego, dostępu do opieki, zachowań zdrowotnych lub błędu pomiaru.

Klasyczne wzory zakładają między innymi, że ryzyko w grupie nieeksponowanej jest rozsądnym przybliżeniem ryzyka, jakie wystąpiłoby u osób eksponowanych po usunięciu ekspozycji. Jest to założenie kontrfaktyczne, którego nie można bezpośrednio zaobserwować. W przypadku wielu ekspozycji, interakcji lub różnych mechanizmów choroby proste AF może być trudne do interpretacji (Greenland i Robins, 1988; Greenland, 2015).

Ważne jest również odróżnienie frakcji przypisanej od prawdopodobieństwa przyczynowości u jednostki. Frakcja 40% nie oznacza, że u 40% pacjentów ekspozycja była przyczyną, a u pozostałych nie. Jest to udział na poziomie populacji, oparty na określonym modelu i założeniach.

9. Przedziały ufności i raportowanie

Attributable risk nie powinien być raportowany jako pojedyncza liczba bez informacji o niepewności. W próbie losowej różnica ryzyka, AFe i PAF podlegają błędowi losowemu. Należy zatem podać przedział ufności, zwykle 95%, oraz opisać sposób jego obliczenia.

Przykładowy zapis może wyglądać następująco: „Ryzyko wynosiło 12,0% w grupie eksponowanej i 5,0% w grupie nieeksponowanej; różnica ryzyka wyniosła 7,0 punktu procentowego, a frakcja przypisana wśród eksponowanych 58,3%”. Jeżeli badanie było obserwacyjne, należy dodać, czy wynik jest surowy, czy skorygowany o czynniki zakłócające, oraz jakie założenie przyczynowe umożliwia użycie słowa „przypisany”. Zgodnie z zaleceniami STROBE raport powinien jasno opisywać uczestników, ekspozycję, wynik, czynniki zakłócające, sposób analizy i ograniczenia (von Elm i in., 2007).

Najczęstsze błędy

  • Mylenie AR z AFe. AR jest różnicą ryzyka, a AFe jest proporcją lub procentem.
  • Mylenie AFe z PAF. Pierwsza miara dotyczy eksponowanych, druga całej populacji.
  • Interpretowanie p-value jako prawdopodobieństwa prawdziwości hipotezy zerowej. Wartość p nie mówi, jakie jest prawdopodobieństwo, że H0 jest prawdziwa.
  • Traktowanie statystycznej istotności jako dowodu ważności klinicznej. Mała różnica może być istotna statystycznie w dużej próbie, ale mieć małe znaczenie praktyczne.
  • Wnioskowanie przyczynowe z dowolnego badania obserwacyjnego. Sama różnica ryzyka nie eliminuje zakłócenia ani błędu selekcji.
  • Pomijanie częstości ekspozycji. PAF zależy zarówno od siły związku, jak i od rozpowszechnienia ekspozycji.
  • Używanie OR jak RR bez uzasadnienia. W badaniu kliniczno-kontrolnym bezpośrednie obliczenie ryzyka zwykle nie jest możliwe, a przybliżenia oparte na OR wymagają odpowiednich założeń.
  • Brak jednostki i horyzontu czasowego. Ryzyko „w ciągu roku” nie jest tym samym co ryzyko „w ciągu pięciu lat”.

Przykład praktyczny: interpretacja wyniku z badania kohortowego

W badaniu obserwowano występowanie depresji wśród pracowników przez 12 miesięcy. W grupie osób pracujących regularnie w systemie nocnym depresję rozpoznano u 90 z 900 osób, a w grupie pracujących wyłącznie w dzień u 40 z 800 osób.

Ryzyko w grupie eksponowanej wynosi 90/900 = 0,10, a w grupie nieeksponowanej 40/800 = 0,05. Różnica ryzyka wynosi 0,05, czyli 5 punktów procentowych. RR = 2,0, a AFe = (2 − 1)/2 = 0,50.

Można więc napisać: „W analizowanym okresie ryzyko depresji było o 5 punktów procentowych większe wśród osób pracujących w nocy. Przy założeniu porównywalności grup i interpretacji przyczynowej 50% ryzyka w grupie pracowników nocnych można przypisać pracy nocnej”. Nie należy jednak pisać, że „praca nocna spowodowała depresję u połowy badanych”, ponieważ wynik grupowy nie identyfikuje przyczyny u każdej osoby, a obserwacyjny charakter badania nie wyklucza zakłóceń.

Co warto zapamiętać?

  1. Attributable risk może oznaczać nadmiar ryzyka: AR = Re − Ru.
  2. AFe pokazuje, jaka część ryzyka wśród eksponowanych może być przypisana ekspozycji: (Re − Ru)/Re.
  3. PAF dotyczy całej populacji i zależy także od rozpowszechnienia ekspozycji.
  4. Miary przypisane mają sens przyczynowy tylko przy odpowiednich założeniach i wiarygodnym projekcie badania.
  5. Nie wolno utożsamiać frakcji przypisanej z prawdopodobieństwem przyczynowości u pojedynczego pacjenta.
  6. Najlepsza interpretacja łączy miarę względną, bezwzględną, przedział ufności oraz ocenę znaczenia praktycznego.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować attributable risk jako kolejny krok po poznaniu ryzyka, RR i różnicy ryzyka. Sama arytmetyka jest prosta; trudniejsza jest ocena, czy wynik rzeczywiście można interpretować jako potencjalne obciążenie związane z ekspozycją.

Źródła i dalsza lektura

  1. Greenland, S. (2015). Concepts and pitfalls in measuring and interpreting attributable fractions, prevented fractions, and causation probabilities. Annals of Epidemiology, 25(3), 155–161. DOI: 10.1016/j.annepidem.2014.11.005.
  2. Mansournia, M. A., & Altman, D. G. (2018). Population attributable fraction. The BMJ, 360, k757. DOI: 10.1136/bmj.k757.
  3. Greenland, S., & Robins, J. M. (1988). Conceptual problems in the definition and interpretation of attributable fractions. American Journal of Epidemiology, 128(6), 1185–1197. DOI: 10.1093/oxfordjournals.aje.a115073.
  4. von Elm, E., Altman, D. G., Egger, M., Pocock, S. J., Gøtzsche, P. C., & Vandenbroucke, J. P. (2007). The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. PLoS Medicine, 4(10), e296. DOI: 10.1371/journal.pmed.0040296.
  5. Centers for Disease Control and Prevention (2012). Principles of Epidemiology in Public Health Practice, Third Edition: An Introduction to Applied Epidemiology and Biostatistics. U.S. Department of Health and Human Services, Centers for Disease Control and Prevention. Źródło.

Podobne wpisy

Jeden komentarz

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *