492. Standaryzacja bezpośrednia i pośrednia – podstawy

W poprzednich lekcjach omawialiśmy, że surowe miary częstości, takie jak zapadalność lub umieralność, mogą być mylące, gdy porównywane populacje różnią się strukturą wieku. Standaryzacja pozwala przeprowadzić bardziej sprawiedliwe porównanie: przelicza współczynniki tak, jak gdyby analizowane populacje miały taką samą strukturę względem wybranego czynnika, najczęściej wieku. Nie tworzy jednak „prawdziwej” liczby zdarzeń w realnej populacji. Wynik standaryzacji jest miarą hipotetyczną, użyteczną przede wszystkim do porównań (Stang i Gianicolo, 2025).

1. Dlaczego potrzebujemy standaryzacji?

Załóżmy, że szpital A obsługuje głównie osoby starsze, a szpital B przede wszystkim osoby młode. Jeżeli w szpitalu A odnotowano więcej zgonów, nie możemy od razu wnioskować, że zapewnia on gorszą opiekę. Różnica może wynikać z tego, że jego pacjenci mają wyższe wyjściowe ryzyko zgonu związane z wiekiem.

Analogiczny problem pojawia się przy porównywaniu:

  • umieralności w dwóch województwach;
  • zapadalności na nowotwory w dwóch krajach;
  • częstości hospitalizacji w różnych grupach społecznych;
  • rozpowszechnienia choroby przewlekłej w kolejnych latach;
  • wskaźników zdrowia psychicznego w populacjach o odmiennej strukturze wieku.

Jeżeli wiek jest związany zarówno z badanym zdarzeniem, jak i z przynależnością do porównywanych populacji, może pełnić funkcję czynnika zakłócającego, czyli confoundera. Standaryzacja jest jedną z klasycznych metod kontroli takiego zakłócenia, obok ograniczenia zakresu analizy, stratyfikacji, dopasowania i modelowania statystycznego (Breslow i Day, 1987; Lash i in., 2021).

2. Podstawowe pojęcia

Współczynnik surowy

Współczynnik surowy opisuje częstość zdarzenia w całej populacji, bez przeliczania jej na wspólną strukturę wieku. W najprostszym przypadku można go zapisać jako:

R = D / N × K

  • R – współczynnik surowy;
  • D – liczba zdarzeń, na przykład zgonów lub nowych zachorowań;
  • N – liczebność populacji albo liczba osobolat obserwacji;
  • K – stała przeliczeniowa, na przykład 1000, 10 000 lub 100 000.

Współczynnik surowy jest ważny z punktu widzenia planowania świadczeń. Informuje o rzeczywistym obciążeniu populacji zdarzeniami. Nie zawsze nadaje się jednak do bezpośredniego porównywania populacji o odmiennej strukturze wieku.

Współczynniki szczegółowe

Współczynnik szczegółowy oblicza się osobno w każdej warstwie, na przykład grupie wieku:

Ri = Di / Ni × K

Indeks i oznacza konkretną warstwę, na przykład osoby w wieku 0–39, 40–64 albo 65 lat i więcej. Współczynniki szczegółowe pokazują, jak częstość zdarzenia różni się w obrębie porównywalnych grup. Standaryzacja wykorzystuje właśnie te współczynniki, ale łączy je z innymi wagami.

Populacja standardowa i wagi

Populacja standardowa jest rozkładem liczebności lub osobolat w poszczególnych warstwach, który służy jako wspólny układ odniesienia. Może być to populacja jednego kraju, populacja połączona z kilku badanych obszarów, standard europejski, standard światowy albo standard ustalony dla konkretnego badania.

W praktyce często stosuje się wagi względne:

wi = Pi / P

  • Pi – liczebność populacji standardowej w warstwie i;
  • P – całkowita liczebność populacji standardowej;
  • wi – udział warstwy i w populacji standardowej.

Suma wszystkich wag powinna wynosić 1 albo 100%, zależnie od sposobu zapisu. Wybór standardu wpływa na wartość liczbową wyniku, dlatego w publikacji trzeba zawsze podać, jaki standard zastosowano. Dwie wartości ASR obliczone z użyciem różnych standardów nie powinny być bezpośrednio porównywane (CDC, 2026; Stang i Gianicolo, 2025).

3. Standaryzacja bezpośrednia

W metodzie bezpośredniej znamy współczynniki szczegółowe w analizowanych populacjach. Każdy z nich przykładamy do tej samej populacji standardowej. Otrzymujemy odpowiedź na pytanie: jaki byłby ogólny współczynnik, gdyby badana populacja miała strukturę wieku populacji standardowej?

Podstawowy wzór ma postać:

ASR = Σ(wi × Ri)

  • ASR – age-standardized rate, czyli współczynnik standaryzowany względem wieku;
  • Σ – sumowanie po wszystkich warstwach;
  • wi – udział warstwy i w populacji standardowej;
  • Ri – współczynnik szczegółowy w badanej populacji w warstwie i.

Jeżeli wagi wyrażone są jako liczebności populacji standardowej, wzór można zapisać równoważnie:

ASR = [Σ(Pi × Ri)] / ΣPi

W obliczeniach należy zachować zgodność jednostek. Jeżeli współczynniki szczegółowe są podane na 100 000 osobolat, wynik ASR również będzie wyrażony na 100 000 osobolat.

Przykład 1. Bezpośrednia standaryzacja umieralności

Porównujemy dwie hipotetyczne gminy. W obu obliczamy umieralność na 1000 mieszkańców w trzech grupach wieku. Jako standard przyjmujemy populację 10 000 osób: 4000 osób młodych, 4000 osób w wieku średnim i 2000 osób starszych.

Grupa wieku Waga standardu Gmina A: Ri Gmina B: Ri
0–44 lata 0,40 1,0 0,8
45–64 lata 0,40 5,0 4,0
65 lat i więcej 0,20 30,0 25,0

Dla gminy A:

ASRA = 0,40 × 1,0 + 0,40 × 5,0 + 0,20 × 30,0 = 0,4 + 2,0 + 6,0 = 8,4 na 1000

Dla gminy B:

ASRB = 0,40 × 0,8 + 0,40 × 4,0 + 0,20 × 25,0 = 0,32 + 1,6 + 5,0 = 6,92 na 1000

Po standaryzacji umieralność gminy A wynosi 8,4 na 1000, a gminy B 6,92 na 1000. Różnica wynosi 1,48 na 1000, natomiast iloraz ASR wynosi około 1,21. Można więc powiedzieć, że przy tej samej strukturze wieku oczekiwany współczynnik w gminie A byłby wyższy. Nie oznacza to jeszcze, że sama struktura opieki zdrowotnej w gminie A powoduje większą umieralność. Standaryzacja kontroluje tylko uwzględniony czynnik, tutaj wiek.

4. Standaryzacja pośrednia

W metodzie pośredniej sytuacja jest odwrotna: zwykle nie znamy wiarygodnych współczynników szczegółowych w małej lub specjalnej populacji, ale znamy współczynniki szczegółowe w dużej populacji odniesienia. Stosujemy je do struktury badanej populacji i obliczamy liczbę zdarzeń oczekiwanych.

Najpierw wyznaczamy:

E = Σ(Ni × Ri,std)

  • E – oczekiwana liczba zdarzeń;
  • Ni – liczebność albo osobolata badanej populacji w warstwie i;
  • Ri,std – współczynnik szczegółowy w populacji standardowej lub referencyjnej.

Następnie porównujemy liczbę zdarzeń obserwowanych z oczekiwaną:

SMR = O / E

  • SMR – standardized mortality ratio, standaryzowany współczynnik umieralności;
  • O – liczba zdarzeń obserwowanych w badanej populacji;
  • E – liczba zdarzeń oczekiwanych.

Jeżeli analizujemy zachorowania, stosuje się często nazwę SIR, czyli standardized incidence ratio. Dla rozpowszechnienia można spotkać skrót SPR, a dla innych miar ogólnie mówi się o standaryzowanym ilorazie obserwowanych do oczekiwanych zdarzeń.

Interpretacja jest następująca:

  • SMR lub SIR = 1 – liczba obserwowana jest równa oczekiwanej;
  • SMR lub SIR > 1 – obserwuje się więcej zdarzeń, niż oczekiwano na podstawie populacji referencyjnej;
  • SMR lub SIR < 1 – obserwuje się mniej zdarzeń, niż oczekiwano.

Wynik 1,40 można opisać jako 40% więcej zdarzeń obserwowanych niż oczekiwanych względem zastosowanego standardu. Nie należy jednak automatycznie nazywać tej wartości „wzrostem ryzyka o 40%”, jeżeli projekt, miara i założenia nie uzasadniają takiego języka.

Przykład 2. SIR w małej grupie zawodowej

W grupie 2000 pracowników narażonych zawodowo na pyły odnotowano w ciągu obserwacji 18 nowych przypadków choroby układu oddechowego. Po zastosowaniu współczynników szczegółowych z populacji ogólnej, uwzględniających wiek pracowników, wyliczono 12 przypadków oczekiwanych.

SIR = 18 / 12 = 1,50

Oznacza to, że w badanej grupie stwierdzono 1,5 raza tyle przypadków, ile oczekiwano na podstawie współczynników populacji referencyjnej. Jest to wynik opisowy i porównawczy. Sam w sobie nie dowodzi, że ekspozycja zawodowa spowodowała chorobę. Potrzebne byłyby dalsze analizy dotyczące czasu ekspozycji, innych czynników ryzyka, zdrowia pracowników przed zatrudnieniem oraz niepewności statystycznej.

5. Kiedy wybrać metodę bezpośrednią, a kiedy pośrednią?

Metoda bezpośrednia jest preferowana, gdy:

  • mamy wiarygodne współczynniki szczegółowe w każdej populacji;
  • liczby zdarzeń w warstwach nie są bardzo małe;
  • chcemy porównywać wiele populacji, okresów lub regionów;
  • potrzebujemy wartości ASR, różnicy lub ilorazu standaryzowanych współczynników;
  • stosujemy wspólny standard używany także w innych publikacjach.

Metoda pośrednia bywa lepsza, gdy:

  • badana populacja jest mała;
  • w niektórych warstwach występuje bardzo mało zdarzeń albo nie występują one wcale;
  • nie można stabilnie oszacować współczynników szczegółowych w badanej grupie;
  • dostępne są dobre współczynniki szczegółowe z dużej populacji referencyjnej;
  • analizujemy kohortę zawodową, grupę pacjentów lub populację o specyficznym składzie.

Ważna jest też różnica interpretacyjna. Bezpośrednia standaryzacja daje standaryzowany współczynnik, który można porównywać między populacjami, jeśli użyto tego samego standardu. Standaryzacja pośrednia daje przede wszystkim porównanie liczby obserwowanej z oczekiwaną. SIR-y lub SMR-y z różnych badań nie zawsze są bezpośrednio porównywalne, ponieważ mogą być oparte na odmiennych populacjach referencyjnych i strukturach badanych kohort (Stang i Gianicolo, 2025).

6. Przykład praktyczny: nowotwory w populacjach o różnym wieku

Dobrym przykładem jest porównanie zachorowalności na raka żołądka w Cali w Kolumbii i w Nadrenii Północnej-Westfalii. Surowe współczynniki wynosiły odpowiednio 21,5 i 22,9 przypadku na 100 000 osobolat. Bez dodatkowej analizy można byłoby uznać, że częstość zachorowań jest niemal taka sama.

Po standaryzacji bezpośredniej względem starego standardu europejskiego uzyskano jednak 30,0 na 100 000 osobolat w Cali i 15,7 w Nadrenii Północnej-Westfalii. Iloraz standaryzowanych współczynników wyniósł około 1,91. Odmienny obraz wynikał z różnic w strukturze wieku: większy udział osób starszych w jednej populacji zmieniał jej współczynnik surowy (Stang i Gianicolo, 2025).

Ten przykład pokazuje, że standaryzacja nie „naprawia” danych w sensie absolutnym. Zmienia pytanie z: jak wygląda częstość w rzeczywistych populacjach? na: jak wyglądałaby częstość, gdyby obie populacje miały tę samą strukturę standardową? Pierwsze pytanie jest ważne dla planowania usług. Drugie jest ważne dla porównań epidemiologicznych.

7. Niepewność i raportowanie wyników

Sam punktowy ASR, SMR lub SIR nie wystarcza. Wynik powinien być uzupełniony o przedział ufności, zwłaszcza gdy liczba zdarzeń jest mała. W przypadku SMR i SIR często wykorzystuje się przybliżenia oparte na rozkładzie Poissona, ponieważ liczba zdarzeń może być traktowana jako zmienna zliczeniowa.

W raporcie należy podać:

  • definicję zdarzenia i okres obserwacji;
  • jednostkę współczynnika, na przykład 100 000 osobolat;
  • warstwy stratyfikacji;
  • źródło i nazwę populacji standardowej lub referencyjnej;
  • metodę obliczenia przedziału ufności;
  • liczbę zdarzeń obserwowanych i, w metodzie pośredniej, oczekiwanych;
  • ograniczenia interpretacyjne.

Warto pamiętać, że standaryzacja nie zastępuje modelu regresyjnego. Jeżeli jednocześnie występują różnice względem płci, statusu społeczno-ekonomicznego, chorób współistniejących i czasu obserwacji, sama standaryzacja względem wieku może być niewystarczająca.

Najczęstsze błędy

  1. Porównywanie współczynników standaryzowanych z różnych standardów. ASR obliczone według standardu światowego i europejskiego nie są tą samą miarą.
  2. Traktowanie ASR jako rzeczywistej liczby zdarzeń. Współczynnik standaryzowany jest konstrukcją hipotetyczną, służącą głównie porównaniu.
  3. Używanie metody bezpośredniej przy bardzo małych liczbach. Niestabilne współczynniki szczegółowe mogą prowadzić do dużego błędu i nieczytelnych wyników.
  4. Interpretowanie SMR lub SIR jako bezpośredniej miary przyczynowości. Wynik większy od 1 nie dowodzi, że określona ekspozycja spowodowała zdarzenia.
  5. Pomijanie współczynników surowych. Surowe miary są potrzebne do oceny rzeczywistego obciążenia populacji, nawet jeśli do porównań stosujemy ASR.
  6. Brak informacji o populacji referencyjnej. Bez niej nie wiadomo, do czego odnosi się wynik pośredniej standaryzacji.
  7. Mylenie istotności statystycznej ze znaczeniem praktycznym. Mała różnica może być statystycznie istotna przy dużej liczbie obserwacji, a duża różnica może pozostać nieprecyzyjnie oszacowana w małej próbie.
  8. Używanie języka przyczynowego. Standaryzacja kontroluje rozkład wybranego czynnika, ale sama nie tworzy podstaw do wnioskowania przyczynowego.

Co warto zapamiętać?

  • Standaryzacja służy przede wszystkim do porównywania częstości w populacjach o różnej strukturze, najczęściej wieku.
  • W metodzie bezpośredniej stosujemy współczynniki szczegółowe badanej populacji do wspólnej populacji standardowej.
  • Wzór metody bezpośredniej to ASR = Σ(wi × Ri).
  • W metodzie pośredniej stosujemy współczynniki referencyjne do struktury badanej populacji i wyznaczamy liczbę oczekiwaną.
  • Podstawowym wynikiem metody pośredniej jest SMR/SIR = O/E.
  • ASR, SMR i SIR są miarami porównawczymi; ich interpretacja wymaga znajomości standardu i jednostki.
  • Metoda bezpośrednia jest zwykle wygodniejsza do porównań wielu populacji, a pośrednia – do małych kohort i rzadkich zdarzeń.
  • Standaryzacja nie dowodzi przyczynowości i nie eliminuje wszystkich źródeł zakłócenia.

W ramach publicznego szkolenia na statystyk.edu.pl kolejnym krokiem powinno być przećwiczenie obu metod na tabeli z kilkoma warstwami wieku oraz porównanie wyniku surowego, ASR i SIR. Najważniejsza umiejętność nie polega jednak na mechanicznym podstawieniu liczb do wzoru, lecz na rozpoznaniu, jakie pytanie badawcze odpowiada danej metodzie i jakie ograniczenia ma uzyskana miara.

Źródła i dalsza lektura

  1. Stang, A.; Gianicolo, E. (2025). Age Standardization of Epidemiological Frequency Measures: Part 37 of a Series on the Evaluation of Scientific Publications. Deutsches Ärzteblatt International, 122(14), 387–392. DOI: 10.3238/arztebl.m2025.0072.
  2. Gianicolo, E. A. L.; Blettner, M.; Stang, A. (2026). Indirect standardization: time to eliminate misleading terminology. European Journal of Epidemiology, 41, 527–529. DOI: 10.1007/s10654-025-01349-z.
  3. Breslow, N. E.; Day, N. E. (1987). Statistical Methods in Cancer Research. Volume II: The Design and Analysis of Cohort Studies. International Agency for Research on Cancer. Informacja wydawcy / źródło.
  4. Lash, T. L.; VanderWeele, T. J.; Haneuse, S.; Rothman, K. J. (2021). Modern Epidemiology. 4th edition. Wolters Kluwer.
  5. National Center for Health Statistics, Centers for Disease Control and Prevention (2026). Age adjustment. Health, United States. Centers for Disease Control and Prevention. Źródło.
  6. World Health Organization Regional Office for Europe (2002). MONICA Monograph and Multimedia Sourcebook: Part 3. Age Standardization. World Health Organization Regional Office for Europe. Źródło.

Podobne wpisy

Jeden komentarz

Dodaj komentarz

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