483. Współczynnik zapadalności i osoboczas
Współczynnik zapadalności należy do podstawowych miar częstości stosowanych w epidemiologii i biostatystyce. Pozwala opisać, jak szybko w określonej populacji pojawiają się nowe przypadki choroby, urazy lub inne zdarzenia zdrowotne. Jego szczególną cechą jest wykorzystanie osoboczasu, czyli łącznego czasu obserwacji, w którym osoby pozostawały jednocześnie pod obserwacją i były narażone na wystąpienie analizowanego zdarzenia. Dzięki temu można analizować dane pochodzące z populacji, w której poszczególne osoby były obserwowane przez różny czas.
W tej lekcji publicznego szkolenia na statystyk.edu.pl przechodzimy od intuicyjnego rozumienia zapadalności do formalnego wzoru, interpretacji wyniku, porównywania grup oraz praktycznych ograniczeń tej miary. Warto pamiętać, że współczynnik zapadalności nie jest tym samym co ryzyko zachorowania. To rozróżnienie było przedmiotem poprzednich lekcji, a tutaj zostanie wykorzystane do dokładniejszego zrozumienia osoboczasu.
1. Czym jest zapadalność?
Zapadalność opisuje występowanie nowych przypadków danego zdarzenia w populacji, która na początku obserwacji była wolna od tego zdarzenia. W mianowniku zawsze powinny znajdować się osoby lub czas obserwacji osób, które rzeczywiście mogły doświadczyć analizowanego zdarzenia. Nie włącza się więc do populacji ryzyka osób, które już na początku badania miały chorobę, nie należały do grupy objętej definicją przypadku albo z innych powodów nie mogły doświadczyć zdarzenia.
W praktyce słowo „zapadalność” bywa używane w odniesieniu do dwóch różnych miar:
- zapadalności skumulowanej, nazywanej także ryzykiem zachorowania lub incidence proportion, czyli odsetka osób, u których w określonym przedziale czasu wystąpiło zdarzenie;
- współczynnika zapadalności, nazywanego również współczynnikiem zachorowalności, incidence rate albo incidence density, czyli liczby nowych zdarzeń przypadających na jednostkę osoboczasu.
CDC definiuje współczynnik zapadalności jako stosunek liczby nowych przypadków do sumy czasu, przez który osoby pozostawały zagrożone wystąpieniem choroby i były obserwowane. W odróżnieniu od zapadalności skumulowanej czas jest więc bezpośrednio obecny w mianowniku (CDC, 2012). ([archive.cdc.gov])
2. Wzór na współczynnik zapadalności
Podstawowy wzór można zapisać następująco:
współczynnik zapadalności = liczba nowych przypadków / łączny osoboczas obserwacji
W zapisie symbolicznym:
IR = D / PT
- IR – współczynnik zapadalności,
- D – liczba nowych zdarzeń zaobserwowanych w analizowanym okresie,
- PT – łączny osoboczas obserwacji wszystkich osób pozostających w populacji ryzyka.
Jeżeli osoboczas wyrażono w osobolatach, jednostką wyniku będzie na przykład „przypadki na osoborok”. W praktyce wynik często mnoży się przez 1000, 10 000 albo 100 000, aby otrzymać bardziej czytelną postać:
IR × k = (D / PT) × k
gdzie k jest ustaloną stałą, na przykład 1000 lub 100 000. Mnożenie przez stałą nie zmienia treści miary; zmienia wyłącznie sposób jej prezentacji.
Jednostka współczynnika
Współczynnik zapadalności ma wymiar odwrotności czasu. Jeżeli mianownik stanowią osobolata, jednostką jest „na osoborok”, a nie procent. Można powiedzieć na przykład: „w badanej grupie odnotowano 4,2 przypadku na 100 osobolat obserwacji”. Nie należy automatycznie tłumaczyć tego jako „4,2% osób zachorowało”, ponieważ współczynnik nie jest proporcją.
W szczególności współczynnik może być większy niż 1 w przeliczeniu na osoborok, jeśli zdarzenia występują często lub obserwacja jest krótka. Nie oznacza to, że zachorowało więcej niż 100% osób. Jest to konsekwencja tego, że licznik i mianownik opisują różne wielkości: liczbę zdarzeń oraz czas obserwacji (Rothman, Greenland i Lash, 2008).
3. Czym jest osoboczas?
Osoboczas to suma czasu obserwacji wszystkich osób włączonych do analizy, ale tylko za okres, w którym pozostawały one w populacji ryzyka. Jeżeli jedna osoba była obserwowana przez rok, wnosi do mianownika jeden osoborok. Dziesięć osób obserwowanych przez rok wnosi łącznie dziesięć osobolat. Taki sam osoboczas może powstać z różnych układów obserwacji:
| Liczba osób | Czas obserwacji każdej osoby | Łączny osoboczas |
|---|---|---|
| 100 | 1 rok | 100 osobolat |
| 200 | 6 miesięcy | 100 osobolat |
| 50 | 2 lata | 100 osobolat |
W rzeczywistym badaniu osoby mogą dołączać do obserwacji w różnych momentach, wycofywać się z badania, umierać, przeprowadzać się albo osiągać punkt końcowy wcześniej niż inni uczestnicy. Osoba, u której rozpoznano chorobę, zwykle przestaje wnosić osoboczas dotyczący pierwszego zachorowania w chwili wystąpienia tego zdarzenia. Pozostały czas nie powinien być dalej liczony dla pierwszego przypadku tej samej choroby.
Od kiedy do kiedy liczyć czas?
Dla każdej osoby trzeba określić:
- moment rozpoczęcia obserwacji;
- moment zakończenia obserwacji;
- warunek, po którym osoba przestaje należeć do populacji ryzyka.
Obserwacja może zakończyć się na przykład w chwili wystąpienia choroby, zgonu, utraty z dalszej obserwacji, wycofania zgody albo zakończenia badania. Takie zakończenie obserwacji nazywa się często cenzorowaniem, choć samo cenzorowanie nie jest zdarzeniem zdrowotnym. Jest informacją, że od określonego momentu nie znamy dalszego przebiegu obserwacji lub nie jest on już częścią analizowanego schematu.
4. Przykład obliczenia
Załóżmy, że poradnia obserwowała 120 pacjentów bez rozpoznanej depresji przez maksymalnie dwa lata. Nie wszyscy pozostali w badaniu tak długo. Łączny osoboczas wyniósł 180 osobolat, a w czasie obserwacji pojawiło się 18 nowych rozpoznań depresji.
Obliczenie wygląda następująco:
IR = 18 / 180 = 0,10 przypadku na osoborok
Po przeliczeniu na 100 osobolat:
0,10 × 100 = 10 przypadków na 100 osobolat
Interpretacja: w badanej populacji zaobserwowano 10 nowych rozpoznań depresji na 100 osobolat obserwacji. Nie oznacza to koniecznie, że dokładnie 10% pacjentów zachorowało, ponieważ niektórzy pacjenci mogli być obserwowani krócej, a współczynnik zapadalności nie jest ryzykiem skumulowanym.
5. Porównywanie współczynników w grupach
Współczynnik zapadalności jest szczególnie użyteczny, gdy porównujemy grupy o różnym czasie obserwacji. Załóżmy, że w grupie pracowników zmianowych odnotowano 12 przypadków bezsenności podczas 240 osobolat, a w grupie pracowników dziennych 8 przypadków podczas 320 osobolat.
| Grupa | Nowe przypadki | Osoboczas | Współczynnik na 100 osobolat |
|---|---|---|---|
| Praca zmianowa | 12 | 240 osobolat | 5,0 |
| Praca dzienna | 8 | 320 osobolat | 2,5 |
Współczynnik zapadalności wynosił 5,0 na 100 osobolat w grupie zmianowej oraz 2,5 na 100 osobolat w grupie dziennej. Surowy iloraz współczynników wynosi:
IRR = 5,0 / 2,5 = 2,0
W tej próbie współczynnik występowania nowych przypadków bezsenności był dwukrotnie większy w grupie pracowników zmianowych niż w grupie pracowników dziennych. Jest to opis różnicy częstości. Sam taki wynik nie dowodzi, że praca zmianowa powoduje bezsenność, ponieważ potrzebne byłoby rozważenie między innymi selekcji do grup, czynników zakłócających, sposobu pomiaru oraz konstrukcji badania.
6. Kiedy osoboczas jest szczególnie przydatny?
Osoboczas jest dobrym rozwiązaniem, gdy:
- uczestnicy są obserwowani przez różne okresy;
- występują straty z dalszej obserwacji;
- badana populacja jest dynamiczna, czyli osoby mogą dołączać do niej lub ją opuszczać;
- zainteresowanie dotyczy szybkości pojawiania się zdarzeń;
- analiza obejmuje dane z rejestrów, systemów nadzoru lub długoterminowych kohort.
W badaniach medycznych osoboczas może być wyrażany w osobodniach, osobomiesiącach, osobolatach albo osobogodzinach. W ratownictwie można analizować na przykład liczbę nowych urazów na 10 000 osobogodzin ekspozycji na pracę. W pielęgniarstwie można badać liczbę nowych odleżyn na 1000 osobodni pobytu pacjentów w oddziale. W psychiatrii lub psychologii klinicznej właściwą jednostką może być liczba nowych epizodów na 100 osobolat obserwacji.
7. Ograniczenia i założenia interpretacyjne
Współczynnik zapadalności jest prostą miarą, ale jego poprawne zastosowanie wymaga starannego zdefiniowania danych. Po pierwsze, licznik i mianownik muszą odnosić się do tej samej populacji, okresu, definicji przypadku i sposobu obserwacji. Nie można dzielić liczby przypadków wykrytych w jednej grupie przez osoboczas zgromadzony w innej grupie.
Po drugie, osoba musi być rzeczywiście narażona na wystąpienie zdarzenia. Jeżeli analizujemy pierwsze zakażenie określonym patogenem, osoby z potwierdzonym zakażeniem na początku badania nie powinny wnosić czasu do mianownika dla pierwszego zakażenia. Jeżeli analizujemy nawroty, zasady liczenia czasu i zdarzeń mogą być inne.
Po trzecie, współczynnik jest często interpretowany jako średnia częstość w całym okresie obserwacji. Jeżeli ryzyko zmieniało się gwałtownie w czasie, pojedynczy współczynnik może ukrywać ważne różnice między początkiem i końcem badania. W takich sytuacjach warto przedstawić współczynniki dla krótszych przedziałów czasu albo zastosować analizę przeżycia czy modelowanie częstości.
Współczynnik można estymować wraz z przedziałem ufności. Dla liczby zdarzeń często stosuje się przybliżenia oparte na rozkładzie Poissona, szczególnie gdy zdarzenia są względnie rzadkie. Sam wynik punktowy nie pokazuje jednak niepewności oszacowania ani nie informuje, czy różnica między grupami jest zgodna z przypadkową zmiennością.
8. Najczęstsze błędy
Błąd 1: utożsamianie współczynnika z ryzykiem
„5 przypadków na 100 osobolat” nie znaczy automatycznie „5% osób zachorowało”. Ryzyko jest proporcją osób, które doświadczyły zdarzenia w określonym czasie, natomiast współczynnik odnosi zdarzenia do osoboczasu.
Błąd 2: użycie całkowitej liczebności zamiast osoboczasu
Jeżeli uczestnicy byli obserwowani przez różny czas, samo podanie liczby osób w mianowniku może być mylące. Trzeba uwzględnić rzeczywisty czas obserwacji każdej osoby.
Błąd 3: włączanie osób niebędących w populacji ryzyka
Do mianownika nie należy włączać osób, które już miały analizowane zdarzenie, nie mogły go doświadczyć albo nie spełniały kryteriów badania.
Błąd 4: niejasna jednostka
Wynik bez informacji, czy podano go na osoborok, osobomiesiąc czy 1000 osobodni, jest trudny do interpretacji i porównania.
Błąd 5: nieuwzględnianie różnic w definicji przypadku
Dwie grupy mogą mieć różne współczynniki nie dlatego, że różni się rzeczywista częstość choroby, lecz dlatego, że przypadki były inaczej wykrywane lub klasyfikowane. W raportowaniu badań obserwacyjnych należy dokładnie opisać kryteria rozpoznania, okres obserwacji i sposób ustalania mianownika, zgodnie z zaleceniami STROBE (von Elm i wsp., 2007; Vandenbroucke i wsp., 2007). ([journals.plos.org])
9. Przykład praktyczny: zakażenia szpitalne
Oddział intensywnej terapii chce ocenić częstość nowych zakażeń związanych z cewnikiem naczyniowym. W ciągu roku pacjenci korzystali z cewników łącznie przez 2500 dni. Odnotowano 15 zakażeń spełniających wcześniej ustaloną definicję przypadku.
Współczynnik zapadalności wynosi:
IR = 15 / 2500 = 0,006 zakażenia na dzień cewnikowania
Po przeliczeniu na 1000 dni cewnikowania:
0,006 × 1000 = 6 zakażeń na 1000 dni cewnikowania
Taką miarę można porównać z innym oddziałem, jeżeli zastosowano taką samą definicję zakażenia, podobny sposób wykrywania przypadków i porównywalny sposób rejestrowania dni cewnikowania. Liczba pacjentów nie byłaby tu wystarczającym mianownikiem, ponieważ pacjenci mogli mieć cewniki przez bardzo różny czas.
10. Jak raportować wynik?
Dobry opis powinien zawierać co najmniej:
- definicję analizowanego zdarzenia;
- liczbę nowych przypadków;
- łączny osoboczas i jego jednostkę;
- okres oraz miejsce obserwacji;
- sposób zakończenia obserwacji;
- wartość współczynnika i mnożnik, na przykład 1000 lub 100 000;
- przedział ufności, jeżeli jest raportowany;
- informację o metodzie porównania grup, na przykład ilorazie współczynników lub regresji Poissona.
Przykładowe zdanie raportowe może brzmieć: „W okresie od stycznia 2024 do grudnia 2025 odnotowano 15 nowych zakażeń podczas 2500 dni cewnikowania, co odpowiada współczynnikowi 6,0 zakażenia na 1000 dni cewnikowania”. Taki zapis jest znacznie bardziej informacyjny niż samo „wystąpiło 15 zakażeń”.
Co warto zapamiętać?
- Współczynnik zapadalności opisuje tempo pojawiania się nowych zdarzeń w populacji ryzyka.
- Jego wzór to IR = D / PT, gdzie D oznacza liczbę nowych zdarzeń, a PT – łączny osoboczas.
- Osoboczas jest sumą czasu, przez który poszczególne osoby były obserwowane i pozostawały narażone na zdarzenie.
- Współczynnik zapadalności nie jest tym samym co ryzyko ani odsetek osób, które zachorowały.
- Wynik należy zawsze podawać z jednostką, na przykład „na 100 osobolat” lub „na 1000 dni cewnikowania”.
- Porównanie współczynników może być użyteczne, ale nie dowodzi samo przez się związku przyczynowego.
- Poprawność wyniku zależy od zgodności definicji przypadku, licznika, mianownika i okresu obserwacji.
Najważniejsza praktyczna zasada brzmi: zanim obliczysz współczynnik zapadalności, ustal dokładnie, kto należy do populacji ryzyka, kiedy zaczyna i kończy się obserwacja oraz jak definiujesz nowe zdarzenie. Dopiero wtedy dzielenie liczby przypadków przez osoboczas ma sens metodologiczny.
Źródła i dalsza lektura
- Centers for Disease Control and Prevention (2012). Principles of Epidemiology in Public Health Practice, Third Edition: An Introduction to Applied Epidemiology and Biostatistics. Centers for Disease Control and Prevention. U.S. Department of Health and Human Services, CDC. Źródło.
- Kirkwood, Betty R.; Sterne, Jonathan A. C. (2012). Essential Medical Statistics. 2nd edition. Wiley-Blackwell. Informacja wydawcy / źródło.
- Rothman, Kenneth J.; Greenland, Sander; Lash, Timothy L. (2008). Modern Epidemiology. 3rd edition. Lippincott Williams & Wilkins. Informacja wydawcy / źródło.
- von Elm, Erik; Altman, Douglas G.; Egger, Matthias; Pocock, Stuart J.; Gøtzsche, Peter C.; Vandenbroucke, Jan P.; for the STROBE Initiative (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.
- Vandenbroucke, Jan P.; von Elm, Erik; Altman, Douglas G.; Gøtzsche, Peter C.; Mulrow, Cynthia D.; Pocock, Stuart J.; Poole, Charles; Schlesselman, James J.; Egger, Matthias; for the STROBE Initiative (2007). Strengthening the Reporting of Observational Studies in Epidemiology (STROBE): Explanation and Elaboration. PLoS Medicine, 4(10), e297. DOI: 10.1371/journal.pmed.0040297.
- Benson, Laurence C.; Räisänen, Anu M.; Rättyä, Jussi; Pasanen, Kati; Whalan, Maia; Hägglund, Martin; et al. (2022). Measures of (injury and illness) occurrence: a primer on epidemiological concepts and terminology for authors. Science and Medicine in Football, 6(2), 137–140. DOI: 10.1080/24733938.2022.2062897.
- Rothman, Kenneth J.; Huybrechts, Krista F.; Murray, Eleanor J. (2024). Epidemiology: An Introduction. 3rd edition. Oxford University Press. Informacja wydawcy / źródło.
Jeżeli potrzebujesz indywidualnego wsparcia w doborze metod, przygotowaniu bazy lub opracowaniu wyników badań, sprawdź analiza statystyczna.