Liczba przypadków bez mianownika mówi niewiele. Sto zakażeń może oznaczać małe ryzyko w wielomilionowej populacji albo ogromne obciążenie w niewielkiej placówce. Epidemiologia porządkuje zdarzenia przez określenie, kto mógł znaleźć się w liczniku, jaka populacja wytworzyła te zdarzenia i przez jaki czas była obserwowana.

Najczęściej mylone są zapadalność i chorobowość oraz umieralność populacyjna i śmiertelność wśród chorych. Każda z tych miar odpowiada na inne pytanie. Nie istnieje jedna „częstość choroby”, którą można bezpiecznie przenosić między badaniami, okresami i grupami.

Miara Licznik Mianownik Pytanie interpretacyjne
zapadalność skumulowana osoby z nowym zdarzeniem osoby początkowo zagrożone jakie było ryzyko w podanym okresie
gęstość zapadalności nowe zdarzenia osoboczas zagrożenia w jakim tempie napływały zdarzenia
chorobowość osoby mające stan populacja obecna w punkcie lub okresie jak rozpowszechniony był istniejący stan
umieralność zgony cała populacja lub jej osoboczas jakie było obciążenie zgonami w populacji
letalność wśród przypadków zgony w zdefiniowanej grupie przypadków przypadki z możliwością poznania wyniku jak często wykryta choroba kończyła się zgonem

Te wiersze nie są alternatywnymi sposobami zapisania jednej liczby. Zmiana mianownika zmienia populację, do której wolno odnieść wniosek.

Miara zaczyna się od definicji zdarzenia i populacji

Przed obliczeniem miary należy ustalić definicję przypadku: kryteria kliniczne, laboratoryjne, czasowe, przestrzenne i dotyczące osoby. Licznik może obejmować zakażenia, objawowe choroby, hospitalizacje, nawroty albo zgony. Te zdarzenia nie są wymienne.

Zmiana definicji w połowie szeregu czasowego może stworzyć pozorny trend. Jeżeli nowy test wykrywa łagodniejsze przypadki, liczba zachorowań rośnie bez biologicznego wzrostu transmisji, a odsetek zgonów wśród wykrytych może spaść.

Licznik musi pochodzić z mianownika

Populacja w mianowniku powinna być źródłem osób policzonych w liczniku. Zgony mieszkańców regionu nie powinny być bez wyjaśnienia odnoszone do liczby pacjentów leczonych w jego szpitalach. Przypadki wykryte w laboratoriach sentinelowych nie reprezentują automatycznie całej ludności.

CDC ujmuje podstawowe podejście jako policzenie zdarzeń, odniesienie ich do właściwej populacji i porównanie miar w czasie lub między grupami.cdc-approach Każdy etap może wprowadzić inny błąd.

Proporcja, iloraz i tempo są różnymi konstrukcjami

W proporcji licznik jest częścią mianownika, a wynik mieści się między 0 i 1. Iloraz może porównywać dwie rozłączne wielkości i nie ma takiego ograniczenia. Prawdziwe tempo opisuje napływ zdarzeń na jednostkę czasu obserwacji.

W praktyce słowo „współczynnik” lub angielskie rate bywa używane także wobec proporcji, na przykład attack rate i case-fatality rate. Warto podać wzór i jednostkę zamiast polegać na nazwie.

Zapadalność można opisać jako ryzyko albo tempo

Ryzyko skumulowane odpowiada na pytanie: jaka część populacji początkowo zagrożonej doświadczy nowego zdarzenia w określonym okresie? Licznik obejmuje nowe przypadki, a mianownik osoby zdolne do stania się przypadkami w chwili startu.

Zapis ma postać CI = liczba nowych przypadków / liczba osób zagrożonych na początku. Wynik jest proporcją i wymaga zawsze przedziału czasu, na przykład 2% w ciągu roku. „Ryzyko 2%” bez horyzontu jest niekompletne.

Zapadalność skumulowana wymaga kohorty

Najprostsza interpretacja zakłada zamkniętą grupę, pełną obserwację i jedno pierwsze zdarzenie na osobę. Przy stratach obserwacji lub zmiennej długości udziału mianownik początkowy może zniekształcać ryzyko.

Metody przeżycia pozwalają uwzględnić cenzorowanie i zmienny czas. Prosty iloraz pozostaje użyteczny, gdy okres jest krótki, populacja stabilna, a kompletność wysoka.

Osoboczas opisuje dynamiczną obserwację

Gęstość zapadalności, czyli incidence rate, ma licznik nowych zdarzeń i mianownik będący sumą czasu zagrożenia wszystkich uczestników: IR = nowe zdarzenia / osoboczas zagrożenia. Jednostką może być przypadek na 1000 osobodni albo 100 osobolat.

Dziesięć osób obserwowanych po roku i jedna osoba przez dziesięć lat tworzą po 10 osobolat, lecz nie muszą być epidemiologicznie równoważne. Incidence rate zakłada, że suma czasu jest sensowną podstawą dla procesu zdarzeń.

Osoboczas kończy się przy zdarzeniu albo wyjściu z obserwacji.

Do mianownika włącza się czas, w którym osoba jest obserwowana i rzeczywiście zagrożona. Kończy się on przy pierwszym zdarzeniu, zgonie, utracie obserwacji, końcu badania albo utracie podatności zgodnie z protokołem.

Jeżeli możliwe są powtarzalne zdarzenia, trzeba określić, czy każde jest liczone, czy tylko pierwsze. Mianownik i model muszą odpowiadać tej decyzji.

Ryzyko skumulowane i gęstość zapadalności nie są zamienne

Pierwsza jest prawdopodobieństwem w okresie, druga tempem napływu przypadków. Nie można bez założeń przeliczyć jednej na drugą. Przy stałym tempie i rzadkim zdarzeniu przybliżenie ryzyko ≈ tempo × czas może być użyteczne, ale traci dokładność przy dużym ryzyku.

Dokładniejszy związek przy stałym hazardzie ma postać ryzyko = 1 − exp(−tempo × czas). Stałość hazardu jest założeniem, a nie własnością danych.

Miary ataku opisują ryzyko w ograniczonym ognisku

Attack rate odnosi liczbę nowych przypadków po określonej ekspozycji do liczby eksponowanych osób zagrożonych. Mimo nazwy jest proporcją, nie tempem na osoboczas. Okno obserwacji powinno obejmować właściwy okres inkubacji.

Jeśli 30 z 120 uczestników wspólnego posiłku spełni definicję przypadku, attack rate wynosi 25%. Nie oznacza to 25 przypadków na jednostkę czasu.

W praktyce ten iloraz jest dopiero jednym elementem dochodzenia epidemiologicznego: wymaga wersjonowanej definicji przypadku, kompletnej listy narażonych i zgodnego okna obserwacji.

Wtórny współczynnik ataku mierzy szerzenie w kontaktach

Wtórna zapadalność wśród kontaktów odnosi nowe przypadki powstałe po ekspozycji na przypadek pierwotny do liczby podatnych kontaktów. Z mianownika usuwa się zwykle przypadki pierwotne i osoby niepodatne według definicji.

Trudność polega na rozdzieleniu zakażeń wtórnych od wspólnego źródła i transmisji poza gospodarstwem lub placówką. Okno czasowe powinno wynikać z inkubacji i okresu zakaźności.

Chorobowość mierzy istniejący stan

Chorobowość, czyli prevalence, opisuje część populacji mającą dany stan, niezależnie od tego, kiedy się rozpoczął. Licznik obejmuje przypadki istniejące, a nie tylko nowe. CDC podkreśla tę różnicę wprost: incidence obejmuje nowe przypadki, prevalence nowe i wcześniejsze trwające przypadki.cdc-frequency

Chorobowość jest proporcją. Nie ma jednostki czasu w mianowniku, choć zawsze odnosi się do punktu lub okresu kalendarzowego.

Chorobowość punktowa jest fotografią

Wzór Punktowa P = osoby z chorobą w chwili t / populacja w chwili t opisuje przekrój. Osoba musi znajdować się w populacji oraz spełniać definicję właśnie w tym punkcie.

Miara jest użyteczna do planowania zasobów: liczby osób wymagających opieki, izolacji, leku albo rehabilitacji. Nie określa bezpośrednio ryzyka zachorowania.

W liczniku znajdują się osoby, które miały stan w dowolnym momencie określonego okresu. Mianownik bywa populacją średnią lub inną jasno opisaną podstawą. Wynik zależy od długości okresu i definicji „obecności”.

Chorobowość roczna będzie zwykle większa niż punktowa tego samego stanu. Nie należy porównywać ich bez oznaczenia typu.

Chorobowość życiowa zależy od pamięci, dokumentacji i przeżycia.

Lifetime prevalence pyta, czy stan wystąpił kiedykolwiek do momentu badania. Przy danych ankietowych zależy od przypominania, rozpoznania i gotowości do ujawnienia. Osoby, które zmarły przed badaniem, nie wchodzą do przekrojowego mianownika.

Miara jest szczególnie podatna na bias przeżycia. Ciężka, szybko śmiertelna choroba może mieć niską chorobowość życiową w badaniu ocalałych mimo znacznej zapadalności.

Zapadalność i czas trwania wspólnie kształtują chorobowość

W stabilnej populacji, przy rzadkim stanie i zbliżonym napływie oraz odpływie, obowiązuje przybliżenie P ≈ I × D, gdzie D to średni czas trwania. Jest to model przepływu: nowe przypadki napełniają pulę, a wyleczenia, zgony i migracje ją opróżniają.

Podręcznik „Epidemiologia. Od teorii do praktyki” przedstawia tę relację i podkreśla wpływ wyleczeń, zgonów oraz migracji.podrecznik Przybliżenie zawodzi przy szybko zmieniającej się epidemii albo dużej chorobowości.

Lepsze leczenie może zwiększyć chorobowość.

Jeżeli terapia wydłuża życie z przewlekłym zakażeniem, liczba żyjących osób z rozpoznaniem rośnie nawet przy stałej lub malejącej liczbie nowych zakażeń. Wzrost prevalence nie musi zatem oznaczać pogorszenia kontroli transmisji.

Analogicznie szybko śmiertelna choroba może mieć niską chorobowość mimo wysokiego napływu nowych przypadków. Do interpretacji potrzebne są co najmniej incidence, czas trwania i wyniki.

Wyleczenie obniża chorobowość bez zmiany zapadalności.

Skuteczna krótka terapia skraca okres pozostawania w puli przypadków. Przekrojowy screening może wykryć mniej chorych, choć tempo nowych zakażeń nie zmieniło się.

Dlatego prevalence jest słabym krótkoterminowym miernikiem programu zapobiegania nowym zakażeniom, jeśli równocześnie zmienia się leczenie.

Migracja zmienia zarówno licznik, jak i populację odniesienia.

Napływ osób zakażonych zwiększa chorobowość bez lokalnej transmisji. Odpływ chorych ją obniża, a migracja osób podatnych zmienia mianownik zapadalności. W małych populacjach kilka osób może silnie przesunąć współczynnik.

Raport regionalny powinien określić, czy przypadki są przypisywane według zamieszkania, miejsca rozpoznania, ekspozycji czy leczenia.

Umieralność i letalność odpowiadają na inne pytania

Mortality rate ma w liczniku zgony, a w mianowniku populację, z której powstały, w określonym czasie. Ogólna umieralność obejmuje wszystkie przyczyny; swoista może dotyczyć przyczyny, wieku, płci albo innej grupy.

Zapis M = zgony w okresie / osoboczas lub populacja średnia w okresie opisuje ryzyko lub tempo zgonu na poziomie populacji. Nie mówi, jaka część chorych umiera.

Umieralność swoista dla przyczyny mierzy obciążenie populacji

W liczniku są zgony przypisane określonej chorobie, w mianowniku cała zagrożona populacja. Wysoka wartość może wynikać z częstej choroby, wysokiej letalności albo obu.

Jakość zależy od ustalania przyczyny zgonu, wielokrotnych chorób i kodowania. Zmiana praktyki certyfikacji może przesunąć trend bez zmiany biologicznej.

Umieralność swoista dla wieku usuwa część mieszania.

Współczynnik dla grupy wieku ma zgony w tej grupie i jej populację. Pozwala zobaczyć wzorce niewidoczne w wartości surowej. Wiek jest silnym determinantem wielu zgonów i często różni się między populacjami.

Nie wolno użyć zgonów wszystkich grup w liczniku i populacji jednej grupy w mianowniku. Licznik oraz mianownik muszą mieć te same ograniczenia.

Śmiertelność przypadków dotyczy osób chorych

Case fatality risk lub ratio odpowiada na pytanie, jaka część rozpoznanych przypadków umiera z powodu choroby w określonym czasie: CFR = zgony wśród przypadków / liczba przypadków. CDC klasyfikuje tę miarę jako proporcję mimo tradycyjnej nazwy „rate”.cdc-rates

W polszczyźnie używa się nazw śmiertelność, letalność i współczynnik śmiertelności. Ponieważ terminologia bywa niespójna, najbezpieczniej podać mianownik: „odsetek zgonów wśród zdefiniowanych przypadków”.

Letalność nie jest umieralnością populacji.

Jeśli 10 osób umiera wśród 1000 chorych, letalność wynosi 1%. Jeśli chorzy pochodzą z populacji miliona osób, umieralność z tej przyczyny wynosi 10 na milion w danym okresie. Te dwie liczby opisują inne prawdopodobieństwa.

Choroba rzadka i bardzo letalna może mieć mały wpływ na całkowitą umieralność populacji. Choroba częsta o małej letalności może powodować więcej zgonów.

Mianownik CFR zależy od wykrywania przypadków

Jeżeli testuje się głównie ciężko chorych, licznik przypadków pomija łagodne i bezobjawowe zakażenia, a CFR rośnie. Poszerzenie testowania zwiększa mianownik i może obniżyć wskaźnik bez poprawy leczenia.

Porównanie dwóch krajów wymaga podobnych definicji, dostępu do testów, wieku przypadków, fazy epidemii i kompletności rejestracji zgonów.

Ryzyko zgonu wśród zakażonych ma szerszy mianownik

IFR odnosi zgony do wszystkich zakażonych, również niewykrytych klinicznie. Mianownik szacuje się na podstawie badań serologicznych, modelowania lub reprezentatywnego nadzoru. Jest przez to bardziej podatny na niepewność niż zwykłe zliczenie rozpoznanych przypadków.

IFR i CFR nie powinny być porównywane jak dwa pomiary tej samej próby. Różnią się definicją populacji.

Opóźnienie i niepełna obserwacja zniekształcają miary zgonu

W rosnącej epidemii część świeżo rozpoznanych przypadków nie zdążyła osiągnąć wyniku. Dzielenie dzisiejszych zgonów przez dzisiejszą skumulowaną liczbę przypadków może zaniżać letalność. W opadającej fali zależność może działać odwrotnie.

Analiza kohortowa śledząca przypadki do zakończenia albo model uwzględniający rozkład opóźnienia jest lepszy niż prosty iloraz niesparowanych liczników.

Cenzorowanie wymaga metod analizy przeżycia

Pacjent żyjący w chwili zamknięcia danych nie jest automatycznie osobą, która przeżyje cały interesujący okres. Jego wynik jest prawostronnie cenzorowany. Kaplan–Meier lub modele czasu do zdarzenia wykorzystują dostępną obserwację przy odpowiednich założeniach.

Prosty CFR po 30 dniach wymaga znanego statusu po 30 dniach lub jawnego postępowania z brakami. Wykluczenie osób nadal hospitalizowanych może silnie zaniżać ciężkość.

Iloraz bieżącej liczby zgonów i przypadków jest miarą zgrubną.

Stosunek zgonów w okresie do nowych przypadków w tym samym okresie nie musi łączyć tych samych osób. Przy stabilnej sytuacji może orientacyjnie odzwierciedlać letalność, ale przy trendzie i długim opóźnieniu jest mylący.

W podręczniku źródłowym jest omawiany osobno od śmiertelności przypadków właśnie dlatego, że ma inne dopasowanie czasowe.podrecznik

Umieralność proporcjonalna to udział zgonów z danej przyczyny wśród wszystkich zgonów: PM = zgony z przyczyny X / wszystkie zgony. Nie mierzy ryzyka zgonu w populacji.

Udział jednej przyczyny może wzrosnąć, gdy inne przyczyny maleją, nawet jeśli liczba zgonów z X pozostaje stała. Mianownik jest kompozycją konkurujących przyczyn.

Nadmiarowa umieralność nie wymaga doskonałego kodowania przyczyny

Excess mortality porównuje obserwowane zgony ze spodziewaną liczbą na podstawie poprzednich lat lub modelu. Może wychwycić bezpośrednie i pośrednie skutki kryzysu, także zgony źle sklasyfikowane.

Wynik silnie zależy od modelu bazowego, trendu, sezonowości, zmian demograficznych i okresu odniesienia. Nie jest prostym licznikiem zgonów „spowodowanych” jednym czynnikiem.

Porównanie populacji wymaga kontroli ich struktury

Populacja starsza może mieć wyższą umieralność ogólną nawet przy lepszym ryzyku w każdej grupie wieku. Porównanie surowe miesza efekt ryzyka ze składem demograficznym.

Współczynnik surowy pozostaje właściwy do planowania rzeczywistej liczby zdarzeń. Do porównań etiologicznych lub systemowych często potrzebna jest standaryzacja.

Standaryzacja bezpośrednia używa wspólnej populacji

Najpierw oblicza się współczynniki swoiste dla warstw w każdej badanej populacji, a następnie waży je udziałami tej samej populacji standardowej. Wynik odpowiada hipotetycznej częstości, gdyby porównywane populacje miały identyczną strukturę.

Wartość zależy od wybranego standardu i nie jest obserwowanym ryzykiem konkretnej osoby. Raport musi podać standard oraz grupowanie wieku.

Standaryzacja pośrednia wykorzystuje oczekiwane zdarzenia

Współczynniki z populacji referencyjnej stosuje się do struktury badanej populacji, aby obliczyć liczbę oczekiwaną. Stosunek obserwowanych do oczekiwanych tworzy na przykład standardized mortality ratio.

SMR dwóch populacji może używać różnych wewnętrznych wag, dlatego ich bezpośrednie porównanie bywa niewłaściwe. Metoda jest użyteczna przy małych liczbach w warstwach.

Paradoks Simpsona może odwrócić ranking

Jeżeli rozkład wieku lub ciężkości różni się między grupami, wynik łączny może mieć przeciwny kierunek niż wyniki w każdej warstwie. Nie jest to błąd arytmetyczny, lecz efekt ważenia.

Przed agregacją trzeba zidentyfikować zmienne wpływające na ryzyko i rozmieszczenie populacji. Standaryzacja opisuje, ale nie zawsze usuwa wszystkie źródła confoundingu.

Skala, precyzja i małe liczby zmieniają odbiór wyniku

Ten sam współczynnik można zapisać jako 0,002, 0,2%, 2 na 1000 albo 200 na 100 000. Wybór powinien dawać czytelne liczby i pozostawać stały w porównaniu.

Zmiana z „na 1000” na „na 100 000” nie oznacza stukrotnego wzrostu. Oś wykresu i nagłówek tabeli muszą jawnie podawać skalę.

Przedział ufności pokazuje precyzję

Współczynnik z małej liczby zdarzeń jest niestabilny. Przedział ufności pokazuje zakres wartości zgodnych z modelem próbkowania, lecz nie obejmuje automatycznie błędu systematycznego, braków i złej definicji.

Przy zerowym liczniku górna granica ryzyka nie jest zerowa. „Nie zaobserwowano przypadku” różni się od „ryzyko nie istnieje”.

Małe liczby wymagają ostrożnej prezentacji

Jeden dodatkowy przypadek może wielokrotnie zmienić współczynnik w małej placówce. Ranking bez przedziałów i informacji o liczniku premiuje szum. Agregacja kilku okresów zwiększa precyzję kosztem utraty informacji o zmianie.

Należy także chronić poufność. Zbyt szczegółowe przekroje mogą umożliwić identyfikację osoby.

Zero może oznaczać brak zdarzeń albo brak wiarygodnych danych.

W systemie informatycznym 0, pole puste i „nie raportowano” muszą być rozróżnione. Zastąpienie braku zerem sztucznie obniża miary i tworzy fałszywe obszary bez choroby.

Metadane powinny opisywać kompletność, opóźnienie i zmiany źródeł. Wykres bez tej warstwy może wyglądać precyzyjniej niż dane.

Strumień danych może tworzyć sztuczną dynamikę

Stały odsetek wykrywania może pozostawiać kształt trendu podobny, choć zaniżać poziom. Jeśli wykrywanie zmienia się w czasie lub między grupami, zniekształca także porównanie. Ciężkie przypadki i zgony bywają wykrywane pełniej niż łagodne zakażenia.

CFR może rosnąć przy selektywnym testowaniu, a incidence spadać mimo stabilnej transmisji. Potrzebne są wskaźniki testowania i czułości surveillance.

Zjawisko w systemie danych Pozorny obraz epidemiologiczny Kontrola interpretacyjna
wzrost liczby wykonywanych testów większa zapadalność wykryta liczba testów, kryteria kwalifikacji i dodatniość
raportowanie z opóźnieniem sztuczny spadek na końcu szeregu rozkład opóźnień i nowcasting
jednorazowe uzupełnienie zaległości nagły pik według daty zgłoszenia przypisanie do daty zdarzenia i oznaczenie korekty
zawężenie testowania do ciężkich przypadków wzrost CFR i spadek wykrytej incidence stabilna definicja, spektrum ciężkości i niezależne źródła
zmiana reguły nowego epizodu wzrost lub spadek liczby reinfekcji wersja reguły deduplikacji i analiza równoległa
brak danych zapisany jako zero pozorny obszar bez zdarzeń osobny kod braku i miernik kompletności

Właściwości tych strumieni zależą od architektury nadzoru biernego, czynnego, sentinelowego i laboratoryjnego, dlatego same wykresy przypadków nie wystarczają do porównania systemów.

Opóźnienie raportowania deformuje ostatnie tygodnie

Najświeższe dane są zwykle najbardziej niekompletne. Data zgłoszenia, pobrania, rozpoznania, początku objawów i zgonu tworzą różne szeregi. Mieszanie ich przesuwa szczyt.

Nowcasting szacuje zdarzenia, które już wystąpiły, lecz nie zostały jeszcze zgłoszone. Wymaga stabilnego lub modelowanego rozkładu opóźnień.

Zaległości raportowe mogą stworzyć sztuczny pik.

Jednorazowe wprowadzenie zaległych przypadków może wyglądać jak nagły wzrost. Dane powinny być przypisane do właściwej daty zdarzenia, jeśli jest dostępna, a korekta oznaczona.

Ujemne dzienne wartości po usunięciu duplikatów są artefaktem rewizji skumulowanych danych, nie „ujemną zapadalnością”.

Powtórne zakażenie wymaga reguły nowego epizodu

Jeżeli ta sama osoba może zachorować wielokrotnie, trzeba określić minimalny odstęp, dowód wyzdrowienia, zmianę gatunku lub genotypu oraz znaczenie objawów. Inaczej kontynuacja jednego epizodu zostanie policzona jako kilka nowych przypadków.

Reguła surveillance jest kompromisem operacyjnym i może różnić się od biologicznej pewności reinfekcji.

Nawrót i reinfekcja zmieniają licznik na różne sposoby.

Nawrót pochodzi z przetrwałej populacji tego samego zakażenia, reinfekcja z nowej ekspozycji. W rutynowych danych rozróżnienie bywa niemożliwe. Sekwencjonowanie może pomóc, lecz podobny genom nie zawsze dowodzi nawrotu.

Raport powinien powiedzieć, czy liczy osoby, epizody, izolaty czy dodatnie próbki. Te cztery liczniki mogą znacznie się różnić.

Wielokrotne posiewy jednego pacjenta mogą zawyżyć liczbę zdarzeń i udział oporności. Reguła pierwszego izolatu w okresie upraszcza dane, ale może pominąć nabytą oporność lub nowy epizod.

Cel analizy wyznacza regułę: obciążenie pacjentów, epizody zakażeń, ewolucja oporności i aktywność laboratorium wymagają innych deduplikacji.

Mianownik musi odzwierciedlać rzeczywistą populację zagrożoną

Do zakażenia związanego z procedurą zagrożone są osoby poddane tej procedurze, do zakażenia urządzeniowego — osoby i dni z urządzeniem, a do zakażenia specyficznego anatomicznie — osoby posiadające daną strukturę. Ogólny census może być wygodny, ale błędny.

CDC wskazuje, że mianownik incidence proportion powinien ograniczać się do osób, które mogą rozwinąć zdarzenie.cdc-frequency

Mianowniki szpitalne mają różne znaczenie

Przypadki na 100 przyjęć opisują ryzyko na epizod hospitalizacji, na 1000 osobodni uwzględniają czas pobytu, a na 1000 dni urządzenia ekspozycję proceduralną. Wybór wpływa na porównanie oddziałów.

Krótszy pobyt może obniżyć osobodni, a część zakażeń ujawni się po wypisie. Surveillance powinno zdefiniować okno i źródła informacji po hospitalizacji.

Badanie punktowe mierzy chorobowość, nie zapadalność

Jednodniowy przegląd pacjentów z istniejącym zakażeniem jest point prevalence survey. Nadreprezentuje zdarzenia trwające długo i pacjentów z długim pobytem. Nie dostarcza bezpośrednio liczby nowych zakażeń na czas.

Jest jednak wydajne do oceny obciążenia, antybiotykoterapii i wyboru priorytetów. Nie należy nazywać wyniku „roczną zapadalnością”.

Definicja, testowanie i selekcja zmieniają obserwowaną miarę

Definicja bardzo czuła wykrywa więcej prawdziwych przypadków, ale może włączyć zdarzenia niebędące celem. Swoista ogranicza fałszywie dodatnie, lecz pomija nietypowe postacie. Zmiana balansu wpływa na incidence i CFR.

Definicja surveillance powinna być stabilna i możliwa do powtarzalnego zastosowania. Nie musi być identyczna z decyzją kliniczną.

Testowanie zależne od objawów tworzy błąd weryfikacji

Jeżeli laboratoryjnie potwierdza się tylko ciężkie przypadki, łagodne pozostają niesklasyfikowane. Wprowadzenie testowania wszystkich kontaktów zmienia spektrum przypadku. Porównanie przed i po wymaga uwzględnienia strategii.

Odsetek dodatnich testów pomaga opisać system, ale sam nie jest zapadalnością, ponieważ osoby testowane nie muszą reprezentować populacji zagrożonej.

Odsetek dodatnich wyników nie jest chorobowością choroby

Prevalence w badaniu diagnostycznym oznacza odsetek osób rzeczywiście mających stan w populacji testowanej. Odsetek wyników dodatnich zawiera prawdziwie i fałszywie dodatnie i zależy od doboru testowanych.

Przy screeningu kolonizacji dodatni wynik może opisywać nosicielstwo, nie zakażenie objawowe. Nazwa licznika musi pozostać precyzyjna.

Odsetek zgonów wśród hospitalizowanych przypadków zależy od kryteriów przyjęcia, dostępności łóżek, transferów i wypisów. Nie jest odpowiednikiem letalności wszystkich zakażeń w społeczności.

Szpital referencyjny może mieć wyższą wartość z powodu cięższych pacjentów, nie gorszej jakości. Potrzebna jest stratyfikacja ryzyka i kompletne wyniki po transferze.

Zgon z chorobą i z powodu choroby to inne liczniki

Definicja może opierać się na podstawowej przyczynie, przyczynie współistniejącej, oknie czasowym po rozpoznaniu albo ocenie komisji. Każda odpowiada na inne pytanie i ma inną powtarzalność.

W epidemii szybka definicja czasowa bywa użyteczna operacyjnie, lecz nie powinna być przedstawiana jako doskonałe przypisanie przyczynowe.

Analiza czasu do zdarzenia wymaga jawnej osi i zdarzeń konkurujących

Osoba, która umiera z innej przyczyny, nie może później doświadczyć badanego zdarzenia. Traktowanie zgonu konkurującego jak zwykłego niezależnego cenzorowania może zawyżać skumulowaną incidence.

Funkcja skumulowanej incidence dla competing risks odpowiada na inne pytanie niż Kaplan–Meier dla hazardu przyczynowego. Wybór zależy od celu klinicznego lub etiologicznego.

Hazard nie jest ryzykiem

Hazard to chwilowe tempo zdarzenia wśród osób nadal bez zdarzenia. Może się zmieniać w czasie i nie jest prawdopodobieństwem. Hazard ratio porównuje hazardy, nie bezpośrednio odsetki przypadków do końca badania.

Przy niespełnieniu proporcjonalności jeden HR może ukrywać zmienny efekt. W komunikacji populacyjnej ryzyko bezwzględne bywa bardziej zrozumiałe.

Incidence można opisywać względem wieku, czasu od ekspozycji, czasu od hospitalizacji lub kalendarza. Osoboczas należy przypisać do właściwych przedziałów, gdy ryzyko zmienia się dynamicznie.

Agregacja całej obserwacji w jeden współczynnik może ukryć krótki okres bardzo wysokiego ryzyka.

Trendy czasowe wymagają zgodnych okien i sposobów agregacji

Porównanie zimowego miesiąca z letnim może pokazać normalny cykl zamiast anomalii. Współczynniki roczne wygładzają sezon, ale opóźniają wykrycie ogniska.

Modele mogą uwzględnić trend, sezonowość, święta i zmiany testowania. Baseline powinien pochodzić z kilku porównywalnych lat, jeśli system był stabilny.

Średnia ruchoma zmienia interpretację punktu

Siedmiodniowa średnia redukuje szum dnia tygodnia, ale rozmywa nagłe zmiany i przypisuje każdemu punktowi informacje z okna. Średnia centrowana używa części przyszłych danych i nie nadaje się do analizy w czasie rzeczywistym bez zaznaczenia.

Wykres powinien pokazywać rodzaj wygładzenia. Gładka linia nie jest surowym pomiarem.

Porównanie względne i bezwzględne odpowiada na inne potrzeby

Dwukrotny wzrost z 1 do 2 na milion ma duży ratio i małą różnicę. Wzrost z 100 do 120 na 1000 ma mniejszy ratio, lecz większą liczbę dodatkowych przypadków. Planowanie zasobów potrzebuje różnicy, analiza siły związku często ratio.

Najlepiej raportować obie miary wraz z wyjściowym ryzykiem.

Średnia populacyjna maskuje grupy wieku, zawodu, miejsca, statusu socjoekonomicznego lub dostępu do opieki. Podział powinien mieć uzasadnienie i dostateczną liczebność, a nie być nieograniczonym poszukiwaniem efektu.

Różnica wykrytych przypadków może wynikać z różnicy ekspozycji, podatności, testowania i zgłaszania. Miara opisowa nie ustala mechanizmu.

Bezpośrednie porównanie wymaga tej samej osi czasu.

„Na rok” może oznaczać rok kalendarzowy, 365 dni od włączenia albo uśrednione osobolata. Przy zmiennej epidemii te podstawy dają inne wyniki. Data początku objawów i data raportu także nie są równoważne.

W tabeli należy podać dokładne daty oraz datę zamknięcia danych.

Dane skumulowane ukrywają zmianę tempa

Skumulowana liczba przypadków prawie zawsze rośnie i może wyglądać dramatycznie długo po ustaniu transmisji. Nowe przypadki na okres lub osoboczas pokazują aktualne tempo.

Do historii całkowitego obciążenia służy kumulacja, do monitorowania dynamiki — incidence w odpowiednich oknach.

Zależności między miarami najlepiej widać w przykładach

Różnica dwóch przekrojów obejmuje nowe przypadki, wyleczenia, zgony i migrację. Nie jest zapadalnością między punktami. Potrzebne jest śledzenie osób lub dane o wszystkich przepływach.

To częsty błąd w dashboardach, które traktują zmianę liczby aktywnych przypadków jako liczbę nowych zakażeń.

Zamknięta kohorta

W grupie 1000 podatnych osób w ciągu 30 dni rozpoznano 50 pierwszych zakażeń i nie utracono nikogo z obserwacji. Zapadalność skumulowana wynosi 50/1000 = 5% w 30 dni.

Jeżeli przypadki powstały po łącznie 28 000 osobodni zagrożenia, gęstość wynosi 50/28 000 = 1,79 na 1000 osobodni. Te wyniki nie są dwoma zapisami tej samej jednostki.

Stan przewlekły

Na dzień badania 800 z 20 000 mieszkańców żyje z przewlekłym zakażeniem: chorobowość punktowa wynosi 4%. W roku rozpoznano 100 nowych zakażeń, ale bez informacji o populacji zagrożonej i czasie obserwacji nie można poprawnie wyliczyć incidence rate.

Spadek nowych zakażeń przy wydłużonym przeżyciu może pozostawić prevalence na poziomie 4% lub ją zwiększyć.

Dwa znaczenia zgonu

W populacji 500 000 osób wystąpiło 1000 przypadków, a 20 chorych zmarło z powodu choroby. Umieralność z tej przyczyny wynosi 4 na 100 000 mieszkańców w okresie. Letalność wśród wykrytych przypadków wynosi 2%.

Podanie jedynie „śmiertelność 2%” bez wskazania mianownika zaprasza do pomyłki.

Publikowana miara potrzebuje kompletnej metryczki

Należy podać nazwę zdarzenia, definicję przypadku, licznik, mianownik, populację zagrożoną, daty, jednostkę, źródło, moment zamknięcia i sposób obsługi braków. Przy porównaniu dochodzą standaryzacja, przedział ufności i informacja o zmianach systemu.

Ta metryczka jest ważniejsza niż liczba miejsc po przecinku. Precyzyjny zapis nie naprawia nieporównywalnych danych.

Przed publikacją należy przejść przez sześć kolejnych bramek:

  1. nazwać zdarzenie i podać pełną definicję przypadku;
  2. wykazać, że osoby lub zdarzenia w liczniku mogły pochodzić z mianownika;
  3. określić początek, koniec i jednostkę czasu obserwacji;
  4. opisać deduplikację, cenzorowanie, opóźnienia oraz brakujące dane;
  5. pokazać liczby bezwzględne razem z miarą i przedziałem niepewności;
  6. ujawnić zmiany testowania, raportowania i struktury populacji, które mogły zmienić wynik.

Kontrola zapadalności

Czy licznik obejmuje wyłącznie nowe zdarzenia? Czy początki przypisano do właściwego okresu? Kto był bez zdarzenia i zagrożony? Czy mianownik jest osobami czy osoboczasem? Czy zdarzenia mogą się powtarzać? Jak obsłużono utraty i opóźnienia?

Jeśli odpowiedzi nie mieszczą się w podpisie, powinny znaleźć się w nocie metodologicznej.

Kontrola chorobowości wymaga osobnego zestawu pytań.

Czy miara jest punktowa, okresowa czy życiowa? Czy licznik obejmuje aktywne zakażenie, rozpoznanie kiedykolwiek, kolonizację czy dodatni test? Jaka populacja była obecna w punkcie? Czy osoby długo chorujące są nadreprezentowane?

Warto opisać napływ i odpływ, które mogą wyjaśnić zmianę bez zmiany transmisji.

Czy mianownikiem jest ludność, przypadki czy wszystkie zgony? Czy licznik dotyczy zgonów z powodu, z udziałem czy w oknie po rozpoznaniu? Czy wynik pacjenta był znany? Czy uwzględniono opóźnienie, wiek i ciężkość?

Nazwy umieralność, letalność i proportional mortality powinny pojawić się dopiero po sprawdzeniu wzoru.

Estymacja populacyjna wykracza poza obserwowane dodatnie wyniki

W losowej próbie odsetek dodatnich wyników jest apparent prevalence, a nie automatycznie prawdziwą chorobowością. Fałszywie dodatnie zwiększają licznik, fałszywie ujemne go zmniejszają. Przy znanej czułości Se i swoistości Sp prostą korektę Rogana–Gladena zapisuje się jako Prawdziwa P = (Obserwowana P + Sp − 1) / (Se + Sp − 1).

Wzór zakłada między innymi stałe właściwości testu w badanej populacji i niezależność błędów od stanu. Przy małej prevalence nawet niewielka niepewność swoistości może dominować wynik, a prosta korekta może wyjść poza zakres 0–1. Lepszy model powinien propagować niepewność Se, Sp i schematu próbkowania.

Znaczenie czułości, swoistości oraz wartości predykcyjnych w różnych populacjach rozwija artykuł Czułość analityczna, czułość kliniczna, swoistość i wartość predykcyjna.

Reprezentatywna próba jest warunkiem estymacji populacyjnej

Doskonale swoisty test nie naprawi doboru ochotników o innym ryzyku niż populacja. Osoby z objawami, wcześniejszą ekspozycją albo łatwiejszym dostępem częściej uczestniczą w wielu programach. Wagi mogą skorygować znane różnice, lecz nie obserwowane tylko po stronie nieuczestniczących.

Raport prevalence powinien podać operat losowania, odsetek odpowiedzi, strukturę próby, wagi i kalibrację. Przedział ufności nieuwzględniający złożonego schematu bywa zbyt wąski.

Między spisami liczba mieszkańców powstaje z bilansu urodzeń, zgonów i migracji. W szybko zmieniającym się regionie błąd mianownika może być większy niż błąd licznika. Populacja w połowie roku jest przybliżeniem średniej ekspozycji dla rocznego współczynnika.

Różne instytucje mogą używać innych rewizji danych demograficznych. Trend powinien być przeliczony spójną serią, a nie sklejony z mianowników pobranych w kolejnych latach przed i po korektach.

Początek obserwacji może tworzyć błędy czasowe

Uczestnik może zostać objęty obserwacją dopiero po pewnym czasie od początku skali, na przykład po osiągnięciu wieku, przyjęciu do placówki albo włączeniu do rejestru. Czas przed wejściem nie należy do obserwowanego osoboczasu. Osoba musiała też przeżyć bez zdarzenia do wejścia, co tworzy left truncation.

Analiza ignorująca wejście opóźnione przypisuje grupie czas, którego nie obserwowano, i może wprowadzić bias przeżycia. Zbiór ryzyka powinien być konstruowany osobno dla każdego momentu.

Immortal time może stworzyć fałszywą ochronę

Jeżeli ekspozycję definiuje się jako „otrzymał lek w trakcie pobytu”, osoba musi przeżyć od przyjęcia do podania leku. Ten okres jest z definicji wolny od wcześniejszego zgonu w grupie eksponowanej, choć błędna analiza może przypisać go ekspozycji od dnia pierwszego.

Rozwiązaniem jest między innymi traktowanie ekspozycji jako zmiennej zależnej od czasu albo emulacja właściwie zdefiniowanego punktu przypisania. Problem dotyczy incidence i mortality, nie samego wyboru modelu regresji.

Początek choroby może być znany tylko w przedziale

W screeningu okresowym wiadomo, że zakażenie nastąpiło między ostatnim wynikiem ujemnym i pierwszym dodatnim. Przypisanie wszystkim daty dodatniego testu przesuwa incidence w czasie i łączy biologiczny początek z harmonogramem badań.

Interval censoring można modelować, a w prostych raportach przynajmniej opisać. Zagęszczenie testów podczas ogniska może sztucznie skrócić obserwowane opóźnienie.

Dokładny dzień początku objawów także może być obciążony błędem.

Pamięć pacjenta, objawy nieswoiste i stopniowy początek powodują niepewność. Data pobrania jest dokładna administracyjnie, lecz może być słabym przybliżeniem zakażenia. Wybór osi powinien odpowiadać pytaniu.

Wykres transmisji lepiej wykorzystuje początek objawów lub estymowaną infekcję, wykres obciążenia laboratorium — pobranie, a wykres działania surveillance — zgłoszenie. Jedna seria nie zastępuje pozostałych.

Modelowanie i ekstrapolacja wymagają sprawdzenia założeń

Dla rzadkich niezależnych zdarzeń na osoboczas licznik bywa modelowany rozkładem Poissona. Umożliwia przedziały dla incidence rate i porównanie temp. Zakażenia często jednak klastrują w gospodarstwach, salach i okresach, tworząc wariancję większą niż średnia.

Nadmierna dyspersja wymaga modelu ujemnego dwumianowego, błędów odpornych albo jawnego modelowania klastrów. Naiwny przedział Poissona może być za wąski, choć punktowy współczynnik pozostaje arytmetycznie ten sam.

Ryzyko jednego pacjenta zależy od liczby zakaźnych osób w jego otoczeniu, więc zdarzenia w epidemii nie są niezależnymi monetami. Osoboczas pozostaje użytecznym mianownikiem opisowym, ale standardowe błędy wymagają uwzględnienia zależności czasowej i przestrzennej.

Porównanie oddziałów bez informacji o ognisku może przypisać personelowi różnicę wynikającą z jednego wprowadzenia i dalszej transmisji.

Roczna wartość wyprowadzona z krótkiego okna jest ekstrapolacją.

Pomnożenie tygodniowego incidence rate przez 52 zakłada stałe tempo. W sezonowej lub gwałtownie rosnącej epidemii „na rok” jest hipotetyczną annualizacją, a nie zaobserwowanym rocznym ryzykiem. Może tworzyć wartości ryzyka przekraczające 100%, jeśli pomylono tempo z proporcją.

Lepiej raportować rzeczywistą jednostkę okna i, jeśli potrzebne, modelowaną prognozę z założeniami. Jednostka „osoborok” nie oznacza, że każda osoba była obserwowana rok.

Metody dokładne mają znaczenie przy małych liczbach

Przy dużych licznikach przybliżenie normalne często działa, ale dla kilku zdarzeń albo proporcji bliskiej 0 lub 1 daje niewłaściwe granice. Przedziały dokładne dla rozkładu dwumianowego lub Poissona są konserwatywne; metody Wilsona i inne rozwiązania mają odmienne własności.

Wybór metody powinien być stały w raporcie. Nie należy zaokrąglać przed obliczeniem przedziału ani ukrywać licznika, który pozwala ocenić stabilność.

Porównanie CFR wymaga stratyfikacji według czasu i ciężkości

Wczesne przypadki mogą mieć dłuższą obserwację, a późne lepsze leczenie. Wiek, choroby współistniejące, miejsce rozpoznania i wariant patogenu wpływają na wynik. Jedna skumulowana proporcja miesza te czynniki.

Standaryzowany CFR odpowiada na hipotetyczne porównanie przy wspólnej strukturze przypadków, natomiast surowy opisuje rzeczywiste obciążenie w danej populacji. Obie wartości mogą być potrzebne, ale nie wolno ich mieszać.

Wnioski

Zapadalność skumulowana opisuje ryzyko nowego zdarzenia w okresie, a gęstość zapadalności tempo na osoboczas. Chorobowość opisuje pulę istniejących przypadków i zależy jednocześnie od napływu, czasu trwania, wyleczeń, zgonów i migracji.

Umieralność ma w mianowniku populację, natomiast śmiertelność lub letalność przypadków — osoby chore. Umieralność proporcjonalna ma jeszcze inny mianownik: wszystkie zgony. Podobne nazwy nie oznaczają podobnych miar.

Każdy wynik jest wiarygodny tylko wraz z definicją zdarzenia, zgodnym mianownikiem, czasem, jednostką i informacją o wykrywaniu. Najczęstszy błąd epidemiologiczny nie leży w dzieleniu, lecz w podzieleniu właściwego licznika przez niewłaściwą populację.