Klinisk forskning – Sampel, slump och systematiska fel
2015-06-22 / Svensk Kirurgi / Volym 73 / Nr 3 / 2015
I denna och nästkommande två kolumner går vi igenom epidemiologiska nyckelbegrepp som alla kliniska forskare bör känna till.
PETER ELBE
peter.elbe@karolinska.se
Stockholm
Inferens
För att besvara sin forskningsfråga skulle man förstås helst vilja använda hela den befolkning man tänkt sig att forskningsresultaten ska gälla för, men för det mesta tvingas man välja ut en mindre grupp personer till sin studie. Man brukar kalla detta urval för ett sampel (sample). Den större grupp som detta urval kommer från kallas för population. Om man utifrån samplet vill uttala sig om en association i populationen, till exempel mellan blodtryck och kroppsvikt, vill man att samplet ska ha ungefär samma blodtrycksspann och viktspann som hela populationen. Om man utifrån samplet i stället vill uttala sig om en fördelning eller en proportion i populationen krävs det, förutom likheter i spann, även att medelvärden och spridningsmått är likadana i samplet och populationen. För att säkerställa detta är det bäst att dra ett slumpvis valt och tillräckligt stort sampel ur populationen. Denna typ av utsaga om populationen utifrån ett sampel kallas statistisk inferens. Denna inferens är alltid behäftad med felkällor som beror dels på slumpen, dels på systematiska fel.
Slumpfel
Slumpfel (random error) är huvudsakligen urvalsfel (sampling error) och mätfel (measurement error), och urvalsfelet är i allmänhet det största av dem i kliniska studier. Om man till exempel vill uttala sig om medellängden i en skolklass (= populationen) utifrån tre slumpvis utvalda elever (= samplet), kommer ju tio olika sådana trepersonerssampel ur samma klass att uppvisa mycket större skillnader i medelvärde än tio olika ommätningar av samma sampel med samma linjal. Genom att göra samplet större minskar man urvalsfelet. Innan studien påbörjas måste man räkna ut hur stor risk för slumpfel man accepterar i sin studie, och utifrån detta bestämma samplets storlek. Sedan bör inferens till populationen alltid anges med ett osäkerhetsmått, och det är här konfidensintervall och p-värden kommer in. Mer om det i senare kolumner.
Systematiska fel
Vi utökar ovanstående exempel med skolklassens medellängd en smula genom att undersöka i vilken av två skolklasser som eleverna i genomsnitt är längst (medellängd). Om man mäter ett sampel från den ena klassen med en riktig linjal och ett sampel från den andra med en linjal som ett busfrö har felgraderat – den visar en centimeter för mycket – kommer man (förutom slumpfelen urvalsfel och mätfel) att få ett systematiskt fel eller bias. I detta fall kallas felet differentiell felklassificering – differentiell för att den drabbar de två skolklasserna olika (slumpfel kan med motsvarande terminologi kallas icke differentiell felklassificering). Om man i stället tänker sig att man av något skäl (busfröet framme igen?) systematiskt väljer ut de längsta från en klass och de kortaste från den andra får man ett annat slags bias – selection bias. Båda dessa källor till bias är viktiga i humanstudier. Det är särskilt fall–kontrollstudier som drabbas; där är det mycket svårt att komma ifrån risken att välja ut fall och kontroller på olika sätt, och risken för att fall och kontroller bedöms eller besvarar frågor på olika sätt – informationsfel (information bias, t ex recall bias och observer bias).
Det finns en uppsättning tekniker för att minimera bias inflytande på resultaten. Förutom när det gäller bias i urvalet går de flesta teknikerna ut på att minimera den mänskliga faktorns inflytande. Åtgärder för att minimera bias kan t ex vara att blinda undersökarna, blinda behandlingen för försökspersonerna, använda automatiserade processer i stället för mänskliga observatörer, eller använda journaldata/registeruppgifter i stället för minnesberoende rapportering. Det viktigaste är att man är öppen för bias som förklaringsmodell och att man uppskattar eventuell bias storlek och riktning i de fall bias inte kan undvikas.
Johan Sundström, professor i epidemiologi, Scientific Director, Uppsala Clinical Research Center (www.ucr. uu.se)
