महामारी विज्ञान अध्ययन और अध्ययन डिजाइन का महत्व

मुझे स्वास्थ्य, पॉडकास्ट और डेटा पसंद है। दूसरे दिन, मैं जो रोगन पॉडकास्ट सुन रहा था, जहां उन्होंने डॉ। जोएल खान और क्रिस केसर पर लिखा है। डॉ। जोएल कान एक शाकाहारी हृदय रोग विशेषज्ञ हैं जो मानते हैं कि पौधे पर आधारित पोषण ग्रह पर निवारक दवा का सबसे शक्तिशाली स्रोत है, और क्रिस केसर कैलिफोर्निया सेंटर फॉर फंक्शनल मेडिसिन चलाते हैं और पैलियो या पैतृक आहार के लिए एक वकील हैं। जो रोगन मॉडरेटिंग के साथ, यह मेरे लिए शुद्ध भयानक के 4 घंटे के करीब है।

पॉडकास्ट मुझे महामारी विज्ञान खरगोश छेद नीचे भेजने के लिए जिम्मेदार है।

अपनी बहस के दौरान, उन्होंने अक्सर अपने दावों को वापस लेने के लिए विभिन्न महामारी विज्ञान अध्ययनों का उल्लेख किया। लेकिन पॉडकास्ट के दौरान कई बार, कोई इन अध्ययनों की अविश्वसनीयता के बारे में कुछ का उल्लेख करता है और कई कारणों को सूचीबद्ध करता है। इसलिए मैं महामारी विज्ञान के क्षेत्र का पता लगाना चाहता था और विभिन्न प्रकार की महामारी विज्ञान के अध्ययनों, उनके नुकसानों पर ध्यान देना चाहता था, और हम हमेशा किसी के परिणामों की व्याख्या पर भरोसा नहीं कर सकते।

महामारी विज्ञान क्या है?

महामारी विज्ञान यह समझने का विज्ञान है कि हम किस तरह से उजागर होते हैं, या हम क्या करते हैं, यह समाज के समग्र स्वास्थ्य को प्रभावित कर सकता है। एपिडेमियोलॉजिस्ट सभी बीमारियों का अध्ययन करते हैं और किसी भी रुझान की तलाश करते हैं। महामारी विज्ञानी अक्सर सवाल पूछते हैं: रोग किसको मिला? उन्हें यह क्यों मिला? लोगों के इन समूहों में समानता और अंतर कहां है? हम इस बीमारी को कैसे रोक सकते हैं? महामारी विज्ञानी जासूस के रूप में कार्य करते हैं; वे डेटा का अध्ययन करते हैं और आबादी में किसी बीमारी के कारण का सही स्रोत खोजने की कोशिश करते हैं।

हालांकि, डेटा अक्सर समझ में आने के लिए बहुत कठिन होता है। सिर्फ इसलिए कि कोई व्यक्ति किसी चीज के संपर्क में था और वे बीमार हो गए थे, इसका मतलब यह नहीं है कि दोनों संबंधित हैं। महामारी विज्ञानियों के लिए कार्य-कारण दिखाना बहुत कठिन होता है और अक्सर यह निष्कर्ष निकालना पड़ता है कि एक्सपोज़र और परिणाम के बीच सिर्फ एक जुड़ाव है।

एक जोखिम कोई भी कारक है जो ब्याज के परिणाम में योगदान कर सकता है। उदाहरण के लिए, यदि आप मधुमेह का अध्ययन कर रहे हैं, तो कुछ जोखिमों में आपके द्वारा खाए जाने वाले आहार, व्यायाम स्तर, कीटनाशक और पर्यावरणीय कारक शामिल हो सकते हैं। इस बीच, मधुमेह का परिणाम होगा।

इससे पहले कि आप डेटा को संसाधित करना और उसका विश्लेषण करना शुरू करें, यह सुनिश्चित करना महत्वपूर्ण है कि आप सही तरीके से माप कर रहे हैं और सही तरीके का उपयोग कर रहे हैं।

आमतौर पर 5 अलग-अलग स्पष्टीकरण हैं कि किसी चीज का सांख्यिकीय महत्व क्यों हो सकता है:

  1. मोका
  2. पक्षपात
  3. सत्यानाशी
  4. उलटा कारण
  5. करणीय संबंध

मौका तब होता है जब हमें कोई विशेष परिणाम मिलता है, लेकिन वास्तव में कोई संबंध नहीं होता है। हमें जो मौका मिल सकता है, उसकी मात्रा कम करने के लिए आंकड़े लगाए जाते हैं।

पूर्वाग्रह तब होता है जब ऐसा प्रतीत होता है कि वहाँ एक संघ है, लेकिन अध्ययन के प्रदर्शन के तरीके से संघ एक व्यवस्थित त्रुटि से आता है। आपके पास चयन पूर्वाग्रह या सूचना पूर्वाग्रह हो सकते हैं।

चयन पूर्वाग्रह के कारण होता है कि प्रतिभागियों को कैसे चुना जाता है या भाग लेने के लिए चुना जाता है। जब नमूना समूह जनसंख्या का प्रतिनिधित्व नहीं करता है। इसका एक उदाहरण स्वस्थ उपयोगकर्ता पूर्वाग्रह है: स्वस्थ लोग आमतौर पर स्वास्थ्य में अधिक रुचि रखते हैं और स्वयंसेवकों के स्वास्थ्य अध्ययन का हिस्सा बनने की अधिक संभावना है।

सूचना पूर्वाग्रह: माप में त्रुटि से आता है। इसका एक उदाहरण रिकॉल पूर्वाग्रह है, यह तब होता है जब एक प्रतिकूल परिणाम का अनुभव करने वाले प्रतिभागी अपनी बीमारियों के संभावित कारणों के बारे में बता सकते हैं और इसलिए नियंत्रणों की तुलना में एक्सपोज़र को अलग तरह से याद करते हैं। अन्य रूपों में साक्षात्कारकर्ता पूर्वाग्रह, पर्यवेक्षक पूर्वाग्रह, और प्रतिवादी पूर्वाग्रह शामिल हैं। वहाँ भी एक अंत अंक पूर्वाग्रह, पर्यवेक्षक पूर्वाग्रह का एक रूप है जो अक्सर रक्तचाप लेते समय होता है; अक्सर बार, आपका रक्तचाप लेने वाला व्यक्ति 0 या 5 की संख्या में गोल हो जाएगा।

कन्फ़्यूज़निंग: जब एक्सपोज़र और परिणाम के बीच संबंध पर अध्ययन के परिणाम दूसरे चर की उपस्थिति से विकृत हो जाते हैं। क्रिस केसर इसका एक आदर्श उदाहरण साझा करते हैं:

मान लीजिए आप रेड मीट और कैंसर के बीच के लिंक का अध्ययन करना चाहते थे। डेटा को देखना और निष्कर्ष निकालना आसान है कि दोनों के बीच एक स्पष्ट संबंध है। हालांकि, लंबे समय तक, यह सोचा गया था कि रेड मीट खाना आपके लिए बुरा है, और जो लोग बुरे काम करते हैं, उनमें धूम्रपान जैसी अन्य अस्वास्थ्यकर आदतें होती हैं, कम भोजन करना, बीएमआई अधिक होना, शारीरिक रूप से कम सक्रिय हैं, और इसी तरह । तो हम कैसे जानते हैं कि यह लाल मांस था जो कैंसर का कारण था?

ये अतिरिक्त चर confounders हैं और ध्यान में रखा जाना चाहिए। कन्फ़ाउंडर्स का एक्सपोज़र और परिणाम दोनों के बीच एक संबंध है। भ्रमित करने के तरीकों के बारे में जानने के लिए एक नियंत्रण समूह है, जिसकी तुलना, यादृच्छिककरण से करने के लिए, अपनी आबादी को सजातीय उपसमूहों में विभाजित करके या प्रतिबंध लगाकर अपने डेटा को स्तरीकृत करना है। सांख्यिकीय विधियां भी कन्फ्यूजर्स को उजागर कर सकती हैं।

रिवर्स कॉशन: क्या वास्तव में ऐसा लगता है, यह तब है जब हम दोनों तरीकों से एक संघ को देख सकते हैं। यह नोट किया गया है कि घुटने के दर्द वाले लोग मोटे होते हैं, इसलिए यह निष्कर्ष निकाला जा सकता है कि मोटापे के कारण घुटने में दर्द होता है, लेकिन घुटने के दर्द से वास्तव में लोग कम सक्रिय हो सकते हैं और फिर मोटे हो सकते हैं।

कारण: हम मौका, पूर्वाग्रह, भ्रामक, और रिवर्स कार्य करने की सभी संभावनाओं से इंकार करने के बाद कार्य-कारण का दावा करने में सक्षम हो सकते हैं।

एक अच्छी तरह से डिजाइन किए गए अध्ययन के लिए मौका, पूर्वाग्रह और भ्रम को रोकने में मदद करना महत्वपूर्ण है। इससे पहले कि आप विश्लेषण के साथ आगे बढ़ें, आपको इन पर शासन करने में सक्षम होने की आवश्यकता है। एक अध्ययन के डिजाइन में दोषों के लिए सांख्यिकीय तरीके नहीं बना सकते हैं।

कुछ महामारी विज्ञान अध्ययन डिजाइन क्या हैं?

डेटा प्राप्त करने के दो मुख्य तरीके हैं, प्रयोग या अवलोकन द्वारा।

अवलोकन अध्ययन वे अध्ययन हैं जहां शोधकर्ता अवलोकन करता है लेकिन इसमें हस्तक्षेप नहीं करता है।

केस-कंट्रोल स्टडी: क्या एक अध्ययन दो समूहों, आपके केस समूह और आपके नियंत्रण समूह की तुलना करता है। दोनों समूह बहुत समान होंगे, लेकिन आपके केस-रोगियों को एक विशेष बीमारी होगी, और नियंत्रण समूह को नहीं होगा। दोनों समूहों से उनके पिछले जोखिमों के बारे में विशेष जोखिम वाले कारकों के बारे में पूछा जाएगा। नियंत्रण समूह एक्सपोज़र का एक आधारभूत अनुमान प्रदान करता है। यदि मामले के समूह में किसी विशेष जोखिम कारक की अपेक्षा अधिक मात्रा होती है, तो हम संभवतः यह कहने के लिए आगे बढ़ सकते हैं कि उस कारक और बीमारी के बीच एक संबंध है। केस-कंट्रोल अध्ययन एक खाद्य जनित बीमारी के प्रकोप के स्रोत को खोजने के लिए एकदम सही हैं।

2003 में पेन्सिलवेनिया में हेपेटाइटिस ए का प्रकोप था। उन्होंने जल्दी ही महसूस किया कि सभी मामले-मरीज़ एक ही रेस्तरां में खाते हैं, लेकिन यह पर्याप्त नहीं था कि इसे नीचे सीमित किया जाए जिससे भोजन दूषित हो। इसलिए उन्होंने ऐसे लोगों के लिए एक नियंत्रण समूह पेश किया, जो एक ही समय अवधि के दौरान वहां खाए थे, लेकिन वे बीमार नहीं हुए। मेनू में 100+ वस्तुओं में से, वे यह निर्धारित करने में सक्षम थे कि 94% मामले-रोगियों ने सालसा खाया, जबकि 39% नियंत्रण समूह ने किया। आगे जासूसी के काम के बाद, यह हरा प्याज पाया गया। अब एफडीए आगे बढ़कर उचित सार्वजनिक चेतावनी जारी कर सकता है।

कोहोर्ट स्टडी: ब्याज के जोखिम के साथ शुरू होता है। आप फिर उस एक्सपोज़र वाले लोगों का एक समूह लेते हैं। किसी अन्य समूह को खोजें, जो पहले समूह के लिए हर तरह से समान है, इसके अलावा एक्सपोज़र की मौजूदगी का कोई अध्ययन नहीं किया गया है। फिर आप समय के साथ उन्हें ट्रैक करते हैं। कोहोर्ट अध्ययनों को पूर्वव्यापी तरीके से भी किया जा सकता है, जहां आपके दो समूह हैं और उनके अतीत को देखते हैं। जब आपकी बीमारी का अध्ययन करने में एक लंबा समय लगता है, तो रेट्रोस्पेक्टिव कोहॉर्ट अध्ययन अच्छा होता है। वास्तव में अच्छा डेटा सेट जो पर्याप्त समय तक फैला रहता है, कोहोर्ट अध्ययन करने के लिए आवश्यक पर्याप्त जानकारी प्रदान कर सकता है।

क्रॉस-सेक्शनल स्टडी: किसी विशेष समय में जनसंख्या का स्नैपशॉट प्रदान करता है। हम समय, या क्रॉस-सेक्शन के बारे में थोड़ा सोचते हैं और इसका अध्ययन करते हैं। उनका उद्देश्य संपूर्ण जनसंख्या पर डेटा प्रदान करना है। क्रॉस-सेक्शनल अध्ययन बीमारी के अध्ययन की व्यापकता की जांच करते हैं। प्रचलितता एक निश्चित समय अवधि के लिए किसी आबादी में बीमारी के मामलों की कुल संख्या है। सीमित संसाधन और समय होने पर क्रॉस-अनुभागीय अध्ययन का उपयोग किया जाता है।

मामले की श्रृंखला

ऐसे लोगों के समूह का अध्ययन करता है जिन्हें एक ही बीमारी या जोखिम होता है और उनके बीच अन्य समान विशेषताओं की तलाश करता है। 1983 में, HIV की खोज दुर्लभ रूप में निमोनिया और कैंसर की मौजूदगी का अध्ययन करने के बाद की गई थी, जिसमें डॉक्टर ने उनके पुरुष रोगियों के संबंध में बताया था, जो अन्य पुरुषों के साथ यौन संबंध रखते थे। मामले श्रृंखला चयन पूर्वाग्रह के लिए अविश्वसनीय रूप से कमजोर हैं।

यादृच्छिक नियंत्रण परीक्षण

वास्तव में भ्रम से निपटने में अच्छे हैं। हम स्वयंसेवक प्रतिभागियों के एक समूह के साथ शुरू करते हैं, और फिर बेतरतीब ढंग से उन्हें दो समूहों को सौंपते हैं।

हस्तक्षेप समूह: वह समूह जो अध्ययन किए जा रहे उपचार को प्राप्त करता है।

नियंत्रण समूह: एक प्लेसबो प्राप्त करता है।

दो समूहों को समय के साथ ट्रैक किया जाता है और डेटा की तुलना की जाती है।

रैंडमाइज्ड कंट्रोल ट्रायल कन्फ्यूजिंग वेरिएबल्स की देखभाल करने में वास्तव में अच्छे हैं। आप मान सकते हैं कि एक भ्रमित चर भी समान रूप से दोनों समूहों के बीच वितरित किया जाता है। प्रभाव अनिवार्य रूप से बेअसर है, आपको वास्तव में यह जानने की जरूरत नहीं है कि भ्रमित चर क्या है।

अंधा अक्सर कार्बनिक परिणाम प्राप्त करने के लिए उपयोग किया जाता है। ब्लाइंड तब होता है जब प्रतिभागियों को यह पता नहीं होता है कि वे किस समूह से संबंधित हैं, डबल-ब्लाइंड तब है जब प्रतिभागियों और शोधकर्ताओं दोनों को यह नहीं पता है कि हर कोई किस समूह का है, ट्रिपल ब्लाइंड एक डबल-ब्लाइंड है लेकिन विश्लेषण करने वाले सांख्यिकीविद् हैं परीक्षण भी पता नहीं है, और Unblinded है जब हर कोई जानता है।

यादृच्छिक परीक्षण के साथ कुछ समस्याएं लागत और समय का संचालन करने के लिए होती हैं, हितों का टकराव, और नैतिक समस्याएं।

माई मेन तकिएवेज

एक अध्ययन का डिजाइन महत्वपूर्ण रूप से महत्वपूर्ण है। जब आपके पास एक साउंड स्टडी डिज़ाइन होता है, तो आपको मिलने वाले परिणाम महत्वपूर्ण और सार्थक होते हैं। अन्यथा, आप गलत निष्कर्ष निकाल सकते हैं और संभावित रूप से और भी बड़ी समस्याएं पैदा कर सकते हैं। न केवल आपको भविष्य में किए जाने वाले किसी भी अध्ययन के लिए इसे ध्यान में रखना होगा, बल्कि अन्य लोगों के अध्ययन को पढ़ते समय भी इसे ध्यान में रखना होगा। गलत कहानी बताने के लिए डेटा बनाना बहुत आसान है।

मैं इस आदमी, Ancel कीज़ बनना नहीं चाहता। लेकिन यह एक और दिन के लिए एक कहानी है ...

Ancel कीज़