Bias.

Presentazione sul tema: "Bias."— Transcript della presentazione:

1 Bias

2 Cosa è il Bias? Qualsiasi tendenza nella raccolta, l'analisi, l'interpretazione, la pubblicazione o la revisione dei dati, che possa portare a conclusioni che sono sistematicamente diverse dalla verità (Last, 2001) Un processo a qualsiasi stato di inferenza che tende a produrre risultati che si discostano sistematicamente dai veri valori (Fletcher et al, 1988) Errore sistematico nella progettazione o conduzione di uno studio (Szklo et al, 2000)

3 Il Bias è l’errore sistematico
Gli Errori possono essere differenziali (sistematici) o non differenziale (casuali) Errore casuale: uso di misure non valide che incide in modo analogo per casi e controlli Errore Differenziale: uso di misure non valide che incide in modo diverso per casi e controlli Il termine 'bias' dovrebbe essere riservato per gli errori differenziali o sistematici.

4 Random Error Per Cent Size of induration (mm) WHO (www)

5 Systematic Error Per Cent Size of induration (mm) WHO (www)

6 Caso vs Bias Il Caso provoca un errore random
Il Bias provoca un errore sistematico Errori random si annulleranno l'un l'altro, a lungo termine (grande dimensione del campione) Errori sistematici non si annulleranno a vicenda qualunque sia la dimensione del campione Il Caso conduce a risultati imprecisi Il Bias conduce a risultati inesatti

7 Tipi di Bias Bias di selezione Natura del campione non rappresentativa
Bias di Informazione (misclassificazione) Errori nella misurazione della esposizione alla malattia Bias di confondimento Distorsione della relazione esposizione - malattia da parte di altri fattori Diversi tipi di bias non si escludono a vicenda

8 Bias di Selezione Differenze selettive tra i gruppi in confronto che impattano sul rapporto tra esposizione e esito

9 Esempio di Bias di selezione
Studio caso-controllo: I controlli hanno meno possibilità di esposizione dei casi Esito: tumore al cervello; esposizione: esposizione a linee elettriche ad alta tensione Casi scelti in aree dove non vi sono linee elettriche Controlli scelti in aree dove vi sono linee elettriche Differenze sistematiche tra i casi ed i controlli

10 Esempio di Bias di selezione
Self-bias di selezione: - Si desidera determinare la prevalenza di infezione da HIV - Arruolamento di volontari per la fase di test - É questa una popolazione adeguata per trarre delle conclusioni?

11 Esempio di Bias di selezione
Healthy worker effect:   Un'altra forma di auto-bias di selezione cioè un processo di "Auto-screening“: le persone che sono malate si auto-eliminano dalla popolazione lavorativa attiva

12 Esempio di Bias di selezione
Bias Diagnostico (o di workup): La diagnosi (selezione dei casi) può essere influenzata dalla conoscenza sull’esposizione Esempio: - Studio caso-controllo. Esito: malattia polmonare. Esposizione: fumo - Il radiologo consapevole che il soggetto fuma durante la lettura dell’esame può guardare con maggiore attenzione

13 Tipi di Bias Bias di selezione Natura del campione non rappresentativa Bias di Informazione (misclassificazione) Errori nella misurazione della esposizione alla malattia Bias di confondimento Distorsione della relazione esposizione - malattia da parte di altri fattori

14 Bias di Informazione Il metodo di raccolta delle informazioni è inappropriato e conduce ad errori sistematici nelle misurazione delle esposizioni o degli esiti Se la misclassificazione dell’esposizione (o della malattia) non è associata alla malattia (o all’esposizione), la misclassificazione non è differenziale Se la misclassificazione di esposizione (o malattia), è legata alla malattia (o all’esposizione), la misclassificazione differenziale Distorce la vera forza di associazione

15 Fonti di bias di informazione : Soggetto Osservatore Strumenti

16 Esempi di Bias di Informazione
Recall bias: I soggetti esposti hanno una maggiore probabilità di ricordare l'esposizione I Casi possono controllare più da vicino la loro storia passata alla ricerca di spiegazioni della loro malattia I Controlli, non sentendosi malati, possono esaminare meno attentamente la loro storia passata Importante -in studi caso-controllo -negli studi retrospettivi (o a posteriori)

17 Esempi di Bias di Informazione
Bias di segnalazione : Individui con grave malattia tendono ad avere ricordi più completi quindi più informazioni sull’esposizione Persone che sono consapevoli di essere i partecipanti di uno studio si comportano in maniera diversa (effetto Hawthorne)

18 Come controllare il Bias di Informazione
- Cecità (Blinding) Impedisce a investigatori e intervistatori di conoscere quali sono i casi e quali i controlli o chi è esposto e chi no - Uso di questionari    Utilizzare più domande che chiedono le stesse informazioni (agisce come un doppio-check) - Precisione    Diagnosi raccolta dei dati provenienti da varie fonti

19 Tipi di Bias Bias di selezione Natura del campione non rappresentativa Bias di Informazione (misclassificazione) Errori nella misurazione della esposizione alla malattia Bias di confondimento Distorsione della relazione esposizione - malattia da parte di altri fattori

20 Bias di Confondimento Fattore di confondimento: Un terzo fattore, che è legato ad entrambe esposizione e esito, e che determina in parte / completamente il rapporto tra i due

21 Fattore di confondimento
Due condizioni: Esposizione Esito Terza variabile Essere associato con l’esposizione senza esserne una conseguenza Essere associato all’esito indipendentemente dall’esposizione

22 Cases of Down Syndrome by Birth Order

23 Ordine di nascita Sindrome di Down

24 Cases of Down Syndrome by Age Groups
EPIET (www)

25 Ordine di nascita Sindrome di Down

26 Ordine di nascita Età della madre

27 Ordine di nascita Sindrome di Down Età della madre

28 Cases of Down Syndrome by Birth Order
and Maternal Age

29 Ca Polmone Coffee

30 Coffee Fumo

31 Ca Polmone Coffee Fumo

32 Come controllare i fattori di confondimento?
Nello fase di progettazione dello studio RESTRIZIONE di soggetti in base al potenziale fattore di confondimento ASSEGNAZIONE RANDOM di soggetti ai gruppi di studio MATCHING i soggetti per potenziali fattori di confondimento assicurando così la distribuzione tra i gruppi di studio

33 Come controllare i fattori di confondimento?
Nell’analisi dei dati ANALISI STRATIFICATE: analisi della varianza a più fattori, analisi con tecniche di regressione (es. della covarianza)

34 WILL ROGERS' PHENOMENON
Supponiamo una tabulazione di sopravvivenza per i pazienti con un certo tipo di tumore. Consideriamo separatamente la sopravvivenza di pazienti in cui il cancro ha metastatizzato e la sopravvivenza di pazienti in cui il cancro rimane localizzato. Come ci si aspetterebbe, la sopravvivenza media è più lunga per i pazienti senza metastasi. Adesso uno scanner più avanzato diventa disponibile, il che rende possibile rilevare metastasi più piccole. Che cosa succede per la sopravvivenza dei pazienti nei due gruppi? Il gruppo di pazienti senza metastasi è ora più piccolo. I pazienti che vengono rimossi dal gruppo sono quelle con le piccole metastasi che non avrebbero potuto essere rilevate senza la nuova tecnologia. Nel togliere questi pazienti, la sopravvivenza media dei pazienti rimasti nel gruppo "no metastasi" migliora. Che dire degli altri? Il gruppo di pazienti con metastasi è ora più grande. Tuttavia, quelli aggiunti sono quelli con le piccole metastasi. Questi pazienti tendono a vivere più a lungo rispetto ai pazienti con metastasi più grandi. Pertanto, la sopravvivenza media del gruppo di pazienti "con-metastasi" migliora. Cambiare il metodo diagnostico, paradossalmente, aumenta la sopravvivenza media di entrambi i gruppi! Questo paradosso è chiamato fenomeno di Will Rogers (una citazione dell’umorista Will Rogers ("Quando Okies lasciò la California e si recò in Oklahoma, ha sollevato la media dell’intelligenza in entrambi gli Stati").