Confounder: Definition und Umgang

Confounder

• Ein Confounder ist mit dem Outcome und der untersuchten Exposition assoziiert.
• Auch wenn die Exposition nicht vorliegt, kann ein Confounder mit dem Outcome verbunden sein.

Umgang mit Confounding bei der Studienplanung

• Randomisierung sorgt für eine gleichmäßige Verteilung zwischen Fällen und Kontrollen.
• Matching kann für mögliche Confounder in Fall-Kontroll-Studien eingesetzt werden.
• Studienpopulation auf eine bestimmte Personengruppe beschränken.

Umgang mit Confoundern nach Datenerhebung

• Stratifikation beinhaltet separate Analysen für einzelne Untergruppen.
• Multivariate Verfahren dienen dazu, den Einfluss einzelner Confounder durch statistische Modelle herauszurechnen.

Typische Confounder

• Geschlecht
• Alter
• Sozioökonomischer Status (Bildungsniveau, Berufstätigkeit)
• Tabak- und Alkoholkonsum

Unterschied zwischen Bias und Confounder

• Bias ist ein systematischer Fehler, der im Nachhinein kaum zu beheben ist, während Confounding ein Interpretationsfehler ist.
• Confounding kann nachträglich erkannt und in der Datenauswertung berücksichtigt werden, vorausgesetzt, der Confounder wurde gemessen.

Identifizierung potenzieller Confounder

• Es gibt Leitlinien zur Identifizierung.
• Unterschiede in verschiedenen Populationen untersuchen.
• Erhobene und nicht erhobene Confounder berücksichtigen.
• Gemessene Confounder können durch Matching, Stratifizierung oder multivariate Analysen (als Kovariaten) behandelt werden.

Selektionsbias

• Eine erhöhte Anzahl von Rauchern unter den Kontrollen kann zu einer Unterschätzung des Effekts führen.
• In Fall-Kontroll-Studien wird die Exposition (z.B. Rauchen) zwischen Fällen (Schlaganfallpatienten) und Kontrollen (Personen ohne Schlaganfall) verglichen, um den Zusammenhang zu bewerten.
• Wenn Kontrollen aus einer Population mit höherer Raucherhäufigkeit stammen, gibt es mehr Raucher unter den Kontrollen als in der Allgemeinbevölkerung.

Vergleich der Expositionsraten

• Wenn sowohl Fälle als auch Kontrollen einen hohen Anteil von Rauchern aufweisen, erscheint der Unterschied in den Expositionsraten geringer als er tatsächlich ist.
• Eine niedrigere berechnete Odds Ratio entsteht durch den geringeren Unterschied in den Expositionsraten.
• Eine höhere Anzahl von Rauchern unter den Kontrollen verzerrt den Vergleich und führt zu einer Unterschätzung des tatsächlichen Risikos des Rauchens.

Beispiel 1: Kontrollen aus der allgemeinen Bevölkerung

• Es wird angenommen, dass es 10 Schlaganfallfälle und 10 Kontrollen gibt.
• Es wird angenommen, dass in der allgemeinen Bevölkerung 30% Raucher sind.
• Fälle (Schlaganfall): 7 Raucher, 3 Nichtraucher
• Kontrollen (allgemeine Bevölkerung): 3 Raucher, 7 Nichtraucher
• Berechnung der Odds Ratio (OR): ≈ 5.44

Beispiel 2: Kontrollen aus dem Krankenhaus (höhere Raucherquote, z.B. 60%)

• Fälle (Schlaganfall): 7 Raucher, 3 Nichtraucher
• Kontrollen (aus dem Krankenhaus): 6 Raucher, 4 Nichtraucher
• Berechnung der Odds Ratio (OR): ≈ 1.56

Vergleich beider Beispiele

• Eine höhere Odds Ratio (ca. 5.44) wurde mit Kontrollen aus der allgemeinen Bevölkerung ermittelt, was darauf hindeutet, dass Rauchen stark mit dem Schlaganfallrisiko verbunden ist.
• Eine niedrigere Odds Ratio (ca. 1.56) wurde mit Kontrollen aus dem Krankenhaus ermittelt, was auf eine Unterschätzung des Rauchens hinweist.
• Eine höhere Raucherquote unter den Kontrollen (Krankenhaus) führt zu einer Unterschätzung des Effekts, da der Unterschied in den Expositionsraten kleiner wird und somit auch die Odds Ratio.
• Es ist wichtig, dass die Kontrollen repräsentativ für die allgemeine Bevölkerung sind, um den wahren Einfluss von Rauchen auf Schlaganfälle korrekt zu messen.

Rekrutierung von Kontrollen aus dem Krankenhaus (höhere Raucherquote)

• Es entsteht eine Unterschätzung des Effekts: Hohe Raucherquoten in Fällen und Kontrollen verringern den Unterschied in den Expositionsraten.
• Überschätzung des Effekts: Unterschiede in gesundheitsbezogenen Verhaltensweisen (z.B. Alkoholkonsum, Bewegungsmangel) können zu einer falschen Einschätzung des Raucheinflusses führen.
• Es wird oft empfohlen, Kontrollen aus der allgemeinen Bevölkerung oder derselben Population wie die Fälle zu rekrutieren, um Verzerrungen zu vermeiden.

Stichprobenziehung von Rauchern

• Viele Raucher in der Stichprobe: Gut, um den Einfluss des Rauchens genauer zu analysieren.
• Repräsentative Kontrollen: Wichtig, um den Bezug zur allgemeinen Bevölkerung zu wahren und Verzerrungen zu vermeiden.
• Die Balance zwischen diesen Aspekten ist entscheidend für eine valide Studie.

Wahl der Kontrollgruppe

• Ziel der Studie: Soll die Studie auf die allgemeine Bevölkerung oder auf eine spezifische Population übertragbar sein?
• Verfügbarkeit der Daten: Kann eine repräsentative Stichprobe aus der allgemeinen Bevölkerung erhalten werden?
• Homogenität der Population: Wird eine homogene Population untersucht?
• Vermeidung von Selektionsbias: Könnten die Kontrollen aus einer bestimmten Gruppe zu einer Verzerrung führen?
• Spezifische Hypothesen: Gelten die Hypothesen nur für eine bestimmte Population?
• Die Wahl der Kontrollgruppe sollte sorgfältig in Abhängigkeit von den Zielen und Umständen der Studie getroffen werden.

Informationsbias

• Beeinflussung durch fehlende oder unzureichend erhobene Variablen (Exposition, Outcome, Confounder).
• Auch measurement bias genannt.
• Durch unzureichend erhobene Variablen bzw. Fehlklassifikation.
• Nicht-differenziell/differenziell: Fehlklassifikation unabhängig/abhängig von Exposition bzw. Outcome.
• Differenzielle Fehlklassifikation:
  • Erinnerungsbias (recall bias): Angabe der Exposition abhängig vom Outcome
  • Detektionsbias: Detektion des Outcomes abhängig von Exposition
• Die Richtung des Bias ist nicht vorhersagbar.
• Informationsbias adressierbar durch gut geplante Studien und valide Faktoren für Exposition und Outcome.

Protopathic Bias

• Erste Symptome des noch nicht detektierten Outcomes (z.B. Erkrankung) sind Grund für Exposition (z.B. Verschreibung).
• Umgekehrter Zusammenhang („reverse causation").
• Beispiel: Demenz im Prodromalstadium, Schlafstörungen → Benzodiazepine → Demenz.
• Protopathic Bias → großer Zeitabstand zwischen Exposition und Outcome.
• Wenn eine Exposition (z.B. Medikamenteneinnahme) initiiert wird, die noch nicht diagnostiziert wurden, entsteht eine falsche Schlussfolgerung über die Beziehung zwischen Exposition und Krankheit.

Beispiele für Protopathic Bias

• Medikamenteneinnahme aufgrund von Symptomen wie Schmerzen oder Müdigkeit, später wird eine Krankheit diagnostiziert.
• Medikamentenabbau aufgrund von Nebenwirkungen. Später wird eine Krankheit diagnostiziert, die diese Nebenwirkungen verursacht.
• Protopathic Bias kann in pharmakoepidemiologischen Studien problematisch sein, da es zu einer falschen Einschätzung der Wirkung eines Medikaments führen kann.

Ein Confounder ist sowohl mit dem Ergebnis als auch mit der Exposition assoziiert. Strategien zur Minimierung umfassen Randomisierung, Matching und Stratifikation. Typische Beispiele sind Alter, Geschlecht und sozioökonomischer Status.