Den økologiske fejlslutning slår tilbage | Journal of Epidemiology & Community Health

Da jeg først begyndte at studere epidemiologi, blev økologiske undersøgelser kort omtalt som en billig, men upålidelig metode til at studere individuelle risikofaktorer for sygdom. I stedet for at bruge tid og penge på at etablere en kohortestudie eller en case-control-undersøgelse af fedtindtag og brystkræft kunne man f.eks. blot bruge nationale data om kost og kræftforekomst og med et minimum af tid og penge vise en stærk international sammenhæng mellem fedtindtag og brystkræft. Denne fremgangsmåde blev med rette betragtet som utilstrækkelig og upålidelig på grund af de mange yderligere former for skævheder, der kan forekomme i sådanne undersøgelser sammenlignet med undersøgelser af enkeltpersoner inden for en befolkning. Især kan der opstå en “økologisk fejlslutning”, idet faktorer, der er forbundet med nationale sygdomsrater, måske ikke er forbundet med sygdom hos enkeltpersoner.1 F.eks. har næsten alle sygdomme, der er forbundet med velstand og vestliggørelse, tidligere været forbundet på nationalt plan med salget af fjernsynsapparater, og i dag er de sandsynligvis forbundet på nationalt plan med graden af internetbrug.

Så var økologiske undersøgelser ikke en god ting at lave, og de var et levn fra epidemiologiens “præmoderne” fase, før den blev solidt etableret med et metodologisk paradigme baseret på teorien om randomiserede kontrollerede forsøg med enkeltpersoner. Dette paradigme, som er meget effektivt, når det anvendes hensigtsmæssigt, gav anledning til stadig mere sofistikerede metoder til undersøgelsesdesign og dataanalyse. Navnlig blev de biostatistiske metoder, der blev udviklet til randomiserede forsøg, som involverede en enkelt individuel eksponering, brugt til at omformulere og gøre de tidligere ad hoc epidemiologiske metoder til undersøgelsesdesign og dataanalyse mere stringente.23 Således er epidemiologikurser i stigende grad blevet begrænset til at diskutere kohorte- og case-kontrolundersøgelser og de dataanalysemetoder, der passer til det paradigme for kliniske forsøg, som de er baseret på. Der er normalt kun få eller ingen diskussioner om videnskabsfilosofi (med undtagelse af nogle meget forsimplede Popper-versioner) eller om, hvordan teorier og hypoteser udvikles. Epidemiologistuderende tager derefter deres eksamen og går ud i den “virkelige verden” for at afprøve hypoteser, der kan undersøges ved hjælp af disse metoder, og som der kan opnås finansiering til.

Nu er undersøgelser på befolkningsniveau igen på banen af to vigtige grunde.

For det første anerkendes det i stigende grad, at selv når man undersøger risikofaktorer på individniveau, spiller undersøgelser på befolkningsniveau en væsentlig rolle i definitionen af de vigtigste folkesundhedsproblemer, der skal løses, og i opstillingen af hypoteser om deres mulige årsager. Mange vigtige individuelle risikofaktorer for sygdom varierer ganske enkelt ikke tilstrækkeligt inden for befolkningsgrupper til, at deres virkninger kan identificeres eller undersøges.4 Endnu vigtigere er det, at sådanne undersøgelser er en vigtig del af den fortsatte cyklus af teori- og hypotesegenerering og -afprøvning.5 Historisk set har epidemiologer været i stand til at “tilføre værdi” gennem dette befolkningsfokus, selv om mange moderne epidemiologer har glemt denne lektie. F.eks. har mange af de seneste opdagelser om årsagerne til kræft (herunder kostfaktorer og tyktarmskræft, hepatitis B og leverkræft, aflatoksiner og leverkræft, humant papillomavirus og livmoderhalskræft) direkte eller indirekte deres oprindelse i de systematiske internationale sammenligninger af kræftforekomsten, der blev foretaget i 1950’erne og 1960’erne.6 Disse gav forslag til hypoteser om de mulige årsager til de internationale mønstre, som blev undersøgt mere indgående i yderligere undersøgelser. I nogle tilfælde var disse hypoteser i overensstemmelse med den daværende biologiske viden, men i andre tilfælde var de nye og påfaldende, og de ville måske ikke være blevet foreslået eller undersøgt yderligere, hvis der ikke var blevet foretaget analyser på befolkningsniveau. I den senere tid er der blevet brugt enorme summer på at undersøge de “kendte” årsager til astma i velstående lande (f.eks. luftforurening, udsættelse for allergener), og det er først nu, at standardiserede undersøgelser afslører store internationale forskelle i astmaprævalens, som ikke forklares af disse “etablerede” risikofaktorer som f.eks. luftforurening7 , men som er mere i overensstemmelse med nyere teorier om den beskyttende rolle, som visse infektioner hos spædbørn spiller i astmaens ætiologi8 .

En anden grund til, at økologiske undersøgelser er tilbage, er, at det i stigende grad anerkendes, at nogle risikofaktorer for sygdom rent faktisk virker på befolkningsniveau9-11 . I nogle tilfælde kan de direkte forårsage sygdom, men måske er det mere almindeligt, at de forårsager sygdom som effektmodifikatorer eller determinanter af eksponering for risikofaktorer på individniveau.12 Det kan f.eks. være værre at være fattig i et rigt land eller kvarter end at have samme indkomstniveau i et fattigt land eller kvarter på grund af problemer med social udstødelse og manglende adgang til tjenester og ressourcer.13 Dette kan fungere gennem relativt direkte mekanismer, men kan også omfatte aspekter af den individuelle livsstil, som til dels er bestemt af den sociale kontekst. F.eks. kan beslutningen om at fortsætte med at opnå midlertidig lindring og glæde ved at ryge tobak være ganske rationel for en person, der overlever fra uge til uge under vanskelige forhold.

Den manglende hensyntagen til betydningen af befolkningskonteksten som en effektmodifikator og determinant for eksponeringer på individniveau kan betegnes som den “individualistiske fejlslutning “14 , hvor man ignorerer de vigtigste befolkningsdeterminanter for sundhed og fokuserer unødigt på individuelle karakteristika. I denne situation kan sammenhængen mellem disse individuelle karakteristika og sundhed vurderes gyldigt, men deres betydning i forhold til andre potentielle interventioner og betydningen af konteksten for sådanne interventioner kan ignoreres. I de fleste lande i verden vil enhver undersøgelse på individniveau f.eks. identificere visse individuelle karakteristika (herunder genetiske faktorer), som synes at være de vigtigste determinanter for sundhed. De seneste begivenheder i Østeuropa har imidlertid vist, at disse individuelle karakteristika fungerer inden for en stærk befolkningskontekst, som kan være en langt stærkere determinant for sygdom på befolkningsniveau15 . Hvis man ignorerer denne kontekst og forsøger at undersøge homogene befolkninger, kan det føre til den fejlagtige konklusion, at individuelle karakteristika er de vigtigste sygdomsdeterminanter og de vigtigste for intervention, ligesom undersøgelser af befolkninger med homogene livsstiler kan føre til den fejlagtige konklusion, at andre faktorer er de vigtigste sygdomsdeterminanter.4

Disse overvejelser har ført til en genoplivning af undersøgelser på befolkningsniveau i de senere år, med en stigende interesse for statistiske metoder til flerniveauanalyse. Disse har betydelige fordele, da de gør det muligt at estimere virkninger på befolkningsniveau (økologiske) og samtidig inddrage virkninger på individniveau16 , hvorved man undgår både den økologiske fejlslutning og den individualistiske fejlslutning. Men selv om der har været mange diskussioner om den statistiske analyse af sådanne undersøgelser, har der været relativt lidt diskussion om de andre metodologiske spørgsmål i forbindelse med undersøgelse af ægte økologiske virkninger. Blakely og Woodwards artikel i dette nummer af tidsskriftet er derfor et meget aktuelt og værdifuldt bidrag. De bemærker især, at de er bekymrede over, at “anvendelsen af statistiske metoder på flere niveauer måske er gået forud for en teoretisk ramme, inden for hvilken man kan foretage meningsfulde og robuste analyser”, og at “efterhånden som forskerne bevæger sig ud over den indledende begejstring over at anvende de statistiske metoder på flere niveauer på data, vil der være et stigende og nødvendigt fokus på teori, undersøgelsesdesign og fejlkilder”. Ligesom det at lære at bruge Mantel-Haenszel-metoden eller standard logistisk regression kun er en lille del af det at lære at være epidemiolog, er det at lære at lave logistisk regression på flere niveauer kun en lille del af det at lære at være epidemiolog på flere niveauer. I begge tilfælde er de biostatistiske metoder blot en del af den epidemiologiske værktøjskasse, som omfatter metoder til hensigtsmæssig undersøgelsesdesign, herunder undgåelse, minimering eller vurdering af mulige skævheder. Endnu vigtigere er det, at i begge tilfælde er viden om passende metoder til undersøgelsesdesign og dataanalyse ikke en erstatning for viden om, hvordan man vælger den mest hensigtsmæssige hypotese til undersøgelse.

Så hvordan kan epidemiologer lære at tænke på flere niveauer? Hvordan kan de sikre, at de bedste hypoteser udvikles til undersøgelse, og at den “passende teknologi” (hvad enten det er på individ- eller befolkningsniveau) derefter anvendes til at teste dem? Hvordan kan epidemiologistuderende lære sådanne metoder på en sådan måde, at de kan anvende dem hensigtsmæssigt, i stedet for at lade de metoder, de lærer, definere og begrænse de spørgsmål, de efterfølgende stiller? Der er to principper fra klinisk undervisning og praksis, som kan være særligt relevante i denne henseende.

For det første er en problembaseret tilgang til undervisning i klinisk medicin i stigende grad blevet vedtaget på medicinske fakulteter rundt om i verden. Værdien af denne tilgang er, at der undervises i teorier og metoder i forbindelse med løsning af virkelige problemer i det virkelige liv. Dette sætter metoderne ind i en sammenhæng og er med til at sikre, at de rette metoder vælges til at passe til problemet, i stedet for at få problemet til at passe til metoderne. Måske kan undervisningen i problembaseret epidemiologi være med til at genskabe forbindelsen til folkesundheden og til den virkelige verden, hvor de fleste folkesundhedsproblemer involverer en række forskellige niveauer af sygdomsårsager. At studere virkelige folkesundhedsproblemer i deres historiske og sociale kontekst udelukker ikke, at man skal lære om sofistikerede metoder til undersøgelsesdesign og dataanalyse (det er faktisk nødvendigt), men det kan bidrage til at sikre, at der stilles de rigtige spørgsmål, og at der derefter anvendes “passende teknologi” til at besvare dem.

For det andet bør beslutningen om, hvad der er “passende teknologi”, være baseret på evidens. Dette er mindre indlysende, end det ser ud til, da mange epidemiologiske metoder ikke er evidensbaserede. F.eks. har den nuværende bølge af begejstring for “molekylær epidemiologi” ført til udbredt brug af biomarkører for eksponering, selv om der kun er meget lidt evidens for deres gyldighed. Behovet for en evidensbaseret epidemiologi gælder også for den generelle “forskningsstrategi”, som epidemiologerne anvender, samt for de specifikke forskningsmetoder, der anvendes, da der er gode historiske beviser for værdien af en befolkningsbaseret tilgang.5

I nogle tilfælde vil anvendelsen af disse nye metoder gøre epidemiologien mere kompliceret. Dette bemærkes noget nedsættende af Poole og Rothman17 , som synes at sidestille kritikere af “moderne epidemiologi” med dem, der ville foretrække en tilbagevenden til fortidens “enklere” mere ad hoc-metoder. Spørgsmålet her er imidlertid ikke, om brugen af sofistikerede statistiske metoder er ønskelig eller uønsket i sig selv. Spørgsmålet er snarere, at vi bør besvare de vigtigste videnskabelige og folkesundhedsmæssige spørgsmål, og at vi bør anvende “passende teknologi” til at besvare dem. I nogle tilfælde vil befolkningstilgangen føre til hypoteser, som kan undersøges ved hjælp af simple kohorte- eller case-control-undersøgelser og analyseres ved hjælp af simple 2 × 2 tabeller eller de tilsvarende multivariate metoder som Poisson- eller logistisk regression. I andre tilfælde kan der være behov for helt andre metoder til undersøgelsesdesign og dataanalyse.11

I alle tilfælde vil epidemiologien fortsat involvere et sundt samarbejde mellem epidemiologer og biostatistikere (samt biologer, samfundsvidenskabsfolk og andre), men det er epidemiologerne, der har det primære ansvar for at identificere og udvikle de vigtigste forskningsspørgsmål på befolkningsniveau, som derefter kan undersøges ved hjælp af passende biostatistiske metoder. Blakely og Woodwards artikel er et vigtigt bidrag i denne henseende, da den gør os opmærksom på farerne ved blot at tilføje flerniveaumodellering til vores analytiske værktøjskasse og rejser de vigtige spørgsmål om teoriudvikling, undersøgelsesdesign og vurdering af bias, som skal tages i betragtning i flerniveauundersøgelser, ligesom de i øjeblikket tages i betragtning (eller bør tages i betragtning) i undersøgelser på individniveau.