Det ekologiska feltänkandet slår tillbaka | Journal of Epidemiology & Community Health

När jag började studera epidemiologi diskuterades ekologiska studier kortfattat som en billig men otillförlitlig metod för att studera riskfaktorer för sjukdomar på individnivå. I stället för att till exempel ägna sig åt tid och kostnader för att upprätta en kohortstudie eller en fall-kontrollstudie om fettintag och bröstcancer kunde man helt enkelt använda nationella uppgifter om kost och cancerincidens och, med minimal tid och kostnad, visa på ett starkt internationellt samband mellan fettintag och bröstcancer. Detta tillvägagångssätt betraktades med rätta som otillräckligt och otillförlitligt på grund av de många ytterligare former av bias som kan förekomma i sådana studier jämfört med studier av individer inom en population. Framför allt kan den ”ekologiska felbedömningen” uppstå genom att faktorer som är förknippade med nationella sjukdomsfrekvenser kanske inte är förknippade med sjukdom hos enskilda individer.1 Till exempel har nästan alla sjukdomar som är förknippade med välstånd och västerländsk inriktning tidigare varit förknippade på nationell nivå med försäljningen av TV-apparater, och numera är de troligen förknippade på nationell nivå med graden av internetanvändning.

Det var alltså inte bra att göra ekologiska studier, och de var en kvarleva från epidemiologins ”förmoderna” fas, innan den etablerades ordentligt med ett metodologiskt paradigm som byggde på teorin om randomiserade kontrollerade prövningar av enskilda individer. Detta paradigm, som är mycket kraftfullt när det används på rätt sätt, gav upphov till alltmer sofistikerade metoder för utformning av studier och dataanalys. Framför allt användes de biostatistiska metoder som utvecklades för randomiserade prövningar med exponering på en enskild individnivå för att omformulera och göra de tidigare ad hoc-epidemiologiska metoderna för studiedesign och dataanalys mer rigorösa.23 Således har epidemiologikurserna i allt högre grad begränsats till att diskutera kohort- och fall-kontrollstudier och de metoder för dataanalys som passar in i det paradigm för kliniska prövningar som de bygger på. Det finns vanligen lite eller ingen diskussion om vetenskapsfilosofi (med undantag för vissa mycket förenklade popperianska versioner) eller om hur teorier och hypoteser utvecklas. Epidemiologistudenterna tar sedan examen och går ut i ”den verkliga världen” för att testa hypoteser som kan undersökas med hjälp av dessa metoder och för vilka finansiering kan erhållas.

Nu är studier på befolkningsnivå åter på tapeten av två viktiga skäl.

För det första erkänns det i allt högre grad att studier på befolkningsnivå, även när man studerar riskfaktorer på individnivå, spelar en väsentlig roll när det gäller att fastställa de viktigaste folkhälsoproblemen som skall åtgärdas och att generera hypoteser om deras potentiella orsaker. Många viktiga riskfaktorer för sjukdomar på individnivå varierar helt enkelt inte tillräckligt inom populationer för att deras effekter skall kunna identifieras eller studeras.4 Ännu viktigare är att sådana studier är en nyckelkomponent i den ständiga cykeln för att generera och testa teorier och hypoteser.5 Historiskt sett har epidemiologer kunnat ge ett mervärde genom att fokusera på befolkningen, även om många moderna epidemiologer har glömt bort denna lärdom. Till exempel har många av de senaste upptäckterna om orsakerna till cancer (bl.a. kostfaktorer och tjocktarmscancer, hepatit B och levercancer, aflatoxiner och levercancer, humant papillomvirus och livmoderhalscancer) sitt ursprung, direkt eller indirekt, i de systematiska internationella jämförelser av cancerincidens som genomfördes på 1950- och 1960-talen.6 Dessa föreslog hypoteser om möjliga orsaker till de internationella mönstren, som undersöktes mer ingående i ytterligare studier. I vissa fall överensstämde dessa hypoteser med den biologiska kunskapen vid den tidpunkten, men i andra fall var de nya och uppseendeväckande och skulle kanske inte ha föreslagits eller undersökts vidare om analyserna på befolkningsnivå inte hade gjorts. På senare tid har stora summor anslagits för att studera de ”kända” orsakerna till astma i rika länder (t.ex. luftföroreningar och exponering för allergener), och det är först nu som standardiserade studier avslöjar stora internationella skillnader i astmaprevalens som inte förklaras av dessa ”etablerade” riskfaktorer, t.ex. luftföroreningar7 , utan som stämmer bättre överens med de senaste teorierna om den skyddande roll som vissa spädbarnsinfektioner har för astmas etiologi8 .

En annan anledning till att ekologiska studier är tillbaka är att man i allt högre grad erkänner att vissa riskfaktorer för sjukdomar verkligen verkar på befolkningsnivå9-11 . I vissa fall kan de direkt orsaka sjukdom, men det är kanske vanligare att de orsakar sjukdom som effektmodifierare eller bestämningsfaktorer för exponering för riskfaktorer på individnivå.12 Till exempel kan det vara värre att vara fattig i ett rikt land eller ett rikt bostadsområde än att ha samma inkomstnivå i ett fattigt land eller ett fattigt bostadsområde, på grund av problem med social utestängning och bristande tillgång till tjänster och resurser.13 Detta kan ske genom relativt direkta mekanismer, men det kan också handla om aspekter av den individuella livsstilen som till viss del bestäms av den sociala kontexten. Beslutet att fortsätta att få tillfällig lindring och njutning genom att röka tobak kan till exempel vara ganska rationellt för en person som överlever vecka efter vecka under svåra förhållanden.

Underlåtenheten att ta hänsyn till betydelsen av befolkningskontexten som en effektmodifierande faktor och bestämningsfaktor för exponering på individnivå skulle kunna kallas för den ”individualistiska villfarelsen ”14 , där de viktigaste bestämningsfaktorerna för hälsan hos populationen ignoreras och onödig uppmärksamhet riktas mot individuella egenskaper. I denna situation kan sambanden mellan dessa individuella egenskaper och hälsa uppskattas på ett giltigt sätt, men deras betydelse i förhållande till andra möjliga åtgärder och betydelsen av sammanhanget för sådana åtgärder kan ignoreras. I de flesta länder i världen kommer till exempel alla studier på individnivå att identifiera vissa individuella egenskaper (inklusive genetiska faktorer) som verkar vara de viktigaste bestämningsfaktorerna för hälsa. Den senaste tidens händelser i Östeuropa har dock visat att dessa individuella egenskaper verkar i ett kraftfullt befolkningssammanhang som kan vara en mycket starkare bestämningsfaktor för sjukdom på befolkningsnivå15 . Om man ignorerar detta sammanhang och försöker studera homogena populationer kan det leda till den felaktiga slutsatsen att individuella egenskaper är de viktigaste bestämningsfaktorerna för sjukdom och de viktigaste för ingripanden, på samma sätt som studier av populationer med homogen livsstil kan leda till den felaktiga slutsatsen att andra faktorer är de viktigaste bestämningsfaktorerna för sjukdom.4

Dessa överväganden har lett till att studier på befolkningsnivå har fått ett uppsving under de senaste åren, med ett ökande intresse för statistiska metoder för analys på flera nivåer. Dessa har betydande fördelar eftersom de gör det möjligt att uppskatta effekter på befolkningsnivå (ekologiska) och samtidigt inkludera effekter på individnivå16 , vilket gör att man undviker både det ekologiska felsteget och det individualistiska felsteget. Även om det har diskuterats mycket om den statistiska analysen av sådana studier har det dock varit relativt lite diskussion om de andra metodologiska frågor som är involverade i studiet av genuina ekologiska effekter. Blakely och Woodwards artikel i detta nummer av tidskriften är därför ett mycket lägligt och värdefullt bidrag. De påpekar särskilt att de är oroade över att ”tillämpningen av statistiska metoder på flera nivåer kan ha gått före en teoretisk ram inom vilken man kan genomföra meningsfulla och robusta analyser” och att ”när forskarna går bortom den initiala upprymdheten av att tillämpa de statistiska metoderna på flera nivåer som är ’magiska’ på data, kommer det att finnas ett ökande och nödvändigt fokus på teori, studiedesign och felkällor”. Precis som att lära sig använda Mantel-Haenszel-metoden eller vanlig logistisk regression bara är en liten del av att lära sig att vara epidemiolog, är att lära sig logistisk regression på flera nivåer bara en liten del av att lära sig att vara en epidemiolog på flera nivåer. I båda fallen är de biostatistiska metoderna bara en del av den epidemiologiska verktygslådan, som omfattar metoder för lämplig studiedesign, inklusive undvikande, minimering eller bedömning av möjliga bias. Ännu viktigare är att i båda fallen är kunskap om lämpliga metoder för studiedesign och dataanalys inte ett substitut för att veta hur man väljer den lämpligaste hypotesen att studera.

Så hur kan epidemiologer lära sig att tänka på ett sätt som bygger på flera nivåer? Hur kan de se till att de bästa hypoteserna utvecklas för att studeras och att den ”lämpliga tekniken” (på individ- eller befolkningsnivå) sedan används för att testa dem? Hur kan epidemiologistudenter lära sig sådana metoder på ett sådant sätt att de kan använda dem på lämpligt sätt, i stället för att låta de metoder de lär sig definiera och begränsa de frågor de senare ställer? Det finns två principer från klinisk undervisning och praktik som kan vara särskilt relevanta i detta avseende.

För det första har ett problembaserat tillvägagångssätt för undervisning i klinisk medicin i allt större utsträckning införts vid medicinska fakulteter runt om i världen. Värdet av detta tillvägagångssätt är att teorier och metoder lärs ut i samband med att man löser verkliga problem. Detta placerar metoderna i ett sammanhang och bidrar till att säkerställa att lämpliga metoder väljs för att passa problemet, snarare än att få problemet att passa metoderna. Kanske kan undervisningen i problembaserad epidemiologi bidra till att återupprätta kopplingen till folkhälsan och till den verkliga världen, där de flesta folkhälsoproblem inbegriper en mängd olika nivåer av sjukdomsorsaker. Att studera verkliga folkhälsoproblem i deras historiska och sociala sammanhang utesluter inte att man lär sig sofistikerade metoder för studiedesign och dataanalys (det är faktiskt nödvändigt), men det kan bidra till att se till att lämpliga frågor ställs och att ”lämplig teknik” sedan används för att besvara dem.

För det andra bör beslutet om vad som är ”lämplig teknik” grundas på evidens. Detta är mindre uppenbart än det verkar, eftersom många epidemiologiska metoder inte är evidensbaserade. Den nuvarande vågen av entusiasm för ”molekylär epidemiologi” har till exempel lett till en utbredd användning av biomarkörer för exponering även när det finns mycket få bevis för deras giltighet. Behovet av en evidensbaserad epidemiologi gäller även den allmänna ”forskningsstrategi” som används av epidemiologer, liksom de specifika forskningsmetoder som används, eftersom det finns goda historiska belägg för värdet av en befolkningsbaserad strategi.5

I vissa fall kommer användningen av dessa nya metoder att göra epidemiologin mer komplicerad. Detta noteras något nedvärderande av Poole och Rothman17 som tycks likställa kritiker av ”modern epidemiologi” med dem som skulle föredra en återgång till de ”enklare” mer tillfälliga metoderna i det förflutna. Frågan här är dock inte om användningen av sofistikerade statistiska metoder är önskvärd eller oönskad i sig själv. Det handlar snarare om att vi bör besvara de viktigaste frågorna inom vetenskap och folkhälsa och att vi bör använda ”lämplig teknik” för att besvara dem. I vissa fall kommer befolkningsmetoden att ge upphov till hypoteser som kan undersökas med enkla kohort- eller fall-kontrollstudier och analyseras med hjälp av enkla 2 × 2 tabeller, eller motsvarande multivariata metoder som Poisson- eller logistisk regression. I andra fall kan det krävas helt andra metoder för studiedesign och dataanalys.11

I varje fall kommer epidemiologin att fortsätta att omfatta ett sunt samarbete mellan epidemiologer och biostatistiker (samt biologer, samhällsvetare och andra), men det är epidemiologerna som har det primära ansvaret för att identifiera och utveckla de viktigaste forskningsfrågorna på befolkningsnivå, som sedan kan undersökas med hjälp av lämpliga biostatistiska metoder. Blakely och Woodwards artikel är ett viktigt bidrag i detta avseende, eftersom den uppmärksammar oss på farorna med att bara lägga till flernivåmodellering till vår analytiska verktygslåda och tar upp de viktiga frågor om teoribildning, studiedesign och bedömning av bias som måste beaktas i flernivåstudier, på samma sätt som de för närvarande beaktas (eller bör beaktas) i studier på individnivå.