Buffl

5. Epidemiologische Methoden in Prävention und Rehabilitation

CK
by Christin K.

Berechnung von beschreibenden epidemiologischen Kennwerten



  1. Wie nennt man eine solche Studie?


  1. Berechnen Sie Odds Ratio für das Auftreten eines Karzinoms bei Einnahme östrogenhaltiger Arzneimittel.


  1. Was drückt Odds Ratio annähernd aus? Geben Sie das Effektmaß an und beschreiben Sie in eigenen Worten, was Odds Ratio wiedergibt.


  1. Das 95 %-Konfidenzintervall beträgt [0,79; 11,45]. Was schließen Sie daraus?


  1. Welcher andere Studientyp wäre geeignet, um diese Fragestellung zu untersuchen? Was wäre unter Umständen ein Vorteil dieses Typs?


  1. Welche Methoden würden Sie einsetzen, um strukturgleiche Gruppen zu erhalten?


  1. Wie nennt man eine solche Studie?

Fall-Kontroll-Studie

  1. Berechnen Sie Odds Ratio für das Auftreten eines Karzinoms bei Einnahme östrogenhaltiger Arzneimittel.

OR = a*d/b*c = 15*10/5*10 = 150/50 = 3


  1. Was drückt Odds Ratio annähernd aus? Geben Sie das Effektmaß an und beschreiben Sie in eigenen Worten, was Odds Ratio wiedergibt. Das Chancenverhältnis der Personen mit und ohne Risikofaktor, eine Erkrankung zu erleiden. In der Gruppe der Frauen, die östrogenhaltige Medikamente eingenommen haben, ist die Chance, ein Uteruskarzinom zu bekommen, dreimal so hoch wie in der anderen Gruppe.

  2. Das 95 %-Konfidenzintervall beträgt [0,79; 11,45]. Was schließen Sie daraus?

Der Unterschied ist nicht signifikant auf einem Niveau von α=5%.

  1. Welcher andere Studientyp wäre geeignet, um diese Fragestellung zu untersuchen? Was wäre unter Umständen ein Vorteil dieses Typs?

Kohortenstudie – hier könnte im Längsschnitt die Entstehung des Karzinoms beobachtet und somit kausal in Verbindung mit dem Risikofaktor gebracht werden.

  1. Welche Methoden würden Sie einsetzen, um strukturgleiche Gruppen zu erhalten?

Matching anhand relevanter Kovariaten (z. B. Alter, Bildungsgrad, Gesundheits- und Risikoverhalten wie Rauchen).



Epidemiologie in Prävention und Rehabilitation

Auslöser des Klimawandels sind Veränderungen der Bevölkerungs- und Konsumstrukturen (z. B. global, europäische oder nationale Ebene) also u.a.

- Erhöhung von Verbrauch und Emissionen

- Reduktion von Ressourcen, Förderung von Naturgefahren

- Verstärkte & veränderte Exposition physikalischer Noxen (z. B. Hitze, Lärm)

- Stärkere Immunreaktion und Ausbildung physischer und psychischer Symptomatik

- Erhöhte Morbidität, mögliche Einflüsse auf Mortalität und Wohlbefinden


Wie wurde die Epidemiologie in diesem ZH bisher gesehen? Welches Modell ist nun ein neuer Ansatz?

Bisher: Epidemiologie und Krankheitslehre „im engeren Sinne“

  • -  bisher im Studium eher mit dem engeren Kontext beschäftigt: Exposure → Effect

  • -  z. B. Untersuchung von Ursache- Wirkungs-Zusammenhängen, häufig auf individueller Ebene (z. B. bei

    psychischen Störungen)

  • -  Bedarf und Wirksamkeit individuell orientierter Ansätze der Prävention und Therapie

  • -  Integration der Ansätze in ein übergeordnetes Modell (vgl. OneHealth → auch in Greifswald One Health

    Zentrum)

    One Health-Modell und Umweltgesundheit (epidem. Modell)

  • -  Beschreibung von GH als ganzheitlicher Prozess

  • -  Idee: nicht nur mit menschlicher GH beschäftigen, sondern

    immer auch im Kontext Natur & Umwelt GH bedenken

  • -  Beispiele: menschliches Ernährungsverhalten hat einen

    Einfluss auf GH und KH → überlegen Was bedeutet Ernährung eigentlich, wenn wir tierische Produkte konsumieren, wie sind diese zusammengesetzt? Wie sieht die Tiergesundheit aus? Ist die GH-Belastung von Tieren dann eine GH-Belastung für den Menschen? Genmanipulation usw., Untersuchung vom Bienensterben, Rolle von Haustieren bei Depressionen usw. → die Idee ist solche Wechselwirkungen mitzudenken

    - → Emergenz des Gesundheitssystems beachten (u. a. Wechselwirkungen, Interdependenzen)

  • -  Ausweitung epidemiologischer Methodik notwendig und Fragestellungen auf Umweltepidemiologie (z. B.

    Integration von Noxen in Gesundheitssurveys und klinische Assessments) - Entwicklung adäquater Designs, z. B. „Kohortenstudien für Mensch und Tier“

  • -  Integration epidemiologischer Parameter mit naturwissenschaftlichen Datenpunkten

  • -  Adaption von Präventions- und Rehabilitationsansätzen für relevante Kontexte (vgl. settingbasierte Ansätze)

  • -  ganzheitlicher Fokus




Epidemiologische Kennwerte

Fallbeispiel Inzidenzdichte

Berechnung der Inzidenz

Werfen Sie einen Blick auf die folgende Tabelle, die eine 5-Jahres-Studie mit einer Bevölkerungsgruppe von 5 Patienten beschreibt. Wir beobachten diese 5 gesunden Personen über den Studienzeitraum, da wir die Inzidenz der Erkrankung „A“ analysieren möchten



-Was können wir diesbezüglich zu Patient 1 3, 4 und 5 sagen?

- Patient 2 wurde über einen Zeitraum von 5 Jahren beobachtet. Er erkrankte im zweiten Jahr, erholte sich jedoch von der Erkrankung. Wie viele Jahre unter Risiko werden wir in diesem Fall ansetzen? 1 oder 4?


Wir fanden 2 neue Erkrankungsfälle in einer Bevölkerungsgruppe von 5 Personen. Hinsichtlich der Inzidenz lässt sich somit Folgendes sagen:


Wir können die Inzidenz auch auf Grundlage der gesunden Jahre (statt der Gesamtbevölkerung) berechnen. In einem solchen Fall teilen wir die Zahl __________ (______) durch die _________________ (______).


Patient 1 wurde über einen Zeitraum von 3 Jahren beobachtet; nach seiner dritten jährlichen Untersuchung erschien er nicht mehr. Der Grund hierfür ist nicht bekannt. In den ersten 3 Jahren trat die Erkrankung „A“ bei ihm nicht auf, und wir wissen nicht, was danach geschah. Wir behalten ihn mit „3 Personenjahre unter Risiko“ in unseren Aufzeichnungen.

Patient 2: Die Antwort auf diese Frage hängt von der Art der Erkrankung ab. Wir wollen in unserem Beispiel annehmen, dass man im Leben mehrmals an „A“ erkranken kann, daher würden wir in diesem Fall für diesen Patienten „4 Personenjahre unter Risiko“ ansetzen.


  • -  Patient 3 wurde über einen Zeitraum von 5 Jahren beobachtet, er erkrankte in diesem Zeitraum nicht. Diesen Patienten berücksichtigen wir mit „5 Personenjahre unter Risiko“.

  • -  Patient 4 erkrankte im vierten Jahr an „A“. Für diesen Patienten gehen „4 Personenjahre unter Risiko“ in die Berechnung ein, da wir zuvor ausgeführt haben, dass man in diesem Beispiel erneut mit der Erkrankung infiziert werden kann.

  • -  Patient 5 wurde über einen Zeitraum von einem Jahr beobachtet und verstarb (aus unbekannter Ursache). Uns sind keinerlei Details hinsichtlich der Erkrankung „A“ bekannt. Der Gesamtzahl der Personenjahre unter Risiko können wir nur das eine (1) Jahr zuschlagen, in dem das Risiko für den (gesunden) Patienten bestand.



Epidemiologische Studienplanung

Umweltepidemiologie hat für Prävention & Reha maßgebliche Rolle.

Warum ist das so?

Umweltepidemiologie: Gesundheit im Raum

- Wandel in der epidemiologischen Forschung („place matters“ oder „spatial turn“) - hat für Prävention & Reha maßgebliche Rolle: Welche Rolle spielt die Lebensumwelt für die Entwicklung/

Veränderung von GH und KH? Gibts auch für Nachhaltigkeit (bzgl. Klimawandel) - nicht mehr so stark Individuen betrachten, sondern zusätzlich raumbezogen

- Stärkere Integration raumbezogener Maße wie z. B. der Deprivation in die Modellbildung

3 zentrale Erklärungsansätze

  1. Komposition: Räumliche Unterschiede der Bevölkerung sind für Erkrankungshäufung verantwortlich

    - z. B. es gibt bestimmte Stadtgebiete wo Personen mit einer höheren Risikobelastung leben, deshalb dort auch häufiger Erkrankungen + wirkt sich auch auf das Sozialgefüge aus

  2. Kontext: Raumspezifische Umweltgestaltung (z. B. Grünflächen) beeinflusst die Gesundheit der Bevölkerung - z. B. Grünflächen, große Bauten und nur mit Metall wirkt sich negativ auf GH aus, ähnlich mit frischer

    Luft und Lärmbelastung

  3. Gemeinschaft/Kollektiv: Soziokulturelle Eigenschaften des Raumes (z. B. Traditionen) beeinflussen

    Gesundheit - z. B. Traditionen oder der Umgang miteinander, Quartiersarbeit, soziokulturelle Zentren - dadurch kann Zusammenhalt gefördert werden oder politische Einstellungen geformt usw.. - umgekehrter Fall: Milieubildung z. B. Studentenheim, erhöhter Alkoholkonsum

Modellierung

  1. Analyse der Varianz von Regionen in aggregierten Daten (z. B. Stadtviertel, Wohnblocks etc.)

  2. Analyse von „Kontexteffekten“ (z. B. Nachbarschaften) auf Individualdaten im Mehrebenenmodell

  3. Kombination von „Kontexteffekten“ und Analyse der Varianz, sofern die Daten es erlauben, Angabe auf

    verschiedenen Ebenen zu aggregieren (z. B. Nachbarschaften, Stadtviertel)


Exkurs: Mehrebenenanalyse

- Annahme: Personen einer Nachbarschaft oder eines Stadtviertels sind sich ähnlicher als Personen verschiedener Nachbarschaften und Stadtviertel (Personen sind nicht losgelöst voneinander)

- z. B. wird Sicherheitserleben oder Wohlbefinden in Vierteln mit hoher Kriminalitätsrate geringer ausfallen als in Vierteln mit geringer Kriminalitätsrate

- wir haben größere übergeordnete Einheiten die wir betrachten z. B. Strukturbedingungen einer Klinik bei einer Multi-Center Studie

- Statistisch ausgedrückt: Die Varianz innerhalb einer Gruppe ist geringer als die Varianz zwischen den Gruppen ODER Die Varianz zwischen den Gruppen ist größer als die Varianz innerhalb der Gruppe (Annahmen zur Homogenität) -  PROBLEM: Bei klassischer Auswertung entstehen verzerrte Effekte: Wird Wohlbefinden als Outcome global analysiert, werden diese Unterschiede negligiert

  • -  Die Mehrebenenanalyse berücksichtigt mehrere Ebenen der Datenstruktur.

  • -  In klassischen RCTs werden individuelle Personendaten analysiert – bei kontextsensitiven Analysen setzen z. B.

    Mehrebenenmodelle an: Welche Bedeutung hat die Varianz ... - ... innerhalb eines Stadtviertels? - ... innerhalb eines Wohnblocks oder einer Nachbarschaft? - ... innerhalb eines Messzeitpunkts (bei wiederholten Messungen)?

  • -  Beispiel PTF: mehrere Messzeitpunkte einer Person in Psychotherapie, durch MEA kann man dann die Personeneffekte von den Zeiteffekten trennen

  • -  Die Beobachtungen sind „geschachtelt“ (engl. nested). Auf diese Weise ergibt sich eine hierarchische Datenstruktur – die Modelle werden daher auch hierarchisch-lineare Modelle genannt (HLM):



Author

Christin K.

Information

Last changed