Causale gevolgtrekking is belangrijk in medisch onderzoek om te helpen bepalen of behandelingen gunstig zijn en of natuurlijke blootstelling schadelijk is. In veel instellingen, gegevensverzameling maakt causale gevolgtrekking moeilijk zonder al te optimistische of idealistische veronderstellingen te maken. In een nieuw artikel gepubliceerd in de Tijdschrift van de American Statistical Association , onderzoekers van Karolinska Institutet ontwikkelen nieuwe statistische methoden om causale inferentie in sommige situaties mogelijk te maken zonder dergelijke aannames te doen.

De auteurs Erin Gabriël, Michael Sachs en Arvid Sjölander bij de afdeling Medische Epidemiologie en Biostatistiek, beschrijven in het nieuwe artikel hoe deze methoden kunnen worden gebruikt en geïnterpreteerd.

Nieuwe tools die kunnen worden toegepast in verschillende onderzoeksomgevingen

Gerandomiseerde onderzoeken zijn een soort experiment waarbij groepen vrijwilligers willekeurig worden toegewezen om een ​​nieuw medicijn te krijgen of niet, en vervolgens wordt een vergelijking gemaakt tussen de twee willekeurig toegewezen groepen om het effect van het gerandomiseerde geneesmiddel op de overleving te beoordelen, infectie, of het welzijn van de patiënten. In tegenstelling tot nieuwe medicijnen, er zijn veel dingen die niet willekeurig aan vrijwilligers kunnen worden toegewezen, zoals roken en blootstelling aan asbest, of dat kan worden gerandomiseerd, maar worden meestal bestudeerd in observationele studies, zoals de consumptie van rode wijn en fruit.

In deze instellingen het effect van een blootstelling kan moeilijk te bepalen zijn omdat andere factoren zowel de blootstelling van belang als de uitkomst kunnen beïnvloeden. Bijvoorbeeld, wonen in Zweden wordt geassocieerd met lagere sterfte en hogere consumptie van bergbraambessen dan Hongarije, dus het zoeken naar het effect van bergbraambessen op de mortaliteit in een groep met mensen uit zowel Hongarije als Zweden kan een onderzoeker ertoe brengen te geloven dat bergbraambessen de mortaliteit verminderen.

Statistische methoden ontwikkeld met behulp van een nieuwe benadering

Hoewel er veel hulpmiddelen zijn om met gemeten factoren om te gaan, zoals het land van verblijf, om het testen en schatten van dergelijke effecten mogelijk te maken, al deze methoden vereisen dat een onderzoeker bereid is te raden naar alle andere factoren die ze niet hebben gemeten. Het hier gepresenteerde werk maakt gebruik van wiskunde, logica en statistieken om de behoefte aan dit raden te verminderen en, in plaats van een enkele waarde van het effect te geven, geeft een reeks mogelijke effectgroottes. Hoewel sommige onderzoekers vergelijkbare methoden hebben ontwikkeld, de methoden zijn zeer weinig en zijn specifiek voor het type gegevens en hoe de gegevens zijn verzameld. Erin Gabriel en haar collega's ontwikkelen nieuwe methoden om een ​​veel groter aantal stijlen voor gegevensverzameling mogelijk te maken, waarvan vele heel gebruikelijk zijn in Zweden vanwege de registers.

"Deze statistische methoden, die eenvoudig te implementeren zijn, kan helpen in veel situaties waar causale gevolgtrekking wordt bedreigd door ongemeten confounding en/of selectiebias, ", zegt eerste auteur Erin Gabriel.

De auteurs hopen dat hun tools door onderzoekers over de hele wereld zullen worden gebruikt om hen te helpen beslissingen te nemen zonder te hoeven gissen naar ongemeten factoren in hun gegevens. In hun lopende en toekomstige werk, ze hebben tot doel nieuwe statistische hulpmiddelen te bouwen en te beschrijven die kunnen worden gebruikt in imperfecte klinische onderzoeken.