Applying Quantitative Bias Analysis to Epidemiologic Data

این متن اولین مجموعه ای از روش های تجزیه و تحلیل سوگیری را برای استفاده با داده های اپیدمیولوژیک ارائه می دهد. خواننده را از طریق مراحل برنامه ریزی تحلیل سوگیری، از جمله طراحی مطالعات اعتبار سنجی و جمع آوری داده های اعتبار از منابع دیگر، راهنمایی می کند. سه فصل روش هایی را برای اصلاحات برای رسیدگی به سوگیری انتخاب، مخدوش شدن کنترل نشده و خطاهای طبقه بندی ارائه می کند. فصل‌های بعدی این روش‌ها را به تحلیل سوگیری چند بعدی، تحلیل سوگیری احتمالی و تحلیل سوگیری چند بعدی گسترش می‌دهند. متن با فصلی در مورد ارائه و تفسیر نتایج تجزیه و تحلیل سوگیری به پایان می رسد.

اگرچه تکنیک هایی برای تجزیه و تحلیل سوگیری برای دهه ها در دسترس بوده است، اجرای این روش ها دشوار در نظر گرفته می شود. این متن نه تنها روش‌ها را در یک ارائه منسجم و سازمان‌دهی شده جمع‌آوری می‌کند، بلکه روش‌ها را به شیوه‌ای ثابت توضیح می‌دهد و صفحات گسترده قابل تنظیم برای پیاده‌سازی راه‌حل‌ها را ارائه می‌دهد. با دانلود صفحات گسترده (موجود در لینک های ارائه شده در متن)، خوانندگان می توانند نمونه های موجود در متن را دنبال کنند و سپس صفحه گسترده را برای تکمیل تحلیل های سوگیری خود تغییر دهند. خوانندگان بدون تجربه در استفاده از تحلیل سوگیری کمی قادر خواهند بود تحلیل‌های سوگیری را طراحی، پیاده‌سازی و درک کنند که تهدیدات اصلی اعتبار تحقیقات اپیدمیولوژیک را مورد توجه قرار می‌دهد. تحلیلگران باتجربه تر، گردآوری روش های تجزیه و تحلیل سوگیری و پیوندها به ابزارهای نرم افزاری را که پروژه های آنها را تسهیل می کند، ارزش قائل خواهند شد.

تیموتی ال. لش، دانشیار اپیدمیولوژی و متیو پی. فاکس استادیار مرکز برای بهداشت و توسعه بین المللی، هر دو در دانشکده بهداشت عمومی دانشگاه بوستون. Aliza K. Fink مدیر پروژه در Macro International در بتسدا، مریلند است. آنها با هم کارگاه های یک روزه زیادی را در مورد روش های تحلیل سوگیری کمی سازماندهی و ارائه کرده اند. علاوه بر این، آنها در بسیاری از مقالات که روش های تحلیل سوگیری کمی را توسعه داده اند یا از روش ها در تجزیه و تحلیل داده ها استفاده کرده اند، همکاری کرده اند.

This text provides the first-ever compilation of bias analysis methods for use with epidemiologic data. It guides the reader through the planning stages of bias analysis, including the design of validation studies and the collection of validity data from other sources. Three chapters present methods for corrections to address selection bias, uncontrolled confounding, and classification errors. Subsequent chapters extend these methods to multidimensional bias analysis, probabilistic bias analysis, and multiple bias analysis. The text concludes with a chapter on presentation and interpretation of bias analysis results.

Although techniques for bias analysis have been available for decades, these methods are considered difficult to implement. This text not only gathers the methods into one cohesive and organized presentation, it also explains the methods in a consistent fashion and provides customizable spreadsheets to implement the solutions. By downloading the spreadsheets (available at links provided in the text), readers can follow the examples in the text and then modify the spreadsheet to complete their own bias analyses. Readers without experience using quantitative bias analysis will be able to design, implement, and understand bias analyses that address the major threats to the validity of epidemiologic research. More experienced analysts will value the compilation of bias analysis methods and links to software tools that facilitate their projects.

Timothy L. Lash is an Associate Professor of Epidemiology and Matthew P. Fox is an Assistant Professor in the Center for International Health and Development, both at the Boston University School of Public Health. Aliza K. Fink is a Project Manager at Macro International in Bethesda, Maryland. Together they have organized and presented many day-long workshops on the methods of quantitative bias analysis. In addition, they have collaborated on many papers that developed methods of quantitative bias analysis or used the methods in the data analysis.