临床流行病学数据的分析与结果解释.pptVIP

第16讲临床流行病学数据的分析与结果解释 * 控制了年龄后，吸烟与高血压的净OR值为0.952，已知粗OR值为1.066， 二者之差为0.114，提示在粗OR值里年龄混杂的存在。 而且，性别造成的差值（0.272）大于年龄造成的差别（0.114），提示在此研究中性别的混杂作用大于年龄。 问题10的主要结果（二） 问题11及其分析和解释 用Logistic回归估计调整了性别与年龄（分级连续变量）后吸烟与高血压关系的OR值？结果是否提示吸烟为为高血压的独立危险因素？为什么? 问题11的SPSS选项 用Logistic 分析估计同时控制性别和年龄（分级连续变量）后吸烟和高血压净OR值。 问题11的主要结果 同时控制了性别和年龄（分级连续变量）的影响后吸烟与高血压关系的OR值为0.691（95%CI：0.511~0.932），Wald卡方值=5.848，P=0.0160.05。 该结果显示，在本研究中吸烟是高血压独立的保护因素，即吸烟者患高血压的危险低于吸烟者。『注：本研究是一个虚拟的研究，分析结果不反映实际情况。』 小 结 通过对前面11个问题的分析可见，在SPSS16.0软件中，除了使用Crosstabs进行一些简单的分析外，Logistic回归分析可以用于进行绝大多数因果关系流行病学数据分析的内容，如估计暴露对结局的效应（问题4），判定是否存在混杂（问题6），比较不同因素造成的混杂的大小（问题10），估计控制了混杂后的主效应（问题11），进行异质性检验（问题５和7），识别交互作用（问题５和7），分析剂量反应关系（问题9）等。 * * 左上图：在Logistic回归中纳入3个协变量：吸烟、年龄组、吸烟*年龄组（即它们的乘积项）。吸烟*年龄组乘积形成的新变量又叫年龄和性别交互作用项，以检查二者间统计学交互作用（即异质性）。 右下图：在“Categorical”变量中加入年龄组，以将分级变量的年龄组转换成为Categorical Covariates（多分类变量） 问题5的SPSS选项（五） 问题5的主要结果（二） 结果：对吸烟与年龄组的乘积项的显著性检验：Wald卡方值=6.067，自由度=3，P=0.108。 解释：不同年龄组吸烟与高血压的OR不存在统计学显著意义的异质性，说明可以用一个总的OR值来表示吸烟与高血压的关系。 与问题2的一致性检验结果基本一致。两种方法在异质性Ｐ值上差别是由于检验方法的不同的结果。 问题6及其分析和解释 用Logistic回归分析回答问题3： 估计无年龄混杂的比值比 问题3:估计无年龄混杂的M-H总OR值及其95%CI，然后判断吸烟与高血压的粗OR值是否存在年龄因素导致的混杂？为什么？ 问题6的SPSS选项 在Logistic回归中纳入两个协变量：吸烟、年龄组，并用Categorical 菜单将年龄组定义为多分类变量。 控制了年龄组混杂作用的影响后，吸烟与高血压关系的OR值为0.926，95%CI：0.721~1.189。从问题1中可知，粗OR值为1.066，二者有区别，说明年龄在粗比值比估计上有混杂。 与问题3的结果基本一致。 问题6的主要结果 问题7及其分析和解释 用Logistic回归进行更敏感的异质性检验 即检验随着年龄的增加，吸烟与高血压的OR值是否存在下降的趋势？与问题2和5的结果是否相似？为什么? 应如何处理相应的结果？ 问题7的背景介绍 由问题2的Crosstabs及问题5的Logistic回归分析的结果可知：33岁、33-43岁、44-54岁、55+年龄组吸烟和高血压关系的OR值分别为：2.576、1.079、0.915、0.756，随年龄增加呈明显下降趋势。这时，应使用趋势性检验来检查吸烟与血压OR值与年龄的趋势关系（即一种特殊的异质性），以提高异质性检验的灵敏度。 不同于问题5使用的常规异质性检验（年龄组用作分类变量），在趋势检验里，年龄必须是连续或等级变量，可用三种方式表达：连续变量、等级变量、“分级连续变量”。连续变量就是使用每一个人的原始实际年龄；等级变量就是用１、２、３、４分别表达四个年龄组的年龄及其差别的大小；“分级连续变量”为非正式的专用名词，在此指用每组的平均年龄替代该组每一个人的年龄（四个组的平均年龄取值分别为25.1、37.7、48.8和64.8岁），其产生过程见后。 问题7的SPSS选项（一） 将年龄作为连续变量进行异质性检验，即检验吸烟和年龄交互作用项的统计学显著性。 问题7的主要结果（一） 年龄与吸烟交互作用的显著性检验结果为：Wald 检验值＝3.658，df＝1，Ｐ＝0.056，显示其异质性无统计学显著性。 但应注意，该P值与显著性水平（a=0.05）很接近，且OR值95%CI的上限等于1.000，因此不宜轻