Analýza dat v neurologii
LVIII. Koncept atributivního rizika v analýze populačních studií – V. Hodnocení dopadu preventivních programů

Minulý díl seriálu jsme věnovali otázce optimalizace a hodnocení populačních preventivních programů z hlediska jejich skutečného dopadu do cílové populace. Připomeňme, že se již od dílu č. 54 věnujeme odhadům tzv. populační atributivní frakce (PAF), která vyjadřuje, kolika procentům rizikových událostí nebo onemocnění můžeme zabránit, eliminujeme-li expozici rizikovému faktoru, pro který je hodnota PAF odhadována. Obdobně tzv. populační preventabilní frakce (PPF) se týká vlivu protektivních faktorů a kvantifikuje podíl hypotetické celkové zátěže populace danou nemocí (podíl celkové hypotetické incidence), kterému bylo zabráněno v důsledku působení protektivního faktoru.

Předchozí díl seriálu na příkladu doložil, že samotné kalkulace PAF či PPF nejsou pro relevantní optimalizaci populačních programů dostatečné. Při praktických aplikacích tyto odhady trpí sníženou kvalitou vstupních dat, často odvozených z různých observačních studií. Publikovaná data lze jen s omezenou spolehlivostí vztáhnout na jinou, mnohdy specifickou, cílovou populaci. Teoretické výpočty rovněž nemohou zohlednit řadu rušivých vlivů, koincidenci rizikových či protektivních faktorů a v reálném světě velmi významnou pozaďovou incidenci zkoumané a ovlivňované rizikové události (blíže viz díl 57 tohoto seriálu).

Tyto nedostatky se samozřejmě neprojevují pouze při plánování preventivních programů (intervencí), ale také při hodnocení jejich dopadu do cílové populace. V tomto díle se budeme věnovat několika jednoduchým aspektům, které nelze při hodnocení dopadu preventivních programů v reálném světě opominout. Uvedeme tři modelové vztahy hodnocení dopadu hypotetické populační intervence při existenci jednoho rizikového faktoru a na příkladech vysvětlíme jejich význam pro praktické aplikace.

Připomeňme z dřívějších textů, že např. hodnotu PAF rovnu 70 % kalkulujeme ve vztahu k expozici konkrétním rizikovým faktorem. Interpretujeme ji tak, že pokud se podaří eliminovat vliv tohoto faktoru, můžeme dosáhnout až 70% poklesu v incidenci daného onemocnění. Jde o potenciálně dosažitelný efekt, který předpokládá ideální situaci a nekalkuluje s limity uvažovaného opatření a se specifiky cílové populace. V praxi ale velmi často může nastat situace, kdy

• dostupnost přijatého opatření směřujícího k eliminaci expozice daným rizikovým faktorem není 100%, a ne všechny cílové osoby jsou tedy adekvátně ošetřeny;
• účinnost přijatého opatření není 100%, a tudíž ani u ošetřených osob nemusí dojít k úplné eliminaci vlivu rizikového faktoru a následného výskytu sledovaného onemocnění.

Pod poněkud nejasným výrazem „ošetřené osoby“ si můžeme představit širokou škálu opatření, intervencí, podle typu zvoleného preventivního programu. V případě informační kampaně, osvěty, jde o dostupnost a pochopení informací; u programů založených na diagnostických testech (např. skríningy) může jít o dostupnost těchto vyšetření a o zapojení cílové populace do skríningu, apod.

Praktické hodnocení musí pracovat i s jistou nedokonalostí přijatých opatření, nerovnoměrnou citlivostí osob v cílové populaci anebo se specifiky konkrétní populace, která mohou komplikovat dostupnost opatření pro všechny cílové osoby. Hodnocení preventivních programů v praxi musí tedy být komplexnější a nemělo by stát pouze na samotném odhadu hodnot PAF. Hovoříme o tzv. hodnocení dopadu (impact assessment), které nahrazuje hodnotu PAF odhadem tzv. frakce dopadu (impact fraction, population impact fraction, IF). Hodnocení reálných dopadů různých preventivních opatření na populační úrovni bývá v literatuře označováno jako Health Impact Assessment (HIA).

Výpočet IF můžeme v nejjednodušším případě (pro jedno hodnocené opatření neboli intervenci, I) definovat takto:

IF = (R₁ –  R₂)/ R₁ = PAF × Q_I × ER_I,

kde

R₁ je odhad rizika v celkové cílové populaci před intervencí;

R₂ je odhad rizika v celkové cílové populaci po intervenci;

PAF je odhad populační atributivní frakce pro cílový rizikový faktor;

Q_I je úspěšnost (dostupnost) intervence I (success rate); tedy podíl osob, pro které bude intervence dostupná a ovlivní je;

ER_I je relativní účinnost intervence I (relative efficacy; efficacy rate); jde o relativní podíl vyjadřující, do jaké míry vede daná intervence k redukci rizika až na úroveň rizika u osob bez vlivu rizikového faktoru před intervencí (tedy až na úroveň pozaďového rizika v referenční populaci).

Na rozdíl od ostatních komponent výše uvedeného vztahu je hodnota ER_I výhradním atributem daného opatření neboli intervence. Její výpočet je relativně jednoduchý:

ER_I = (R_E1 –⁠ R_E2)/ (R_E1 –⁠ R₀₁),

kde

R_E1 je odhad rizika u osob exponovaných rizikovým faktorem před intervencí;

R_E2 je odhad rizika u osob exponovaných rizikovým faktorem po intervenci;

R₀₁ je odhad rizika u osob neexponovaných rizikovým faktorem před intervencí (referenční populace, pozadí);

rozdíl R_E1 –⁠ R_E2 vyjadřuje redukci rizika v důsledku dané intervence;

rozdíl R_E1 –⁠ R₀₁ vyjadřuje rozdíl rizika u exponované a referenční skupiny před intervencí.

Je patrné, že pokud daná intervence sníží hodnotu rizika (eliminuje vliv rizikového faktoru) až na pozaďovou (referenční) úroveň (R₀₁), dosahuje ER_I hodnoty 1. Je-li účinek intervence nižší, je ER_I < 1 a jako násobitel snižuje ve výše uvedeném vztahu hodnotu faktoru dopadu (IF).

Na závěr této matematické části výkladu pouze spojíme tři vztahy vzájemným dosazením. Konkrétně do vztahu pro výpočet IF uvedeného výše dosadíme odvozený vztah pro ER_I a dále vztah pro PAF vysvětlený v díle 53 a 54 seriálu. Dostáváme vztah:

IF = [P_E × Q_I × RR_E × (1 –⁠ RR_I)]/ [1 + P_E × (RR_E  –⁠ 1)],

kde

P_E je odhad prevalence rizikového faktoru;

RR_E je odhad relativního rizika vyjadřujícího vztah rizikového faktoru k dané rizikové události (nemoci); jelikož zde hodnotíme rizikový faktor, pak je hodnota RR_E > 1;

RR_I je odhad relativního rizika vyjadřujícího efekt intervence I mezi jedinci exponovanými daným rizikovým faktorem, RR_I < 1.

Tuto poslední rovnici jsme uvedli zejména proto, abychom pro tento nejjednodušší případ zdůraznili, že předpokládá nezávislost rizika souvisejícího s expozicí rizikovým faktorem (vliv expozice faktorem je vyjádřen jako RR_E), vlivu intervence (RR_I) a dále účasti osob na intervenci nebo její dostupnosti (Q_I). Předpoklad vzájemné nezávislosti těchto skutečností a vlivů nemusí v praxi vždy platit. Například osoby postižené rizikovým faktorem (abúzus alkoholu, gamblerství atd.) mohou být hůře dostupné pro preventivní kampaň a mohou na ni nedostatečně reagovat. Mezi efektem intervence a expozicí rizikovým faktorem tak může vzniknout negativní interakce; čím více je osoba postižená expozicí rizikovým faktorem, tím menší účinnost může mít aplikovaná intervence. Tyto skutečnosti by se samozřejmě nutně promítly do výše uvedených vztahů a poměry rizik RR_I a RR_E by nebylo možné pouze jednoduše vzájemně násobit.

Z posledního uvedeného vztahu je také dobře patrný vliv účinnosti intervence. Čím je intervence účin­nější, tím více redukuje riziko spojené s expozicí rizikovým faktorem a tím je hodnota RR_I menší než 1. S klesající hodnotou RR_I roste konečná hodnota IF. Představme si naopak extrémní příklad zcela neúčin­né intervence, jejíž hodnota RR_I je tedy rovna 1 (intervence nijak nesnižuje riziko u skupiny exponovaných osob). V takovém případě je konečná hodnota IF rovna nule, neboť za této situace nijak nesnižujeme incidenční zátěž cílové populace.

Doufáme, že jsme výkladem matematických vztahů čtenáře neodradili od dalšího studia. Výklad jsme se pokusili oživit příklady 1 –⁠ 5, které praktický význam uvedených vztahů číselně vysvětlují. Znalost uvedených výpočtů je nespornou výhodou, zejména pokud nemáme o plánovaném preventivním programu dostatečně přesná data. Za těchto okolností můžeme výše uvedené postupy využít k simulačním výpočtům a pro dané preventivní opatření připravit více variant očekávaných hodnot IF. Například lze takto ověřovat různé scénáře pracující s optimální nebo suboptimální účinností metody, konzervativní nebo naopak optimistické scénáře dostupnosti a přijetí intervence v cílové populaci apod. Můžeme tak získat odhad nejhoršího možného výsledku či nejlepšího dosažitelného výsledku a tyto odhady vztáhnout k jednotkovým finančním nákladům. Tyto simulace a grafické zobrazení závislosti hodnoty IF

doc. RNDr. Ladislav Dušek, Ph.D.

Institut biostatistiky a analýz

MU, Brno

email: dusek@iba.muni.cz