College Etiologie
Etiologie bestaat uit aitia (oorzaak) en logia (studie), het is de studie van de oorzaken van ziekten.
Als er een bepaalde factor geïdentificeerd is en ook een bepaalde oorzaak kan zijn van een bepaalde
ziekte kan dit bestudeerd worden via:
• Experimenteel
o Randomized controlled trial (RR, AR, APE, APT, OR)
▪ Roken kan bijvoorbeeld niet zo bestudeerd worden.
• Niet-experimenteel
o Populatie
▪ Ecologische studie (..RR?)
o Individueel
▪ Case report/series (geen mate van associatie)
▪ Cross-sectionele studie (OR)
• Dit wordt doorgaans in diagnostische studies toegepast. Je kunt op
één tijdstip alles meten.
▪ Case-control studie (OR)
▪ Cohort studie (RR, AR, APE, APT, OR)
• Prospectief
• Retrospectief
Niet alle onderzoeken kunnen experimenteel worden bestudeerd omdat je het niet kan verantwoorden
(ethische bezwaren).
Een basispopulatie moet voldoen aan:
• Representatief (gelijkend aan de mensen die je wil helpen): ‘population at risk’
• Meestal een grote populatie (grootte van de studie bepaalt de precisie van de studie)
o Een grote studie hoeft echter niets te zeggen over de validiteit van de studie.
In de kliniek kijk je vaak naar continue variabelen. Dit
geeft meer informatie dan ja/nee. Determinanten kunnen
verschillende waardes aannemen en dit moet je
meenemen in de evaluatie (bijvoorbeeld een persoon
heeft eerst hypercholesteromie en 2 jaar later niet).
Wat bepaalt de follow-up tijd van een studie?
• Er moet voldoende tijd zitten tussen determinant en gevolg.
Cumulatieve incidentie
De incidentie kun je berekenen door: aantal nieuwe gevallen in een populatie over een bepaalde
tijd/populatie dus I1 = a/a+b = 1.721/40.125/10 jaar.
De mensen die niet blootgesteld zijn I0 = c/c+d = 1.477/59.875/10 jaar.
Dit kun je ook uitdrukken gevallen per 100.000/jaar zodat alles in dezelfde eenheid wordt gezet
bijvoorbeeld 1.721/10 * 100.000/40.125 = 429/100.000/jaar.
1
, 1721 * 10 = 000 / jaar
Associatiematen
Hoe sterk is de associatie tussen onze twee verbanden?
Relatieve risico (RR)
Je gaat de incidenties vergelijken, dus de relatieve risico (RR).
I1/I0 = (429/100.000/jaar)/(247/100.000/jaar) = 1.74
• 0 < RR <1: determinant is een ‘beschermende factor’
• RR = 1: determinant heeft geen effect
• RR > 1: determinant is een ‘risicofactor’
De mensen met hypercholesteromie hebben dus 1.74 keer zoveel kans op een myocardinfarct in
vergelijking met mensen die de blootstelling niet hebben.
Risico verschil (RD)
Een andere maat van associatie is als we willen weten, welk gedeelte van risico die blootgesteld zijn is
daadwerkelijk toe te schrijven aan de blootstelling? Deze mensen kunnen bijvoorbeeld roken, diabeet
zijn waardoor deze factoren kunnen bijdragen aan het myocardinfarct.
Dit kun je door het risico verschil te berekenen dus:
• RD = I1 – I0 = (429/100.000/jaar) – (247/100.000/jaar) = 182/100.000/jaar.
Attributieve proportie onder blootgestelden (APE)
Dus van de mensen met hypercholesteromie zijn 182 van de 429 gevallen van myocard (per 100.000
jaar per jaar) zijn door hypercholesteromie. Dit kunnen we ook uitdrukken in percentages (niet als
incidentie).
Dit is de attributieve proportie onder de blootgestelden (APE, EF (etiologische fractie)) dus:
• AP (I1 – I0)/I1 = ((429/100.000/jaar) – (247/100.000/jaar))/(429/100.000/jaar) = 42%.
Onder de mensen met hypercholesteromie zijn 42% van de gevallen van myocard infarct door
hypercholesteromie.
Attributieve proportie in de totale populatie (APT)
Een laatste maat van associatie is de maat die samenhangt met de vraag welke percentage van risico op
myocardinfarct in de totale populatie kan toegeschreven worden aan hypercholesteromie. Dit kan
bijvoorbeeld gesteld worden door de Minister van Volksgezondheid.
Dit is de attributieve proportie in de totale populatie (APT) dus:
2
, • APT = (IT – I0)/IT = ((320/100.000/jaar) – (247/100.000/jaar)/(320/100.000/jaar)) = 23%.
Hoe kunnen we nou weten dat de determinant de ziekte veroorzaakt en niet andersom is, hoe verloopt
de causaliteit?
Klinische epidemiologie
Het gaat over patiënten. Je bent geïnteresseerd in prognose, bijvoorbeeld de overleving in 10 jaar. Als
je een bepaalde genetische variant meet die iets zegt over de prognose. Doet het er toe aan doet dat het
causaal gerelateerd is aan de uitkomst? Eigenlijk niet.
Er kunnen misschien meerdere genetische varianten zijn die samen overgeërfd worden en de andere
genetische variant kan daadwerkelijk de causale factor zijn. Bijvoorbeeld roken en een aansteker, een
aansteker is niet causaal gerelateerd maar wel predictief.
Causaliteit
David Hume
David Hume concludeerde dat causale relaties niet te onderscheiden zijn van niet-causale relaties. In
causaliteit zelf is er niks meetbaar waardoor je kunt vaststellen dat de factor a de ziekte veroorzaakt en
niet factor b.
• Causaliteit kan niet gemeten worden en niet vastgesteld kan worden.
• Herhaaldelijke optreden van oorzaak en gevolg is geen bewijs hebben van een causale relatie.
Het enige wat we kunnen doen is het geloof hebben voor een causale relatie.
Bias
Om causaliteit te evalueren, kunnen we vertekeningen (bias) uitsluiten in onderzoek:
• Confounding: samenstelling van verschillende effecten, namelijk determinant die je
bestudeert en de confounding factor. Dit kan verstoring oplopen, de associatiematen kunnen
vertekend zijn (bijvoorbeeld mensen die koffie drinken en myocardinfarct, het blijkt dat
mensen die koffie drinken vaker roken en we weten dat roken een oorzaak is van
myocardinfarct. Stel RR van koffie en myocardinfarct = 1, dan zou nu de RR vertekend zijn,
namelijk hoger). Dit kan gecorrigeerd worden in statistische analyse.
o Het is een onafhankelijk factor voor de ziekte.
o Het is geassocieerd met de determinant die we bestuderen.
o Het is geen intermediair tussen determinant en uitkomst.
• Selection bias (bijv. rokende mensen die over het algemeen liever niet meedoen aan
onderzoek)
• Information bias (je kunt dit het beste meten in plaats van vragen aan mensen)
Voor bepaalde onderzoeken zijn vertekeningen groter dan anderen. Bij een experimenteel onderzoek is
dit hopelijk 0 omdat we mensen randomiseren. Hierdoor is de kans gelijk dat je of in de ene of in
andere groep terechtkomt. Confouding is iets typisch bij observationele studies en niet aanwezig bij
RCT’s.
3
, Bradford Hill
Er zijn een aantal considerations die je het geloof van causaliteit kan geven:
1. Temporale relatie (eerst A dan B)
2. Sterkte van associatie
3. Dosis-Respons relatie (hoe meer, hoe groter de kans op risico)
4. Consistentie van associatie (bepaalde vraagstelling die steeds vaker onderzocht wordt, en je
krijgt steeds dezelfde uitkomst)
5. Plausibiliteit van associatie (zijn de resultaten overeenkomend met de huidige geaccepteerde
begrip van biologische processen)
6. Analogie (andere causale mechanismen bekend?)
7. Experiment (minder vertekening)
8. Specificiteit (hoe specifieker een causaliteit, hoe meer we erin geloven)
9. Coherentie (is de bevinding die ik doe, komt dat overeen met het laboratorium)
Rothman
Een enkele risicofactor die je bestudeert heeft zelden of nooit het effect van optreden van een ziekte.
Een ziekte is een multicausaal gebeuren. Bijvoorbeeld roken en longkanker.
Voor bijna alle ziekten zijn er verschillende mechanismen:
1. Sufficient cause: (combinatie) van factor(en) die altijd leiden tot het gebeuren van een ziekte
(causale mechanisme)
2. Component cause: factor die bijdraagt tot het gebeuren van een ziekte, maar is niet genoeg om
op zichzelf te veroorzaken.
3. Necessary cause: factor dat conditioneel is voor het gebeuren van een ziekte.
4
Etiologie bestaat uit aitia (oorzaak) en logia (studie), het is de studie van de oorzaken van ziekten.
Als er een bepaalde factor geïdentificeerd is en ook een bepaalde oorzaak kan zijn van een bepaalde
ziekte kan dit bestudeerd worden via:
• Experimenteel
o Randomized controlled trial (RR, AR, APE, APT, OR)
▪ Roken kan bijvoorbeeld niet zo bestudeerd worden.
• Niet-experimenteel
o Populatie
▪ Ecologische studie (..RR?)
o Individueel
▪ Case report/series (geen mate van associatie)
▪ Cross-sectionele studie (OR)
• Dit wordt doorgaans in diagnostische studies toegepast. Je kunt op
één tijdstip alles meten.
▪ Case-control studie (OR)
▪ Cohort studie (RR, AR, APE, APT, OR)
• Prospectief
• Retrospectief
Niet alle onderzoeken kunnen experimenteel worden bestudeerd omdat je het niet kan verantwoorden
(ethische bezwaren).
Een basispopulatie moet voldoen aan:
• Representatief (gelijkend aan de mensen die je wil helpen): ‘population at risk’
• Meestal een grote populatie (grootte van de studie bepaalt de precisie van de studie)
o Een grote studie hoeft echter niets te zeggen over de validiteit van de studie.
In de kliniek kijk je vaak naar continue variabelen. Dit
geeft meer informatie dan ja/nee. Determinanten kunnen
verschillende waardes aannemen en dit moet je
meenemen in de evaluatie (bijvoorbeeld een persoon
heeft eerst hypercholesteromie en 2 jaar later niet).
Wat bepaalt de follow-up tijd van een studie?
• Er moet voldoende tijd zitten tussen determinant en gevolg.
Cumulatieve incidentie
De incidentie kun je berekenen door: aantal nieuwe gevallen in een populatie over een bepaalde
tijd/populatie dus I1 = a/a+b = 1.721/40.125/10 jaar.
De mensen die niet blootgesteld zijn I0 = c/c+d = 1.477/59.875/10 jaar.
Dit kun je ook uitdrukken gevallen per 100.000/jaar zodat alles in dezelfde eenheid wordt gezet
bijvoorbeeld 1.721/10 * 100.000/40.125 = 429/100.000/jaar.
1
, 1721 * 10 = 000 / jaar
Associatiematen
Hoe sterk is de associatie tussen onze twee verbanden?
Relatieve risico (RR)
Je gaat de incidenties vergelijken, dus de relatieve risico (RR).
I1/I0 = (429/100.000/jaar)/(247/100.000/jaar) = 1.74
• 0 < RR <1: determinant is een ‘beschermende factor’
• RR = 1: determinant heeft geen effect
• RR > 1: determinant is een ‘risicofactor’
De mensen met hypercholesteromie hebben dus 1.74 keer zoveel kans op een myocardinfarct in
vergelijking met mensen die de blootstelling niet hebben.
Risico verschil (RD)
Een andere maat van associatie is als we willen weten, welk gedeelte van risico die blootgesteld zijn is
daadwerkelijk toe te schrijven aan de blootstelling? Deze mensen kunnen bijvoorbeeld roken, diabeet
zijn waardoor deze factoren kunnen bijdragen aan het myocardinfarct.
Dit kun je door het risico verschil te berekenen dus:
• RD = I1 – I0 = (429/100.000/jaar) – (247/100.000/jaar) = 182/100.000/jaar.
Attributieve proportie onder blootgestelden (APE)
Dus van de mensen met hypercholesteromie zijn 182 van de 429 gevallen van myocard (per 100.000
jaar per jaar) zijn door hypercholesteromie. Dit kunnen we ook uitdrukken in percentages (niet als
incidentie).
Dit is de attributieve proportie onder de blootgestelden (APE, EF (etiologische fractie)) dus:
• AP (I1 – I0)/I1 = ((429/100.000/jaar) – (247/100.000/jaar))/(429/100.000/jaar) = 42%.
Onder de mensen met hypercholesteromie zijn 42% van de gevallen van myocard infarct door
hypercholesteromie.
Attributieve proportie in de totale populatie (APT)
Een laatste maat van associatie is de maat die samenhangt met de vraag welke percentage van risico op
myocardinfarct in de totale populatie kan toegeschreven worden aan hypercholesteromie. Dit kan
bijvoorbeeld gesteld worden door de Minister van Volksgezondheid.
Dit is de attributieve proportie in de totale populatie (APT) dus:
2
, • APT = (IT – I0)/IT = ((320/100.000/jaar) – (247/100.000/jaar)/(320/100.000/jaar)) = 23%.
Hoe kunnen we nou weten dat de determinant de ziekte veroorzaakt en niet andersom is, hoe verloopt
de causaliteit?
Klinische epidemiologie
Het gaat over patiënten. Je bent geïnteresseerd in prognose, bijvoorbeeld de overleving in 10 jaar. Als
je een bepaalde genetische variant meet die iets zegt over de prognose. Doet het er toe aan doet dat het
causaal gerelateerd is aan de uitkomst? Eigenlijk niet.
Er kunnen misschien meerdere genetische varianten zijn die samen overgeërfd worden en de andere
genetische variant kan daadwerkelijk de causale factor zijn. Bijvoorbeeld roken en een aansteker, een
aansteker is niet causaal gerelateerd maar wel predictief.
Causaliteit
David Hume
David Hume concludeerde dat causale relaties niet te onderscheiden zijn van niet-causale relaties. In
causaliteit zelf is er niks meetbaar waardoor je kunt vaststellen dat de factor a de ziekte veroorzaakt en
niet factor b.
• Causaliteit kan niet gemeten worden en niet vastgesteld kan worden.
• Herhaaldelijke optreden van oorzaak en gevolg is geen bewijs hebben van een causale relatie.
Het enige wat we kunnen doen is het geloof hebben voor een causale relatie.
Bias
Om causaliteit te evalueren, kunnen we vertekeningen (bias) uitsluiten in onderzoek:
• Confounding: samenstelling van verschillende effecten, namelijk determinant die je
bestudeert en de confounding factor. Dit kan verstoring oplopen, de associatiematen kunnen
vertekend zijn (bijvoorbeeld mensen die koffie drinken en myocardinfarct, het blijkt dat
mensen die koffie drinken vaker roken en we weten dat roken een oorzaak is van
myocardinfarct. Stel RR van koffie en myocardinfarct = 1, dan zou nu de RR vertekend zijn,
namelijk hoger). Dit kan gecorrigeerd worden in statistische analyse.
o Het is een onafhankelijk factor voor de ziekte.
o Het is geassocieerd met de determinant die we bestuderen.
o Het is geen intermediair tussen determinant en uitkomst.
• Selection bias (bijv. rokende mensen die over het algemeen liever niet meedoen aan
onderzoek)
• Information bias (je kunt dit het beste meten in plaats van vragen aan mensen)
Voor bepaalde onderzoeken zijn vertekeningen groter dan anderen. Bij een experimenteel onderzoek is
dit hopelijk 0 omdat we mensen randomiseren. Hierdoor is de kans gelijk dat je of in de ene of in
andere groep terechtkomt. Confouding is iets typisch bij observationele studies en niet aanwezig bij
RCT’s.
3
, Bradford Hill
Er zijn een aantal considerations die je het geloof van causaliteit kan geven:
1. Temporale relatie (eerst A dan B)
2. Sterkte van associatie
3. Dosis-Respons relatie (hoe meer, hoe groter de kans op risico)
4. Consistentie van associatie (bepaalde vraagstelling die steeds vaker onderzocht wordt, en je
krijgt steeds dezelfde uitkomst)
5. Plausibiliteit van associatie (zijn de resultaten overeenkomend met de huidige geaccepteerde
begrip van biologische processen)
6. Analogie (andere causale mechanismen bekend?)
7. Experiment (minder vertekening)
8. Specificiteit (hoe specifieker een causaliteit, hoe meer we erin geloven)
9. Coherentie (is de bevinding die ik doe, komt dat overeen met het laboratorium)
Rothman
Een enkele risicofactor die je bestudeert heeft zelden of nooit het effect van optreden van een ziekte.
Een ziekte is een multicausaal gebeuren. Bijvoorbeeld roken en longkanker.
Voor bijna alle ziekten zijn er verschillende mechanismen:
1. Sufficient cause: (combinatie) van factor(en) die altijd leiden tot het gebeuren van een ziekte
(causale mechanisme)
2. Component cause: factor die bijdraagt tot het gebeuren van een ziekte, maar is niet genoeg om
op zichzelf te veroorzaken.
3. Necessary cause: factor dat conditioneel is voor het gebeuren van een ziekte.
4
