Statistiske værktøjer til valid kausal inferens med færre antagelser

Årsagsslutning er vigtig i medicinsk forskning for at hjælpe med at afgøre, om behandlinger er gavnlige, og om naturlige eksponeringer er skadelige. I mange indstillinger, dataindsamling gør kausal slutning vanskelig uden at gøre alt for optimistiske eller idealistiske antagelser. I en ny artikel offentliggjort i Journal of the American Statistical Association , forskere ved Karolinska Institutet udvikler nye statistiske metoder til at muliggøre kausal inferens i nogle sammenhænge uden at gøre sådanne antagelser.

Forfatterne Erin Gabriel, Michael Sachs og Arvid Sjölander ved Institut for Medicinsk Epidemiologi og Biostatistik, beskrive i det nye papir, hvordan disse metoder kan bruges og fortolkes.

Nye værktøjer, der kan anvendes i en række forskellige forskningsmiljøer

Randomiserede forsøg er en type eksperiment, hvor grupper af frivillige bliver tilfældigt tildelt til at få en ny medicin eller ej, og derefter foretages en sammenligning mellem de to tilfældigt tildelte grupper for at vurdere effekten af ​​den randomiserede medicin på overlevelsen, infektion, eller patienternes velbefindende. I modsætning til ny medicin, der er mange ting, der ikke tilfældigt kan tildeles frivillige, såsom rygning og eksponering for asbest, eller det kunne være randomiseret, men er oftest undersøgt i observationsstudier, såsom rødvin og frugtforbrug.

I disse indstillinger, effekten af ​​en eksponering kan være svær at afgøre, fordi andre faktorer kan påvirke både interesseeksponeringen og resultatet. For eksempel, at bo i Sverige er forbundet med lavere dødelighed og højere forbrug af multebær end Ungarn, Så leder efter effekten af ​​multebær på dødeligheden i en gruppe, der omfattede personer fra både Ungarn og Sverige, kan det få en forsker til at tro, at multebær reducerer dødeligheden.

Statistiske metoder udviklet ved hjælp af en ny tilgang

Selvom der er mange værktøjer til at håndtere målte faktorer, såsom bopælsland, for at muliggøre afprøvning og estimering af sådanne virkninger, alle disse metoder kræver, at en forsker er villig til at gætte på alle andre faktorer, de ikke har målt. Det arbejde, der præsenteres her, bruger matematik, logik og statistik for at lette behovet for denne gæt og, i stedet for at give en enkelt værdi af effekten, giver en række mulige effektstørrelser. Selvom nogle forskere har udviklet lignende metoder, metoderne er meget få og er specifikke for typen af ​​data og hvordan dataene er indsamlet. Erin Gabriel og hendes kolleger udvikler nye metoder for at tillade et meget større antal dataindsamlingsstile, hvoraf mange er meget almindelige i Sverige på grund af registrene.

"Disse statistiske metoder, som er nemme at implementere, kan hjælpe i mange indstillinger, hvor kausal inferens er truet af umålt forvirring og/eller selektionsbias, " siger førsteforfatter Erin Gabriel.

Forfatterne håber, at deres værktøjer vil blive brugt af forskere over hele verden til at hjælpe dem med at træffe beslutninger uden at skulle gætte på umålte faktorer i deres data. I deres igangværende og fremtidige arbejde, de har til formål at bygge og beskrive nye statistiske værktøjer, der kan bruges i ufuldkomne kliniske forsøg.