اگرچه نتایج یک پژوهش یا مطالعه اپیدمیولوژیک ممکن است منعکس کننده تأثیر واقعی یک (یا چند) مواجهه بر بروز یا رخداد پیامد یا پیامدهای مورد بررسی باشد، اما همیشه باید در نظر داشت که یافتهها یا پیامدها در واقع ممکن است ناشی از یک تاثیر نادیده گرفته شده باشند. در مطالعات و پژوهشهای اپیدمیولوژیک، یکی از اساسیترین چالشها درستی و اعتبار نتایج است. دو عامل مهم که میتوانند این اعتبار را تهدید کنند، بایاس (Bias) و کانفاندینگ (Confounding) هستند. درک تفاوت میان این دو، پایهی تفسیر درست نتایج هر مطالعه یا پژوهش است. اِپیران قصد دارد در این پست به صورت بسیار کوتاه تفاوت و اهمیت این دو عامل مهم را به شما علاقمندان حوزه اپیدمیولوژی و پژوهش توضیح دهد.
Bias چیست؟
Bias یا سوگیری به معنای انحراف سیستماتیک از واقعیت است، یعنی اشتباهی که باعث میشود نتیجهی مطالعه بهطور مداوم از مقدار واقعی فاصله داشته باشد. سوگیری را میتوان به عنوان هرگونه خطای سیستماتیک در یک مطالعه اپیدمیولوژیک تعریف کرد که منجر به تخمین نادرست از تأثیر واقعی یک مواجهه بر پیامد مورد نظر میشود. Bias معمولاً به دلیل خطا در مرحله طراحی، گردآوری یا تحلیل دادهها بهوجود میآید و نه بر اثر «شانس».
دو نوع عمده از Bias وجود دارد:
-
بایاس انتخاب (Selection Bias):
زمانی رخ میدهد که افراد انتخابشده برای مطالعه، نمایندهی واقعی جمعیت هدف نباشند.
مثلا اگر در یک مطالعهی اثر سیگار بر سرطان ریه، افراد غیرسیگاری سالم بیشتر تمایل به شرکت داشته باشند، نتایج دچار انحراف میشود. -
بایاس اطلاعاتی (Information Bias):
زمانی رخ میدهد که دادههای مربوط به مواجهه یا پیامد بهطور نادرست جمعآوری شوند.
مثلا وقتی افراد مبتلا به بیماری خاص، گذشتهی خود را دقیقتر از افراد سالم به یاد میآورند (یادآوری گزینشی).
Confounding چیست؟
کانفاندینگ (Confounding) یا مخدوش کننده زمانی اتفاق میافتد که رابطهی مشاهدهشده بین مواجهه و پیامد، در واقع ناشی از یک عامل سوم باشد که هم با «مواجهه» و هم با «پیامد» مرتبط است. متغیر مداخله گر یک متغیر سوم غیر قابل اندازه گیری است که با پیشنهاد وجود یک همبستگی کاذب، بر رابطه بین یک متغیر مستقل و یک متغیر وابسته تأثیر می گذارد، یا به اصطلاح آن را «به هم می زند». پس هنگامی که یک متغیر خارجی به درستی کنترل نشده باشد و با متغیر وابسته (یعنی نتایج) تداخل داشته باشد، به آن متغیر مخدوش کننده (confounding) می گویند.
برای مثال:
در مطالعهای که ارتباط بین مصرف قهوه و بروز بیماری قلبی را بررسی میکند، ممکن است مشاهده شود که «نوشیدن قهوه» با افزایش خطر بیماری قلبی همراه است.
اما اگر بررسی کنیم، میبینیم افرادی که قهوه زیاد مینوشند، بیشتر سیگار میکشند — و سیگار کشیدن علت واقعی بیماری قلبی است.
در اینجا «سیگار» یک عامل مخدوش کننده است که رابطهی کاذب بین قهوه و بیماری قلبی ایجاد کرده است.
تفاوت کلیدی Bias و Confounding:
| ویژگی | Bias | Confounding |
|---|---|---|
| ماهیت | خطای سیستماتیک در طراحی یا اندازهگیری | اثر واقعیِ یک متغیر سوم بر رابطهی مورد بررسی |
| جهت اثر | غیرقابل پیشبینی – ممکن است رابطه را قویتر یا ضعیفتر نشان دهد | معمولاً باعث ایجاد یا پنهان کردن رابطهی کاذب میشود |
| امکان کنترل | با طراحی دقیق مطالعه (نمونهگیری صحیح، کورسازی) | با روشهای آماری (طبقهبندی، رگرسیون، تطابق) قابل کنترل است |
سخن پایانی:
درک درست Bias و Confounding برای هر اپیدمیولوژیستی ضروری است. بایاس / Bias مانند خطای ذاتی در ابزار اندازهگیری است، در حالی که Confounding مانند متغیر پنهانی است که تفسیر رابطهها را دشوار میسازد. تشخیص و کنترل این دو، پایهی اعتبار و اعتمادپذیری در نتایج اپیدمیولوژیک است. در این مطلب کوتاه سعی شد نگاه مختصری به اهمیت و تاثیر این دو عامل مهم در پژوهش شود. این مباحث هر کدام خود گستردگی زیادی دارند که به صورت مفصل باید مطالعه شود. اِپیران به شما توصیه می کند برای درک و فهم درست و کامل این موضوع به رفرنس های معتبر در حوزه اپیدمیولوزی رجوع شود. ما سعی کردیم این چکیده را از فصل های ۴ و ۵ کتاب معروف Epidemiology: Beyond the Basics برای شما همراهان عزیز وب سایت Epiran تهیه و ارائه کنیم. قطعا با رجوع بع این کتاب جامع و معتر و مطالعه فصل ۴ برای موضوع Bias و فصل ۵ برای موضوع Confounding ، شما به درک و فهم بهتری از این موضوع خواهید رسید.
Source: Epidemiology: Beyond the Basics, Fourth Edition
Chapter 4: Understanding Lack of Validity: Bias
Chapter 5: Identifying Noncausal Associations: Confounding
