Epidemiologic Perspectives & Innovations, 2006; 3: 10-10 (más artículos en esta revista)

Comparación de los diferentes métodos en el análisis a corto plazo efectos de la contaminación atmosférica en un estudio de cohortes de individuos susceptibles

BioMed Central
Annette Peters (peters@gsf.de) [1], Stephanie Von Klot (klot@gsf.de) [1], Niklas Berglind (niklas.berglind @ imm.ki.se) [2], Allmut Hörmann (hoermann @ GSF . de) [4], Hannelore Löwel (hannelore.loewel @ gsf.de) [1], Fredrik Nyberg (Fredrik.Nyberg @ imm.ki.se) [2], Juha Pekkanen (Juha.Pekkanen @ ktl.fi) [6], Carlo Perucci A (dir@asplazio.it) [7], Massimo Stafoggia (stafoggia.PPTTDEP.ASPmail @ asplazio.it) [7], Jordi Sunyer (jsunyer@imim.es) [8], Pekka Tiittanen (pekka.tiittanen @ ktl.fi) [6], Francesco Forastiere (epiamb1@asplazio.it) [7]
[1] GSF-Centro Nacional de Investigación del Medio Ambiente y la Salud, Instituto de Epidemiología, Neuherberg, Alemania
[2] Instituto de Medicina Ambiental, Karolinska Institutet, Suecia
[3] Dept of Occupational and Environmental Health, Consejo del Condado de Estocolmo, Suecia
[4] GSF-Centro Nacional de Investigación del Medio Ambiente y la Salud, Instituto de Economía de la Salud y Gestión, Neuherberg, Alemania
[5] AstraZeneca R & D, Mölndal, Suecia
[6] Unidad de Epidemiología Ambiental, KTL - Instituto Nacional de Salud Pública, Kuopio, Finlandia
[7] Departamento de Epidemiología, Roma E Autoridad Sanitaria, Roma, Italia
[8] IMIM, Barcelona, España

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License (http://creativecommons.org/licenses/by/2.0], que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que la obra original es debidamente citados.

Resumen
Fondo

Las fluctuaciones a corto plazo de la contaminación atmosférica se han asociado con la exacerbación de las enfermedades cardiovasculares. A multi-ciudad estudio fue diseñado para evaluar la probabilidad de hospitalización recurrente en una cohorte de infarto de miocardio incidente supervivientes en cinco ciudades europeas. El objetivo de este trabajo es discutir los métodos para el análisis a corto plazo los efectos sobre la salud en un estudio de cohortes basado en una serie de casos.

Métodos

Tres métodos se consideraron para el análisis de la cohorte de datos: regresión de Poisson, de casos cruzados análisis y ampliado los análisis de regresión de Cox. El principal problema de estos análisis se tienen debidamente en cuenta los cambios en la cohorte con el tiempo debido a cambios en los riesgos subyacentes tras un infarto de miocardio, la lentitud de la evolución temporal de los factores de riesgo dentro de la población, tamaño de la cohorte dinámica y variación estacional.

Resultados

Análisis de regresión de Poisson, de casos cruzados y los análisis de regresión de Cox ampliada análisis dieron resultados similares. Aplicación de métodos de suavizado mostró la capacidad adecuada para el complejo modelo de evolución temporal.

Conclusión

Desde un punto de vista práctico, análisis de regresión de Poisson son menos tiempo, con lo que podría ser utilizado para la selección de confusión y la mayoría de los análisis. Sin embargo, la replicación de los resultados con modelos de Cox es deseable para asegurar que los resultados son independientes del método analítico utilizado. Además, dirigió los análisis de regresión de Cox permitiría una estimación de largo plazo ya corto plazo los efectos sobre la salud de variables en el tiempo de exposición.

Fondo

La contaminación atmosférica se ha asociado con un aumento en la morbilidad aguda y la mortalidad [1]. Los pacientes con enfermedades crónicas subyacentes, como por ejemplo la diabetes, la cardiopatía isquémica o insuficiencia cardíaca puede estar en riesgo particular para los efectos de la contaminación atmosférica. Series de casos incidentes pueden ser seguidos a través del tiempo para evaluar el impacto de corto plazo de fluctuaciones en la enfermedad recurrente, la exacerbación. Estos estudios se apartan de los clásicos de cohortes, así como series cronológicas de los diseños. El principal reto de estadística en estos estudios es el control de cambios dentro de la cohorte en el tiempo debido a cambios en las siguientes riesgo de enfermedades creación, la lentitud de la evolución temporal de los factores de riesgo dentro de la población, el tamaño de la cohorte dinámica y variación estacional. El impacto de tiempo es especialmente importante cuando los efectos de la contaminación del aire se consideran, porque las concentraciones de contaminantes atmosféricos varían por temporada y medias anuales de contaminantes debido al cambio de clima, la contaminación del aire y las medidas de control de cambios en las fuentes.

Con el fin de evaluar el impacto de la contaminación atmosférica en los pacientes con pre-existentes enfermedades, hospitalización anterior podrían utilizarse para definir un subgrupo potencialmente sensibles [2 - 4]. Análisis de regresión de Poisson y de casos cruzados análisis se han utilizado para estimar el impacto de las variaciones diarias en promedio las concentraciones de contaminación del aire en el riesgo de muerte previamente hospitalizados en subgrupos de la población [5 - 8].

A multi-ciudad estudio fue diseñado para el seguimiento de cohortes de infarto de miocardio (MI) supervivientes en cinco ciudades europeas: Augsburgo, Barcelona, Helsinki, Roma y Estocolmo (HEAPSS-Estudio). Para la entrada en la cohorte, incidente primera infarto de miocardio casos fueron tomados en consideración. Los resultados considerados fueron re-infartos y otras re-hospitalización o muerte. La contaminación atmosférica se caracterizó basadas en los actuales redes de monitoreo del aire. Además, la condensación de contadores de partículas se crearon en cada lugar para medir el ambiente varias concentraciones de partículas (PNC) y a posteriori PNC estimación para todo el período de estudio en cada lugar.

En este artículo se describe y compara los diferentes enfoques estadísticos para el análisis a corto plazo la contaminación del aire los efectos sobre la salud en una cohorte con la contratación en curso durante el seguimiento. Tres diferentes métodos para analizar los datos de cohortes se consideraron: (a) análisis de regresión de Poisson en el calendario de eje temporal, (b) de casos cruzados análisis y (c) amplió análisis de regresión de Cox. A modo de ejemplo el análisis de la asociación entre el NO 2 y cualquier cardíaca MI readmisión de los supervivientes se presentan.

Métodos
Recopilación de datos

Incidente infarto de miocardio supervivientes fueron reclutados en cinco ciudades europeas (Augsburgo, Barcelona, Helsinki, Roma y Estocolmo) durante 1992 a 2000, como se ha descrito en otra parte [9]. En resumen, las fuentes de datos fueron AMI Registros en Augsburgo y Barcelona, las bases de datos administrativas de los ingresos hospitalarios en Helsinki, Roma y Estocolmo. La inscripción se limitaba a los residentes de las ciudades más arriba, de edad de 35 años o más (35-74 en Augsburgo, 35-79 en Barcelona) que tuvo su primer IAM (índice AMI) durante el período de contratación. Con posterioridad primera cardíaca re-hospitalizaciones cohorte de miembros dentro del área de estudio se registraron desde el día 29 después de que el índice de AMI, hasta el final de cada periodo de seguimiento definido por muerte, la migración fuera del área de estudio, o centro específico final del estudio. La readmisión de interés fueron aquellos con diagnóstico primario de re-infartos (ICD-9: 410; ICD-10: i21, I22), angina de pecho aguda (CIE-9: 411, 413; ICD-10: I20-I22, i24, I25), dysrhythmia (ICD-9: 427; i46.0, I46.9, i47-i49, r00.1, r00.8) y la insuficiencia cardiaca (CIE-9: 428; ICD-10: i50). El estado vital y el lugar de residencia al final del período de seguimiento se determinó para todos los miembros de cohortes.

Los análisis estadísticos

En el estudio, MI sobrevivientes entraron en la cohorte durante un período prolongado. Una vez que la cohorte fue completa por lo menos un año de seguimiento sin la contratación se añadió. Como consecuencia de las siguientes cuestiones a considerar en el análisis estadísticos: (a) el número de sujetos en situación de riesgo aumenta con el período de contratación, (b) el riesgo de la cohorte de un caso recurrente en el calendario-el tiempo varía según el eje en la proporción de los últimos supervivientes de MI en toda la cohorte. En la siguiente nos remitimos al calendario momento en que el número de fechas durante el seguimiento de cohortes y de momento en el que el número de personas-tiempo seguido.

Análisis de regresión de Poisson

Los estudios epidemiológicos de la contaminación atmosférica de investigación han desarrollado utilizando técnicas de análisis de regresión de Poisson en el calendario de eje temporal [10]. En un análisis de series temporales que cuenta el diario de los acontecimientos se retrocedido en el diario variables de predicción, como tendencia, temporada, el clima y la contaminación del aire. Este diseño supone que los eventos son independientes y que la tasa de eventos se cambia lentamente con el paso del tiempo. La tasa de eventos λ t en el momento t punto se basa en lo siguiente

ln t) = α + Σ β i x que

Con λ y t = t / N t es el número de casos observados y en el tiempo t dividido por el número de sujetos en situación de riesgo N en el tiempo t. El modelo puede ser reescrito como

ln (y t) = ln (N t) + α + Σ β i x que

Con el tiempo la serie de análisis a veces se supone que las población en riesgo no cambia, y, por tanto, la población en situación de riesgo no es el modelo explícitamente en el análisis de regresión. Sin embargo, cuando se aplica a una cohorte el número de sujetos en situación de riesgo puede ser modelada explícitamente, tal como figura en la ecuación anterior. En la cohorte establecimiento, al analizar los datos que figuran en el calendario eje temporal, la tendencia capta tres diferentes razones subyacentes de los cambios en la tasa de MI en el tiempo: (a) a largo plazo las tendencias subyacentes en el estudio base de la vida debido a los cambios de estilo , Los cambios en la atención de la salud o el envejecimiento de la población, (b) la variación estacional y (c) cambios en la composición de la cohorte. Por lo tanto, en la cohorte establecimiento adecuado control tendencia es muy importante porque es probable que el efecto será estimaciones sesgadas si la tendencia no se especifica correctamente. Los recientes debates sobre el modelado en series cronológicas de análisis [11, 12] han dado lugar a un más amplio uso de diferentes técnicas de suavizado en estos análisis y enfoques diferentes se han utilizado para evaluar la tendencia en el tiempo [13]. Hemos seleccionado tres enfoques para modelar la tendencia: (a) splines naturales, (b) penalizado splines y (c) a nivel local mínimos cuadrados ponderados (loess) smoothers.

En un enfoque jerárquico posibles factores de confusión fueron seleccionados, entre ellos tendencia a largo plazo, la temporada, los días de la semana, las vacaciones y la meteorología, antes de añadir la contaminación del aire de concentración como variable independiente. Modelos aditivos generalizados se utilizaron para permitir no paramétrico de las funciones de la confusión en R (R La Fundación para la Computación de Estadística Version 1.8.1), utilizando el paquete "mgcv" (versión 0.9-6) [14 - 16]. Todos los modelos incluyen el logaritmo natural del número de personas en riesgo cada día como compensación y el número diario de eventos como variable de resultado. Para hacer posible una posible sobre-o bajo-la dispersión cuasi-familiar probabilidad se utilizó para estimar los parámetros sin especificar la función de distribución subyacente. Penalizado splines de regresión fueron probados por el continuo variables de confusión. La elección de grados de libertad se dejó para el algoritmo ( "magia") en el "mgcv" - conjunto de medidas que minimiza la Cruz Generalizado de validación (GCV) criterio. El valor predeterminado de 10 nudos como valor inicial se ajustó a los valores más altos si es necesario debido a la estructura de los datos. Si el buen funcionamiento no fue significativo o la estimación de grados de libertad fueron menos de dos, un término lineal se puso a prueba su lugar. Las decisiones de mantener una covariable en un modelo se basaron en el fallo mediante el valor de p (<.1), GCV Resultado (cuanto más pequeño es el mejor), y la función de autocorrelación (ACF) (el más cercano a cero la mejor).

Trend se incluyó en el modelo como una variable obligatoria sancionado con una spline a partir de 6 nudos por año para el control de tendencias a largo plazo, la estacionalidad y los cambios en el riesgo. Luego día en curso temperatura y la desviación de la temperatura del día actual de la temperatura media de 1-3 días desfase se probaron como splines penalizado. Por lo menos una temperatura plazo tuvo que permanecer en el modelo. Posteriormente penalizado splines de la presión del aire y la humedad relativa y, a continuación, maniquíes para los días de la semana y la ciudad de indicadores específicos (vacaciones, disminución de la población) fueron probados uno tras otro. Por último, el modelo fue "sintonía fina" cambiar los parámetros que la decisión no había sido claro y comparar ACF parcelas y GCV-Resultado de elegir el final para incluir covariables para el ulterior análisis.

Los análisis de sensibilidad se realizaron para comparar los resultados de los modelos finales con las estimaciones obtenidas al modificar la suavización de las funciones utilizadas o la confusión en el modelo de Poisson. Así se repitieron los análisis utilizando splines cúbicos naturales o loess en lugar del sancionado splines, eficaz comparable con grados de libertad para los que están en el modelo final penalizado con splines. La temperatura fue reemplazado por aparente temperatura [17] y la temperatura del punto de rocío. En lugar de la diferencia de temperatura media de retraso el día 1 al 3 se utilizó. La sensibilidad de los resultados de la elección que haga la hora de seleccionar la confusión se puso a prueba por la supresión o límite importante de confusión que había o no había entrado el modelo. Al mismo tiempo, los que se ha incluido con un término lineal se consideraron con una buena función en el análisis de sensibilidad.

Los estudios de casos y análisis cruzado

Los estudios de casos y análisis de cruce se han desarrollado para estudiar los efectos transitorios de exposiciones agudas utilizando un sólo caso de diseño. Este diseño muestras de información sobre la exposición de la condición de caso y referente períodos seleccionados de la persona en tiempo de los casos. El período de exposición de los casos se ha seleccionado como un peligro plausible período inmediatamente anterior al evento. Referente períodos son elegidos para representar a la exposición de distribución en el caso de no períodos de tiempo en situación de riesgo.

El período de selección referente plantea el reto principal para el caso de análisis cruzado. Diferentes diseños de muestreo para períodos de referencia se han propuesto para estimar los efectos de la contaminación atmosférica. Los riesgos que no cambian en asociación con el caso-, como la contaminación atmosférica puede ser objeto de un muestreo también de persona a tiempo después de ocurrido el caso [18]. El enfoque estratificado de Lumley y Levy [19] la evolución temporal de los controles de diseño.

Case-crossover Se realizaron análisis como una alternativa a la regresión de Poisson condicional utilizando modelos de regresión logística en el S-Plus paquete estadístico versión 6,0. Se utilizó el "coxph" con una función de los estratos declaración. La fecha de cada caso contribuido un peligro período que se corresponde con los períodos de referencia seleccionado con el enfoque estratificado (criterios de estratificación fueron año, mes y día de la semana). Es día de la semana para los controles de diseño. Las mismas variables de confusión se incluyeron como en la regresión de Poisson, a fin de obtener la máxima comparabilidad de los modelos. P-Splines se utilizaron como método para suavizar la meteorología variables. La efectiva grados de libertad de smoothers en los modelos Poisson se tradujeron ajustando el parámetro de suavización de la P-splines.

Modelos de riesgos proporcionales

Una posibilidad alternativa es el modelo de datos utilizando los datos de cohortes de riesgos proporcionales de Cox modelos. Ahora el tiempo t denota el tiempo transcurrido desde MI. Extensión de regresión de Cox permite variables en el tiempo covariables en el análisis de supervivencia [20]. El peligro h en el tiempo t se da como

h ( t , X ( t ) ) = h 0 ( t ) Exp [ Σ i = 1 p 1 β i X i + Σ j = 1 p 2 δ j X j ( t ) ] MathType MTEF @ @ @ 5 + 5 = @ feaafiart1ev1aaatCvAUfKttLearuWrP9MDH5MBPbIqV92AaeXatLxBI9gBaebbnrfifHhDYfgasaacH8akY = wiFfYdH8Gipec8Eeeu0xXdbba9frFj0 = OqFfea0dXdd9vqai = hGuQ8kuc9pgc9s8qqaq = dirpe0xb9q8qiLsFr0 = = vr0 vr 631D @ @

donde X (t) = (x 1, x 2 ,....., X P1 P1, X 1 (t), X 2 (t ),....., X p2 p2 (t)) y X 1, X 2 ,....., X P1 P1 son invariantes de tiempo variables, como por ejemplo la edad o el sexo, y X 1 (t), X 2 (t ),....., X p2 p2 ( t) son variables en el tiempo variables, como la meteorología o la contaminación del aire.

El modelo no hace ninguna suposición sobre el peligro de referencia, y, por tanto, es adecuado para el análisis propuesto aquí, porque el riesgo cardíaco de readmisión cambios durante el seguimiento de la MI supervivientes. Aunque X j (t) es variable con el tiempo, el peligro modelo sólo proporciona un coeficiente de regresión j δ para cada variables en el tiempo variable en el modelo. Por lo tanto en el tiempo t, sólo hay un valor de las variables X j (t) que tiene un efecto sobre el riesgo: el valor que se mide en el tiempo t. El modelo, por lo tanto, asume un riesgo relativo uniforme para todos los puntos temporales y, en consecuencia, no por sí misma abordar la posibilidad de efecto modificación de los efectos de la contaminación atmosférica de duración del seguimiento.

La asociación con los niveles de contaminación diaria se analizó en software estadístico SAS (SAS Institute Inc, Cary, NC, EE.UU., Release 8.02) PROC PHREG utilizando el proceso de entrada de estilo. Para cada tema un registro por cada día en situación de riesgo se ha creado. Todos los modelos incluyen la misma como covariables los modelos de Poisson, pero en lugar de buen funciones cuadráticas funciones se utilizaron. Trend entró como un término lineal. Como constante covariables edad a la entrada (en años como función cuadrática), la diabetes, la hipertensión y el sexo (como variables "dummy") fueron considerados, ya que se identificaron como predictores de la supervivencia en un clásico de regresión de Cox.

Resultados

Datos de Roma se utiliza para ilustrar las propiedades de los datos. Roma fue seleccionado debido a que tenía uno de los más grandes conjuntos de datos y había pruebas claras de variación estacional. En Roma entre 1998 y 2000, 7384 temas sobrevivido al menos 28 días después de su primer MI (Tabla 1]. Entre 1998 y 2001, 1916 reingresos para cualquier enfermedad cardíaca se define como la readmisión de angina de pecho, infarto de miocardio, insuficiencia cardíaca congestiva o arritmia se observaron. Figura 1 se describen diversos aspectos de la cohorte de datos para cualquier cardíaca MI readmisión de los supervivientes está representada en Roma en el calendario tiempo-eje. Durante el seguimiento, del tamaño de la cohorte cambiado todos los días (Figura 1a]. Además, la composición con respecto a la distribución del tiempo de seguimiento también cambia constantemente si se considera en el calendario de eje temporal. En consecuencia, el número de casos observados en cada tiempo-el punto de la agenda a tiempo el eje de seguimiento refleja el tamaño de la cohorte y su composición (figura 1b]. Para cada MI sobreviviente, el riesgo de hospitalización por cualquier enfermedad cardíaca es elevada durante el primer semestre año de seguimiento y posteriormente se estabiliza (figura 1c]. La Figura 2 muestra el número de asignaturas seguido considerando el tiempo de seguimiento a medida que el tiempo-eje. El número de asignaturas seguido constantemente con el tiempo se reduce debido a la ocurrencia de un evento, las pérdidas durante el seguimiento o al final del período de observación (figura 2a]. El número de eventos (figura 2b] y la tasa de incidencia (figura 2c] observa es mayor al comienzo del seguimiento, debido a la vulnerabilidad de los pacientes en el momento inmediatamente después de que el caso índice. La tasa de incidencia observada después de dos o tres años de seguimiento es baja (figura 2c].

La Figura 3 muestra el buen tiempo-la tendencia a análisis de regresión de Poisson usando tres diferentes técnicas de suavizado: (a) penaliza splines, (b) natural splines y (c) a nivel local mínimos cuadrados ponderados smoothers (loess). Aquí el tiempo-eje es el calendario de eje temporal y las funciones se indica en la figura 3 se corresponden con los datos descriptivos en las tasas de incidencia en la figura 1c. Todas las funciones sugieren una disminución de la probabilidad de observar las hospitalizaciones debido a una enfermedad cardíaca a través del tiempo superpuestos de variación estacional. Por lo tanto, son capaces de captar la tendencia se ha mencionado anteriormente componentes muy bien. Los diferentes enfoques hacer suavizado bastante comparables funciones.

El efecto de NO 2

Cuadro 2 se comparan los coeficientes de regresión y errores estándar para los diferentes enfoques de modelación para un determinado contaminante, (NO 2) con la media entre los actuales y concentraciones día anterior. Para el análisis de regresión de Poisson análisis de sensibilidad se presentan para evaluar la sensibilidad de los resultados con respecto a la confusión de modelado. Los modelos seleccionados se muestran en el cuadro 3. Es importante señalar que los mismos grados de libertad no eran necesarios para la exposición funciones de respuesta en todas las ciudades, sino que el número de casos observados determina la capacidad de modelar variables en el tiempo de confusión.

Los diferentes enfoques suavizado comparables muestran la contaminación del aire estimaciones efecto en el análisis de regresión de Poisson. Las estimaciones combinaron para NO 2, después de confusión control natural de splines o loess funciones son un tanto reducido, pero aún sacar las mismas conclusiones. La eliminación de confusión general aumenta las estimaciones que añadir más confusión disminuye ligeramente la coeficientes de regresión. En el caso de cruce de los análisis, las estimaciones son a veces ligeramente superior (Augsburgo) y, a veces, ligeramente inferior (Barcelona, Helsinki, Roma y) que el modelo de Poisson estimaciones. La estimación combinada sugiere los coeficientes de regresión más pequeños y más grandes errores estándar de análisis de regresión de Poisson. Los resultados de la ampliación del análisis de regresión de Cox fueron consistentes con los resultados de los análisis de regresión de Poisson en Augsburgo, Estocolmo y Helsinki. Ligeramente menor efecto las estimaciones se obtuvieron de Barcelona y Roma. En general, las estimaciones se combinaron ligeramente más pequeños que los obtenidos con el análisis de regresión de Poisson, sino que también sugieren una asociación entre el NO 2 y los reingresos en el hospital MI supervivientes (figura 4]. Para la ampliación de los análisis de regresión de Cox características individuales también se consideraron como de confusión en los análisis y los resultados fueron casi idénticos a los obtenidos sin tener en cuenta las características individuales. No se encontró una fuerte evidencia de la heterogeneidad de la ciudad-efecto específico estimaciones se observó y se agruparon al azar efecto estimaciones eran idénticos a los agruparon las estimaciones de efectos fijos (datos no presentados).

Discusión

El principal desafío de analizar a corto plazo los efectos sobre la salud de la contaminación del aire en una cohorte de sujetos enfermos es considerar al mismo tiempo otras variables en el tiempo de confusión y los cambios en la probabilidad de un evento recurrente debido a las características individuales. En el caso de los supervivientes de infarto de miocardio, un importante factor determinante de la vulnerabilidad individual es el tiempo transcurrido desde Índice caso debido a los curación del tejido cardíaco.

Tres enfoques diferentes se consideraron en los análisis. El primero de ellos, análisis de regresión de Poisson se resumen los eventos en un calendario tiempo-eje. Los datos de este estudio demuestran un ejemplo en el que las probabilidad de observar un evento con los cambios de composición de la cohorte. Por lo tanto, el tiempo no es sólo una medida para frenar las tendencias y variaciones estacionales, pero también representa la evolución de las fracciones de las personas en alto riesgo a lo largo del tiempo. Suavizar los métodos se utilizaron para tratar de estos tres modelos diferentes componentes en la tendencia temporal. El reciente debate sobre las técnicas de alisado [11, 12] fue considerado por la selección de tres diferentes enfoques, a saber, natural splines, penalizado splines y menos peso a nivel local smoothers cuadrados. Los tres métodos dieron resultados bastante comparables y su función es coherente con una disminución en el riesgo de readmisión hospitalaria como la cohorte de edad y una variación estacional en los reingresos hospitalarios. En el análisis de sensibilidad, los resultados fueron robustos a los cambios en la confusión seleccionados en el modelo final.

El método de casos cruzados fue elegida porque fue diseñado para el control de cambios temporales de diseño. Más concretamente, el referente estratificado período de selección de enfoque que aquí se consideran los controles de las tendencias de diseño [19]. Sin embargo, se ha observado que, caso de cruce análisis han reducido en comparación con el análisis de regresión de Poisson [19]. En este estudio se observó ligeramente menor efecto con las estimaciones más grandes errores estándar. El caso de una cohorte con la contratación permanente y dinámicamente cambiante composición no se ha considerado metodológicamente antes. Uno puede asumir que los cambios producidos en las tasas son constantes dentro de cada estrato [21]. Sin embargo, como se observa en el gráfico 1, grupo C este supuesto podría ser violado al comienzo del estudio. Por lo tanto, los cambios en el número de sujetos en riesgo pueden ser responsables de las pequeñas diferencias observadas entre los análisis de regresión de Poisson, que expresamente en cuenta la variable número de sujetos en situación de riesgo en un determinado día, y el caso de análisis cruzado. Sin embargo, de casos cruzados análisis fueron considerados para este análisis porque muy elegantemente permitir el análisis de subgrupos.

Amplio análisis de regresión de Cox, por otro lado, se formularon a considerar el presente estudio de diseño en la forma correcta. En este caso, el riesgo subyacente sigue el modelo de un peligro función h 0 (t), que es variable en el tiempo y considera tanto los cambios en peligro debido a la recuperación de la MI incidente, así como los cambios en la composición de la cohorte con respecto a la temporada y año civil. Los resultados son sorprendentemente consistentes con los obtenidos en el análisis de regresión de Poisson. La práctica desventaja del método es que los análisis son mucho tiempo, en particular si estos modelos se utilizan para la selección de variables en el tiempo de confusión. Examen individual de confusión no se alteró la asociación entre el NO 2 y reingresos hospitalarios. En contraste con los publicados recientemente un planteamiento similar, optamos tiempo de seguimiento en lugar de la edad del sujeto como eje temporal [22]. Si bien estos dos enfoques deberían dar efecto similar estimaciones que favorecen el modelo en el tiempo de seguimiento eje, ya que considera más adecuada la evolución de los niveles de riesgo dentro de la cohorte.

Una revisión reciente de la Asociación Americana del Corazón ha puesto de relieve la nueva prueba de la verosimilitud biológica entre la contaminación atmosférica concentraciones en las zonas urbanas y la exacerbación de enfermedades cardiovasculares [23]. Sin embargo, el efecto estimaciones obtenidas a partir de la población en general podría subestimar el riesgo de las subpoblaciones sensibles, que tienen también mayor riesgo basal [24]. Los estudios de cohortes evaluar el riesgo de poblaciones susceptibles son altamente recomendables para proporcionar mejores estimaciones para la evaluación del riesgo. Por ejemplo, la edad al primer MI, la situación socioeconómica, así como el tiempo transcurrido desde la primera MI podría modificar el riesgo de que a corto plazo la contaminación del aire para una exposición individual. Los tres métodos pueden ser utilizados para evaluar la susceptibilidad de los subgrupos. La ampliación de análisis de regresión de Cox es el único método que permita la estimación de los principales efectos de la considera efecto modificador, pero el cálculo de los modelos es mucho tiempo.

Una investigación reciente indica que la variabilidad espacial y temporal de largo plazo la exposición a partículas ambientales pueden ser factores importantes a considerar [25, 26]. Por otra parte, la investigación futura podría considerar la posibilidad de fluctuaciones a corto plazo, así como de estimaciones individualizadas a largo plazo la exposición a partículas ambientales en la evaluación de impacto en la salud de la exposición ambiental. Para estos estudios, extensión análisis de regresión de Cox sería el método de elección. En su versión más simplista, se puede estimar conjuntamente el efecto de hogares expuestos a alto tráfico junto con las concentraciones de contaminación atmosférica de una central de control. Sin embargo, también más sofisticados métodos de evaluación de la exposición sobre la base de espacio-temporales modelos como, por ejemplo, se describe de Gulliver y Briggs [27] o Sahu y sus colegas [28] pueden preverse.

Conclusión

De los tres métodos considerados para el análisis de la HEAPSS de estudios, el método de regresión de Poisson y la ampliación del análisis de regresión de Cox dieron resultados similares. Los estudios de casos y análisis cruzado podría subestimar la fuerza de la asociación en este entorno, pero las diferencias son pequeñas. Además de metodología de investigación puede estar justificada. Desde un punto de vista práctico, análisis de regresión de Poisson son menos tiempo, con lo que podría ser utilizado para la selección de confusión y la mayoría de los análisis. Sin embargo, la replicación de los resultados con modelos de Cox es deseable para asegurar que los resultados son independientes del método analítico utilizado. Para la identificación de subgrupos sensibles dentro de una cohorte de poblaciones susceptibles, de casos cruzados análisis podría ser el menos tiempo, sin embargo, la extensión de regresión de Cox análisis permitiría una estimación de los efectos principales y el efecto de modificación.

Conflicto de intereses

Los autores declaran que no tienen ningún intereses en competencia. Fredrik Nyberg, empleado por AstraZeneca, es también Profesor de Epidemiología en el Instituto Karolinska. Astra Zeneca no contribuir con cualquier financiación directa para este estudio.

Autores de las contribuciones

AP escribió el primer borrador completo del manuscrito, ha hecho contribuciones sustanciales a la elaboración y el análisis, ESK realizado los análisis, hecho contribuciones sustanciales a la recopilación y el análisis de los datos y ayudó a redactar el manuscrito, NB hecho considerables aportes al diseño y adquisición de datos (Estocolmo), AH hecho contribuciones sustanciales a la adquisición de datos y validación (Augsburgo), HL hecho contribuciones importantes para el diseño y adquisición de datos (Augsburgo), FN hecho contribuciones importantes para el diseño y adquisición de datos (Estocolmo), JP hecho contribuciones sustanciales para el diseño y adquisición de datos (Helsinki); PAC hecho contribuciones sustanciales a la adquisición de datos (Roma), MS hecho contribuciones sustanciales a la adquisición de datos (Roma), JS hecho contribuciones importantes para el diseño y adquisición de datos (Barcelona), PT hecho considerables aportes al diseño y análisis estadísticos, FF coordinó el proyecto y concibió el diseño del estudio. Todos los autores contribuyeron a la interpretación de los datos, ayudó a revisar el manuscrito, leído y aprobado la versión final del manuscrito.