Эпидемиология - кратко с точки зрения внутренних болезней
Эпидемиологи изучают развитие заболеваний у обычных людей, стремясь выявлять тенденции сохранения здоровья и развития болезни, а также стараясь понять, каким образом различные воздействия провоцируют или, наоборот, предотвращают возникновение заболеваний (табл. 5).
Хронические заболевания и факторы риска (например, курение, ожирение и др.) часто описываются с точки зрения их распространенности. Распространенность представляет собой всего лишь соотношение: например, распространенность диабета среди лиц в возрасте 80 лет и старше в развитых странах составляет около 10%.
Такие события, как летальные исходы, госпитализации и впервые выявленные случаи заболевания, описывают с использованием коэффициента заболеваемости (синоним — коэффициент частоты заболеваний): например, если за 1 год в популяции регистрируется 100 новых случаев заболевания на 1000 человек, то коэффициент заболеваемости составляет 105 на 1000 человеко-лет (не 100) из-за эффекта «человеко-год».
Человеко-год — это сумма общей временной экспозиции для популяции, и в данном примере это 950 человеко-лет. Причина, по которой данный показатель составляет менее 1000 человек, состоит в том, что это событие развилось у 100 человек. Предполагается, что у этих 100 человек событие произошло в среднем в середине данного временного периода, таким образом, 100x0,5 человеко-лет нужно вычесть из общей временной экспозиции (так как невозможно дважды впервые заболеть одним и тем же).
Следовательно, коэффициент заболеваемости на 1000 человеко-лет составляет 105, а не 100.
Аналогичным показателем является кумулятивная частота возникновения заболевания, или кумулятивный риск, то есть число новых случаев заболевания в процентном отношении к общей группе риска на начало временной экспозиции. Если в приведенном выше примере в течение года наблюдались те же 1000 человек (то есть никто не добавился к группе и не покинул ее), то годовой риск составляет 10% (100/1000). За какой период времени рассчитывается кумулятивный риск, обязательно следует указывать.
Эти показатели и соотношения используются для описания того, как болезни (и факторы риска) различаются в зависимости от временных характеристик, особенностей популяции и территорий. Временные колебания могут иметь сезонный характер (так, вспышки малярии происходят во влажном климате, а не в сухом) или быть результатом пролонгированных мировых тенденций (например, вспышка малярии может повторно возникнуть вследствие развития лекарственной устойчивости).
Сравнение популяционных характеристик включают возраст, пол, социально-экономический статус, уровень занятости и образ жизни. Территориальные сравнения включают окружающую среду (например, городская или сельская местность) и сопоставление между странами.
а) Причинно-следственная связь. Эпидемиологические исследования дополняют исследования на животных, клеточных и тканевых моделях, результаты которых не всегда могут быть экстраполированы на людей. Например, только малая часть ЛС, разработанных в ходе лабораторных исследований, оказалась эффективной при изучении у человека.
Тем не менее дифференцировка причинно-следственных связей от случайно выявленных корреляций является серьезной проблемой в эпидемиологии. Это связано с тем, что в лабораторных условиях возможно напрямую изменять условия проведения эксперимента для выявления и подтверждения причинно-следственных связей, но на популяционном уровне такие подходы реализовать невозможно. Эпидемиологи разработали иной способ, основывающийся на целом ряде дизайнов исследований (табл. 6).
Из них клинические исследование наиболее близки к лабораторному эксперименту. Пример одного из первых таких клинических исследований представлен на рис. 1 одновременно с количественной оценкой эффективности вмешательства для понимания различий в показателях и рисках.
Рисунок 1. Пример клинического исследования: сравнение применения стрептомицина с использованием постельного режима у пациентов с туберкулезом. Как распространенность, так и риски, по сути, выражены в процентах, поэтому для оценки используется соотношение шансов.
В клинических исследованиях пациенты обычно распределяются случайным образом в группы различных видов лечения, поэтому в среднем группы сопоставимы между собой, за исключением исследуемого вмешательства. Тем не менее для каждого отдельного, особенно небольшого исследования по закону вероятности велика возможность случайно образующихся различий между группами. Ограничение сопоставимости групп также может возникать в исследованиях с непродуманным дизайном и при их проведении с нарушениями.
Распределение по группам может быть не полностью случайным (например, из-за ненадлежащего сокрытия последовательности рандомизации), в результате чего возможно появление систематических различий (ошибок) при распределении пациентов по исследуемым группам и по выбору их лечения.
Такие систематические ошибки также встречаются в дизайнах наблюдательных эпидемиологических исследований, таких как когортные исследования, исследования «случай—контроль» и одномоментные поперечные исследования (табл. 6). Вследствие особенностей дизайна данных видов исследований они более подвержены искажению получаемых данных, чем рандомизированные исследования.
Смешивание эффекта (confounding) происходит, когда на взаимосвязь между видом вмешательства и полученным результатом могут оказывать влияние другие привходящие причинные факторы. Например, употребление кофе может сопровождаться повышенным риском развития рака легких, поскольку любители кофе чаще являются курильщиками. Таким образом, в данном случае можно сказать, что курение является смешивающим (confounding) фактором, искажающим взаимосвязь между употреблением кофе и развитием рака легких.
Несмотря на эти ограничения, проведение рандомизированных контролируемых исследований для выяснения причин большинства заболеваний неэтично, а еще чаще — непрактично. Именно поэтому эпидемиологи стремятся свести к минимуму систематические ошибки и искажение с помощью тщательного анализа и составления адекватного дизайна исследования. Затем они делают выводы о причинно-следственных взаимосвязях, корректируя вероятность того, что наблюдаемая взаимосвязь могла быть вызвана случайными факторами, систематической ошибкой и/или вмешивающимися (confounding) факторами с альтернативной вероятностью того, что связь является причинно-следственной.
Такое математическое взвешивание требует понимания распространенности и значимости различных источников систематических ошибок и вмешивающихся факторов, а также научного обоснования предполагаемой причинно-следственной связи. Именно такой подход, осуществлявшийся на протяжении ряда лет разными исследовательскими группами, позволил установить, что курение вызывает рак легких, а также заболевания сердца.
б) Данные о здоровье / информатизация. По мере прохождения пациентов через системы здравоохранения и социальной защиты происходит регистрация данных, касающихся их семейного положения, образа жизни и заболеваний, что представляет потенциальный интерес для организаций здравоохранения, предоставляющих свои услуги, для экспертов, занимающихся разработкой стратегии по улучшению здоровья, научных исследователей, пытающихся понять, что представляет собой здоровье, а также для фармацевтических и других коммерческих организаций, нацеленных на выявление потребностей на рынках медицинских услуг.
Системное хранение информации по здоровью граждан имеет давнюю традицию. В соответствии с законодательством большинства стран, регистрация рождений и смертей, включая указание причины смерти, является обязательной (рис. 2). При обеспечении практического использования таких данных существует множество проблем, особенно это касается их сопоставления по регионам и времени внесения:
Рисунок 2. Заполненное свидетельство о смерти. Коды по Международной классификации болезней 10-го пересмотра выделены красным с изменениями и дополнениями Всемирной организации здравоохранения.
• Необходима система стандартных терминов, такая как Международная классификация болезней 10-го пересмотра (с изменениями и дополнениями ВОЗ) по ВОЗ (МКБ-10), в которой содержится список диагностических кодов для охватывания всех нозологических форм.
• Данные термины должны восприниматься в разных регионах и странах как обозначающие одни и те же или, по крайней мере, похожие заболевания.
• Необходимо наличие одинаковых диагностических подходов и средств диагностики.
• Необходимы стандартные протоколы для присвоения клинических диагнозов кодам Международной классификации болезней 10-го пересмотра.
• Для поддержания некоторого уровня полноты и точности данных необходимы надежные системы контроля качества.
Во многих странах аналогичные системы используются для регистрации случаев госпитализации в целях возмещения затрат на лечение или для управления и планирования медицинских услуг. Подобные данные редко собирают на локальном уровне, и подробную информацию о процессе оказания медицинской помощи обычно не включают в национальные базы данных. Следовательно, имеется значительный интерес к использованию данных из информационных систем, применяемых в практической медицине, таких как электронные истории болезни, базы данных об отпуске ЛС, рентгенологическое программное обеспечение и информационные системы клинических лабораторий.
Данные, получаемые из таких систем, конечно, гораздо менее структурированы, чем данные, полученные при записи актов гражданского состояния. Кроме того, полнота таких данных в значительной степени зависит от местных моделей медицинской помощи, а также от того, как врачи и другие лица используют информационные системы при различных обстоятельствах. Таким образом, получение полезной, неискаженной информации при использовании таких данных является серьезной проблемой.
Большая часть дисциплины «информатизация здравоохранения» связана с решением данной проблемы. Один из подходов заключается в разработке удобных стандартизированных классификаций, таких как SNOMED-CT (стандартизированный многоязычный словарь терминов, связанных с оказанием медицинской помощи), который был разработан для ведения электронных историй болезни.
Альтернативой является использование статистических методов, таких как компьютерная обработка текста для автоматического получения информации из медицинских записей (например, извлечение диагнозов из рентгенологических заключений) или использование «машинного обучения», при котором компьютеризированные алгоритмы применяются к данным для извлечения важной информации. Такие подходы целесообразны для больших, неупорядоченных данных, где затраты на систематизацию были бы чрезмерными.
Вполне вероятно, что данные нововведения в ближайшие годы позволят получить полезную информацию, дополняющую сведения, полученные более традиционными методами из баз данных системы здравоохранения.
