Krooninen sairaus

tiivistelmä

Background

Occupational tutkimuksiin liittyy usein monivertailuja ja siksi kärsivät väärät positiiviset löydökset . Semi-Bayes säätö menetelmiä on toisinaan käytetty puuttua tähän asiaan. Hierarkkinen regressio on yleisempää lähestymistapaa, mukaan lukien Semi-Bayes säätö erikoistapauksena, että tavoitteena on parantaa pätevyys standardin maksimi-uskottavuuden estimaatit läsnäollessa monivertailuja sisällyttämällä yhtäläisyyksiä vastuita kiinnostusta toisen vaiheen malli .

Menetelmät /Principal havainnot

uudelleen analysoitu data ammattitauti tapauskontrollitutkimuksessa keuhkosyöpään soveltaen hierarkkinen regressio. Toisessa vaiheessa mallia, me mukana altistuminen kolmelle tiedossa keuhkojen karsinogeeneja (asbesti, kromi ja piidioksidi) kunkin ammatin, olettaen, että ammateissa aiheutuu samansuuruisia karsinogeenisia vastuita liittyy samanlaisia ​​riskejä keuhkosyöpään. Hierarkkinen regressio arvioiden oli pienempi luottamusvälit kuin maksimi-todennäköisyyden arvioita. Kutistuminen kohti nolla oli vahvempi äärimmäisiin, epävakaampi arvioiden (esim ”erikoistunut viljelijät”: enintään-todennäköisyyden OR: 3,44, 95% CI 0,90-13,17; hierarkkinen regressio OR: 1,53, 95% CI 0,63-3,68). Toisin Semi-Bayes säätö kohti maailman keskilämpötila, hierarkkinen regressio ei kutistu kaikkia syrjäisimpien kohti nolla (esim ”Metal sulatus, muuntaa ja jalostus furnacemen”: enintään-todennäköisyyden OR: 1.07, Semi-Bayes OR: 1,06, hierarkkinen regressio OR: 1.26).

Johtopäätökset /merkitys

Hierarkkinen regressio voisi olla arvokas väline ammatillisissa tutkimuksissa, joissa sairauden riskin arvioidaan suuri määrä ammateissa kun meillä on tietoa saatavilla avaimen karsinogeeninen vastuut mukana kunkin ammatin. Kun jatkuva edistyminen altistumisen arviointimenetelmät ammatillisissa asetukset ja saatavuus Jobin Exposure Matriisit olisi helpompaa soveltaa tätä lähestymistapaa.

Citation: Corbin M, Richiardi L, Vermeulen R, Kromhout H, Merletti F , Peters S, et ai. (2012) Hierarkkinen Regression monimuuttujille on tapauskontrollitutkimuksessa työssä esiintyviltä vaaroilta Lung Cancer. PLoS ONE 7 (6): e38944. doi: 10,1371 /journal.pone.0038944

Editor: Thomas Behrens, University of Bochum, Saksa

vastaanotettu: 24 tammikuu 2012; Hyväksytty: 14 toukokuu 2012; Julkaistu: 11 kesäkuu 2012

Copyright: © 2012 Corbin et al. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.

Rahoitus: Centre for Public Health Research tukee ohjelmasta Grant päässä Health Research Council of New Zealand. Rahoittajat ollut mitään roolia tutkimuksen suunnittelu, tiedonkeruu ja analyysi, päätös julkaista tai valmistamista käsikirjoituksen.

Kilpailevat edut: Kirjoittajat ovat ilmoittaneet, etteivät ole kilpailevia intressejä ole.

Johdanto

Occupational tutkimuksia liittyy usein samanaikaista tutkimista päällekkäisvalotuksia ja /tai useita ammateissa. Tavanomainen lähestymistapa tällaisten analyysien on rakentaa erillinen malli jokaiselle ammatin korjattuna mahdollista sekoittavien tekijöiden. Tämä lähestymistapa kohtelee kaikkia yhdistysten yhtäläisesti, ilman osuus siihen, että jotkut ammatit ovat

a priori

todennäköisemmin vaarassa kuin toiset, eli että jotkut ammateissa ovat aikaisemmin todettu yhdistysten sairauden kanssa tutkittavana , kun taas muissa ammateissa eivät. Lisäksi niille ammateissa, jotka osoittavat voimakkaasti koholla (tai vähentää) liittyvistä riskeistä, niiden riski arvioita voidaan taivuttaa pois null takia satunnaisvirhe, ja on todennäköistä, että jos tutkimus toistettiin, niin riski arvioi lähemmäksi null olisi löydy, koska ”regression keskimääräistä”.

Semi-Bayes säätö menetelmillä on osoitettu olevan pätevä lähestymistapoja näitä ongelmia, erityisesti silloin, kun parametrit on arvioitu voidaan luokitella ryhmiin, jonka sisällä eri ammattien tai vastuita on riskejä, jotka ovat samankaltaisia ​​tai ”vaihdettavissa” pohjalta

a priori

tieto [1]. Perusajatus Semi-Bayes säätö useiden vertailujen on, että havaittu vaihtelu arvioidut riskit ympärillä geometrinen keskiarvo on suurempi kuin vaihtelu todellisen (mutta tuntematon) riskejä. Semi-Bayes menetelmä [2] määrittävää

a priori

arvon vaihtelu todellisen riskien Tässä

a priori

arvoa käytetään sitten säätämään havaitun riskeistä [3]. Säätö koostuu kutistuu syrjäisillä arvioissa kohti yleistä keskiarvo havaittu arvioiden. Mitä suurempi yksittäinen varianssi arvioiden voimakkaampi on kutistuminen, eli kutistuminen on vahvempi vähemmän luotettavia arvioita perustuen pienien.

Semi-Bayes säätö on erikoistapaus yleisemmän menetelmän hierarkkista regressio [4]. Jälkimmäinen lähestymistapa sisältää useita tietyntyyppisten regressiomallin kuin erikoistapauksissa myös Bayes regressio, Semi-Bayes regressio, Stein regressio, rangaistaan ​​todennäköisyys regressio, ja harjun regressio. Nykyisessä tilanteessa, hierarkkinen regressio voidaan sisällyttää ennen yhtäläisyyksiä vastuita kiinnostusta toisen vaiheen mallia. Tätä lähestymistapaa on käytetty aiemmin useissa tutkimuksissa arvioinnin päällekkäisvalotuksia /riskitekijöitä, esim. Tutkimuksia ruokavalio [5], geneettiset tutkimukset [6], [7] ja ammatillisia tutkimukset [8] – [10]. Tavoitteena nykyisen työ oli uudelleen analysointiin ammattitauti tapauskontrollitutkimuksessa keuhkosyöpään soveltaen hierarkkinen regressio ja myös etukäteistietoja validoitu Job-Exposure-Matrix (JEM). Erityisesti olemme mukana toisen vaiheen malli altistumista kolmelle tiedossa keuhkojen karsinogeeneja kunkin ammatin, olettaen, että ammateissa aiheutuu samansuuruisia altistustasot samalle keuhkojen karsinogeeni liittyy samanlaisia ​​riskejä keuhkosyöpään.

Materiaalit ja menetelmät

Ethics lausunto

nykyinen tutkimus on uutta analyysia Italian osajoukko multisentrinen tutkimuksen keuhkosyöpä päässä International Agency for Research Cancer (IARC) [11 ], joten mitään ylimääräisiä eettisen komitean hyväksyntä on pyydetty.

kuvaus data

tiedot ovat väestöpohjaisen tapauskontrollitutkimuksessa toteutettiin vuosina 1990 ja 1992 kaksi Italian alueilla ( Torinon kaupunki ja itäisen Veneton alue). Tutkimus menetelmät on kuvattu muualla [11]. Lyhyesti, tapaukset (956 miestä ja 176 naista) olivat kaikki henkilöt diagnosoitu tapahtuman ensisijainen keuhkosyöpä aikana 1990-1992, iältään alle 75 ja asuvat tutkimusalueilla. Controls (1253 miestä ja 300 naista) valittiin satunnaisesti paikallisen väestön rekisterien ja taajuus sovitettu tapauksissa sukupuolen, työskentelytila ​​ja viiden vuoden ikäryhmissä. Tiedot kerättiin perustiedot kohderyhmätietoihisi, aktiivinen ja passiivinen tupakointi, ja käyttöikää työhistoriasta. Erityisesti päivämäärät alusta ja päättyy työ, sekä tehtävänimike ja toimialan, kirjattiin kunkin ammattialan kauden kestäneen vähintään 6 kuukautta. Tehtävänimikkeitä ja teollisuuden haarat oli koodattu sokea case-control aseman mukaan kansainvälisen standardin ammattiluokituksen (ISCO-68) [12] ja Kansainvälisen TOL (ISIC) [13], tässä järjestyksessä. Nykyinen analyysit tehtiin vain miehillä.

keskityttiin kolmeen kemikaaleja, jotka luokiteltiin Kansainvälisen Agency for Research on Cancer (IARC) [14] ryhmään 1 karsinogeeneja kohdistaminen keuhkoissa: asbesti, kromi ja piidioksidi. Niille altistumista arvioitiin kautta väestössä Job Exposure Matrix (DOM-JEM) kehittyi vuonna 2010 kolme ammatillista asiantuntijaa (HK, RV ja SP) suurelle yhdistetyssä tapauskontrollitutkimuksessa keuhkosyöpään [15]. DOM-JEM määrittää järjestysasteikko altistus pisteet useita keuhkojen karsinogeeneja (0 = ei altistumista, 1 = vähäinen altistuminen, 2 = korkea altistuminen) kuhunkin ISCO-koodin.

Perinteiset Analysis

Analyysit oli tehty kolminumeroinen ISCO-koodin tasolla. Sillä ISCO koodit alkavat mukaan ”X” (työntekijöitä ei luokiteltavissa ammatin) ja niille määritellyt enintään 2 numeroa, kaikki vastaavan ammatillista historia oli poistettu aineisto, jolloin syrjäytymisen 5 tapauksessa ja 14 ohjaa. Vain työ-koodien vähintään kymmenen koehenkilöille säilytetty analyyseissä (n = 129). Ensimmäisen vaiheen mallit arvioitu keuhkosyövän riskiä kullekin 129 ammateissa erikseen. Kertoimet Ratio (OR) ikuisesti altistuvat kunkin työn mallinnettiin ehdoton logistista regressiota, säätämisen ikä, työskentelytila ​​ja tupakointi tila (ei koskaan, entinen, nykyinen): missä

Y

on dikotomisen muuttuja edustavat keuhkosyöpä tila (

Y

= 1: tapaukset;

Y

= 0: valvonta), OCC

i (i = 1, …, 129) on dikotomisen muuttuja edustaa altistuminen tila on i

th ammatti, w on vektori covariates sisältyivät malliin (eli ikä, tutkimusalueella, ja tupakointi tila), on leikkauspiste aikavälillä on regressio vastaavalla kertoimella i

th ammatti, ja on vektori regressiokertoimia vastaavat kovariaatit varten i

th miehitystä.

Teimme myös ehdollinen huolto palautuminen. Koska arvioiden saatu ehdollinen ja ehdoton regressio säätämällä vastaavia muuttujat olivat hyvin samankaltaisia, tässä näytämme vain ne saadaan ehdoton logistinen regressio.

Syrjäisimpiä vastaaviin 95%: n luottamusväli (CI) arvioitiin kautta maksimi- todennäköisyys käyttäen SAS Logistic menettelyä.

Hierarkkinen regressio

Hierarkkinen regressio voidaan yrittää parantaa maksimi-todennäköisyyden (ML) arviot käyttämällä toisen vaiheen lineaarista mallia [5], [6]. Toisen vaiheen mallia käytetään tässä taantunut ln (OR) n ja ammateissa on ammateissa ”arvioidut altistumistasot asbestille, kromi ja piidioksidia. (2) on 129-elementti vektorin ln (OR) n varten ammateissa . on thematrix (siepata ja 2 indikaattorimuuttujien per altistuminen) saatu DOM-JEM [15], että luokittelee 129 ammateissa niiden altistumista asbestille, kromi ja piidioksidi. Jokaisella karsinogeeni on kaksi mahdollista altistumisen tasoa, joka ilmaistaan ​​kahden dikotomista muuttujaa.

Tarkemmin, olemme:

on arvo, rivin ja sarakkeen, missä ja ja ovat toisensa poissulkevia.

Lisäys S1 osoittaa rivit 55-60 matriisin. Esimerkiksi sijaitsee 55

nnen rivin ja 6

nnen sarakkeen matriisin ja on yhtä kuin 1, koska ”lastentarha työntekijöitä ja puutarhurit” altistuvat piidioksidi (maaperän) korkeudelle 1.

on 7-elementti vektorin (arvioitu toisen vaiheen malli) kertoimista vastaavat vaikutukset keuhkosyöpä tasojen vastuita kolmesta karsinogeenejä kuvattu.

on 129-elementti vektori virhetermien edustavat jälkivaikutus, että he työskentelevät kussakin ammatissa huomioidaan altistuminen asbestille, kromi ja piidioksidi.

on 129-elementti vektori nollia.

on kakkosvaiheen kovarianssimatriisi. Toisen vaiheen varianssi arvio tietylle ammattiin edustaa jäljellä varianssi vaikutuksen miehityksen jälkeen ottaen huomioon vaikutukset kolmen keuhkojen karsinogeenejä. Tämä voidaan arvioida tietojen (Empiirinen Bayes) tai määritetty

a priori

(Semi-Bayes). Käytimme tässä Semi-Bayes lähestymistapaa. on parametri, jota käytetään ohjaamaan vahvuus yhteisen kutistuminen kaikki ML kertoimet kohti niiden ennalta avulla. Asetamme 0,23, 0,41, 0,59 ja 0,76, jotka vastaavat oletukset, 95% suhteellinen riskien olisi oltava noin 2,5, 5, 10 ja 20 kertainen kantaman sisällä toisistaan, vastaavasti, jos T oli identiteettiä matriisi. Oletimme, että toisen vaiheen varianssi kunkin ammatin riippuu sen altistumista kolmen karsinogeeneja, niin että mitä suurempi altistumisen tasoa, sitä pienempi toisen vaiheen varianssi. Helpottamiseksi laskenta, ei sisältynyt jäljellä korrelaatio ammateissa. Sitten diagonaalimatriisi (katso liite S2 esimerkkejä laskelma) kanssa: (3) B

Mallia varustettu R (ilmainen ohjelmisto tilastollisiin laskenta- ja grafiikka) [16] (vaikka tällaiset analyysit voivat myös olla tehty SAS ja Stata, tai minkä tahansa logistisen regression paketin lisäämällä etukäteen pelkkä data [17]). Koodi on muokattu versio koodi, jonka Chen ja Witte [6] ja on saatavilla pyynnöstä. Kertoimet arvioitiin kautta painotettu pienimmän neliösumman (katso liite S3). Korvaamalla ne takaisin yhtälöön (2) tuotti ennen keino ammateissa ”kertoimet. Hierarkkinen regressio arvioiden (posterior arviot) varten kertoimet kunkin ammatin saatiin sitten keskiarvo ML kertoimet (tavanomaisista analyysi) ja niiden ennalta keinoin, niin että mitä suurempi diagonaalialkiot, sitä voimakkaampi kutistuminen kertoimien kohti heidän ennalta tarkoittaa.

Semi-Bayes Adjustment kohti Global Mean

Vertasimme saavutetuista tuloksista hierarkkinen regressio, jotka on saatu läpi perinteisempää Semi-Bayes sopeutetaan maailman keskilämpötila, aikaisemmin käytössä ammatillisissa tutkimuksia monivertailuja [3], [18] – [22]. Varianssi todellisen ln (OR): n oletettiin olevan 0,25. Olettaen normaalin jakautumisen ln (OR): n, tämä valinta merkitsee sitä, että todellisen syrjäisimpien ovat 7-kertaisesti lähellä toisiaan [2]. Semi-Bayes oikaisu sovellettiin erikseen kahden ammattiryhmien uskotaan aiheuttaa eri altistumista keuhkojen karsinogeeneja: ammateissa hallussa toimihenkilöiden (tunnistetaan ensimmäinen numero ISCO-koodin 6, epätodennäköisempää altistutaan karsinogeeneja) ja ammateissa hallussa työntekijöistä (tunnistetaan ensimmäinen numero ISCO code≥6, todennäköisesti aiheuttaa joitakin tai raskasta altistuminen karsinogeeneille). Kullekin ryhmälle ammateissa, tämä menetelmä vastasi yksittäistapauksessa hierarkkinen regressio, jossa vain siepata sisältyi toisen vaiheen mallia.

Tulokset

Taulukossa 1 esitetään yhteenveto perusominaisuudet aiheista mukana meidän analyyseihin.

taulukossa 2 on esitetty syrjäisimpien alueiden keuhkosyövän ikuisesti altistuvat kunkin tason altistumisen syöpää sisältyvät toisen vaiheen malli (asbesti, kromi ja piidioksidi ). Syrjäisimmät alueet arvioitiin kautta logistinen regressio malleja, säätämisen ikä, työskentelytila ​​ja tupakointi tila (ei koskaan, entinen, nykyinen). Koskaan altistua kunkin kolmen karsinogeenien liittyi suurentunut keuhkosyöpä, jossa suurempia riskejä havaittu huomattavaa altistumista.

Taulukossa 3 esitetään kuvailevia tilastoja jakelun 129 ln (OR) s saatu ML arvio, Semi-Bayes (SB) säätö, ja hierarkkinen regressio (HR), jossa = 0,76, = 0,59, = 0,41 ja = 0,23.

verrattuna ML, keskiarvo jakelun ln (OR) s vedetään kohti nollaa jälkeen SB ja HR. HR, tämä vaikutus on voimakkaampi pienempien arvojen. Keskihajonta jakelun ln (OR) s on myös vähennetään sekä SB ja HR ja on pienempi pienempien arvojen (taulukko 3). Voidaan myös huomata, että sekä SB ja HR arvioita ovat keskimäärin pienempiä keskivirheet.

Kernel tiheys tontteja (kuvio 1) ja ln (OR) s näytä vähemmän vasemmalle vinot jakaumat SB ja HR kuin ML estimaatit (pienempi medians jälkeen SB ja HR näkyy myös taulukko 3). Tämä johtuu siitä, että äärimmäinen arvioiden jotka ovat todennäköisesti epävakaa, vedetään kohti heidän ennalta keinoin.

Kernel tiheys jakaumat ln (OR) n keuhkosyöpään varten 129 valitun ammateissa saatu käyttämällä suurimman todennäköisyyden (ML), Semi-Bayes sopeutetaan maailman keskilämpötila (SB) ja hierarkkinen regressio (HR).

taulukossa 3 nähdään, että SB, keskiarvo ja keskihajonta on ln (OR): n jakautuminen sisältyvät väliin vastaavat arvot HR [= 0,41] ja HR [= 0,59]. Kuitenkin jakelun jälkeen saatu SB on enemmän jäljellä vinossa kuin jälkeen HR (kuvio 1). Tiheys käyrä SB on suurempi kaltevuus on oikealla kuin sen vasemmalla puolella: ja vasemmalla puolella välissä käyrät HR [= 0,41] ja HR [= 0,59], oikealla puolella sijaitsee molemmissa käyriä. Tämä osoittaa, että äärimmäiset positiiviset arviot ovat yleensä kutistunut vahvemmin kohti nolla (ln (OR) = 0) kautta SB kuin läpi HR.

vaikutus kutistuminen voidaan nähdä sirontakuvaajiin kuvassa 2, jossa syrjäisimpien alueiden kunkin ammatin arvioitu HR ja SB piirretään ML arvioita. Mitä pidemmälle ML estimaatit ovat peräisin nolla (OR = 1), sitä enemmän hajallaan ovat HR ja SB arvioita ja vahvempi on kutistuminen. Kuten odotettua, äärimmäinen arvioiden vedetään voimakkaammin pienempien arvojen.

sirontakaavioissa syrjäisimpien alueiden keuhkosyövän varten 129 valitun ammateissa arvioitiin käyttäen hierarkkista regressio (HR), jossa = 0,76

vs

. Suurimman uskottavuuden (ML) (A), HR jossa = 0,59

vs

. ML (B), HR jossa = 0,23

vs

. ML (C) ja Semi-Bayes sopeutetaan maailman keskilämpötila (SB)

vs.

ML (D).

Taulukko 4 raportoi tai arvioita, jotka on saatu eri menetelmiä ammateissa liittyvät kahdenkymmenen eniten riskejä keuhkosyöpään perinteisessä analyysissä (syrjäisimpien alueiden kaikille ammateissa ovat saatavilla lisäyksessä S4). Kutistuminen on erityisen vahva erikoistuneille viljelijöille (ML OR = 3,44, SB OR = 1,59, HR TAI [= 0.76] = 1,81, HR TAI [= 0,23] = 1,00) ja laivojen konehuoneessa luokitukset, jotka ovat erittäin alttiina asbesti (ML OR = 5,88, SB OR = 1,54, HR TAI [= 0.76] = 2,43, HR TAI [= 0,23] = 1,78). Tämä johtuu siitä, että nämä kaksi ammateissa hallussa pieni määrä aiheita ja luottamusväli ML arviot ovat sen vuoksi hyvin suuri. Huolimatta suuresta CI kuitenkin ”kutistunut arvioiden edelleen osoittavat, että nämä ammatit liittyy lisääntynyt riski sairastua keuhkosyöpään, ja niiden syrjäisimmät alueet ovat yhtäpitäviä muissa ammateissa, joihin liittyy altistuminen keuhko syöpää aiheuttavia aineita.

SB jossa

a priori

todellinen keskihajonta 0,5 toimittanut arviot, jotka olivat vähemmän hajallaan kuin HR saadut arviot valitun arvoja (kuva 2). Erityisesti SB kutistunut kaikki kasvoivat ML estimaatit kohti null, kun taas jotkut kasvoi arvioiden vedettiin pois null käytettäessä HR. Esimerkiksi ML riski arvio ”Metal sulatus, muuntaa ja jalostus furnacemen” (ML OR = 1,07, SB OR = 1,06, HR TAI [= 0,59] = 1.26, HR TAI [= 0,41] = 1,37) on lähellä null taas HR, painotus altistuminen sekä asbestille (matala altistus) ja kromi (korkea altistuminen), vetää riskiarvio pois null. Vastaavasti HR arvioi suurempi riski ”Miners ja quarrymen” (ML OR = 1,19, SB OR = 1,14, HR TAI [= 0,59] = 1,27, HR TAI [= 0,41] = 1,30), altistuu sekä asbestille (alhainen altistus ) ja piidioksidia (korkea altistus). ”Metal annealers, temperers ja asia kovetteita” (ML OR = 1,14, SB OR = 1,08, HR TAI [= 0,59] = 1,42, HR TAI [= 0,41] = 1,44) ovat vain erittäin avoin kromin ja ”Railway moottori ohjaimet ja palomiehet ”(ML OR = 0,97, SB OR = 1,01, HR TAI [= 0,59] = 1,35, HR TAI [= 0,41] = 1,47) ovat vain erittäin altistuneet asbestille. Kuitenkin ML estimaatit ovat suuret vaihtelut, mikä lisää lujuutta kutistumisen kohti ennen syrjäisimpien ja aiheuttaa kohonnut arvioiden jälkeen HR. Toisaalta SB, käyttämällä vähemmän informatiivinen Priors, suorittaa järjestelmällisemmin kutistumista ja johtaa yleisesti vähentämään syrjäisimpien alueiden. Jotkut ML syrjäisimmillä alueilla alle 1 myös kutistunut yli 1 HR taas ne kutistunut ylöspäin mutta alle 1 SB, kuten tapauksessa ”Metal pyörille” (ML OR = 0,58, SB OR = 0,84, HR TAI [= 0,76] = 0,91, HR TAI [= 0,59] = 0,98, HR TAI [= 0,41] = 1.07, HR TAI [= 0,23] = 1.12). Siksi yleensä, SB jossa

a priori

todellinen keskihajonta 0,5 ja HR kanssa = 0,59 tarjoavat shrinkages samaa suuruusluokkaa, mutta eri riskiestimaattien ammateissa tunnettujen

a priori

altistua keuhko karsinogeeneja.

keskustelu

meidän analyysit, HR toimittanut arviot, jotka ovat todennäköisesti luotettavampia ja on kapeammat luottamusvälit kuin saadaan tavanomaisilla ML analyysiin. Monet äärimmäisiä arvioita saadaan ML analyysimenetelmät perustuvat pieniä määriä ja on suuret luottamusvälit. HR, sisällyttämällä ennakkotietoja altistuessaan kolme keuhko syöpää toisen vaiheen malli, vetää nämä arviot kohti niiden ennalta keinoin ja siten vähentää niiden arvioidun keskivirheiden ja luottamusvälit. Vahvuus ja suunta kutistumisen äärimmäisiä arviot riippuvat ennalta arvioidun vastuita vastaavan ammateissa kolmea syöpää aiheuttavia aineita. Esimerkiksi ”erikoistuneet viljelijät” ei kohdistu johonkin katsoi karsinogeenien ja HR siksi vetää vastaava OR voimakkaasti kohti nolla taas OR pysyy koholla ”metalli sulattajien ja välitulistimet”, jotka altistuvat sekä asbestille ja kromia. Tilanteessa useita vertailuja, HR on täten hyödyllinen väline tietojen analyysi, jossa otetaan huomioon monivertailuja mukana ja commonalities altistusten eri ammateissa.

Meidän analyysit, HR ja SB kutistumisen vaikutukset olivat samankaltaiset ML arvioihin. Koska HR käyttää yksityiskohtaisempia tietoja ennalta kuin SB, kutistuminen suoritetaan entinen menetelmällä on todennäköisesti sopivampi ja erityinen kuin jälkimmäinen (edellyttäen tietenkin, että tämä etukäteistietoa on kohtuullisen pätevä). Tuloksemme osoittavat, että kaikki arviot on kutistunut kohti nolla läpi SB vaikka jotkut niistä vedettiin päinvastaiseen suuntaan HR, koska käytetään ylimääräisiä ennakkotietoja. Siten molemmat lähestymistavat pyritään alentamaan vääriä positiivisia löydöksiä mutta HR myös lieventää luontainen vaikutus kutistuminen kasvaa väärien negatiivisten. Toisaalta, SB on helpompi laskea ja ei tarvitse manipulointi toisen vaiheen matriisi. Valinta näiden kahden menetelmän välillä siis lähinnä riippuu saatavuudesta ja luotettavuus sisältyvät tiedot toisen vaiheen mallia.

HR kutistuminen ehdotettu tässä asiakirjassa voi olla kaksi asiaa vaikutuksia kun koekalastuksen analyysejä liittyvät riskit ammateissa: i) se vähentää mahdollisuutta, että ammatissa merkitsee altistuminen tärkeä tunnettujen ammatillisia karsinogeeneja on hylätty tutkimus, ii) se auttaa poimia muun ammateissa ei edellytä altistumista tunnetuille ammatillisia karsinogeeneja, jotka olisi edelleen tutkitaan ja ovat todennäköisesti antaa tietoa roolista uusien tai epäillyn ammatillisia karsinogeeneja. Meidän havainnot rakentaminen maalarit, jotka liittyvät OR = 1,85 (95% CI: [1,0-3,15]) standardin ML lähestymistapa, ovat esimerkki jälkimmäisestä vaikutuksia. Mukaan DOM-JEM rakentaminen maalarit eivät altistu kromia tai piidioksidia ja on alhainen altistuminen asbestille. Kuitenkin tai pysyy koholla jälkeen HR jopa käytettäessä 0,23 (OR = 1,23, 95% CI: [0,8-1,72]), mikä viittaa siihen, että lisääntynyt riski johtuu muille riskeille. Niinpä se kannattaa koskevien lisätutkimusten maalarit. Todellakin tuore meta-analyysi 47 riippumattomia arvioita yhdistyksen työllisyyspolitiikan taidemaalarina ja keuhkosyövän riskiä arvioidaan yleistä suhteellinen riski 1,35 (95% CI: [1,2-1,41]), joka on lähempänä meidän HR kuin meidän ML arvio [23]. Jos HR painaa tietoa DOM-JEM liikaa, saatamme aiheutua ongelma, että suurten riskien ammatteihin luokiteltu altistettu 3 pidetään karsinogeeneja (mutta todennäköisesti altistuvat muille syöpää aiheuttaville aineille) ovat aina tippuu alas. Niistä 20 ammateissa korkein ML syrjäisimpien alueiden, 6 oli valottamattomat asbestille, kromia tai piidioksidia. HR kutistuminen oli vahva riskien perustuu pieneen määrään aiheita, mutta ei mitätöidä ne perustuvat suuremmat luvut, kuten Verhoilu (ML OR: 2,27, HR TAI [= 0,59]: 1,62) ja räätälöi /dressmakers (ML OR: 2,08, HR TAI [= 0,59]: 1,49).

sisällyttäminen monen covariates toisen vaiheen malli voi johtaa collinearity ongelmia ja vaikeuksia arvioitaessa toisen vaiheen kertoimia. Tästä syystä meidän analyysit vain kolmea tunnettua keuhko karsinogeeneja DOM-JEM [15]. JEM käytetty tässä luokittelee altistumista syöpää kolme tasoa, ja näitä käytettiin määrittää toisen vaiheen mallia. Ennen asennusta malli, me varmistaneet, että riittävä määrä henkilöä altistettiin kullekin tasolle valitun karsinogeenien varmistaa malliin lähentyminen. Jos tämä ehto ei ollut hallussaan, yksinkertaisempi versio matriisin dikotomista altistuminen karsinogeeneille olisi voitu käyttää. Mielenkiintoinen tulevaa kehitystä metodi voisi olla käyttöä jatkuva altistuminen muuttujia toisen vaiheen mallia.

Meidän analyysit, olemme arvioineet vaikutuksia neljän eri arvoja. Valinta riippuu siitä, montako toisen vaiheen covariates sisältyvät malliin, kuinka vahva ja luotettava niiden yhteenliittymien sekä lopputulokseen ja vastuita kohteita ovat, ja kuinka hyvin ensimmäisen vaiheen malli on määritetty (eli jos se voi olla oletetaan, että kaikki asiaankuuluvat sekoittavat tekijät on otettu mukaan). Meidän analyysit, päätimme sisällyttää kolme hyvin tunnetut vahva ammatillisia keuhko karsinogeeneja, ja meidän ensimmäisen vaiheen malli oikaistu tupakoinnin. Tämän vuoksi oli kohtuullista olettaa, että 95%: n arvioiden valehtelisi enintään 10-kertainen kantaman toistensa (esim. 0,5 ja 5,0) huomioidaan toisen vaiheen covariates ja 0,59 olisi sitten sopiva. Kunkin ammatti oli käänteisesti painotettu määrä altistumista syöpää aiheuttavia määritelty JEM. Tässä suhteessa HR on ylivoimainen SB koska se moduloi painot annetaan jäljellä vaihtelua kunkin ammatin ja siten määrä kutistuminen kohti ennakkotietoja.

HR on jo osoitettu olevan pätevä lähestymistapa sopeutua monimuuttujille tutkimuksissa, joihin analysoidaan eri ammatilliset altistukset ja tulokset [10] ja ammatillisissa tutkimuksissa, joissa ensimmäisen vaiheen vastuut (kemialliset ja fysikaaliset tekijät) on taantunut fysikaalis toisessa vaiheessa mallin [8], [9 ]. Meidän analyysit, olemme keskittyneet riskit ammateissa ja mukana karsinogeenien toisen vaiheen mallia. Huomasimme, että HR voisi myös olla arvokas väline ammatillisissa tutkimuksissa, joissa sairastumisriskiä on arvioitu paljon ammateissa kun meillä on tietoa saatavilla keskeisistä karsinogeeninen vastuut mukana kunkin ammatin. Kun jatkuva edistyminen altistumisen arviointimenetelmät ammatillisissa asetukset ja rakentaminen ja hienosäätö Jobin Exposure Matriisit olisi helpompaa saada nämä tiedot ja suorittaa tämäntyyppisen analyysin tulevaisuudessa.

tukeminen Information

Liite S1.

§ matriisin kuusi ammateissa (rivit 55-60) B doi: 10,1371 /journal.pone.0038944.s001

(DOC) B Lisäys S2.

Esimerkkejä laskettaessa elementtien toisen vaiheen kovarianssimatriisi

doi: 10,1371 /journal.pone.0038944.s002

(DOC) B Lisäys S3.

laskenta on hierarkkinen Regression arvioi

doi: 10,1371 /journal.pone.0038944.s003

(DOC) B Lisäys S4.

Odds tunnusluvut keuhkosyöpää ja 95%: n luottamusväli saadaan käyttämällä suurimman todennäköisyyden (ML), Semi-Bayes sopeutetaan maailman keskilämpötila (SB) ja hierarkkinen regressio (HR) varten 129 valitun ammateissa (3-numeroinen ISCO-koodit; n 10) B doi: 10,1371 /journal.pone.0038944.s004

(DOC) B

Kiitokset

Olemme kiitollisia D. Mirabelli hänen neuvoista.