מהי אפידמיולוגיה?
חקר התפלגות ודטרמיננטים של מצבי בריאות באוכלוסיות, והיישום של מחקר זה לבקרת בעיות בריאות.
מיומנות הערכה ביקורתית (Critical Appraisal)
- היכולת לקרוא מאמר מדעי ולהחליט אם זה מדע טוב או רע
- לשאול: “האם מה שאני רואה אמיתי? האם זו אסוציאציה אמיתית?”
- דוגמה: Hydroxychloroquine - מטיפול יעיל לחסר תועלת תוך חודשים
דוגמת הווידאו - חיסון שפעת ודיסטוניה
- אישה שיכולה ללכת אחורה אבל לא קדימה
- מדברת נורמלי רק כשרצה
- מאוחר יותר: מבטא אוסטרלי
- השאלות שצריך לשאול:
- האם התסמינים תואמים נזק נוירולוגי?
- סבירות ביולוגית (biological plausibility)
- מנגנון ביולוגי
- תזמון
אפידמיולוגיה תיאורית (Descriptive Epidemiology)
שלושת המימדים של התיאור
- זמן (Time)
- מקום (Place)
- אדם (Person)
“כמו פסח, מצה ומרור בסדר - כולם צריכים לומר אותם שוב ושוב”
דוגמאות
- שפעת ו-RSV: עונתיות - שיא בחורף, כמעט אפס בקיץ דוגמה לזמן
- חצבת בטייוואן: ירידות בחופשות בית ספר = מחלת ילדים דוגמה לזמן
- מפת ג’ון סנואו: כולרה בלונדון 1854 - מקרים מתקבצים סביב באר מסוימת. דוגמה למקום
- COVID-19: ילדים 0-9 = 12% מהאוכלוסייה אבל רק 2% מהמקרים - דוגמה לאדם
אפידמיולוגיה אנליטית (Analytical Epidemiology)
בודקת השערות על קשר בין חשיפה (exposure) לתוצאה (outcome).
“And to find out what causes individuals and populations to be sick or healthy!”
אסוציאציה ≠ סיבתיות
דוגמה: גבינת מוצרלה ותארי הנדסה - קורלציה 95.86%, p-value קטן מאוד, אבל אין סיבתיות.
לפני קביעת סיבתיות, יש לשלול
- מקריות (Chance)
- הטיה (Bias) - שגיאה במערכת/נתונים/ניתוח
- ערפול (Confounding) - הסבר חלופי מוסתר
דוגמת המלפפונים - השלכות של טעות
- E. coli outbreak - האשימו מלפפונים מספרד
- היה קשר אבל לא סיבתי
- עלות: 700 מיליון יורו
- כשלו בעצירת המוצר האמיתי שגרם להדבקה
עקרונות מדידה באפידמיולוגיה
לא משתמשים בספירות פשוטות! תמיד צריך
- מונה (Numerator) - מספר עם התוצאה
- מכנה (Denominator) - אוכלוסייה בסיכון
- תקופת זמן
הגדרת מקרה (Case Definition)
חייבת להיות קבועה!
דוגמה:
- COVID עם חום וגם שיעול = 14%
- COVID עם חום או שיעול = 50% (אותם אנשים, אותם תסמינים!)
אוכלוסייה בסיכון
כל אדם במונה חייב לבוא מהמכנה!
דוגמת קונגו: 120% כיסוי חיסוני = אנשים ממחוז א’ מתחסנים במחוז ב’
” The ‘population at risk’ should only include people who would have been counted if they had developed the outcome of interest. Conversely, someone should only be counted if they belong to the population of interest.”
מדדי תדירות
1. שכיחות (Prevalence)
הגדרה: שיעור האנשים באוכלוסייה עם התוצאה בנקודת זמן או תקופה מוגדרת. (במצגת תורגם כ״הימצאות״)
נוסחה:
\[\text{Prevalence} = \frac{\text{Number of cases}}{\text{Population at risk}}\]- Point prevalence או Period prevalence
שימוש: למחלות כרוניות, נטל מחלה
2. היארעות סיכון (Incidence Risk / Cumulative Incidence)
- מקרים חדשים / אוכלוסייה בסיכון
- הסתברות לחלות בתקופה מוגדרת
נוסחה:
\[\text{Incidence Risk} = \frac{\text{Number of new cases}}{\text{Population at risk}}\]שימושי למחלות חדשות / מגמות.
3. שיעור היארעות (Incidence Rate)
- מקרים חדשים / זמן-אדם בסיכון (person-time at risk)
- מתחשב שאנשים בסיכון לתקופות שונות
- אדם מפסיק לתרום זמן כשהוא: חולה, מת, עזב, או פיתח חסינות
נוסחה:
\[\text{Incidence Rate} = \frac{\text{Number of new outcomes in the follow up period }}{\text{Person time at risk}}\]יתרון: מתחשב בזמני מעקב שונים לאנשים שונים
4. סיכויים (Odds)
- מספר עם התוצאה / מספר ללא התוצאה
- משתמשים במחקרי case-control
נוסחה:
\[\text{Odds} = \frac{\text{Number of people who have developed the outcome at a point in time}}{\text{Number of people who have NOT developed the outcome at the same point in time}}\]שימוש: במחקרי מקרה-ביקורת (case-control studies)
רשת הגורמים וה-Exposome
- לא “X גורם ל-Y” אלא רשת מורכבת
- Exposome = סך כל החשיפות:
- פנימיות: מטבוליזם, מיקרוביום
- חיצוניות: זיהומים, כימיקלים, תזונה
- כלליות: הון חברתי, חינוך, מצב כלכלי
שיקולים אתיים
- הנתונים שייכים לאדם, לא לרופא
- אין זכות אוטומטית להשתמש בנתונים למחקר
- חריג: מחלות מדבקות - מותר לשתף מידע למניעת הדבקה
- גם ללא שמות - לפעמים אפשר לזהות (deductive disclosure)
- עקרון “need-to-know basis”
דוגמאות שימוש באפידמיולוגיה תיאורית
1. Case Series - דיווח AIDS הראשון (1981)
5 גברים הומוסקסואלים צעירים עם Pneumocystis carinii
2. Hepatitis A בגברים הומוסקסואלים
70% מהמקרים = גילוי דרך הדבקה מינית חדשה
3. שימוש בחיפושי גוגל
לחיזוי התפרצויות מחלות
התפתחויות מודרניות
- רב-תחומיות: עבודה עם data scientists, כלכלנים, סוציולוגים
- זמינות נתונים: קישור מקורות שונים (כמו תחבורה ובריאות)
- מעבר מניתוח העבר לחיזוי העתיד
- NLP: ניתוח טקסטים מרשתות חברתיות
טעויות אפשריות בפרשנות
- מעבדה סגורה בקיץ = נראה כמו מחלת חורף
- ג’ון סנואו בדק רק אזור אחד = אולי החמיץ מקרים
- מחקר COVID בקהילת פנסיונרים = לא מייצג
לבחינה
- אין חישובים, אין צורך במחשבון
- הבנת קונספטים, לא מתמטיקה
- מתי להשתמש ב-prevalence (נטל סוכרת) לעומת incidence (מגמות COVID)