Section 6: Descriptive Epidemiology

som nevnt tidligere, er hver nybegynner avis reporter lært at en historie er ufullstendig hvis den ikke beskriver hva, hvem, hvor, når, og hvorfor / hvordan av en situasjon, enten det er vær en romferge lansering eller et husbrann. Epidemiologer streber etter lignende omfattende karakterisering av en epidemiologisk hendelse, enten det er en pandemi av influensa eller en lokal økning i terrengkjøretøy krasjer. Imidlertid har epidemiologer en tendens til å bruke synonymer for de fem W-ene som er oppført ovenfor: saksdefinisjon, person, sted, tid og årsaker/risikofaktorer / overføringsmåter. Beskrivende epidemiologi dekker tid, sted og person.

Kompilering og analyse av data etter tid, sted og person er ønskelig av flere grunner.

• først, ved å se på dataene nøye, blir epidemiologen veldig kjent med dataene. Han eller hun kan se hva dataene kan eller ikke kan avsløre basert på de tilgjengelige variablene, dens begrensninger (for eksempel antall poster med manglende informasjon for hver viktig variabel) og dens eksentrisiteter (for eksempel varierer alle tilfeller i alder fra 2 måneder til 6 år, pluss en 17-åring.).for det Andre lærer epidemiologen omfanget og mønsteret av folkehelseproblemet som undersøkes-hvilke måneder — hvilke nabolag, og hvilke grupper av mennesker som har mest og minst tilfeller.
• For Det Tredje skaper epidemiologen en detaljert beskrivelse av helsen til en befolkning som lett kan kommuniseres med tabeller, grafer og kart.For Det Fjerde kan epidemiologen identifisere områder eller grupper i befolkningen som har høye sykdomsrater. Denne informasjonen gir i sin tur viktige ledetråder til årsakene til sykdommen, og disse ledetrådene kan omdannes til testbare hypoteser.

Tid

forekomsten av sykdom endres over tid. Noen av disse endringene skjer regelmessig, mens andre er uforutsigbare. To sykdommer som oppstår i samme sesong hvert år inkluderer influensa (vinter) og West Nile virusinfeksjon (August-September). I kontrast kan sykdommer som hepatitt B og salmonellose oppstå når som helst. For sykdommer som oppstår sesongmessig, kan helsepersonell forutse deres forekomst og gjennomføre kontroll-og forebyggende tiltak, for eksempel en influensavaksinasjonskampanje eller myggsprøyting. For sykdommer som forekommer sporadisk, kan etterforskere gjennomføre studier for å identifisere årsaker og former for spredning, og deretter utvikle passende målrettede tiltak for å kontrollere eller forhindre ytterligere forekomst av sykdommen.

i begge situasjoner er det avgjørende å vise mønstre av sykdomstilfelle etter tid for å overvåke sykdomstilfelle i samfunnet og for å vurdere om folkehelsetiltakene gjorde en forskjell.

Tidsdata vises vanligvis med en todimensjonal graf. Den vertikale eller y-aksen viser vanligvis antallet eller frekvensen av tilfeller; vannrett eller x-aksen viser tidsperioder som år, måneder eller dager. Antallet eller frekvensen av tilfeller er plottet over tid. Grafer over sykdomstilfelle over tid tegnes vanligvis som linjediagrammer (Figur 1.4) eller histogrammer (Figur 1.5).

noen ganger viser en graf tidspunktet for hendelser som er relatert til sykdomstrender som vises. For eksempel kan grafen indikere eksponeringsperioden eller datoen for kontrolltiltak ble implementert. Å studere en graf som noterer eksponeringsperioden kan føre til innsikt i hva som kan ha forårsaket sykdom. Å studere en graf som noterer tidspunktet for kontrolltiltak, viser hvilken innvirkning, om noen, tiltakene kan ha hatt på sykdomstilfelle.

som nevnt ovenfor er tiden plottet langs x-aksen. Avhengig av sykdommen, kan tidsskalaen være så bred som år eller tiår, eller så kort som dager eller timer på dagen. For noen forhold — mange kroniske sykdommer, for eksempel — epidemiologer har en tendens til å være interessert i langsiktige trender eller mønstre i antall tilfeller eller frekvensen. For andre forhold, for eksempel matbårne utbrudd, er den aktuelle tidsskalaen sannsynligvis dager eller timer. Noen av de vanligste typene av tidsrelaterte grafer er nærmere beskrevet nedenfor. Disse og andre grafer er beskrevet mer detaljert I Leksjon 4.

Sekulære (langsiktige) trender. Grafering av årlige tilfeller eller sykdomshastighet over en periode på år viser langsiktige eller sekulære trender i forekomsten av sykdommen (Figur 1.4). Helsemyndighetene bruker disse grafene til å vurdere den rådende retningen for sykdomstilfelle (økende, avtagende eller i hovedsak flat), hjelpe dem med å evaluere programmer eller ta politiske beslutninger, utlede hva som forårsaket en økning eller reduksjon i forekomsten av en sykdom (spesielt hvis grafen indikerer når relaterte hendelser fant sted), og bruk tidligere trender som en prediktor for fremtidig forekomst av sykdom.

Sesongmessighet. Sykdom forekomst kan være grafert av uke eller måned i løpet av et år eller mer for å vise sin sesongmønster, hvis noen. Noen sykdommer som influensa og West Nile infeksjon er kjent for å ha karakteristiske sesongmessige fordelinger. Sesongmønstre kan foreslå hypoteser om hvordan infeksjonen overføres, hvilke atferdsfaktorer øker risikoen, og andre mulige bidragsytere til sykdommen eller tilstanden. Figur 1.6 viser sesongmønstre av rubella, influensa og rotavirus. Alle tre sykdommene viser konsistente sesongmessige fordelinger, men hver sykdom topper seg i forskjellige måneder — rubella I Mars til juni, influensa i November Til Mars og rotavirus i februar til April. Rubella-grafen er slående for epidemien som skjedde i 1963 (rubella-vaksine var ikke tilgjengelig før 1969), men denne epidemien fulgte likevel sesongmønsteret.

Ukedag og tid på dagen. For noen forhold kan visning av data etter ukedag eller tidspunkt på dagen være informativ. Analyse på disse kortere tidsperiodene er spesielt egnet for forhold knyttet til yrkesmessige eller miljømessige eksponeringer som har en tendens til å forekomme med jevne mellomrom. I Figur 1.7 vises dødsulykker på gårdstraktorer etter ukedagene.(32) Merk at antall omkomne gårdstraktorer på søndager var om lag halvparten av de øvrige dagene. Mønsteret av gårds traktorskader etter time, som vist i Figur 1.8 toppet klokka 11: 00, dyppet ved middagstid og toppet igjen klokka 4: 00 Disse mønstrene kan foreslå hypoteser og mulige forklaringer som kan evalueres med videre studier. Figur 1.9 viser antall overlevende og redningsmenn som presenteres for lokale sykehus i New York etter angrepet på World Trade Center 11. September 2001.

Epidemisk periode. For å vise tiden for et sykdomsutbrudd eller epidemi, bruker epidemiologer en graf som kalles en epidemisk kurve. Som med de andre grafene som er presentert så langt, viser en epidemisk kurves y-akse antall tilfeller, mens x-aksen viser tid som enten dato for symptomstart eller diagnosedato. Avhengig av inkubasjonsperioden (lengden på tiden mellom eksponering og symptomdebut) og overføringsruter, kan skalaen på x-aksen være så bred som uker (for en svært langvarig epidemi) eller så smal som minutter (for eksempel for matforgiftning av kjemikalier som forårsaker symptomer i løpet av minutter). Konvensjonelt vises dataene som et histogram (som ligner på et stolpediagram, men har ingen mellomrom mellom tilstøtende kolonner). Noen ganger vises hvert tilfelle som en firkant, som I Figur 1.10. Formen og andre trekk ved en epidemisk kurve kan foreslå hypoteser om tid og kilde for eksponering, modus for overføring, og den utløsende agent. Epidemiske kurver diskuteres mer detaljert i Leksjon 4 og 6.

Sted

Beskrivelse av forekomst av sykdom etter sted gir innsikt i problemets geografiske omfang og geografiske variasjon. Karakterisering av sted refererer ikke bare til bosted, men til ethvert geografisk sted som er relevant for sykdom forekomst. Slike steder inkluderer diagnosested eller rapport, fødested, arbeidssted, skolekrets, sykehusenhet eller nylige reisemål. Enheten kan være så stor som et kontinent eller land eller så liten som en gateadresse, sykehusfløy eller operasjonsrom. Noen ganger refererer sted ikke til et bestemt sted i det hele tatt, men til en stedskategori som urbane eller landlige, innenlandske eller utenlandske, og institusjonelle eller ikke-institusjonelle.

Vurder dataene i Tabell 1.3 og 1.4. Tabell 1.3 viser SARS-data etter rapportkilde, og reflekterer hvor en person med mulig SARS sannsynligvis vil bli karantene og behandlet.(33) Tabell 1.4 viser derimot de samme dataene etter hvor DE mulige SARS-pasientene hadde reist, og reflekterer hvor overføring kan ha skjedd.

selv om stedsdata kan vises i en tabell som Tabell 1.3 eller Tabell 1.4, gir et kart en mer slående visuell visning av stedsdata. På et kart kan forskjellige tall eller sykdomshastigheter avbildes ved hjelp av forskjellige skygger, farger eller linjemønstre, som I Figur 1.11.

En annen type kart for stedsdata er et punktkart, For Eksempel Figur 1.12. Spot kart vanligvis brukes for klynger eller utbrudd med et begrenset antall tilfeller. En prikk eller X er plassert på stedet som er mest relevant for sykdommen av interesse, vanligvis hvor hvert offer bodde eller jobbet, akkurat Som John Snow gjorde i sitt spotkart over Golden Square-området I London (Figur 1.1). Hvis det er kjent, er steder som er relevante, for eksempel sannsynlige eksponeringssteder (vannpumper I Figur 1.1), vanligvis notert på kartet.

Analyse av data etter sted kan identifisere samfunn med økt risiko for sykdom. Selv om dataene ikke kan avsløre hvorfor disse menneskene har økt risiko, kan det bidra til å generere hypoteser for å teste med flere studier. For eksempel er et samfunn i økt risiko på grunn av egenskapene til menneskene i samfunnet som genetisk følsomhet, mangel på immunitet, risikofylt atferd eller eksponering for lokale giftstoffer eller forurenset mat? Kan den økte risikoen, spesielt for en smittsom sykdom, tilskrives egenskapene til kausjonsmiddelet som en spesielt virulent stamme, gjestfrie avlssteder eller tilgjengeligheten av vektoren som overfører organismen til mennesker? Eller kan den økte risikoen tilskrives miljøet som bringer agenten og verten sammen, for eksempel trengsel i urbane områder som øker risikoen for sykdomsoverføring fra person til person, eller flere boliger bygges i skogkledde områder nær hjort som bærer flått infisert med organismen som forårsaker Lyme sykdom? (More techniques for graphic presentation are discussed in Lesson 4.)

Person

fordi personlige egenskaper kan påvirke sykdom, organisering og analyse av data ved «person» kan bruke iboende egenskaper av mennesker (for eksempel alder, kjønn, rase), biologiske egenskaper (immunstatus), ervervet egenskaper (sivilstatus), aktiviteter (yrke, fritidsaktiviteter, bruk av medisiner/tobakk/narkotika), eller under hvilke forhold de lever (sosioøkonomisk status, tilgang til medisinsk behandling). Alder og kjønn er inkludert i nesten alle datasett og er de to mest analyserte» person » egenskaper. Men avhengig av sykdommen og tilgjengelige data, er analyser av andre personvariabler vanligvis nødvendige. Vanligvis begynner epidemiologer analysen av persondata ved å se på hver variabel separat. Noen ganger kan to variabler som alder og kjønn undersøkes samtidig. Persondata vises vanligvis i tabeller eller grafer.

Alder. Alder er trolig den viktigste» person » attributtet, fordi nesten alle helserelaterte hendelser varierer med alderen. En rekke faktorer som også varierer med alder inkluderer: følsomhet, mulighet for eksponering, latens eller inkubasjonstid av sykdommen, og fysiologisk respons(som blant annet påvirker sykdomsutvikling).når man analyserer data etter alder, prøver epidemiologer å bruke aldersgrupper som er smale nok til å oppdage aldersrelaterte mønstre som kan være tilstede i dataene. For noen sykdommer, spesielt kroniske sykdommer, kan 10-års aldersgrupper være tilstrekkelig. For andre sykdommer skjuler 10-årige og til og med 5-årige aldersgrupper viktige variasjoner i sykdomstilfelle etter alder. Vurder grafen for pertussis forekomst etter standard 5-årige aldersgrupper vist i Figur 1.13 a. den høyeste frekvensen er tydelig blant barn 4 år og yngre. Men er frekvensen like høy hos alle barn i den aldersgruppen, eller har noen barn høyere priser enn andre?