Podcast na Příčinnost v epidemiologických studiích

Kapitoly

Příběh z Londýna

Kauzalita vs. korelace

Bradford Hillova kritéria

Typy studií a kauzalita

Mapy příčin: DAG diagramy

Mýtus o očkování

Časová shoda, ne příčina

Přirozené experimenty

Mýtus o sklence vína

Konec jednoho mýtu

Přepis

Barbora: V Londýně roku 1854 se šíří panika. Lidé umírají po stovkách, často během pár hodin. Nikdo neví proč. Všichni viní „špatný vzduch“, takzvané miasma. Ale jeden lékař, John Snow, si všímá něčeho jiného. Všechny oběti... pily vodu z jedné konkrétní veřejné pumpy na Broad Street.

Ondřej: A tak udělá něco naprosto radikálního. Přesvědčí místní úřady, aby odmontovaly rukojeť té pumpy. A epidemie cholery... téměř okamžitě ustane. Právě odhalil skutečnou příčinu, ne jen náhodnou souvislost. Posloucháte Studyfi Podcast.

Barbora: To je neuvěřitelný detektivní příběh! A myslím, že skvěle otevírá naše dnešní téma – kauzalitu. Jak poznáme, že jedna věc opravdu způsobuje druhou, a není to jen shoda náhod?

Ondřej: Přesně tak, Barboro. To je základní otázka epidemiologie. Musíme rozlišovat mezi kauzalitou a korelací. Kauzalita, neboli příčinná souvislost, znamená, že změna v X vede ke změně v Y. Když odmontuju rukojeť pumpy, epidemie ustane.

Barbora: A korelace je co? Jen to, že se dvě věci dějí současně?

Ondřej: Přesně. Dvě věci se můžou hýbat stejným směrem, ale jedna nemusí způsobovat druhou. Znáš ten klasický příklad s kostely a vraždami?

Barbora: Ne, ten neznám. To zní dost morbidně.

Ondřej: Ve městech s větším počtem kostelů je i vyšší počet vražd. Znamená to, že kostely způsobují vraždy?

Barbora: No... to asi ne. Hádám, že v tom bude nějaký háček.

Ondřej: Samozřejmě. Tím háčkem je třetí proměnná, takzvaný „confounder“. V tomto případě je to velikost města. Větší města mají víc kostelů... a bohužel i víc vražd. Kostely a vraždy spolu jen korelují, ale příčinou je velikost populace.

Barbora: Aha, takže musíme být takoví detektivové a hledat skryté faktory. Nebo je to někdy jen čistá náhoda? Jakože... prodeje zmrzliny korelují s počtem utonulých, ale jedno nezpůsobuje druhé, obojí způsobuje horké počasí.

Ondřej: Přesně tak! To je další skvělý příklad confoundingu. A pak je tu ještě záměna příčiny a následku. Třeba: lidé s depresí méně sportují. Způsobuje deprese nečinnost, nebo nedostatek pohybu depresi?

Barbora: To je vlastně otázka, co bylo dřív, slepice, nebo vejce. A co ten příklad s čápy a porodností? To zní jako pohádka.

Ondřej: To je můj oblíbený. Studie v Německu našla silnou korelaci mezi počtem čapích hnízd a počtem narozených dětí v daném regionu. Takže čápi nosí děti, je to potvrzené!

Barbora: Konečně vědecký důkaz! Tak kde je ten confounder tentokrát?

Ondřej: Venkov. Ve venkovských oblastech je víc čápů a zároveň, z různých socioekonomických důvodů, bývá i mírně vyšší porodnost. Je to takzvaný ekologický omyl – co platí pro celý region, nemusí platit pro jednotlivé rodiny.

Barbora: Dobře, takže už víme, čemu se vyhnout. Ale jak tedy tu opravdovou kauzalitu prokážeme? Existuje nějaký checklist, který si můžeme odškrtat?

Ondřej: Skvělá otázka. Neexistuje stoprocentní checklist, ale máme něco velmi užitečného. V roce 1965 přišel epidemiolog Sir Austin Bradford Hill s devíti kritérii. Nejsou to přísná pravidla, spíš taková vodítka nebo indicie, které nám pomáhají posoudit, jestli je vztah pravděpodobně kauzální.

Barbora: Devět? To zní jako hodně. Které je nejdůležitější?

Ondřej: Úplně nejdůležitější, a jediné naprosto nezbytné, je čtvrté kritérium: temporalita. Příčina musí vždy předcházet následku. To zní logicky, že? Nejdřív musíte kouřit, až pak můžete dostat rakovinu plic z kouření.

Barbora: Jasně, to dává smysl. A co další? Nějaké příklady?

Ondřej: Určitě. Třeba síla asociace. Když mají kuřáci dvacetkrát vyšší riziko rakoviny plic než nekuřáci, je to mnohem přesvědčivější, než kdyby to riziko bylo vyšší jen o pět procent.

Barbora: Takže čím silnější vztah, tím spíš je to ono.

Ondřej: Přesně. Dále je tu biologický gradient. Tedy vztah dávky a odpovědi. Čím víc cigaret denně kouříš, tím vyšší je riziko. A naopak, když přestaneš, riziko klesá. To je silný důkaz.

Barbora: A co třeba konzistence? Znamená to, že to musí vyjít stejně v každé studii?

Ondřej: V podstatě ano. Když desítky studií v různých zemích, na různých lidech, v různou dobu dojdou ke stejnému závěru – jako v případě kouření – tak je to velmi silný argument pro kauzalitu.

Barbora: Dobře, kritéria máme. Ale jak se k těm datům vůbec dostaneme? Jaké typy studií epidemiologové používají, aby tohle všechno zjistili?

Ondřej: Základní jsou tři typy observačních studií. Nejjednodušší je průřezová studie. Představ si, že uděláš fotku populace v jeden konkrétní moment. Zeptáš se lidí, jestli kouří a jestli mají zrovna teď nějaké dýchací potíže.

Barbora: To zní rychle a levně. Ale asi to má háček, že?

Ondřej: Má. Velký. Nevíš, co bylo dřív. Začali mít potíže, protože kouřili, nebo začali kouřit, protože byli ve stresu z potíží? Nemůžeš prokázat tu klíčovou temporalitu.

Barbora: Rozumím. Tak co je další stupeň?

Ondřej: Studie případů a kontrol. Tady už jdeme trochu v čase. Vezmeš skupinu lidí s rakovinou plic – to jsou „případy“ – a skupinu zdravých lidí – „kontroly“. A pak se jich zpětně ptáš, jestli v minulosti kouřili.

Barbora: Tady už temporalitu máme! Víme, že kouření bylo před nemocí.

Ondřej: Ano, ale je tu jiné riziko. Takzvaný „recall bias“. Lidé, kteří jsou nemocní, mají tendenci víc přemýšlet o tom, co je mohlo způsobit, a lépe si pamatují různé rizikové faktory než zdraví lidé.

Barbora: Takže nám zbývá poslední a asi nejlepší možnost?

Ondřej: Přesně tak. Zlatým standardem observačních studií je kohortová studie. Tady vezmeš velkou skupinu zdravých lidí – kohortu – a rozdělíš je na kuřáky a nekuřáky. A pak je sleduješ roky, nebo i desítky let, a čekáš, u koho se rakovina plic vyvine.

Barbora: To musí být strašně drahé a zdlouhavé.

Ondřej: To je. Ale je to nejsilnější design. Temporalita je naprosto jasná. Přímo vidíš, jak expozice (kouření) vede k výsledku (nemoci). Právě takové studie definitivně potvrdily vztah mezi kouřením a rakovinou plic.

Barbora: Všechny ty vztahy – confoundery, mediátory – zní to docela složitě. Existuje nějaký způsob, jak si to celé vizualizovat? Nějaká mapa?

Ondřej: Existuje! A je to skvělý nástroj. Říká se mu DAG diagram. Zkratka pro Directed Acyclic Graph, česky orientovaný acyklický graf.

Barbora: To zní ještě složitěji než ten problém, co to má řešit.

Ondřej: Jen to tak zní! Představ si to jako jednoduchou mapu kauzálních vztahů. Máš bubliny, které představují proměnné – třeba fyzickou aktivitu, krevní tlak, kardiovaskulární onemocnění. A mezi nimi vedou šipky.

Barbora: A šipka znamená „způsobuje“?

Ondřej: Přesně! Šipka ukazuje směr kauzálního vztahu. Třeba šipka od fyzické aktivity ke krevnímu tlaku znamená, že cvičení ovlivňuje tlak. A je to „acyklické“, což znamená, že se nemůžeš vrátit v kruhu zpátky na začátek. Příčina vede k následku, ne naopak.

Barbora: Dobře, to chápu. A jak nám to pomůže s těmi zmatky jako je confounding?

Ondřej: Krásně to odhalí. Vzpomínáš na confounder? To je proměnná Z, která způsobuje jak naši expozici X, tak výsledek Y. V DAGu by to vypadalo tak, že ze Z vedou šipky do X i do Y. Když takový vzor vidíme, víme, že na tuhle proměnnou si musíme dát pozor a ve statistice ji zohlednit.

Barbora: Takže když si nakreslím vztah mezi fyzickou aktivitou (X) a kardiovaskulárními nemocemi (Y), takový confounder by mohl být třeba věk? Starší lidé se méně hýbou a zároveň mají vyšší riziko nemocí srdce.

Ondřej: Perfektní příklad! Věk (Z) ovlivňuje obojí. DAG nám pomůže takovéhle vztahy identifikovat. Ale ukáže nám i jiné vzory, třeba mediaci. To je situace, kdy X způsobuje Y skrze prostředníka M. Třeba fyzická aktivita (X) snižuje riziko KVO (Y) tím, že snižuje krevní tlak (M). Šipky by šly z X do M a z M do Y.

Barbora: Takže DAG je vlastně takový manuál pro statistickou analýzu. Řekne nám, které proměnné spolu souvisí a jak. To je geniální.

Ondřej: Je to velmi mocný nástroj pro přemýšlení o kauzalitě. Pomáhá nám formulovat hypotézy a vyhnout se běžným chybám. Ukazuje nám, že jen sbírat data nestačí. Musíme mít i teorii o tom, jak svět funguje. A to je, myslím, skvělý závěr naší dnešní detektivky.

Barbora: To je skvělý závěr. A když mluvíme o kauzalitě a běžných chybách, napadá mě jedno téma, kde se to řeší pořád dokola. Očkování a autismus.

Ondřej: Ano, to je bohužel klasický příklad. Je to mýtus, který se neuvěřitelně drží, i když byl už tisíckrát vyvrácen. Pojďme si to rozebrat podle těch našich detektivních kritérií.

Barbora: Super, tak začněme silou asociace. Jak silná je ta údajná spojitost?

Ondřej: Právě že vůbec žádná. Ta původní studie doktora Wakefielda z roku 98 byla na pouhých dvanácti dětech. Dvanácti! To je spíš menší narozeninová oslava než vědecká studie.

Barbora: Dvanáct dětí, to je opravdu málo. A co ty větší studie?

Ondřej: Proti tomu stojí třeba obří dánská studie na více než 650 000 dětech, která nenašla absolutně žádnou souvislost. A takových studií jsou dnes desítky, po celém světě. Všechny se stejným výsledkem.

Barbora: Dobře, takže data jsou konzistentní v tom, že nic nenašla. Ale co ta časová posloupnost? Rodiče často říkají, že se problémy objevily krátce po očkování.

Ondřej: To je ten nejzrádnější bod. Jde o časovou koincidenci, ne kauzalitu. Očkování MMR probíhá zhruba ve věku, kdy se první příznaky autismu stávají pro okolí zřetelnými. Ty dvě věci se prostě potkají v čase.

Barbora: Takže ty změny v mozku tam byly už předtím?

Ondřej: Přesně tak. Dnes víme, že neurologické změny spojené s autismem vznikají už prenatálně, tedy dávno před jakýmkoliv očkováním. Je to jako si stěžovat, že slunce vychází proto, že zakokrhal kohout.

Barbora: Rozumím. A co ty další body? Třeba biologický gradient? Více vakcín, více autismu?

Ondřej: Ani náhodou. Neexistuje žádná závislost na dávce. A máme i skvělé „přirozené experimenty“. Například v Japonsku na čas přestali plošně očkovat MMR vakcínou.

Barbora: A co se stalo? Předpokládám, že výskyt autismu klesl?

Ondřej: Právě naopak. On dál rostl. Stejně jako rostl i poté, co se z vakcín odstranil ten strašák thiomersal, tedy sloučenina rtuti. Hypotéza prostě nesedí s realitou.

Barbora: Takže když to shrneme, vztah očkování a autismu nesplňuje ani jedno z těch Hillových kritérií. Je to vědecky uzavřená kapitola.

Ondřej: Naprosto. Původní studie byla podvod, autor přišel o licenci. Vědecký konsenzus je tu železný. Žádná příčinná souvislost neexistuje.

Barbora: Díky za tohle jasné vysvětlení. Tady věda mluví opravdu jednoznačně. Ale co když ta souvislost není takhle vyvrácená, ale jen skrytá?

Ondřej: Přesně. To je perfektní můstek k našemu poslednímu tématu. Alkohol a zdraví. Desítky let jsme slýchali, že mírní pijáci žijí déle než abstinenti. Vznikla takzvaná J-křivka.

Barbora: Ano, to znám! Sklenka vína denně pro zdravé srdce, že? Takže to není pravda?

Ondřej: Není. A problém byl přesně v tom, co jsi naznačila – ve skryté proměnné. Vědci totiž zjistili, že referenční skupina „abstinentů“ byla... problematická.

Barbora: Jak to myslíš problematická? Jakože občas tajně upíjeli?

Ondřej: Skoro. Byli v ní bývalí alkoholici a hlavně lidé, kteří přestali pít, protože už byli nemocní. Říká se tomu „sick quitters“ efekt.

Barbora: Aha! Takže jsme neporovnávali zdravé mírné pijáky se zdravými abstinenty. Porovnávali jsme je s už nemocnými lidmi.

Ondřej: Přesně tak. Klasický případ selekčního zkreslení. Když se data očistila, J-křivka zmizela. Navíc moderní genetické studie ukázaly, že alkohol škodí srdci lineárně. Čím víc, tím hůř.

Barbora: Takže další mýtus zbořen. Díky, Ondřeji, za všechny příklady. Dnešní hlavní ponaučení tedy je: korelace opravdu neznamená kauzalitu.

Ondřej: Přesně tak. Vždy se ptejme, co mohlo výsledky ovlivnit. Děkuji za pozvání.

Barbora: I já děkuji. A vám, milí posluchači, děkujeme za pozornost u Studyfi Podcastu a těšíme se zase příště.