Epidemiologie en volksgezondheid

Studiegidsnr:1061FBDBMW
Vakgebied:Biomedische wetenschappen
Academiejaar:2018-2019
Semester:2e semester
Inschrijvingsvereisten:Min. 08/20 vereist voor Biostatistiek
Contacturen:42
Studiepunten:5
Studiebelasting:140
Contractrestrictie(s):Niet te volgen onder examencontracten
Instructietaal:Nederlands
Examen:2e semester
Lesgever(s)- NNB
Greta Schoeters

Deze cursusinformatie is bedoeld om de student te ondersteunen bij het verwerken van de leerstof

3. Inhoud *

In de inleiding worden enkele historische voorbeelden gegeven van onderzoek dat gebruik maakte van ‘epidemiologische methoden’. Het belang dat dit onderzoek had voor de bestrijding van ziekten, zonder dat echte biologische verklaringen voor hun ontstaan kon gegeven worden, heeft de ‘epidemiologie’ zeer populair gemaakt. Er heerst echter nog heel wat onduidelijkheid over wat epidemiologie nu precies is, niet in het minst bij de beoefenaars ervan zelf. De student wordt geconfronteerd met de definitie van de theoretische epidemiologie als discipline gericht op de studie van het voorkomen van fenomenen die relevant zijn in het domein van de gezondheid. Net zoals in de ‘klassieke’ wetenschappen wordt het studieobject voorgesteld als een mathematische functie die de relatie tussen de te verklaren maat voor het voorkomen van ziekte, sterfte of genezing en de determinanten hiervoor symboliseert. We kiezen hier resoluut voor deze mathematische voorstelling omdat ze naar ons oordeel verhelderend werkt en bovendien goed voorbereidt voor de verschillende analysevormen (mathematische modelbouw) die frequent toegepast worden bij toegepast wetenschappelijk onderzoek in het domein van ziekte en gezondheid. In deze inleiding wordt dit toepassingsgebied opgesplitst in drie grote rubrieken die ontstaan wanneer we de kennis (gnosis) relevant voor het domein opdelen in diagnose, prognose en etiognose.

Er wordt kort ingegaan op enkele frequent gebruikte maten voor de weergave van het voorkomen van gebeurtenissen (ziekte, sterfte, genezing, herval). Bij de studie van het voorkomen van gebeurtenissen relevant voor ziekte en gezondheid zijn deze maten de afhankelijke variabelen in de voorkomensfuncties. We gaan in een zelfstudieopdracht wat uitgebreider in op de overlevingsanalyse als techniek voor de weergave van de frequentie van het voorkomen van gebeurtenissen aan de hand van een cijfervoorbeeld dat we ontlenen aan een studie naar de effectiviteit van behandeling bij acute leukemie van Freireich (1963). Hiermee pogen we de basis concepten van de overlevingsanalyse en de grafische voorstelling van onvolledige gegevens op een overzichtelijke manier te introduceren.

De diagnose, het beeld dat de gezondheidswerker heeft over de aanwezigheid van een ziekte bij een individu, wordt hier voorgesteld als een probleem van onzekerheid. Teneinde met deze onzekerheid te kunnen omgaan worden verschillende benaderingen voorgesteld. Eerst wordt de benadering gebaseerd op de validiteits-kenmerken van een (gedichotomiseerde) diagnostische test en de frequentie van de aandoening voorgesteld. Deze benadering heeft belangrijke beperkingen die echter (tenminste gedeeltelijk) overwonnen kunnen worden door het bekijken van het diagnostisch probleem als een prevalentie. Deze kan dan bestudeerd worden als een functie van een diagnostische indicator (naast andere determinanten van de aanwezigheid van ziekte).

Veder wordt aandacht besteed aan causaliteit. Hoewel men eenvoudig zou kunnen stellen dat een relatie causaal is wanneer zij niet verstoord is door één of andere verstorende factor, wordt frequent een aantal criteria gehanteerd om de causaliteit van een relatie te onderzoeken. Het feit dat in het domein van ziekte en gezondheid een gebeurtenis haast nooit plaats vindt als gevolg van het blootgesteld zijn aan één enkele factor en dat de meeste factoren die supplementair nodig zijn niet gekend zijn, maakt het begrijpen van causaliteit zeer moeilijk. Het model voor causaliteit dat door Rothman en Lanes ontwikkeld werd in het handboek ‘Modern Epidemiolgy’ is een goede hulp bij het omgaan met causaliteit. Het toont bovendien duidelijk de verschillende zwakheden van de gebruikte criteria voor causaliteit.

Op basis van het model voor (multi-) causaliteit wordt aangegeven hoe de invloed van een determinant op het optreden van gebeurtenissen kan gekwantificeerd worden. Er worden verschillende maten voorgesteld die elk hun eigen karakteristieken hebben m.b.t. het weergeven van deze invloed. Het zijn associatiematen voor de relatie tussen de afhankelijke en de onafhankelijke variabelen. We beperken ons hier tot het absoluut effect, het relatief effect, de ratiocomponent van het relatief effect, de attributieve proportie en de preventieve fractie.

Er wordt kort ingegaan op het probleem van de vergelijkbaarheid van blootgestelde en niet-blootgestelde populaties waarvoor men het verschil in optreden van gebeurtenissen wil bestuderen. Experimenteel onderzoek laat toe, wanneer het goed wordt opgezet, deze vergelijkbaarheid zoveel mogelijk zelf te bepalen. In het domein van ziekte en gezondheid is het echter vaak onmogelijk experimenteel onderzoek op te zetten. Toevlucht kan dan genomen worden tot het quasi experimenteel onderzoek (de cohort studies) en het efficiëntere meta-experimenteel onderzoek (case-control studie, case referent studie).

In deze module wordt gewezen op het belang van systematische fouten voor de interpretatie van onderzoeksresultaten. We maken daarbij het onderscheid tussen de vertekening die kan ontstaan door de selectie (bij beperkte participatie) van individuen uit de studiepopulatie, door het inadequaat verzamelen van informatie over blootstellingen en gebeurtenissen bij de personen onder studie en tenslotte door de vermenging van de bestudeerde effecten met de effecten van andere kenmerken relevant voor het studieresultaat (verstoring). We blijven ook even stilstaan bij de effectmodificatie (interactie). We geven aan hoe gestratifiëerde analyse een oplossing biedt voor zowel verstoring als effectmodificatie.

 

In de context van milieu-epidemiologie wordt de impact van blootstelling aan stoffen uit het leefmilieu voorgesteld aan de hand van case studies. Er wordt ingegaan op humane biomonitoring, biomerkers, dosis-effect en dosis-response relaties. Verder wordt aandacht besteed aan de vroege moleculaire effecten van blootstelling. Hierbij wordt er ingegaan op het gebruik van –omics in epidemiologisch onderzoek. –Omics technologieën laten toe om in humane stalen op genoomwijd niveau moleculaire veranderingen geassocieerd met blootstelling in kaart te brengen. Daarnaast wordt behandeld hoe gegevens uit humane biomonitoringsstudies gebruikt kunnen worden om de gezondheidswinst (en de daarmee gekoppelde economische winst) van preventieve maatregelen in te schatten.

 

Binnen het deel ‘Burden of Cancer’ worden de onderdelen van een ‘Cancer Burden’ uitgelegd: incidentie, prevalentie, mortaliteit en overleving. Er wordt ingegaan op de kankerregistratie in België en de trends in België worden in een internationale context geplaatst. De link tussen kankertrends en risicofactoren wordt besproken aan de hand van de ‘European Code against Cancer’ van de WHO, waarbij nationale en internationale gegevens gebruikt worden ter illustratie.