Abstract
Bakgrunn
Administrative studier ofte innebære flere sammenligninger og derfor lider av falske positive funn . Semi-Bayes justering metoder har noen ganger blitt brukt til å løse dette problemet. Hierarkisk regresjon er en mer generell tilnærming, inkludert Semi-Bayes justering som et spesielt tilfelle, som tar sikte på å bedre validiteten av standard maksimal-likelihood estimatene i nærvær av multiple sammenligninger ved å innlemme likheter mellom eksponeringer av interesse i en andre-trinns modell .
metodikk /hovedfunnene
Vi re-analysert data fra en tjenestepensjonsordning case-control studie av lungekreft, søker hierarkisk regresjon. I den andre-trinns modell, vi inkludert eksponering for tre kjente lunge kreftfremkallende (asbest, krom og silika) for hver okkupasjon, under forutsetning av at yrker som innebærer tilsvarende kreftfremkallende eksponering er assosiert med tilsvarende risiko for lungekreft. Hierarkiske regresjon estimater hadde mindre konfidensintervaller enn maks-likelihood estimatene. Den krymping mot null var sterkere for ekstreme, mindre stabile estimater (for eksempel «spesialiserte bønder»: maksimal sannsynlighet OR: 3,44, 95% KI 0,90 til 13,17, hierarkisk regresjon OR: 1,53, 95% KI 0,63 til 3,68). I motsetning til Semi-Bayes justering mot den globale middeltemperaturen, gjorde hierarkisk regresjon ikke krympe alle ORS mot null (f.eks «Metal Smelteverk, konvertering og foredling furnacemen»: maksimal sannsynlighet OR: 1,07, Semi-Bayes OR: 1,06, hierarkisk regresjon OR:. 1.26)
Konklusjon /Betydning
hierarkisk regresjon kan være et verdifullt verktøy i yrkes studier der sykdomsrisiko er beregnet for et stort antall yrker når vi har informasjon tilgjengelig på nøkkelen kreftfremkallende eksponeringer som er involvert i hvert yrke. Med konstant fremgang i eksponeringsevalueringsformer i yrkes innstillinger og tilgjengeligheten av Job Eksponerings matriser, bør det bli lettere å bruke denne tilnærmingen
Citation. Corbin M, Richiardi L, Vermeulen R, Kromhout H, MERLETTI F , Peters S, et al. (2012) Hierarkisk regresjon for multiple sammenligninger i en case-control studie av yrkesrisiko for lungekreft. PLoS ONE 7 (6): e38944. doi: 10,1371 /journal.pone.0038944
Redaktør: Thomas Behrens, Universitetet i Bochum, Tyskland
mottatt: 24 januar 2012; Godkjent: 14 mai 2012; Publisert: 11 juni 2012
Copyright: © 2012 Corbin et al. Dette er en åpen-tilgang artikkelen distribueres under betingelsene i Creative Commons Attribution License, som tillater ubegrenset bruk, distribusjon og reproduksjon i ethvert medium, forutsatt den opprinnelige forfatteren og kilden krediteres
Finansiering:. Senteret for Public Health Research er støttet av et program Grant fra Health Research Council of New Zealand. Finansiører hadde ingen rolle i studiedesign, datainnsamling og analyse, beslutning om å publisere, eller utarbeidelse av manuskriptet
Konkurrerende interesser:.. Forfatterne har erklært at ingen konkurrerende interesser eksisterer
Innledning
Administrative studier ofte involverer samtidig analyse av flere eksponeringer og /eller flere yrker. En konvensjonell tilnærming til slike analyser er å bygge en egen modell for hvert yrke, justert for mulige confoundere. Men behandler denne tilnærmingen alle foreninger likt, uten å ta høyde for at noen yrker er
a priori
mer sannsynlig å bli utsatt enn andre, det vil si at noen yrker har tidligere bevis for foreninger med sykdommen som studeres , mens andre yrker ikke. Videre, for de yrker som oppviser sterkt forhøyet (eller redusert) relativ risiko, anslag sine risiko kan være forspent bort fra null på grunn av tilfeldige feil, og det er sannsynlig at hvis undersøkelsen ble gjentatt, deretter risiko estimerer nærmere null ville bli funnet, på grunn av «regresjon med den midlere «.
Semi-Bayes justering metoder har vist seg å være gyldige tilnærminger til disse problemer, særlig når parametrene som skal anslagsvis kan kategoriseres i grupper innenfor hvilken de forskjellige yrker eller eksponeringer har risikoer som er like eller «utbyttbar» på grunnlag av
a priori kunnskap
[1]. Den grunnleggende ideen av Semi-Bayes-justering for multiple sammenligninger er at den observerte variasjon av de estimerte risikoen rundt sin geometriske middel vil være større enn variasjonen av de virkelige (men ukjente) risikoer. Semi-Bayes metode [2] angir en
a priori
verdi for variasjonen av de virkelige risikoene; Dette
a priori
verdi blir så brukt til å justere de observerte risikoene [3]. Justeringen består i krympende utkant anslag mot den totale gjennomsnittet av de observerte estimater. Jo større den individuelle variansen av anslagene, jo sterkere er den krymping, dvs. den krymping er sterkere for mindre pålitelige beregninger basert på et lite antall.
Semi-Bayes justering er et spesialtilfelle av den mer generelle metoden ifølge hierarkisk regresjon [4]. Sistnevnte tilnærming har en rekke spesifikke typer regresjonsmodell som spesialtilfeller inkludert Bayesian regresjon, Semi-Bayes regresjon, Stein regresjon, straffet sannsynlighet regresjon, og ridge regresjon. I dagens kontekst, kan hierarkisk regresjon brukes til å innlemme tidligere likheter mellom eksponeringer av interesse i en andre-trinns modell. Denne tilnærmingen har vært brukt tidligere i flere studier som involverer vurdering av flere eksponeringer /risikofaktorer, f.eks studier på diett [5], genetiske studier [6], [7] og arbeidsstudier [8] – [10]. Målet med dette arbeidet var å re-analysere data fra en tjenestepensjonsordning case-control studie av lungekreft, bruke hierarkisk regresjon og med tidligere informasjon fra en validert Job-Exposure-Matrix (JEM). Spesielt vi inngår i andre-trinns modell eksponeringen mot tre kjente lunge kreftfremkallende for hver okkupasjon, under forutsetning av at yrker som innebærer lignende eksponeringsnivåer for samme lunge kreftfremkallende er forbundet med lignende risiko for lungekreft.
Materialer og metoder
Etikk erklæringen
den aktuelle studien er en re-analyse av den italienske undergruppe av multicentric studie på lungekreft fra International Agency for Research on Cancer (IARC) [11 ], ble dermed ingen ekstra etisk komité godkjenning spurt.
beskrivelse av data
dataene er fra en populasjonsbasert case-control studie utført mellom 1990 og 1992 i to områder av Italia ( byen Torino og den østlige delen av Veneto-regionen). Studien metodologi er blitt beskrevet andre steder [11]. Kort fortalt tilfeller (956 menn og 176 kvinner) var alle personer diagnostisert med hendelsen primær lungekreft i løpet av 1990-1992, i alderen under 75 og bosatt i studieområdene. Controls (1,253 menn og 300 kvinner) ble tilfeldig valgt fra de lokale folkeregistre og frekvens matchet med saker etter kjønn, studieområde og fem-års aldersgrupper. Informasjon ble samlet inn på grunnleggende demografiske opplysninger, aktiv og passiv røyking, og livet yrkes historie. Spesielt datoene for begynnelse og slutt arbeid, samt stillingsbetegnelse og industrigren, ble registrert for hver arbeidsperiode som varte i minst 6 måneder. Jobbtitler og bransjer ble kodet blind til kasus-kontrollstatus i henhold til standard for yrkesklassifisering (ISCO-68) [12] og International Standard for næringsgruppering (ISIC) [13], henholdsvis. De aktuelle analyser ble utført bare på menn
Vi har fokusert på tre kjemikalier som ble klassifisert av International Agency for Research on Cancer (IARC) [14] som gruppe 1 karsinogener rettet mot lungene. Asbest, krom og silika. Eksponering for disse kreftfremkallende ble vurdert gjennom en generelle befolkningen Job eksponering Matrix (DOM-JEM) utviklet i 2010 av tre yrkes eksperter (HK, RV og SP) for en stor sammenslått case-control studie på lungekreft [15]. DOM-JEM tildeler et ordens eksponering score for flere lunge kreftfremkallende (0 = ingen eksponering, 1 = lav eksponering, 2 = høy eksponering) til hver ISCO-kode.
Konvensjonell Analyse
Analysene ble gjort på tre-sifret ISCO kodenivå. For de ISCO-koder som begynner med «X» (arbeidere ikke kan klassifiseres etter yrke), og for de som er spesifisert til maksimalt 2 sifre, ble alle de tilsvarende yrkeshistorikk slettes fra datasettet, noe som resulterer i utelukkelse av 5 tilfeller og 14 kontroller. Bare jobbkoder med minst ti personer ble beholdt i analysene (n = 129). De første-trinns-modeller beregnet risikoen for lungekreft for hver av de 129 yrker separat. Den Odds Ratio (OR) for alltid blir utsatt for hver jobb ble modellert med ubetinget logistisk regresjon, justert for alder, studieområde og sigarettrøyking status (aldri, ex, strøm): der
Y
er en dikotom variabel representerer lungekreft status (
Y
= 1: tilfeller;
Y
= 0: kontroller), OCC
i (i = 1, …, 129) er en dikotom variabel som representerer eksponeringen status til jeg
th okkupasjon, er w en vektor av kovariater i modellen (dvs. alder, studieområde, og sigarettrøyking status) er, er skjærings sikt, regresjonskoeffisienten tilsvarende den jeg
th yrke, og er vektoren av regresjonskoeffisienter tilsvarer kovariatene for jeg
th okkupasjon.
Vi har også gjennomført ut betinget logistisk regresjon. Siden estimatene innhentet gjennom betinget og ubetinget regresjon justering for å matche variabler var svært like, her viser vi kun de som er oppnådd gjennom betingelsesløs logistisk regresjon.
ORS med tilhørende 95% konfidensintervall (KI) ble beregnet ved hjelp av for maksimums sannsynligheten bruker SAS Logistic prosedyren.
hierarkisk regresjon
hierarkisk regresjon kan brukes til å forsøke å forbedre på maksimal sannsynlighet (ML) anslag ved hjelp av en andre-trinns lineær modell [5], [6]. Den andre-trinns modell som brukes her tilbakegang på ln (OR) s av yrker på de yrkene «estimerte eksponeringsnivåer for asbest, krom og silika. (2) er det 129-element vektor av ln (OR) s for de yrkene . er thematrix (skjærings og 2 indikatorvariablene per eksponering) hentet fra DOM-JEM [15] som klassifiserer de 129 yrker i henhold til deres nivå av eksponering for asbest, krom og silika. Hver kreftfremkallende har to mulige eksponeringsnivåer, uttrykt ved to dikotome variabler
Mer spesifikt har vi:.
er verdien på rad og kolonne, hvor og og er gjensidig utelukkende.
Vedlegg S1 viser radene 55-60 av matrisen. For eksempel, er plassert på 55
th rad og 6
te kolonne i matrisen, og er lik 1, fordi «barne arbeidere og gartnere» er utsatt for silika (fra jord) på nivå 1.
er det syv-elements vektor (anslått av den andre-trinns modell) av koeffisientene som korresponderer med virkningene på lungekreft av nivåene av eksponeringer til de tre karsinogener som er beskrevet i.
er et 129-element vektor av feil vilkårene som representerer den gjenværende effekten av å være ansatt i hvert yrke etter regnskap for eksponering for asbest, krom og silika.
er en 129-element vektor nuller.
er andre-trinns kovariansmatrise. Den andre fasen varians for et estimat for et bestemt yrke representerer rest variansen av effekten av okkupasjonen etter å ha tatt hensyn til virkningene av de tre lunge kreftfremkallende. Dette kan estimeres fra data (Empirisk Bayes) eller spesifisert
a priori product: (Semi-Bayes). Vi brukte her Semi-Bayes tilnærming. er en parameter som brukes til å kontrollere styrken av den vanlige krymping av alle koeffisientene ML mot sine tidligere midler. Vi satt til 0,23, 0,41, 0,59 og 0,76, som svarer til de forutsetninger at 95% av relativ risiko ville ligge innenfor et 2,5, 5, 10 og 20 fold-spekter av hverandre, henholdsvis, hvis T var identitetsmatrisen. Vi antok at den andre-trinns varians for hver stilling er avhengig av dens eksponeringsnivåer for de tre kreftfremkallende, slik at høyere nivåer av eksponerings, jo mindre den andre-trinns varians. For enkel beregning, ikke inkluderte rest sammenheng mellom yrker. er da en diagonal matrise (se vedlegg S2 for eksempler på beregning) med: (3)
Modellen var utstyrt med R (gratis programvare for statistisk databehandling og grafikk) [16] (selv om slike analyser kan også være gjøres i SAS og Stata, eller med en hvilken som helst logistisk regresjon pakke ved å tilsette enkle tidligere data [17]). Koden er en modifisert versjon av koden levert av Chen og Witte [6] og er tilgjengelig på forespørsel. Koeffisientene ble beregnet ved hjelp av vektet minste kvadraters (se vedlegg S3). Erstatte dem tilbake inn i ligning (2) ga tidligere midler for yrker «koeffisienter. Hierarkisk regresjons anslag (bakre estimater) for koeffisientene for hver yrke ble deretter oppnådd ved å ta gjennomsnittet av ML-koeffisientene (fra konvensjonell analyse) og deres respektive tidligere kjente midler, slik at jo større de diagonale elementene av, jo sterkere krymping av koeffisientene til deres tidligere betyr.
Halv Bayes justering mot den globale middeltemperaturen
Vi har sammenlignet resultatene som oppnås gjennom hierarkisk regresjon med de som ble oppnådd gjennom en mer tradisjonell Semi-Bayes justering mot den globale middeltemperaturen, brukt tidligere i yrkes studier som involverer multiple sammenligninger [3], [18] – [22]. Variansen av den sanne ln (OR) s ble antatt å være 0,25. Forutsatt en normal fordeling av ln (OR) s, innebærer dette valget at de sanne ORS ligger innenfor en 7-fold rekkevidde av hverandre [2]. Semi-Bayes justering ble brukt hver for seg i løpet av to yrkesgrupper som antas å innebære ulike nivåer av eksponering for lunge kreftfremkallende: de yrkene som innehas av funksjonærer (identifisert ved det første sifferet i ISCO koden 6, mindre sannsynlighet for å medføre eksponering for kreftfremkallende) og yrker som innehas av blue-collar arbeidere (identifisert ved det første sifferet i ISCO code≥6, mer sannsynlig å innebære noen eller tung eksponering for kreftfremkallende). For hver gruppe av yrker, denne metoden var tilsvarende en bestemt sak hierarkisk regresjon hvor bare skjærings ble inkludert i den andre-trinns modell.
Resultater
Tabell 1 oppsummerer de grunnleggende egenskapene av fagene som inngår i våre analyser.
Tabell 2 viser ORS av lungekreft for alltid å bli utsatt for hvert nivå av eksponering av kreftfremkallende inkludert i andre-trinns modell (asbest, krom og silika ). Disse Ors ble beregnet ved hjelp av logistiske regresjonsmodeller, justert for alder, studieområde og sigarettrøyking status (aldri, ex, strøm). Noen gang blir utsatt for hver av de tre kreftfremkallende, var assosiert med en økt risiko for lungekreft, med høyere risiko observert for høye nivåer av eksponering.
Tabell 3 viser deskriptiv statistikk for fordelingen av 129 ln (OR) s oppnås gjennom ML estimering, Semi-Bayes (SB) justering, og hierarkisk regresjon (HR) med = 0,76, = 0,59, = 0,41 og = 0,23.
Sammenlignet med ML, middelverdien av fordelingen av ln (OR) s trekkes mot null etter SB og HR. For HR, er denne effekten sterkere for mindre verdier av. Standardavviket for fordelingen av ln (OR) s blir også redusert ved både SB og HR og er mindre for mindre verdier av (Tabell 3). Det kan også nevnes at både SB og HR estimatene har i gjennomsnitt mindre standardfeil.
kernel density plotter (figur 1) av ln (OR) s utstilling mindre venstre skjev fordelingene for SB og HR enn for ML anslagene (mindre medianer etter SB og HR er også tydelig i tabell 3). Dette skyldes det faktum at de ekstreme anslag, som er mer sannsynlig å være ustabil, føres mot sine tidligere kjente midler.
tetthetsfordelinger kjerne av den ln (OR) s av lungekreft for de 129 valgte yrker innhentet ved hjelp av Maximum Likelihood (ML), Semi-Bayes justering mot den globale middeltemperaturen (SB) og hierarkisk regresjon (HR).
i tabell 3 ser vi at for SB, gjennomsnittet og standardavviket for den ln (OR) e fordeling er inkludert mellom de tilsvarende verdier for HR [= 0,41] og HR [= 0,59]. Imidlertid er oppnådd etter SB fordeling mer venstre skjev enn etter HR (figur 1). Tettheten kurven for SB har en høyere skråning på høyre side enn på venstre side: mens venstre side ligger mellom kurvene for HR [= 0,41] og HR [= 0,59], ligger på høyre side under begge kurver. Dette indikerer at ekstreme positive estimatene er generelt krympet sterkere mot nullverdi (ln (OR) = 0) til SB enn gjennom HR.
Effekten av krymping kan ses i spredningsplott i figur 2, hvor ORS for hver okkupasjon beregnet med HR og SB er plottet mot ML estimater. Den videre ML estimatene er fra null verdi (OR = 1), jo mer spredt er HR og SB estimater og jo sterkere er krymping. Som forventet, er ekstreme anslagene trekkes sterkere for mindre verdier av.
Scatter plott av ORS av lungekreft for de 129 utvalgte yrker estimert ved hjelp hierarkisk regresjon (HR) med = 0,76
vs
. Maximum Likelihood (ML) (A), HR med = 0,59
vs
. ML (B), HR med = 0,23
vs
. ML (C) og Semi-Bayes justering mot den globale middeltemperaturen (SB)
vs.
ML (D).
Tabell 4 rapporter de ELLER estimater gjennom ulike metoder for yrker knyttet til de tjue høyeste risikoen for lungekreft i den konvensjonelle analyse (ORS for alle yrker finnes i vedlegg S4). Svinn er spesielt sterk for spesialiserte bønder (ML OR = 3.44, SB OR = 1.59, HR eller [= 0,76] = 1,81, HR eller [= 0,23] = 1,00) og for skipsmaskinrommet karakterer, som er sterkt utsatt for asbest (ML OR = 5.88, SB OR = 1,54, HR eller [= 0,76] = 2,43, HR eller [= 0,23] = 1,78). Dette skyldes det faktum at disse to yrkene er holdt av et lite antall fag og konfidensintervall for ML estimatene er derfor svært store. Til tross for de store CIS, men de «krympet estimater fortsatt indikerer at disse yrkene er assosiert med økt risiko for lungekreft, og deres ORS er konsistente med andre yrker som innebærer eksponering for lunge kreftfremkallende.
SB med en
a priori
sann standardavvik på 0,5 forutsatt anslag som var mindre spredt enn HR-estimater med de valgte verdier av (figur 2). Særlig SB krympet alle de økte ML anslag mot null, mens noe økte estimatene ble trukket bort fra null ved bruk av HR. For eksempel, ML risikoestimat for «Metal Smelteverk, konvertering og raffinering furnacemen» (ML OR = 1,07, SB OR = 1,06, HR eller [= 0,59] = 1,26, HR eller [= 0,41] = 1,37) er nær null mens HR, vekting for deres eksponering for både asbest (lav eksponering) og krom (høy eksponering), trekker risikoestimat fra null. Tilsvarende anslår HR en høyere risiko for «Miners og Quarrymen» (ML OR = 1.19, SB OR = 1.14, HR eller [= 0,59] = 1,27, HR eller [= 0,41] = 1,30), utsatt for både asbest (lav eksponering ) og silika (høy eksponering). «Metal annealers, temperers og case-herdere» (ML OR = 1.14, SB OR = 1,08, HR eller [= 0,59] = 1,42, HR eller [= 0,41] = 1,44) er bare svært utsatt for krom og «Railway lokomotivførere og brannmennene «(ML OR = 0,97, SB OR = 1.01, HR eller [= 0,59] = 1,35, HR eller [= 0,41] = 1,47) er bare svært utsatt for asbest. Imidlertid ML anslagene har store variasjoner, noe som øker styrken av krymping mot de tidligere ORS og resulterer i forhøyede risikoestimater etter HR. På den andre siden SB, bruker mindre informative priors, utfører en mer systematisk krymping og resulterer i en generell reduksjon av ORS. Noen ML ORS under ett er også krympet over en av HR mens de er krympet oppover, men under en av SB, som i tilfelle av «Metal hjul» (ML OR = 0,58, SB OR = 0,84, HR eller [= 0,76] = 0.91, HR eller [= 0,59] = 0,98, HR eller [= 0,41] = 1,07, HR eller [= 0,23] = 1,12). Derfor, generelt, SB med en
a priori
sann standardavvik på 0,5 og HR med = 0.59 gi shrinkages av samme størrelsesorden, men ulike risikoestimater for yrker kjente
a priori
å bli utsatt til lunge kreftfremkallende.
Diskusjoner
i våre analyser, HR gitt estimater som trolig vil være mer pålitelig og har smalere konfidensintervall enn oppnås med konvensjonell ML analyse. Mange av de mer ekstreme estimater gjennom ML analyse er basert på små tall og har store konfidensintervaller. HR, ved å inkludere tidligere informasjon om eksponering for tre lunge kreftfremkallende i en andre-trinns modell, trekker disse anslagene mot sine respektive tidligere hjelp og dermed reduserer deres estimerte standardfeil og konfidensintervall. Styrken og retningen av den krymping for de mer ekstreme anslag avhenge av de tidligere anslåtte eksponeringer av de tilsvarende yrker til de tre kreftfremkallende. For eksempel «spesialiserte bønder» er ikke utsatt for noen av de vurderte kreftfremkallende og HR trekker derfor den tilsvarende eller sterkt mot nullverdi, mens OR forblir forhøyet etter «metall melters og reheaters» som er utsatt for både asbest og krom. I en situasjon med flere sammenligninger, er HR dermed et nyttig verktøy for dataanalyse som tar hensyn til flere sammenligninger involvert og fellestrekk av eksponeringer på tvers av ulike yrker.
I våre analyser, HR og SB krymping hatt lignende effekter på ML estimater. Men siden HR bruker mer detaljert tidligere informasjon enn SB, vil trolig være mer hensiktsmessig og spesifikk enn sistnevnte (forutsatt selvfølgelig at dette før informasjonen er rimelig gyldig) krympingen utført av den tidligere metoden. Våre funn viser at alle estimatene ble krympet mot nullverdi gjennom SB mens noen av dem ble trukket i motsatt retning av HR, på grunn av bruk av tilleggs tidligere informasjon. Således begge metodene tar sikte på å redusere falske positive resultater, men HR begrenser også den iboende virkning av krymping av økende falsk-negative. På den annen side, er SB lettere å beregne og behøver ikke manipuleringen av en andre-trinns matrise. Valget mellom de to metodene er derfor i hovedsak er avhengig av tilgjengelighet og pålitelighet av informasjonen i det andre trinnet modell.
HR krymping som foreslått i denne utredningen kunne ha to relevante implikasjoner når drive utforskende analyser på risiko forbundet med yrker: i) det reduserer muligheten for at et yrke som innebærer eksponering for viktige kjente yrkes karsinogener blir avvist av studien, ii) det bidrar til å plukke opp, blant yrker ikke medfører eksponering for kjente yrkes karsinogener, de som skal videre undersøkt og er mer sannsynlig å gi informasjon om rollen til nye eller mistanke om helsekreftfremkallende. Våre funn på bygge malere, som ble assosiert med en OR på 1,85 (95% KI: [1.0-3.15]) i standard ML tilnærming, er et eksempel på det siste implikasjon. Ifølge DOM-JEM bygge malere ikke utsettes for krom eller silika og har en lav eksponering for asbest. Men forblir eller forhøyet etter HR selv når du bruker en av 0,23 (OR = 1,23, 95% KI: [0,8 til 1,72]), noe som tyder på at noen økt risiko skyldes andre eksponeringer. Derfor er det verdt å gjennomføre videre studier på malere. Faktisk en fersk meta-analyse på 47 uavhengige estimater av sammenhengen mellom sysselsetting som maler og risiko for lungekreft estimert en samlet relativ risiko på 1,35 (95% KI: [1,2 til 1,41]), som er nærmere vår HR enn vår ML estimat [23]. Hvis HR veier informasjon fra DOM-JEM for tungt, kan vi pådra seg i problemet at høy risiko for yrker som er klassifisert som ueksponert til 3 anses kreftfremkallende (men sannsynligvis vil bli utsatt for andre kreftfremkallende) er alltid slått ned. Blant de 20 yrkene med høyest ML ORS, 6 var ueksponert for asbest, krom eller silika. HR krymping var sterk for risiko basert på et lite antall fag, men ikke opphever de som er basert på større tall, for eksempel upholsterers (ML OR: 2,27, HR eller [= 0,59]: 1,62) og skreddere /sydamene (ML OR: 2.08, HR eller [= 0,59]: 1,49)
inkludering av mange kovariater i den andre-trinns modell kan føre til kollinearitetsegenskapene problemer og vanskeligheter i beregning andre stadium koeffisienter.. Av denne grunn ble våre analyser begrenset til tre kjente lunge kreftfremkallende fra DOM-JEM [15]. JEM brukt her klassifiserer eksponering for kreftfremkallende i tre nivåer, og disse ble brukt til å angi andre-trinns modell. Før montering av modellen, bekreftet vi at et tilstrekkelig antall av forsøkspersoner ble utsatt for hvert nivå av de valgte kreftfremkallende for å sikre modell konvergens. Hvis denne betingelse ikke holder, kunne en enklere versjon av grunnmassen med dichotomous eksponering til de kreftfremkallende har blitt brukt. En interessant fremtidige utviklingen av denne metoden kan være bruk av kontinuerlige eksponerings variabler i andre-trinns modell.
I våre analyser har vi vurdert effekten av fire forskjellige verdier av. Valget av avhenger av hvor mange andre-trinns kovariater inngår i modellen, hvor sterke og pålitelige sine assosiasjoner med både resultatet og eksponeringer av interesse er, og hvor godt det første-trinns modell ble spesifisert (dvs. hvis det kan være forutsettes at alle relevante confounders er tatt med). I våre analyser, valgte vi å inkludere tre godt kjente sterke yrkes lunge kreftfremkallende, og vår første-trinns-modellen ble justert for røyking. Det var derfor rimelig å anta at 95% av estimatene vil ligge innenfor maksimalt 10-fold-rekkevidde av hverandre (for eksempel mellom 0,5 og 5,0) etter at regnskap for andre-trinns kovariater, og en på 0,59 vil da være hensiktsmessig. For hver okkupasjon, ble omvendt vektet etter hvor mye eksponering for kreftfremkallende som angitt i JEM. I denne forbindelse er overlegen i forhold til HR SB siden det modulerer vektene som er gitt til den resterende variasjon av hver yrke og følgelig mengden av krymping mot tidligere informasjon.
HR har allerede blitt vist å være en gyldig metode for å justere for multiple sammenligninger i studier med analysen av flere yrkesmessig eksponering og utfall [10] og i yrkes studier der de første-trinns eksponeringer (kjemiske og fysiske midler) ble tilbakedannede på fysiokjemiske egenskaper i en andre-trinns modell [8], [9 ]. I våre analyser har vi fokusert på risikoen forbundet med yrker og inkluderte kreftfremkallende i en andre-trinns modell. Vi fant ut at HR kan også være et verdifullt verktøy i yrkes studier der risikoen for sykdom er beregnet for et stort antall yrker når vi har tilgjengelig informasjon om de viktigste kreftfremkallende eksponeringer som er involvert i hvert yrke. Med konstant fremgang i eksponeringsevalueringsformer i yrkes innstillinger og bygging og videreutvikling av Job Eksponerings matriser, bør det bli lettere å få tilgang til denne informasjonen og gjennomføre denne typen analyser i fremtiden.
Støtte Informasjon
Vedlegg S1.
Seksjon for matrisen for seks yrker (rader 55 til 60)
Doi: 10,1371 /journal.pone.0038944.s001 plakater (DOC)
Vedlegg S2.
Eksempler på beregning av elementene i det andre trinnet kovariansmatrise
doi: 10,1371 /journal.pone.0038944.s002 plakater (DOC)
Vedlegg S3.
Beregning av den hierarkiske Regresjon anslår
doi: 10,1371 /journal.pone.0038944.s003 plakater (DOC)
vedlegg S4.
Odds prosenter av lungekreft og 95% konfidensintervall oppnådd ved bruk av Maximum Likelihood (ML), Semi-Bayes justering mot den globale middeltemperaturen (SB) og hierarkisk regresjon (HR) for de 129 utvalgte yrker (3-sifrede ISCO-koder; n 10)
doi:. 10,1371 /journal.pone.0038944.s004 plakater (DOC)
Takk
Vi er takknemlige til D. Mirabelli for hans nyttige råd
