تحلیل مطالعات مورد شاهدی با وجود احتمالات طبقه بندی نادرست افتراقی

در مطالعات مورد شاهدی در معرض عامل خطر بودن غالبا از طریق پرسش از افراد دو گروه مورد و شاهد مشخص می شود. دلایل مختلفی چون خطای حافظه، عدم تمایل به اعلام واقعیت، درک نادرست از سوال یا تعریف نا مناسب، منجر به طبقه بندی غلط مواجهه با عامل خطر و در نتیجه مخدوش شدن نتایج مطالعه می گردد. هدف از این بررسی نشان دادن تاثیر این خطا در تحلیل مطالعات مورد شاهدی و مقایسه میان روش های مختلف تصحیح آن تحت فرض های احتمالات طبقه بندی نادرست افتراقی و ناافتراقی است.
در تحلیل مطالعه مورد شاهدی با وجود متغیر دو حالتی در معرض عامل خطر بودن که با احتمال طبقه بندی نادرست همراه است اگر احتمالات طبقه بندی معلوم باشند آنگاه روش هایی برای تصحیح نسبت بخت وجود دارد. در عمل، اطلاع ما از این احتمالات طبقه بندی بر مبنای حدس های قابل قبول است. با کمک روش های تحلیل بیزی از عدم حتمیت در مورد احتمالات طبقه بندی نادرست به عنوان اطلاعات پیشین استفاده می کنیم. مشخصه های توزیع پسین با استفاده از آلگوریتم متروپلیس هستینگ و تولید نمونه های زنجیر مارکوف برآورد شده است. روش پیشنهادی براساس دو فرض وجود احتمالات طبقه بندی نادرست افتراقی و نا افتراقی در مورد تعیین رابطه بین مصرف سیگار وآنژین صدری به کار گرفته شده است.
در این مطالعه مشخص شد که بدون توجه به تصحیح طبقه بندی غلط مصرف سیگار در گروه بیمارو غیربیمار نسبت بخت ها 09/1 به دست آمده که اثر معنادار بخت آنژین صدری را برای افراد سیگاری نشان نمی دهد. با تصحیح براساس احتمالات طبقه بندی نادرست نا افتراقی نسبت بخت ها افزایش یافته؛ اما همچنان اثر معناداری را نشان نمی دهد. تصحیح براساس احتمالات طبقه بندی نادرست افتراقی منجربه برآورد نسبت بخت های 79/1 در حالت مشخص بودن ضرایب تصحیح و نسبت بخت های 2 در حالت نامشخص بودن ضرایب تصحیح گردیده است.
بحث: عدم توجه به احتمالات طبقه بندی نادرست منجر به برآوردهای غیرواقع بینانه از نسبت بخت ها و در نتیجه تحلیل های غیرواقعی از ارتباط میان متغیرها می گردد. برای تصحیح خطای طبقه بندی نادرست ابتدا لازم است احتمالات طبقه بندی نادرست در دو گروه مورد و شاهد بررسی و براساس آن از روش تصیح احتمالات طبقه بندی نادرست افتراقی یا نا افتراقی استفاده شود. عدم حتمیت در مورد ضرایب تصحیح احتمالات طبقه بندی نادرست منجر به برآوردهایی با پراکندگی بیش تر می شود.