Ravitsemusepidemiologisten tutkimusten tulkinnasta

 

Lihan kulutus ja sen mahdollinen yhteys terveyteen on laajalti esillä mediassa. Uutisjuttuihin on yleensä poimittu muistiinperustuvien ravitsemusepidemiologisen tutkimusten raportoimat tulokset. Tässä kirjoituksessa tarkastellaan, mihin seikkoihin on syytä kiinnittää huomiota, kun arvioidaan tämän tyyppisten tutkimusten tuloksia.

Suhteellinen ja absoluuttinen riski: Mitä ne tarkoittavat?

Kun arvioidaan tutkimuksia, jotka käsittelevät sairauksien riskiä, on tärkeää ymmärtää ero suhteellisen riskin (RR) ja absoluuttisen riskin (AR) välillä.

• Suhteellinen riski (RR) kuvaa, kuinka paljon suurempi tai pienempi riski on tietyssä altistuneessa ryhmässä (esim. runsaasti punaista lihaa syövillä) verrattuna altistumattomaan ryhmään (esim. vähän lihaa syövillä). Se antaa kuvan siitä, miten altistus vaikuttaa sairauden kehittymiseen suhteessa vertailuryhmään.
• Absoluuttinen riski (AR) kertoo, kuinka monella henkilöllä tietyssä ryhmässä kehittyy sairaus tietyn ajan kuluessa. Se kuvaa sairauden yleisyyttä ryhmässä, mutta ei suoraan vertaa eri ryhmien riskejä.

Suhteellinen riski: Tulosten tulkitseminen

Suhteellinen riski on yleisimmin raportoitu mittari epidemiologisissa tutkimuksissa, ja se antaa käsityksen siitä, kuinka paljon suurempi (tai pienempi) riski on altistuneessa ryhmässä verrattuna ei-altistuneeseen ryhmään.

Esimerkki: Jos tutkimus raportoi, että prosessoidun lihan kulutus on yhteydessä 15 % suurempaan tyypin 2 diabeteksen riskiin (RR = 1,15), se tarkoittaa, että prosessoitua lihaa runsaasti syövillä on 15 % suurempi riski sairastua tyypin 2 diabetekseen verrattuna niihin, jotka syövät vähemmän.

Absoluuttinen riski: Yksilötason vaikutus

Absoluuttinen riski on tärkeä, koska se kertoo, kuinka todennäköistä on, että henkilö sairastuu tiettyyn sairauteen. Vaikka suhteellinen riski voi vaikuttaa suurelta, absoluuttinen riski antaa paremman käsityksen todellisesta vaikutuksesta yksilön kannalta.

Esimerkki: Jos prosessoitua lihaa runsaasti syövillä on 10 % riski sairastua tyypin 2 diabetekseen, kun taas vähän syövillä riski on 8 %, absoluuttinen riski on noussut vain 2 prosenttiyksikköä (10 % - 8 % = 2 %). Tämä tarkoittaa, että vaikka suhteellinen riski on kasvanut 15 %, todellinen lisäriski yksilötasolla on vain 2 %.

Absoluuttisen riskin lisäys (ARI)

Absoluuttisen riskin lisäys (ARI) kuvaa altistuksen aiheuttamaa lisäriskiä tietyssä ryhmässä. Tämä mittari on hyödyllinen, kun halutaan ymmärtää, kuinka merkittävä tietyn altistuksen vaikutus on.

$$ARI = AR_{\text{altistuneet}} - AR_{\text{ei-altistuneet$$

Esimerkissä, jossa paljon prosessoitua lihaa syövillä on 10 % riski sairastua tyypin 2 diabetekseen ja vähän syövillä 8 % riski, ARI olisi:

$$ARI = 10\% - 8\% = 2\%$$

Itse raportoidun ruokavaliotiedon epäluotettavuus

Ravitsemusepidemiologisissa tutkimuksissa käytetään itse raportoitua ruokavaliotietoa, kuten ruoka-frekvenssikyselyjä, ruokapäiväkirjoja tai ruokahistoriahaastatteluja. Vaikka nämä menetelmät ovat laajalti käytettyjä ja voivat tarjota arvokasta tietoa väestön ravitsemustottumuksista, ne eivät ole kovinkaan luotettavia ja sisältävät useita mahdollisia virhelähteitä.

1. Muistivirheet

Kun tutkimukseen osallistuvat henkilöt täyttävät ruokapäiväkirjoja tai vastaavat kyselyihin, heidän on muistettava, mitä he ovat syöneet ja kuinka paljon. Tämä voi johtaa muistivirheisiin, erityisesti pitkällä aikavälillä. Nämä muistivirheet voivat aiheuttaa harhaa, joka vääristää tutkimuksen tuloksia.

2. Sosiaalinen hyväksyttävyys

Osallistujat saattavat myös antaa vastauksia, jotka he kokevat sosiaalisesti hyväksytymmiksi. Tämä tarkoittaa, että he saattavat raportoida syöneensä enemmän terveellisiksi katsottuja ruokia ja vähemmän epäterveellisiksi katsottuja vaihtoehtoja kuin todellisuudessa.

3. Annoskokojen arviointi

Itse raportoitujen ruokavaliotietojen luotettavuus voi myös kärsiä, koska osallistujilla on usein vaikeuksia arvioida oikein syömiensä annoskokojen suuruutta. Tämä voi johtaa joko yliraportointiin tai aliraportointiin.

4. Ajallinen vaihtelu

Ruokavaliot voivat vaihdella merkittävästi ajan myötä, ja tutkimukset, jotka perustuvat yksittäiseen ruokavaliomittaukseen, eivät välttämättä kuvaa osallistujan pitkäaikaisia ravitsemustottumuksia. Tämä on erityisen ongelmallista silloin, kun tutkimuksen kohteena ovat krooniset sairaudet, kuten tyypin 2 diabetes, jotka kehittyvät pitkän ajan kuluessa.

Itse raportoidun ruokavaliotiedon vaikutus tuloksiin

Itse raportoitujen ruokavaliotietojen epäluotettavuus voi vaikuttaa merkittävästi tutkimustulosten tarkkuuteen ja luotettavuuteen. Jos tutkimuksen perusdata on epätarkkaa, tämä voi johtaa harhaisiin arvioihin altistuksen (esim. lihankulutuksen) ja lopputuloksen (esim. tyypin 2 diabeteksen) välisestä yhteydestä. Tämä tarkoittaa, että vaikka tutkimus löytäisi tilastollisesti merkitsevän yhteyden, se ei välttämättä kuvasta todellista biologista suhdetta.

Tilastollinen analyysi: Mihin kiinnittää huomiota?

Kun tulkitset tämän tyyppisiä tutkimuksia, on tärkeää ymmärtää, miten tilastollinen analyysi on tehty ja mihin asioihin kannattaa kiinnittää huomiota:

1. Kovariaattien säätö: On tärkeää tarkastella, miten tutkimuksessa on otettu huomioon sekoittavat tekijät (confounders), kuten painoindeksi (BMI), fyysinen aktiivisuus, tupakointi ja muut ruokavalion osat. Näiden tekijöiden säätäminen analyysissä auttaa erottamaan altistuksen (esim. lihankulutus) todellisen vaikutuksen sairauden riskiin.

2. Annos-vastesuhde: Tutkimuksessa usein tarkastellaan, onko altistuksen määrällä (esim. lihankulutuksen määrä) suora yhteys sairauden riskiin. Jos suurempi altistus johtaa suurempaan riskiin (annos-vastesuhde), tämä vahvistaa oletusta altistuksen ja sairauden välisestä yhteydestä.

3. Heterogeenisuus: Tarkista, onko tuloksissa merkittävää heterogeenisuutta eri kohorttien välillä. Tämä voi tarkoittaa, että tulokset eivät ole täysin yhteneväisiä eri populaatioissa, mikä voi vaikuttaa tulosten yleistettävyyteen.

4. Metodologinen joustavuus: On tärkeää huomioida, miten erilaiset analyysivalinnat voivat vaikuttaa tuloksiin. Specification curve analysis -menetelmä, jota käsiteltiin "Grilling the Data" -tutkimuksessa, voi auttaa paljastamaan, miten erilaiset analyysitavat voivat tuottaa erilaisia tuloksia.

Kotiläksy

Kun tulkitset ravitsemusepidemiologisia tutkimuksia, on tärkeää ottaa huomioon sekä suhteellinen että absoluuttinen riski. Suhteellinen riski antaa käsityksen altistuksen vaikutuksen suuruudesta, kun taas absoluuttinen riski kertoo todellisesta sairauden todennäköisyydestä yksilötasolla. Lisäksi on tärkeää tarkastella tilastollista analyysia, kovariaattien säätöä, annos-vastesuhdetta, heterogeenisuutta ja metodologista joustavuutta.

On myös syytä huomioida, että itse raportoidut ruokavaliotiedot voivat olla epäluotettavia, mikä voi vaikuttaa tutkimustulosten tarkkuuteen. Muistivirheet, sosiaalinen hyväksyttävyys, annoskokojen arvioinnin vaikeudet ja ajallinen vaihtelu voivat kaikki vääristää sitä, kuinka tarkasti ruokavaliota mitataan. Tämä voi johtaa harhaisiin johtopäätöksiin, vaikka tutkimuslöydökset näyttäisivät tilastollisesti merkitseviltä.

Anssi H. Manninen (aka "Kant II")