1. Register och forskning
möjligheter och problem
Jonas Ranstam
NKO, Lund

2. Vad är registerforskning?

3. Google
“Registerforskning” 9 860 träffar
“Register research” 20 300 träffar

4. Registerforskning
Vetenskapsrådet
Forskning baserad på befolkningsbaserade
registerdata.

5. Registerforskning
Det Koordinerende Organ for
Registerforskning
Det Koordinerende Organ for Registerforskning (KOR)
skal skabe en større sammenhæng og koordination
omkring register- og databaserede forskningsaktiviteter
i Danmark.

6. Registerforskning
Locus for registerepidemiologi
Resultatet er blitt en lang rekke vitenskapelige
artikler. De fleste med data som er koblet til et
eller flere andre registre.

7. Registerforskning
Informationscentrum för
registerforskning
Det speciella med registerdata är att uppgifterna inte
från första början har samlats in att användas inom
forskning.

10. Registerforskning
Forskning på data som
a) finns i ett register
b) är befolkningsbaserade
c) och insamlade för annat ändamål

11. Registerforskning
Forskning på data som
a) finns i ett register
b) är befolkningsbaserade
c) och insamlade för annat ändamål

12. Registerforskning
Forskning på data som
a) insamlas genom observation och
b) sparas för att återanvändas.

13. Registerforskning
Baseras inte på data från
a) djurförsök
b) in vitro-studier
c) kliniska prövningar

14. Registerforskning
Kan baseras på data från
a) observationella kliniska studier
b) epidemiologiska studier
c) SoS hälsoregister (PAR, MFM, CaReg, etc.)
d) sjukvårdens kvalitetsregister
e) administrativa register (RSV, FK etc.)

15. Varför?

16. Princip #1
Observationer från urval präglas av urvalsosäkerhet

17. Population
känd
Urval Sannolikhetsteori

18. Population
okänd
Urval Inferensteori

19. Alla patienter som kan vara
aktuella för den behandling
registreringen avser
Alla som skulle
ha registrerats i
registret
Register

20. Superpopulation
(hypotetiskt universum)
Finit population
(definerad i tid och rum)
Urval

21. 375 slumpmässigt ordnade personer av vilka 30 (8%) har influensa

22. 375 slumpmässigt ordnade personer av vilka 30 (8%) har influensa
Två slumpmässiga stickprov

23. 6% influensa
12% influensa
Urvalsosäkerhet
375 slumpmässigt ordnade personer av vilka 30 (8%) har influensa
Två slumpmässiga stickprov

24. 6% influensa
Om en och samma population
?
kan ge upphov till flera olika
stickprov, måste varje enskilt
stickprov vara förenat med en
viss osäkerhet.

25. Urvalsosäkerhet
Osäkerheten i en skattning ev en effekt bestäms av
- effektens storlek (E)
- variabiliteten i utfallet (V)
- antalet observationer (N)
Osäkerhet = V
E√N

27. Räkneexempel 1. Klinisk prövning
Skydd av pandemivaccin: utan vaccin insjuknar 30%
För att med 5% signifikansnivå och 80% styrka
kunna bestämma en skyddseffekt krävs
Patientantal
Skydd i en studie
90 % 72 pat
80 % 94 pat
70 % 128 pat
60 % 180 pat
50 % 268 pat
40 % 428 pat

28. Räkneexempel 2. Registerstudie
Guillain-Barrés syndrom: Incidens = 1 x 10 -5 personår
För att med 5% signifikansnivå och 80% styrka
kunna bestämma en biverkanseffekt krävs
Patientantal Antal drabbade
Riskökning i en studie i befolkningen
100 ggr 1 098 pat 9 000
50 ggr 2 606 pat 4 500
20 ggr 9 075 pat 1 800
10 ggr 26 366 pat 900
5 ggr 92 248 pat 450
2 ggr 992 360 pat 180

29. Princip #2
De flesta observationer är förenade med mätfel

30. Mätfel
Kvalitativa variabler “Misclassification”
Kvantitiva variabler “Accuracy”

31. Kvalitativa variabler
Bayes sats, 1763
Används för att beräkna när ett positivt fynd är
sant positivt (till skillnad från falskt positivt)

32. Kvantitativa variabler
Gauss “mätfelslag”, 1809
Korrektion av astronomiobservationer genom
användning av minsta-kvadrat-metoden med
normalfördelade observationsfel

33. Mätfelsproblem hanteras olika
vid observation och experiment
Observation: Modellering och justering
Experiment: Randomisering och blinding

34. Register och kliniska prövningar
Register Prövning
Möjligt patientantal Stort Litet
Möjlig uppföljningstid Lång Kort
Intern validitet Svag Stark
Extern validitet Stark Svag
Kostnad Låg Hög

35. Slutsats
Registerforskning är ett viktigt
komplement till annan forskning,
inte ett underlägset alternativ

36. Vilka är de största problemen
inom registerforskning?

37. Vilka är de största problemen
inom registerforskning?
Urvals- och mätfelsosäkerheten!

38. Exempel
Rangordning av sjukhus

41. Hur stor är rangtalens
urvalsosäkerhet?
(konfidensintervall redovisas i Öppna Jämförelser
felaktigt för medelvärden)

43. Beräkning
Konfidensintervall för rangtal kan beräknas med hjälp
av Monte Carlo-simulering (Marshall & Spiegelhalter
BMJ 1998;316:1701–5) .

44. Monte Carlo-simulering med R

46. Sjukhus Rang 95% konfidensintervall
Sundsvall 77 66-77
KS/Solna 76 69-77
Gävle 75 63-77
Sunderby inkl Boden 74 57-77
Ystad 73 44-77
Visby 72 47-77
Hudiksvall 71 57-77
Lund 70 48-77
Uppsala 69 60-75
Borås 68 58-76
Proxima 67 2-77
Kalmar 66 46-72
Karlstad 65 43-71
Eksjö 64 41-72
Västervik 63 29-73
S:t Göran 62 47-68
Uddevalla 61 42-68
Varberg 60 34-69
Danderyd 59 40-67
Norrtälje 58 33-75
Halmstad 57 36-70
Karlskrona 56 2-75
Gällivare 55 22-70
Jönköping 54 29-67
GMC 53 2-76

47. http://comp.nko.se/rank

48. Vad betyder mätfel för rangordningen?

49. En reoperation missklassificeras som
primäroperation
om den, vid endera primär- eller reoperation,
felrapporteras med avseende på personnummer,
operationsdatum eller sida

50. Monte Carlo-simulering med R

51. En simulering Proportionell mot antalet primäroperationer
------------------------------------------------------------------------------
Observerat Slumpvis Simulerat
------------------------- fördelning totala Tot. Rang-
Klinik Primärer Reop. Rang av 43 reop. reop. rang differens
------------------------------------------------------------------------------
1 923 15 50 2 17 53 3
2 1038 44 76 0 44 76 0
3 447 6 44 1 7 48 4
4 394 13 70 0 13 69 1
5 479 7 47 0 7 45 2
6 781 12 48 1 13 49 1
7 458 2 7 1 3 15 8
8 287 3 29 0 3 26 3
9 1110 37 69 1 37 70 1
10 794 25 68 0 25 68 0
11 1320 28 59 2 30 60 1
12 721 17 64 1 18 64 0
13 312 4 41 0 4 36 5
14 1044 7 17 0 7 16 1
15 614 24 75 2 26 75 0
. . . . . . . .
. . . . . . . .
. . . . . . . .
77 845 21 66 0 21 63 3
------------------------------------------------------------------------------
P1: antal rangdifferenser ≠ 0
P2: maximal rangdifferens

52. Många repetitioner (5000)
P1 P2
68 11
52 10.5
65 25
65 19
64 35
67 19
67 30.5 5000 repetitioner för att beskriva en
63 21 fördelning av möjliga utfall.
60 10
62 21
70 19 Medianen i fördelningen definieras
63 10
53 14 som punktestimat för respektive
59 19 parameter.
68 20
71 11
59 21 Den 2½:e och 97½:e percentilen
. .
. . som gränser för det
definieras
. .
konfidensintervall som med 95%
säkerhet anger respektive para-
meters sanna värde.
Parameter 1: antal felaktiga ranger
Parametet 2: maximalt rangfel

53. Antal med fel rang = 62 (95%: 53 – 70) av 77

57. Sammanfattning
Princip #1
Observationer från urval präglas av urvalsosäkerhet
Princip #2
De flesta observationer är förenade med mätfel

58. Sammanfattning
Princip #1
Observationer från urval präglas av urvalsosäkerhet
Princip #2
De flesta observationer är förenade med mätfel
Detta gäller naturligtvis inte bara i
vetenskapliga studier, problemen finns
alltid, även i kliniskt förbättringsarbete

59. Genombrottsmetoden
- Probleminventering, fastställande av mål
- Ta fram förbättringsidéer
- Testa olika idéer i liten skala under kort tid
- Utvärdera och mäta för att veta
- Genomför de förändringar som visat sig vara bra

60. Genombrottsmetoden
- Probleminventering, fastställande av mål
- Ta fram förbättringsidéer
- Testa olika idéer i liten skala under kort tid {urval}
- Utvärdera och mäta för att veta {urvals- och
mätfelsosäkerhet}
- Genomför de förändringar som visat sig vara bra
{förnuftiga beslut tar hänsyn till observationernas
osäkerhet}

61. Spelar osäkerheten någon roll?
Skulle vi kräva att skillnaderna skulle vara så ...
(säkra) skulle inte mycket bli gjort.
För den som vill förbättra för patienterna är det mer
konstruktivt att utgå från att det finns något att lära
av skillnader och att det kan komma patienterna
tillgodo.
Håkan Sörman, vd SKL. Dagens Medicin, 2007-11-21

62. I Danmark
En kliniske kvalitetsdatabase skal sikre, at dens resultater
og anbefalinger bygger på valide data samt anerkendte
statistiske og epidemiologiske principper.
Det betyder, at afdelingerne skal kunne stole på, at
databasens afrapportering giver et retvissende billede af de
faktiske forhold.
Er dette ikke tilfældet kan afdelingerne i værste fald initiere
ændringer i behandlingen, som kan forringe kvaliteten.1
1. Dansk Amtsrådsforening

63. Förbättringsförsämring
Enligt Jörn Donner en oförutsedd försämring som
åstadkommes i ivern att ändra, modernisera och
förbättra något.

64. Förnuftiga beslut kan bara
fattas med kännedom om
beslutsunderlagets osäkerhet

65. Tack för ordet!