EBP samenvatting.pdf

# Achterhalen van risicofactoren en oorzaken van ziekten met observationeel onderzoek Observationeel onderzoek speelt een cruciale rol bij het identificeren van risicofactoren en oorzaken van ziekten, waarbij het verbanden tussen variabelen bestudeert zonder interventie [14](#page=14). ### 1.1 De aard van associatie en causaliteit #### 1.1.1 Associatie versus causaal verband Een **associatie** duidt op een relatie tussen een factor en een ziekte; de factor leidt tot een uitkomst of blootstelling leidt tot ziekte. Echter, een geobserveerd verband betekent niet noodzakelijkerwijs dat het een **causaal verband** is. Causaliteit impliceert een onderliggend biologisch mechanisme waarbij eliminatie van de factor de kans op de ziekte verkleint. Een **niet-causaal verband** is een relatie waarbij de factor de ziekte niet direct veroorzaakt [14](#page=14). #### 1.1.2 Confounding **Confounding** treedt op wanneer zowel de blootstelling als de uitkomstmaat gerelateerd zijn aan een derde, externe factor. Deze confounder kan de waargenomen relatie verzwakken, versterken, of zelfs een verband suggereren dat er niet is, of een bestaand verband ontkennen [14](#page=14). #### 1.1.3 Criteria voor causaliteit Om een causaal verband te kunnen vaststellen, worden diverse criteria gehanteerd: 1. **Volgorde in tijd**: De blootstelling moet de ziekte voorafgaan [14](#page=14). 2. **Kracht van de associatie**: Een sterk verband dat waarschijnlijk niet op toeval berust [14](#page=14). 3. **Dosis-responsrelatie**: Een toenemende blootstelling leidt tot een stijgend risico op de ziekte [14](#page=14). 4. **Alternatieve uitleg**: Het verband blijft bestaan na correctie voor confounders [14](#page=14). 5. **Reversibiliteit**: Het risico op de ziekte neemt af wanneer de blootstelling wordt opgeheven [14](#page=14). 6. **Consistentie**: Verschillende onderzoeken rapporteren dezelfde resultaten [14](#page=14). 7. **Biologische plausibiliteit**: Er is een mechanisme dat verklaart hoe de blootstelling de ziekte kan veroorzaken [14](#page=14). Onderzoek naar oorzaken van ziekten is complexer dan het evalueren van behandelingseffecten, omdat het ethisch onverantwoord is om proefpersonen bloot te stellen aan schadelijke factoren. Daardoor kunnen andere factoren de uitkomsten beïnvloeden [14](#page=14). ### 1.2 Observationele onderzoeksdesigns Observationeel onderzoek maakt gebruik van verschillende designs om risicofactoren en oorzaken te bestuderen. #### 1.2.1 Cohortonderzoek **Cohortonderzoek** (ook wel longitudinaal of prospectief onderzoek genoemd) is een observationeel design waarbij men aan het begin van het onderzoek bepaalt welke personen blootgesteld zijn aan een bepaalde factor en deze vervolgens volgt om te zien hoeveel nieuwe ziektegevallen (incidentie) er in de loop van de tijd ontstaan. De **follow-up periode** stopt wanneer het onderzoek eindigt, de proefpersoon niet meer bereikbaar is (lost to follow-up), de diagnose gesteld is, of de proefpersoon is overleden. Dit type onderzoek is toekomstgericht (prospectief). De **externe validiteit** van cohortonderzoek bepaalt naar welke populaties de resultaten vertaald kunnen worden [14](#page=14) [15](#page=15). #### 1.2.2 Patiënt-controleonderzoek **Patiënt-controleonderzoek** is een retrospectief en observationeel design dat start met het identificeren van personen die reeds ziek zijn. Vervolgens wordt de voorgeschiedenis en blootstelling aan potentiële risicofactoren vastgesteld. Twee cruciale vragen bij dit design zijn de selectie van de controlegroep en de maatregelen om bias en confounding te minimaliseren [15](#page=15). * **Selectie van de controlegroep**: De controlegroep moet een representatieve afspiegeling zijn van de populatie die risico loopt op de ziekte. Beide groepen (patiënten en controles) moeten zoveel mogelijk op elkaar lijken, met uitzondering van de blootstelling [15](#page=15). * **Selectiebias**: Ontstaat wanneer proefpersonen zo worden gekozen dat de associatiematen vertekend raken, bijvoorbeeld als de selectiecriteria voor de controlegroep gerelateerd zijn aan de blootstelling [15](#page=15). * **Herinneringsbias (recall bias)**: Treedt op omdat patiënten met een ziekte mogelijk intensiever nadenken over de mogelijke oorzaken, wat kan leiden tot verschillen in herinnering tussen patiënten en controles en zo de waargenomen associatie kan uitvergroten [15](#page=15). Patiënt-controleonderzoek is retrospectief, dus gaat terug in de tijd [15](#page=15). ### 1.3 Associatiematen en statistische analyse Associatiematen worden gebruikt om de kans op een ziekte in verschillende groepen te kwantificeren en de sterkte van de associatie te beoordelen [15](#page=15). #### 1.3.1 Oddsratio De **oddsratio (OR)** is een maat voor de verhouding tussen de kans op het hebben van de ziekte in de ene blootstellingcategorie ten opzichte van de kans op het hebben van de ziekte in een andere blootstellingcategorie. De neutrale waarde is 1 [15](#page=15). #### 1.3.2 Relatief risico Het **relatief risico (RR)** vergelijkt het risico op een uitkomst in de ene groep met het risico in een andere groep (de referentiegroep). De neutrale waarde is 1. Het RR is een maat voor de behandeleffecten die potentieel voor verschillende populaties kan gelden en is meestal constant, onafhankelijk van de onderliggende prevalentie of incidentie [11](#page=11) [7](#page=7). #### 1.3.3 Absoluut risicoverschil Het **absoluut risicoverschil (AR)** vergelijkt de percentuele verschillen tussen groepen. De neutrale waarde is 0. Het AR hangt af van de onderliggende prevalentie of incidentie en kan variëren per populatie, en geeft aan op hoeveel mensen de behandeling effect zal hebben [11](#page=11) [7](#page=7). #### 1.3.4 P-waarde en betrouwbaarheidsinterval (BI) De **p-waarde** geeft de kans aan dat het waargenomen effect (of een extremer effect) door toeval is ontstaan, aannemende dat de nulhypothese (geen verschil) waar is. Een p-waarde kleiner dan 0,05 wordt doorgaans als statistisch significant beschouwd. Een p-waarde groter dan 0,05 duidt op een statistisch niet-significant resultaat, wat betekent dat er onvoldoende bewijs is om een werkelijk verschil aan te nemen [11](#page=11) [12](#page=12) [7](#page=7). Het **betrouwbaarheidsinterval (BI)**, meestal een 95%-BI, geeft een spectrum aan van plausibele waarden waarbinnen de werkelijke prevalentie of het werkelijke effect met 95% waarschijnlijkheid ligt. De breedte van het BI hangt af van de steekproefgrootte; grotere steekproeven leiden tot een kleinere standaardfout en een smaller BI [3](#page=3) [7](#page=7). * **Voor RR**: Als 1 niet binnen het 95%-BI valt en p ≤ 0,05, is het resultaat statistisch significant. Valt 1 wel binnen het BI en p > 0,05, dan is het niet significant [7](#page=7). * **Voor AR**: Als 0 niet binnen het 95%-BI valt en p ≤ 0,05, is het resultaat statistisch significant. Valt 0 wel binnen het BI en p > 0,05, dan is het niet significant [7](#page=7). * **Voor het verschil tussen 2 gemiddelden**: Als het 95%-BI de 0 bevat, is de p-waarde groter dan 0,05 (niet significant). Als het 95%-BI de 0 niet bevat, is de p-waarde kleiner of gelijk aan 0,05 (significant) [8](#page=8). #### 1.3.5 T-test en regressieanalyse De **t-test** wordt gebruikt om het verschil tussen twee gemiddelden statistisch te toetsen. Hierbij wordt rekening gehouden met de omvang van de steekproef en de standaarddeviatie binnen elke groep. De neutrale waarde voor het verschil tussen twee gemiddelden is 0 [7](#page=7) [8](#page=8). Een **lineaire regressielijn** beschrijft de relatie tussen twee variabelen en ligt gemiddeld het dichtst bij alle punten in een scatterplot. Als er geen verband is, zal de lijn grotendeels horizontaal liggen. De neutrale waarde voor een regressiecoëfficiënt is 0 [8](#page=8). #### 1.3.6 Correlatie **Correlatie** beschrijft de mate van samenhang tussen variabelen. De **correlatiecoëfficiënt (r)**, variërend van -1 tot 1, meet de sterkte van deze samenhang. Een positieve r duidt op een stijgende relatie (beide variabelen stijgen), een negatieve r op een dalende relatie (de ene stijgt, de andere daalt). Een r van 1 of -1 betekent een perfecte voorspelbaarheid zonder spreiding rond de regressielijn. Een r van 0 indiceert geen verband [9](#page=9). Een verband tussen twee factoren impliceert niet automatisch causaliteit; een **confounder** kan de oorzaak zijn van het waargenomen verband [9](#page=9). #### 1.3.7 Systematische fouten (bias) Systematische fouten, of **bias**, ontstaan door inadequate onderzoeksdesigns, slechte uitvoering, onjuiste meetinstrumenten of inadequate statistische analyses. Dit leidt tot vertekende resultaten, over- of onderschatting van effecten, en conclusies die afwijken van de werkelijkheid. Bias kan ook ontstaan door de manier waarop mensen responderen of informatie rapporteren (responsbias, rapportagebias), of door de onderzoekshouding (waarnemersbias) of formulering van vragenlijsten (onderzoeksbias) [15](#page=15) [4](#page=4). ### 1.4 Associatiematen bij observationeel onderzoek Verschillende maten worden gebruikt om de kans op een bepaalde ziekte of uitkomst te kwantificeren en de sterkte van associaties te beoordelen [15](#page=15). #### 1.4.1 Risicocijfer Het **risicocijfer** is een maat voor het aantal nieuwe gevallen van een ziekte dat binnen een bepaalde periode ontstaat [16](#page=16). #### 1.4.2 Absoluut risico Een **absoluut risico** is de verhouding tussen het aantal keren dat iets voorkomt in een groep en het totale aantal in die groep [16](#page=16). #### 1.4.3 Relatief risico (RR) Zoals eerder genoemd, vergelijkt het **relatief risico** de kans op een uitkomst in de ene groep ten opzichte van de andere [11](#page=11) [7](#page=7). #### 1.4.4 Oddsratio (OR) De **oddsratio** vergelijkt de kans op een ziekte in de ene blootstellingcategorie met de kans op ziekte in de andere. Oddsratio en relatief risico worden bepaald door middel van kwantitatieve analyse [15](#page=15) [16](#page=16). ### 1.5 Belangrijke overwegingen in observationeel onderzoek * **Representativiteit**: Het gebruik van een steekproefkader en aselecte steekproeven helpt om een representatieve groep te verkrijgen die de populatie weerspiegelt [3](#page=3). * **Meetniveaus**: Variabelen worden gemeten op nominaal, ordinaal, interval of ratio niveau, wat invloed heeft op de mogelijke statistische analyses [5](#page=5). * **Centrum- en spreidingsmaten**: Modus, mediaan en gemiddelde geven het centrum van data weer, terwijl kwartielen, standaarddeviatie en range de spreiding beschrijven [5](#page=5) [6](#page=6). * **Klinische relevantie**: Naast statistische significantie is de klinische relevantie van een effect van groot belang; is het effect groot genoeg om de praktijk te veranderen? [12](#page=12). * **Effect size**: Een maat voor klinische relevantie die aangeeft hoe groot een effect is [12](#page=12). * **Bias en confounding**: Essentieel om te minimaliseren door adequate onderzoeksdesigns en statistische correcties [14](#page=14) [4](#page=4) [9](#page=9). --- Observationeel onderzoek wordt voornamelijk ingezet om risicofactoren en oorzaken van ziekten te achterhalen [21](#page=21). ### 1.1 Verschil met experimenteel onderzoek Experimenteel onderzoek, zoals klinisch onderzoek, wordt gebruikt om de werkzaamheid van een behandeling of preventieprogramma te testen. Observationeel onderzoek daarentegen observeert wat er gebeurt zonder interventie. Klinisch onderzoek is ethisch alleen verantwoord als behandelingen niet schadelijk zijn, maar de effectiviteit onzeker. Voor deelname aan klinisch onderzoek is wettelijk altijd patiënt-akkoord vereist [21](#page=21). ### 1.2 Selectie van proefpersonen #### 1.2.1 Experimenteel klinisch onderzoek Proefpersonen die voldoen aan selectiecriteria worden gevraagd deel te nemen. Bij instemming worden ze via randomisatie ingedeeld bij een van de testbehandelingen [21](#page=21). #### 1.2.2 Observationeel onderzoek Hierbij wordt een grote groep mensen genomen, waarvan een selectie (al dan niet gerandomiseerd) deelneemt. Gerandomiseerde steekproefneming vereist een lijst van representatieve personen, een steekproefpopulatie of sampling frame [21](#page=21). ### 1.3 Omvang van de steekproef De steekproefgrootte is cruciaal; een te kleine steekproef kan klinisch belangrijke verschillen missen, terwijl een te grote steekproef leidt tot geldverspilling en vertraging. Voor de berekening van de steekproefgrootte zijn drie elementen van belang [21](#page=21): 1. **Verwachte grootte van het effect of effectverschil:** Hoe kleiner het verwachte verschil, hoe groter de steekproef moet zijn om het verschil aan te tonen en toeval uit te sluiten [21](#page=21). 2. **Significantieniveau:** Hoe strenger de eis voor de p-waarde (lager), hoe groter de benodigde steekproef [21](#page=21). 3. **Onderscheidingsvermogen (power):** De kans om de nulhypothese (geen verschil) terecht te verwerpen. Een power van 80% is wenselijk, wat betekent dat er 80% kans is om een verschil van 15% of meer te meten [21](#page=21). ### 1.4 Specifieke observationele onderzoeksdesigns #### 1.4.1 Cohortonderzoek Wordt gebruikt om risicofactoren voor ziekten te onderzoeken. Cohortonderzoek heeft minder kans op bias dan patiënt-controleonderzoek omdat het start vóór blootstelling en ziekte (geen herinneringsbias). Een nadeel is de lange duur doordat een voldoende aantal ziektegevallen moet optreden [22](#page=22). #### 1.4.2 Patiënt-controleonderzoek Wordt gebruikt om risicofactoren voor ziekten te onderzoeken. De selectie van een controlegroep kan leiden tot selectiebias. Herinneringsbias is een specifiek probleem bij dit type onderzoek, omdat blootstellingsgegevens retrospectief worden verzameld [22](#page=22) [23](#page=23). #### 1.4.3 Cross-sectioneel onderzoek Dit is meestal het snelst, eenvoudigst en goedkoopst. Het heeft geen lange follow-up of retrospectieve informatieverzameling, maar zegt weinig over gebeurtenissen in de tijd [22](#page=22). ### 1.5 Bias Bias is elke systematische beïnvloeding die kan leiden tot over- of onderschatting van de ware waarde. Het kan voortkomen uit de onderzoeksopzet of -uitvoering en is moeilijk te corrigeren, in tegenstelling tot confounding. De twee hoofdbronnen van bias zijn de proefpersonen (selectiebias) en meetfouten (informatiebias) [22](#page=22). #### 1.5.1 Selectiebias (door kiezen en werven van proefpersonen) * **Selectie- of toewijzingsbias:** Ontstaat doordat de steekproef niet representatief is voor de populatie, bijvoorbeeld door voorkeurselectie op basis van ziekte of blootstellingsstatus [23](#page=23). * **Responsbias:** Respondenten verschillen van non-respondenten [23](#page=23). #### 1.5.2 Informatiebias (door meting van blootstelling en ziekte) * **Patiëntenbias:** * **Herinneringsbias:** Patiënten met een ziekte herinneren zich verleden ervaringen anders dan gezonde personen, met name bij retrospectieve gegevensverzameling [23](#page=23). * **Terugtrekkings- of stopbias:** Patiënten die zich terugtrekken uit onderzoek verschillen van degenen die dat niet doen, wat bias kan veroorzaken als dit percentage verschilt per groep [23](#page=23). * **Follow-up bias:** De reden voor uitval tijdens follow-up hangt samen met blootstelling en verschilt per groep [23](#page=23). * **Onderzoekersbias:** * **Beoordelingsbias:** Kennis van de behandeling door arts of patiënt kan leiden tot een betere score voor de nieuwe behandeling [23](#page=23). * **Interviewersbias:** Kennis van de ziektestatus van de patiënt door de interviewer kan de manier van interviewen beïnvloeden [23](#page=23). **Tip:** Randomisatie en blindering in experimenteel onderzoek reduceren of elimineren toewijzings- en beoordelingsbias. Intention-to-treatanalyse helpt bij het vermijden van terugtrekkings- en follow-up bias [23](#page=23). ### 1.6 Confounding Confounding treedt op wanneer een verband wordt gevonden tussen een blootstelling en een uitkomst, maar dit verband wordt veroorzaakt door een derde factor (confounder) die samenhangt met zowel de blootstelling als de uitkomst. Veelvoorkomende confounders zijn leeftijd, geslacht en tijd. Confounding kan valse verbanden suggereren of bestaande verbanden maskeren [23](#page=23). #### 1.6.1 Confounding aanpakken in de opzetfase * **Experimenteel klinisch onderzoek:** Randomisatie heeft als doel gelijkwaardige behandelgroepen te creëren, zodat verschillen in uitkomst toe te schrijven zijn aan de behandeling [23](#page=23). * **Observationeel onderzoek:** Confounding is inherent omdat er geen strategie zoals randomisatie is. Bij patiënt-controleonderzoek kan matching de invloed van bekende confounders verminderen door controlepersonen met vergelijkbare eigenschappen te selecteren [23](#page=23). #### 1.6.2 Confounding aanpakken in de analysefase * **Experimenteel klinisch onderzoek:** Na randomisatie is de analyse relatief eenvoudig omdat de groepen gelijk zijn, behalve in behandeling [24](#page=24). * **Observationeel onderzoek:** Vereist complexere analyses omdat de groepen op veel vlakken kunnen verschillen, niet alleen in blootstelling [24](#page=24). **Tip:** De interpretatie van resultaten van observationeel onderzoek vereist altijd een beoordeling van de mate waarin bias en confounders de gemeten effectgrootte (bv. RR of OR) hebben beïnvloed [24](#page=24). ### 1.7 Causaliteit en bewijskracht #### 1.7.1 Criteria voor causaliteit Er zijn drie criteria voor causaliteit die verband houden met het onderzoeksdesign [25](#page=25): 1. Duidelijke opvolging in de tijd van blootstelling door de uitkomst [25](#page=25). 2. Effect van confounding [25](#page=25). 3. Reversibiliteit (verdwijnen van de oorzaak leidt tot verandering in de uitkomst) [27](#page=27). Een goed opgezet experimenteel klinisch onderzoek levert het krachtigst bewijs voor een causale behandeling. De ladder van evidence toont aan dat hogere evidence (zoals systematische reviews en meta-analyses) krachtiger, maar ook complexer is en er minder van beschikbaar is [25](#page=25) [27](#page=27). #### 1.7.2 Bewijsmateriaal en onderzoeksdesigns * **Systematic Review (SR):** Samenvatting en beoordeling van onderzoeken; hogere waarde door gebruik van meerdere studies [27](#page=27). * **Meta-analyse (MA):** Statistische techniek om resultaten van individuele studies te bundelen voor een globaal gemiddeld effect [27](#page=27). * **Randomised Controlled Trial (RCT):** Zuiverste manier om causaal verband aan te tonen; patiënten worden gerandomiseerd verdeeld, waardoor confounding geminimaliseerd wordt [27](#page=27). * **Control Critical Trial (CCT):** Vergelijkbaar met RCT, maar mist randomisatie, wat leidt tot minder krachtig bewijs [28](#page=28). * **Cohort study:** Patiënten worden geselecteerd op determinant (risicofactor); duidelijke tijdsrelatie, belangrijke criterium voor causaliteit [28](#page=28). * **Case-control study:** Patiënten worden geselecteerd op ziekte; retrospectief, afhankelijk van geheugen, moeilijke tijdsrelatie en reversibiliteit [28](#page=28). * **Cross-sectional study:** Alle gegevens worden tegelijk verzameld (prevalentie); één meetmoment, geen tijdsrelatie, lage reversibiliteit [28](#page=28). * **Case series:** Variabelen van een groep patiënten met een aandoening worden beschreven; geen controlegroep [28](#page=28). * **Case reports:** Beschrijving van een uitzonderlijke patiënt; geen controlegroep, geringe waarde [28](#page=28). #### 1.7.3 Onderzoeksdomeinen en designs * **Therapie/preventie:** RCT/CCT (experimenteel) [28](#page=28). * **Diagnose:** Cross-sectioneel onderzoek (retrospectief) [28](#page=28). * **Ethologie/risico:** Patiënt-controleonderzoek (retrospectief) [28](#page=28). * **Prognose:** Cohortonderzoek (longitudinaal) [29](#page=29). Nummers 2 t/m 4 kunnen alleen beantwoord worden met observationeel onderzoek [29](#page=29). ### 1.8 Primaire en secundaire evidence * **Primaire evidence:** Originele onderzoeken, niet samengevat of verwerkt. Hoogste vorm is RCT [29](#page=29). * **Secundaire evidence (geaggregeerde evidence):** Gebaseerd op samengevatte of gereviewede primaire studies. Syntheses bevatten samenvattingen van verschillende synthesen en beoordelingen van methodologische kwaliteit, en zijn beter toepasbaar in de praktijk dan SR's. Systemen staan helemaal bovenaan [30](#page=30). --- ## Veelgemaakte fouten om te vermijden - Bestudeer alle onderwerpen grondig voor examens - Let op formules en belangrijke definities - Oefen met de voorbeelden in elke sectie - Memoriseer niet zonder de onderliggende concepten te begrijpen

| Term | Definition | |------|------------| | Evidence-based Tandheelkunde (EBT) | Een benadering van mondzorg die een oordeelkundige integratie vereist van systematisch beoordeelde wetenschappelijke literatuur, klinische expertise van de tandarts, en de behoeften en voorkeuren van de patiënt. | | PICO-vraag | Een vertaling van een klinische vraag naar een met wetenschap beantwoordbare vraag, waarbij P staat voor Probleem/patiënt, I voor Interventie, C voor Co-interventie, en O voor Outcome. | | PDO-vraag | Een vraag die wordt gebruikt voor etiologische of risicovragen, waarbij D staat voor Determinant, O voor Outcome, en P voor Patiënt. | | Observatieonderzoek | Een type onderzoek waarbij de onderzoeker observeert wat er gebeurt zonder een interventie uit te voeren, meestal gebruikt om risicofactoren en ziekteoorzaken op te sporen. | | Prevalentie | Het percentage of relatieve getal van mensen dat op een bepaald moment een specifieke ziekte of eigenschap heeft. | | Incidentie | Het percentage of relatieve aantal mensen dat binnen een bepaalde periode een specifieke ziekte of eigenschap ontwikkelt. | | Steekproefkader | Een lijst van elk lid van de populatie waaruit een steekproef kan worden getrokken. | | Aselecte steekproef | Een steekproef waarbij elke persoon in het steekproefkader een gelijke kans heeft om geselecteerd te worden, wat leidt tot een waarschijnlijk representatieve groep voor de populatie. | | Absoluut risicoverschil (AR) | Het verschil tussen twee risico's, waarbij de neutrale waarde 0 is. | | Relatief risico (RR) | De verhouding tussen twee proporties of risico's, vaak gebruikt in onderzoeken naar oorzaken, prevalentie en behandelingen. De neutrale waarde is 1. | | Standaardfout (SE) | Een maat voor de onzekerheid bij de schatting van een populatieparameter, zoals prevalentie, gebaseerd op een steekproef. | | Betrouwbaarheidsinterval (BI) | Een spectrum of traject waarbinnen de werkelijke populatiewaarde met een bepaalde waarschijnlijkheid (meestal 95%) wordt verwacht te liggen. |