Hur mäts och beräknas incidens och prevalens i sjukdomsstudier?

Incidens och prevalens är två av de mest centrala begreppen inom epidemiologi och folkhälsa, och de används för att förstå spridningen och påverkan av sjukdomar i befolkningen. Dessa två mått är grundläggande för att mäta sjukdomsbörda, och används både för att uppskatta den aktuella situationen samt för att planera långsiktiga hälsovårdsinsatser.

Incidens avser den hastighet med vilken nya sjukdomsfall uppstår i en befolkning under en viss tidsperiod. Det uttrycks som ett förhållande, exempelvis antalet nya fall per 1 000 personer per år. Formeln för att beräkna incidens är:

Detta mått ger en uppskattning av risken att en individ i den utsatta befolkningen utvecklar sjukdomen under en specificerad tidsperiod.

Prevalens, å andra sidan, handlar om den totala andelen av en befolkning som är drabbad av en sjukdom vid en given tidpunkt, oavsett om fallen är nya eller redan existerande. Prevalens uttrycks som en proportion av befolkningen och ger en ögonblicksbild av hur utbredd sjukdomen är. Detta mått fångar upp sjukdomens börda vid en specifik tidpunkt och indikerar hur många som lider av sjukdomen just då, snarare än risken att utveckla sjukdomen. Formeln för prevalens är:

$\text{Prevalens} = \frac{\text{antal nya och befintliga fall vid tidpunkt } t}{\text{total population}}$

I många epidemiologiska studier används både incidens och prevalens för att ta fram beslutsunderlag och riktlinjer för hälsovård, eftersom de ger kompletterande information om sjukdomens dynamik och spridning.

När vi talar om globala hälsostudier, såsom Global Burden of Diseases (GBD), får prevalens en central roll, särskilt vid beräkningen av Disability-Adjusted Life Years (DALYs). DALYs är ett mått som kombinerar förlorade livsår på grund av för tidig död (YLLs) och år levda med funktionsnedsättning (YLDs). För beräkningen av YLD används prevalens snarare än incidens av flera anledningar. Prevalens ger en mer direkt och omfattande bild av sjukdomsbördan, eftersom det inkluderar både nya och pågående fall, vilket gör det möjligt att få en mer exakt uppskattning av hälsotappet på lång sikt.

Prevalens är dessutom ett bättre mått när det gäller kroniska sjukdomar eller tillstånd med lång varaktighet. Genom att använda prevalens undviker man att behöva göra komplicerade beräkningar för att uppskatta varaktigheten för varje nytt fall (som skulle vara fallet med incidensdata), och man får en enklare och mer realistisk modell av sjukdomens inverkan på befolkningen.

1. Prevalenta fall: 100 000 × 0,02 = 2 000 fall

2. YLD: 2 000 × 0,3 × 5 = 3 000

Därmed blir YLD-värdet för denna sjukdom i den aktuella befolkningen 3 000 år av liv levda med funktionsnedsättning under den genomsnittliga sjukdomsvaraktigheten. Detta värde läggs sedan ihop med YLL för att beräkna den totala DALY för sjukdomen.

För en mer dynamisk och aktuell bild av sjukdomens spridning kan vi även använda simulerad data. Till exempel kan vi simulera spridningen av COVID-19 i en befolkning på 100 000 individer under ett år. Genom att använda en Poisson-fördelning kan vi modellera antalet nya fall och återhämtade personer per dag. Den kumulativa incidensen och prevalensen beräknas sedan över tid, vilket ger oss en tydlig bild av både sjukdomens spridning och dess långsiktiga påverkan på befolkningen.

En ytterligare viktig aspekt att beakta är hur incidens och prevalens kan påverkas av externa faktorer som hälsovårdssystemets kapacitet, tillgången till behandling, samt socioekonomiska och miljömässiga faktorer. Förståelsen för dessa faktorer ger en mer nyanserad bild av sjukdomens verkliga inverkan och hjälper till att identifiera vilka populationer som är mest utsatta.

Hur man modellerar epidemiska dödsfall med hjälp av Generaliserade Additiva Modeller (GAM) och SEIR-modellen

När vi analyserar spridningen av sjukdomar som kolera, är en av de viktigaste aspekterna att förstå hur dödsfallen förändras över tid. Ofta kan dessa data inte förklaras på ett tillfredsställande sätt med hjälp av linjära modeller, då det finns en komplex icke-linjär relation mellan tid och dödsfall. I sådana fall är Generaliserade Additiva Modeller (GAM) ett användbart verktyg för att fånga dessa icke-linjära samband och ge en bättre förståelse för hur olika faktorer påverkar sjukdomens spridning.

I den här studien använder vi data från Londons koleraepidemi 1849 för att illustrera hur GAM kan användas för att modellera dödsfallen. Data visar tydligt ett icke-linjärt mönster som liknar en klockformad kurva, där dödsfallen ökar, når en topp och sedan minskar över tid. För att modellera detta används en metod som kallas för Generaliserade Additiva Modeller, där vi använder en funktion för att fånga den smidiga relationen mellan dödsfall och tid.

En GAM-modell tillåter oss att utföra en icke-linjär transformation av data, och den formuleras enligt följande:

Där $g(\mu)$ är en länkfunktion, $\mu$ är det förväntade värdet på responsvariabeln (dödsfall), $\beta_0$ är interceptet och $f(x)$ är en smidig funktion som representerar förhållandet mellan de prediktiva variablerna och dödsfallen. Eftersom det kan finnas flera prediktorer används flera smidiga funktioner, vilket gör modellen flexibel och kapabel att fånga komplexa mönster i data.

En praktisk tillämpning av GAM-modellen med hjälp av R:s mgcv-paket kan göras genom att skapa en tidslinje som representerar antalet dagar, istället för att använda hela datumet. Efter att ha anpassat modellen till data får vi en överblick över hur dödsfallen utvecklas över tiden. Modellen visar att dödsfallen ökar i början, når en topp och minskar därefter. Detta illustrerar det komplexa mönstret i epidemin, där dödsfallen inte är konsekventa utan fluktuerar beroende på olika faktorer som påverkar sjukdomens spridning.

Även om modellen ger en användbar visuell representation av mönstret i data, är det viktigt att betona att den inte kan användas för att dra slutsatser om orsak och verkan utan att beakta andra externa faktorer. I verkligheten påverkas spridningen av infektioner inte bara av tiden, utan också av sociala beteenden, vaccinationsprogram, och andra samhälleliga åtgärder som kan ha haft en inverkan på kolerans utbredning.

Utöver GAM kan man också använda SEIR-modellen (Susceptible, Exposed, Infected, Recovered) för att simulera epidemier och förstå hur sjukdomen sprider sig över tid. Modellen kan beskrivas genom differentialekvationer som beskriver hur individer rör sig mellan de olika faserna i infektionen – från att vara mottagliga till att bli exponerade, smittade och slutligen återhämtade. Denna typ av modell gör det möjligt att förutsäga hur olika parametrar som smittspridning, latent tid och återhämtningshastighet påverkar sjukdomens dynamik.

För att bygga en sådan modell i R, kan vi använda paketet deSolve för att lösa de differentialekvationer som beskriver flödet av individer mellan de olika tillstånden. Modellen kan användas för att simulera hur ett samhälle reagerar på epidemin under en viss tidsperiod. Genom att justera parametrarna för smittspridning (β), latent tid (σ) och återhämtningshastighet (γ), kan vi få en detaljerad bild av hur en sådan sjukdom sprider sig och hur den påverkar en befolkning över tid.

Att förstå dessa modeller och hur de kan tillämpas på verkliga epidemiska data är avgörande för att förbättra vår förmåga att hantera framtida sjukdomsutbrott. Viktigt är att inte bara lita på en enskild modell, utan att kombinera flera metoder och ta hänsyn till olika externa faktorer som kan påverka spridningen. Dessa modeller ger oss kraftfulla verktyg för att simulera och förstå epidemiers dynamik, men de kräver också noggranna tolkningar och en förståelse för de underliggande antagandena.

Hur har hälsomått utvecklats genom historien och hur används de idag?

Hälsomått är avgörande för att förstå hälsotillståndet i en befolkning. Dessa mått ger oss en kvantitativ och kvalitativ bild av hur hälsan utvecklas, påverkas av riskfaktorer, och hur den kan jämföras globalt. I denna text utforskas utvecklingen av hälsomått, deras beräkning och de utmaningar som finns med att ge standardiserade värden för internationell jämförelse. Vidare belyses hur spridningen av infektionssjukdomar påverkar dessa mått och därmed den övergripande hälsostatusen i en befolkning.

Historien om hälsomått är en lång och fascinerande resa som sträcker sig över flera hundra år. Från de första rudimentära observationerna har vi gått till dagens sofistikerade statistiska metoder. Ett av de första kända exemplen på användning av hälsomått kommer från den engelska statistikern John Graunt på 1600-talet. År 1662 publicerade Graunt sitt banbrytande arbete “Natural and Political Observations Made upon the Bills of Mortality” där han analyserade dödsdata från London, som han fick genom de så kallade Bills of Mortality – veckovisa och årliga rapporter om dödsfall i staden. Graunt, som oftast beskrivs som den moderna demografins fader, gjorde detaljerade analyser av dödlighet och presenterade tabeller som visade mönster och trender i dödsfallet. Hans arbete lade grunden för den moderna demografin och statistisk analys, och han introducerade bland annat begreppen livslängd och dödlighetsgrad.

Med tiden utvecklades mer avancerade metoder för att mäta hälsa. På 1800-talet började man använda livstabeller, som var ett systematiskt sätt att analysera dödlighet och förväntad livslängd. Ett annat genombrott kom på 1940-talet, då Mary Dempsey, en amerikansk epidemiolog, skrev om begreppet “Years of Life Lost” (YLL), som var ett första försök att mäta förlorad livstid som en indikator på hälsa. Denna typ av mätning av tiden som förloras på grund av sjukdomar gav ett helt nytt perspektiv på hur hälsa kan förstås och jämföras på befolkningsnivå.

Det var under 1900-talet som vi såg de största framstegen inom hälsomått. Epidemiologin hade blivit en mer etablerad vetenskap, och man utvecklade mer omfattande metoder för att mäta hälsa. Begrepp som “Disability-Adjusted Life Years” (DALY) och “Quality-Adjusted Life Years” (QALY) började användas för att fånga både dödlighet och livskvalitet i en enhet. Dessa begrepp utgjorde ett steg mot en mer integrerad förståelse av hälsa, där både sjukdomens dödande kraft och dess inverkan på livets kvalitet beaktades.

Ett exempel på detta är Quality-Adjusted Life Years (QALYs), som blev en central mätmetod på 1970-talet. En QALY motsvarar ett år av perfekt hälsa, vilket innebär att en person som lever ett år i perfekt hälsa skulle ackumulera 1 QALY. Om en individ till exempel har en allvarlig sjukdom som minskar deras hälsa, skulle det påverka deras QALY-värde negativt. QALY används ofta inom hälsoekonomi för att värdera kostnadseffektiviteten av behandlingar och interventioner. Trots dess popularitet har QALY också fått kritik för att den inte alltid beaktar individuella skillnader tillräckligt, vilket kan leda till diskriminering av personer med kroniska sjukdomar eller funktionsnedsättningar.

När man ser på dagens utveckling är det tydligt att hälsomåtten har blivit ett centralt verktyg för att forma folkhälsopolitik och medicinska riktlinjer. Men trots alla framsteg finns det fortfarande många utmaningar. En stor fråga är hur man ska hantera och justera för de komplexa faktorer som påverkar hälsa, från socioekonomiska faktorer till kulturella skillnader mellan länder. Dessutom är användningen av hälsomått ofta föremål för politiska och etiska överväganden, särskilt när de används för att fatta beslut om resurstilldelning och prioriteringar inom sjukvården.

Det är också viktigt att tänka på att hälsomått inte bara handlar om att beskriva nuvarande förhållanden utan också om att identifiera förbättringspotential och hälsomål. Till exempel kan måtten hjälpa till att uppmärksamma riskgrupper eller specifika sjukdomsmönster i olika regioner, vilket gör det möjligt att fokusera insatser där de gör störst nytta. Förutom att använda dessa mått för att förstå hälsostatus, måste de även vara en grund för att förutse och planera för framtida hälsoförändringar och för att skapa riktade hälsovårdsstrategier.

Hur kan modeller för sjukdomsbörda och hälsovärdering bidra till bättre folkhälsovård?

Forskning om hälsomått och sjukdomsbörda har blivit centrala områden för att förstå och hantera globala hälsoproblem. Flera vetenskapliga artiklar och studier undersöker hur vi kan mäta och utvärdera effekterna av sjukdomar, både på individnivå och för samhällen som helhet. Särskilt under de senaste decennierna har detta område fått ökad betydelse, då det hjälper till att identifiera riskfaktorer, prioritera hälsoåtgärder och förbättra folkhälsosystemens effektivitet.

En av de mest använda metoderna för att mäta och beskriva hälsa och sjukdom är Disability-Adjusted Life Years (DALY), som sammanslår både förlorade liv (mortalitet) och de år av hälsosam levnad som förloras på grund av funktionsnedsättning (morbidity). Denna metod används bland annat av Världshälsoorganisationen (WHO) och har visat sig vara ett kraftfullt verktyg för att kvantifiera sjukdomsbörda på både global och lokal nivå. DALY-beräkningar kan ge en bild av hur olika sjukdomar påverkar olika befolkningsgrupper, vilket hjälper till att informera hälso- och sjukvårdspolitik.

Modeller som SIR (Susceptible-Infectious-Recovered) används för att beskriva smittsamma sjukdomars spridning i befolkningen. Dessa modeller kan användas för att förutsäga och hantera epidemier, som den globala COVID-19-pandemin, där simulerade scenarier kan ge vägledning för åtgärder som social distansering, vaccination och resursfördelning. Matematisk modellering har även blivit en nyckelmetod i beräkningen av effekterna av folkhälsomål, som vaccinering och hälsofrämjande program.

För att kunna bedöma effektiviteten av olika folkhälsostrategier används ofta kostnadseffektivitetsanalyser. En systematisk granskning av sådana analyser, som publicerades i European Journal of Public Health, visar att kalkylatorer för kostnadseffektivitet, som beaktar hälsa, välbefinnande och säkerhet, är viktiga verktyg för att optimera resursallokering och fatta informerade beslut i folkhälsovården. Dessa beräkningar tar hänsyn till både de ekonomiska kostnaderna och de hälsomässiga fördelarna av en viss åtgärd.

Ytterligare en viktig aspekt av den globala hälsoforskningen är hur existerande immunitet kan ge skydd mot nya sjukdomar. I en studie om SARS-CoV-2-relaterade virus visade det sig att vissa typer av förvärvad immunitet, som den som uppstår efter infektion eller vaccination, kan ge ett visst skydd mot nya varianter av viruset. Detta innebär att förståelsen för immunitetens roll i epidemier är avgörande för att utveckla långsiktiga hälsointerventioner och beredskapsstrategier.

Vidare är det viktigt att poängtera att mätningen av sjukdomsbörda ofta innebär att man måste ta hänsyn till hur svår sjukdomen är och vilken påverkan den har på individens livskvalitet. I en nyligen publicerad artikel om den globala sjukdomsbördan, undersöktes funktionsnedsättningsvikterna (disability weights) för olika sjukdomar och deras allvarlighetsgrad. Denna typ av forskning hjälper till att skapa en mer nyanserad bild av sjukdomars effekter, vilket är avgörande för att kunna fatta informerade beslut om hälsointerventioner.

Vid beräkning av hälsovärdering är det också avgörande att förstå hur socioekonomiska faktorer kan påverka hälsan. En studie om välfärdsjusterad livslängd (WELL) visar hur sociala determinanter som inkomst, utbildning och arbetsförhållanden kan påverka en individs livslängd och hälsostatus. Det är därför viktigt att inkludera dessa faktorer i hälsoanalyser för att kunna identifiera och adressera de underliggande orsakerna till hälsoskillnader.

Sammanfattningsvis bidrar moderna modeller för sjukdomsbörda och hälsovärdering till en djupare förståelse för de globala hälsoutmaningarna och hjälper till att informera både forskare och beslutsfattare. Genom att använda dessa metoder kan vi bättre förutsäga sjukdomars utveckling, optimera resursfördelning och förbättra hälsoutfall för olika befolkningsgrupper. Det är dock viktigt att fortsätta utveckla dessa modeller och ta hänsyn till komplexiteten i sociala, ekonomiska och miljömässiga faktorer som påverkar hälsan.