Collider Biasは、Covid-19疾患のリスクと重症度の理解を損ないます

多くの観察研究が、SARS-COV-2およびCovid-19疾患の結果による感染の危険因子を特定しようとしています。研究では、病院に入院した患者、活動的な感染症の検査を受けた人々、または参加を志願した人々からサンプリングされたデータセットを使用しています。ここでは、このような非代表的なサンプルからの観察的証拠を解釈するという課題を強調します。Colliderバイアスは、個人がサンプリングされる可能性に影響する2つ以上の変数間の関連を誘導し、サンプル内のこれらの変数間の関連性を歪めます。Covid-19についてテストした参加者が、さまざまな遺伝的、行動、心血管、人口統計、および人体測定特性に対して高度に選択されたより広いコホートと比較して、英国のバイオバンクデータの分析。これらの問題を誘発するメカニズムと、それらを緩和するのに役立つアプローチについて説明します。既存の研究では、コライダーのバイアスを調査する必要がありますが、問題を軽減する最適な方法は、研究デザイン段階で適切なサンプリング戦略を使用することです。

Numerous observational studies have attempted to identify risk factors for infection with SARS-CoV-2 and COVID-19 disease outcomes. Studies have used datasets sampled from patients admitted to hospital, people tested for active infection, or people who volunteered to participate. Here, we highlight the challenge of interpreting observational evidence from such non-representative samples. Collider bias can induce associations between two or more variables which affect the likelihood of an individual being sampled, distorting associations between these variables in the sample. Analysing UK Biobank data, compared to the wider cohort the participants tested for COVID-19 were highly selected for a range of genetic, behavioural, cardiovascular, demographic, and anthropometric traits. We discuss the mechanisms inducing these problems, and approaches that could help mitigate them. While collider bias should be explored in existing studies, the optimal way to mitigate the problem is to use appropriate sampling strategies at the study design stage.