Kostforskning 3 – Första delen om epidemiologi

I mitt förra inlägg om kostforskning gick jag igenom experimentella studier och interventionsstudier. De studierna är de bästa inom kostforskning om man vill visa på orsak och verkan av en viss kost eller kostkomponent men det finns mycket praktiska och en del etiska svårigheter med såna studier. Vill du läsa mer om det hänvisar jag till den texten.
Ett annat sätt att undersöka sambanden mellan kost och hälsa är genom epidemiologisk forskning, något som kallas observationsstudier. Epidemiologisk forskning inbegriper alla sorters observationsstudier och  jag kommer använda båda orden i artikeln. Men oavsett om jag använder ordet ”observationsstudie” eller ”epidemiologisk studie” är det alltså samma sak jag diskuterar.
Det finns fler sorters designer bland observationsstudier och där finns fler svagheter och styrkor att diskutera och resonera kring. Därför har jag tänkt mig att dela upp det i två delar där jag först redogör för hur resultat från observationsstudier kan tolkas för att sedan, i nästa del, beskriva olika studiedesigner i detalj.

Är sambandet kausalt?

Ja här finns som sagt den stora skillnaden i observationsstudier jämfört med kontrollerade experiment. Olika typer av epidemiologiska studier klassas som mer eller mindre trovärdiga i sammanhanget och sinsemellan finns en rangordning även där för vilken typ av studiedesign som har högst evidensvärde för att påvisa orsak och verkan. Hursomhelst finns ett antal faktorer som måste beaktas för att kunna anta att ett studieresultat från observationsstudier visar på kausala samband. Jag har utgått från en mycket bra och lättläst bok i ämnet, Grundläggande epidemiologi av Beaglehole med flera, för mina följande punkter:

Temporala samband

Det innebär att det måste vara en fråga om att den troliga faktorn för något bra eller dåligt inträder före effekten. Det kan låta självklart kanske men det är inte helt enkelt att alltid utgå ifrån. Ta motion och övervikt till exempel. Det kan vara enkelt att titta på motionsvanor och BMI i en population, observera att större andel överviktiga har låg grad av fysisk aktivitet, och därefter dra slutsatsn att inaktivitet ökar risken för övervikt. Men egentligen vet vi ju inte hela sanningen, kanske är det tvärtom? Kanske är det så att de flesta blir mer och mer överviktiga som en följd av felaktig kost och med tiden som kroppen blir tyngre och hälsan sämre så blir individerna mer och mer inaktiva och trötta. Så ger inaktivitet sämre hälsa och ökad vikt eller ger ökad vikt och sämre hälsa att man inte orkar vara lika aktiv?

Rimliga samband

Finns det någon tidigare forskning som visat liknande resultat och finns det fysiologiska teorier som ger stöd för sambandet? Låt oss ta de högglykemiska kolhydraterna igen, finns det exempelvis RCT-studier som påvisar högre glukos- och insulinnivåer av högglykemisk kost och finns det andra epidemiologiska fynd som observerat sambandet? Och finns det en rimlig koppling mellan akut påverkan på blodsocker- och insulinnivåer för risken att med tiden belasta systemet till den grad att diabetes typ 2 utvecklas?
Eller för att ta ett lite mer lättsamt exempel. Finns det något rimligt i att ett samband mellan hårdrockslyssnande och långt hår är ett bevis för att håret växer mer av hårdrocksmusik?

Konsekvens i sambanden

Det här var jag inne på lite i punkten ovan också. Det handlar om huruvida studier, utförda på olika sätt, visar liknande samband. Ser du studie efter studie som med olika studiedesign har en påvisat en viss effekt på populationen av intresse (om det så handlar om barn i Japan eller vuxna kvinnor i Stockholm) är rimligheten större att även sambandet är kausalt. Inget bevis men dock en antydan. Emellertid måste du alltid förhålla dig kritisk till vilken målpopulation en studie har. Ser du konsekventa samband mellan x och y för en viss specifik population måste inte samma sak gälla dig. Samband mellan kost och hälsa för svarta överviktiga kvinnor är inte helt jämförbart med vältränade och smala spanska män som exempel. En studie på äldre befolkning (över 70) kan inte rakt av överföras på ungdomar och så vidare.

Styrka

Rent statistiskt kan man beräkna styrkan i vissa fynd och enligt all logik kommer starkare samband innebära att trovärdigheten för kausalitet ökar. Exempel på det är epidemiologiska studier som undersökt rökning och förekomst av lungcancer. Där är styrkan i sambandet så extremt hög att något annat än ett kausalt samband känns fullkomligt orimligt.
Ett exempel är från den kanske mest kända epidemiologiska studien i historien, den av forskaren John Snow från mitten av 1800-talet. 1854 utbröt en koleraepidemi i London, en epidemi som föreföll oförklarlig. Vad Snow gjorde var att identifiera hemmen där koleran haft mest utbrott och peka ut dess läge på en karta (se bilden till höger). Han såg att de flesta utbrotten skedde i de hem där familjerna fått sitt vatten från brunnen på Broad Street. Snow drog slutsatsen att förorenat vatten var orsaken och därmed kunde hårt sanitetsarbete leda till att koleran i London radikalt minskades. Snow själv trodde att det var en fråga om ett gift så mekanismen hade han inte koll på. Att kolerasjukdomen beror på smitta från en bakterie bevisades av senare forskning. Dock är det här ett praktexempel på en epidemiologisk studie där sambandet mellan vatten från brunnen på Broad Street och risk för kolera är mycket starkt.
En kort berättelse om Snows upptäckt kan den intresserade läsa i texten ”Döden i brunnen” från hemsidan till tidskriften Populär Historia.
Man kan här beräkna ett sambands ’risk ratio’ (RR) vilket på svenska benämns ’relativ risk’ eller ’riskkvot’. Ett annat liknande mått på styrka och ett samband är ’odds ratio’ (OR), på svenska benämnt som ’oddskvot’. Efter att dessa beräknats får man svar på vad oddsen är för att exempelvis hög sockerkonsumtion eventuellt ökar risken för övervikt eller den relativa risken för att en rökare drabbas av lungcancer. Den senare är så stark att styrkan bortom allt tvivel kan påvisa ett kausalt samband mellan lungcancer och rökning. Personer exponerad för en viss livsstil eller specifik komponent (mjölkdrickande eller räkning kanske) för att sedan se hur stor risken är för att de exponerade får någon form av sjukdom.
För mer läsning hänvisar jag till Wikipedia för hur, relativ risk och oddskvot beräknas. Även om jag inte ger mig in på räkneexempel är alltså poängen den att ju starkare oddskvoter eller relativa risker desto mer kan man ana att det kan finnas kausalt samband. Men därmed inte sagt att ett svagt samband omöjliggör det kausala sambandet. Kanske är det kausalt men med flera confounders som stör hit och dit och gör det mindre tydligt? Kanske har exponeringen varit för svag för att ge ett stark samband även om det är kausalt egentligen? Det sistnämnda leder oss vidare till nästa punkt om dos och respons.

Dos-respons

Är effekten dosrelaterad? Det vill säga om mer av orsak x kommer ge tydligare effekt på y? Om man observerat ett samband mellan en kost rik på högglykemisk föda och diabetes typ 2, kommer då mer högglykemisk mat öka risken ytterligare? Kommer ”dosen” av högglykemisk mat påverka ”responsen” i form av diabetes typ-2 om den ökar eller minskar?

Reversibilitet

Förefaller det vara så att effekten kan minskas om den antagna orsaken plockas bort eller minskas? Om vi tror att högt intag av omega-6 bidrar till mycket uppmätta inflammationer i kroppen, kommer då dessa uppmätta markörer för inflammationer minska om intaget reduceras? Och i såfall till fördel för vad? Mer omega-3 eller mer oljesyra, kanske byter man solrosolja mot smör? Det är alltså viktigt att tänka på VAD i kosten som förändras om man vill undersöka reversibilitet. Mindre komplext är det ju såklart med exempelvis rökstopp eller att man slutar med en viss medicin som tros ge biverkningar. Om de kända biverkningarna plötsligt upphör när medicinen plockas bort eller byts ut mot en som saknar dessa biverkningar kan man dra slutsatser om att effekten är reversibel och att sambandet mellan den medicinen och den biverkningen troligen är kausalt.

Studiedesignens evidensgrad

Jag var inne lite på detta tidigare, olika studiemetoder värderas olika för dess värde i att påvisa orsak och verkan. Detta gäller alltså även inom det epidemiologiska området och vilka observationsstudier som anses mer eller mindre värdefulla i sammanhanget kommer jag som sagt beröra i nästa del. Men redan här är det värt att påpeka att olika metodik har olika värde och vilken studiedesign forskaren använt påverkar trovärdigheten för att forskaren funnit kausala samband.

Hur har man samlat in och bearbetat sin data?

Den här punkten finns inte med i den bok jag hänvisade till men jag tar själv upp den då jag anser den vara mycket viktig. Det är otroligt viktigt att titta på vilken metod forskarna använt för att samla in data om livsstilsvanor. Olika sätt att samla in data om folks mat ger olika korrekt bild. Ju mer noggrant en individ redogör för livsmedel och mängder desto större chans att kunna dra slutsatser. Om dessutom övriga påverkande faktorer som ålder, rökning, alkoholvanor, motionsvanor med mera redovisas korrekt desto större möjlighet att kontrollera för confounders. Ser vi att kosthållning A förefaller öka risken för osteoporos (benskörhet) så är trovärdigheten radikalt bättre om vi även känner till rökning och motionsvanor. Utan vetskapen om det är sambandet inte alls lika trovärdigt eftersom det lika gärna kan vara så att personer som äter på ett visst sätt röker mer och rör sig mindre. Och då kan kostsambandet vara i princip irrelevant.
Även den statistiska metoden kan vara bra att kolla lite på. Det här kanske först blir relevant om man verkligen vill totalgranska en studie in i minsta detalj, inte ”bara” diskutera dess resultat, men hursomhelst finns anledning att ta en titt på om de valda statistiska analysmetoderna känns relevanta utifrån syftet. Och redovisas statistiken korrekt? Jag kommer inte gå in på analysmetoderna i detalj men beroende på vilka data man har kan man i alla fall redovisa statistiken på olika sätt och ibland passar den ena bättre än den andra för att besvara en viss fråga. Är man insatt i det gör man alltså klokt i att även studera analysmetod.

Människor är alltid människor (”hälsomedvetna” lever ”hälsosamt”)

Oavsett hur pass bra en epidemiologisk undersökning genomförs, confounders som man kontrollerar för, metod för hyfsat detaljerad och korrekt kost- och livsstilsregistrering etc. kan aldrig 100% säkra orsakssamband påvisas.
Men vad är då den confounder? Jag har nämnt det i texten men utan att egentligen förtydliga det. Hursomhelst innebär en confounder en felkälla i form av en faktor som man vet påverkar det man undersöker. Låt säga att vi undersöker vegetarisk kost och benskörhet. En studie kanske visar ett samband där vegetarianerna har skörare skelett. Men samtidigt vet vi att otillräckliga D-vitaminintag försämrar benhälsan och att man från en vegetarisk kost  inte får i sig lika mycket D-vitamin. Här blir alltså D-vitaminet en confounder, inte den vegetariska kosten som sådan. Ett annat exempel skulle kunna vara kaffekonsumtion och hjärtinfarkt. Ser vi en korrelation mellan högre kaffekonsumtion och hjärtinfarkt behöver det inte vara ett kausalt samband även om det vid första anblick kan se ut så. Vi kanske har glömt den mycket viktiga confoundern rökning. Rökning ökar risken för hjärtinfarkt kraftigt och rökare dricker ofta mycket kaffe. Då är alltså rökningen confoundern i fråga, det är felkällan som påverkar det synbara (men sannolikt felaktiga) sambandet mellan kaffekonsumtion och hjärtinfarkt.
Människor lever inte som labbråttor och hela ens hälsa är fantastiskt komplex med allt från kostintaget och den fysiska aktiviteten till saker som socialt stöd, stress i arbetslivet/plugget, känslan av delaktighet i samhället o.s.v. Vad som får folk att bli sjuka eller hålla sig friska kan aldrig enbart tillskrivas kostfaktor x (frukt, mättat fett, fullkorn eller whatever).
Om man genom olika forskningsresultat ser olika trender, läser om det i tidningar och hör om det i media, kommer genast ”hälsomedvetna” människor ta detta till sig. Får man höra att det mättade fettet är farligt kommer säkerligen många se upp med det. Men samtidigt är det de människorna som med stor sannolikhet motionerar, äter grönsaker, kanske äter mer fisk, röker mindre, super mindre, kanske har högre utbildning och en tryggare socioekonomisk situation? De människorna skulle förmodligen ha god hälsa även om olivoljan helt byttes ut mot smör eller om de struntade i bananen som mellanmål och tog en bit ost istället. De uppräknade faktorerna är olika typer av faktorer som alltså kan vara confounders i olika sammanhang och där en epidemiologisk studie omöjligt kan få med allt.
Och vänder vi på det så är det mycket sannolikt att de som aldrig skulle komplettera sin måltid med en sallad med dressing baserad på olivolja eller aldrig skulle bry sig om att välja fettsnål ost (i tron på att fet ost på något sätt skulle vara ett dåligt val) kanske är samma personer som inte heller bryr sig lika mycket om hälsotrender överhuvudtaget. Jag skrev mer om det här i mina två inlägg ”Om kolhydrater, mättat fett och “skräpmat”” och ”Kolhydrater, mättat fett och ”skräpmat” – fortsättning”. Är det ostens och nötköttets mättade fett som är ”farligt” i en korv med bröd eller är det salt, E250, raffinerade kolhydrater etc.? Och hur lever en person i övrigt om den har en kosthållning som till stor del består av korv med bröd? Stressigare liv kanske? Kanske något annat i livet som får personen att inte ha motivation nog att laga mat och bry sig om sin hälsa? Jag bara raljerar fritt (jag dömer ingen korvätare, jag käkar själv massor av korv:D) men poängen är att du ALDRIG kan ta hänsyn till ALLT i epidemiologiska studier.
Det här är anledningen till att en RCT-studie (även en CT men helst en RCT) bättre kan påvisa orsak och verkan (läs mitt förra inlägg om interventionsstudier, ”Kostforskning del 2 – Experimentell interventionsstudie”) än vad observationsstudier gör. Det är som sagt fullständigt omöjligt att kontrollera allt i en människas liv och därför är kontrollerade experiment mer värdefulla här. Men samtidigt kan vi ju inte tvinga in människor i labb och tvångsmata dem med olika dieter i 50 år för att undersöka vilken kost som är bäst ur ett långtidsperspektiv.

Förtjänar epidemiologiska forskningsresultat sitt inflytande på råd och rekommendationer?

I delen om studiers styrka här ovan tog jag upp John Snows världskända upptäckt om kolerans spridning i vatten. Nog för att vi gjort den typen av upptäckter tack vare epidemiologiska studier, likaså rökningens effekter, hur människor i områden med olika utsläpp drabbats mer av vissa sjukdomar än andra etc. så anser jag att tilltron till de epidemiologiska fynden är oförtjänt stor. Man vet inom forskningssamhället att orsakssamband inte kan påvisas exakt och alla de problem jag tagit upp är såklart välkända bland vetenskapsmän.

Näringsbristsjukdomar och livsstilssjukdomar – olika förutsättningar

Vad vi vet mer om inom kosten är svaret på olika typer av bristsjukdomar, det studeras enklare via epidemiologiska studier. Sturerar vi en befolkning där majoriteten lider av struma kan vi med enkla medel undersöka kosten och se att den är låg på jod och kanske innehåller mycket goitrogena ämnen (som finns i till exempel sojabönor och kålväxter). Vi kan undersöka kvinnor med blodbrist och se att deras kost är snål på järn och folsyra. Vi kan undersöka grupper av individer med rakitis och se att deras D-vitaminintag och/eller solexponering är lågt, i populationer med stor förekomst av nattblindhet kan vi se att de får i sig för lite A-vitamin. I alla de här fallen (och andra typer av identifierade näringsbristsjukdomar genom historien) är det dels lättare att hitta den primära faktorn och det är senare mycket enklare att undersöka det i kontrollerade experiment och/eller samhällsinterventioner. En annan sak som gör det lättare är att resultaten visar sig snabbare. Cancer och hjärt- kärlsjukdomar utvecklas långsamt långsamt långsamt under ett helt liv. Det är alltså mycket svårt att kunna avgöra hur enskilda kostkomponenter påverkar. Men vid bristsjukdom kommer individen ganska snabbt att bli bättre när den får en annan kost eller kanske tillskott. Med andra ord finns definitivt områden där epidemiologisk forskning gett oss mycket värdefulla resultat. Spridning av sjukdomar, hur olika gifter och strålning påverkar oss och vilka näringsbrister som ger vilka bristsjukdomar.
Svårare är det med livsstilsrelaterad och mer diffus hälsa. Att se hur små detaljer kan påverka det stora hela i ett helt liv. Ändå blir ofta livsstilsråd baserade på dessa studieresultat och risken är att det framställs som experimentella bevis och det är något jag själv ifrågasätter. Jag kan bara tala för mig själv, när mitt intresse för kost började ”visste” jag att mättat fett är farligt och att frukt och fullkorn är jättenyttigt. Idag är jag inte alls övertygad om något av de tre. Jag rekommenderar Staffan Lindebergs debattartikel i Läkartidningen från 2008, ”Epidemiologi bortom sans och måtta” och gärna den lite mer tunglästa (med mycket läsvärda) artikeln ”Epidemiology – is it time to call it a day?” som publicerade i International Journal of Epidemiology 2001 (1). Nu kanske epidemiologin är det bästa vi har så länge vi vill forska hyfsat etiskt korrekt på människor och då blir det svårt att använda några andra resultat för råd och rekommendationer. Finns det inte undersökt i strikt kontrollerade och randomiserade former så gör det inte. Då blir snarare frågan hur pass givna råd och rekommendationer man skall ge. Om retoriken skall antyda att vi vet A och B eller om vi tror och att det förefaller sannolikt utan att vara klarlagt etc.

Slutord

Då har vi gått igenom olika faktorer som gör epidemiologiska studieresultat mer eller mindre trovärdiga samt svårigheter när dessa studieresultat tolkas och överförs till råd och rekommendationer. I nästa del tar jag upp hur man inom forskningen klassificerar studieresultat enligt olika evidensgrader. Jag tar även upp vilka observationsstudier som används och vilken evidensgrad de olika metoderna har för att kunna påvisa eventuella samband för orsak och verkan.
/Nicklas
1. Davey Smith G, Ebrahim S.Epidemiology–is it time to call it a day? Int J Epidemiol. 2001 Feb;30(1):1-11.