Epidemiologia

Epidemiologiset tutkimustyypit voidaan jakaa kolmeen tasoon, jotka ovat kuvaileva (deskriptiivinen), etiologinen (analyyttinen) ja kokeellinen (interventiivinen) epidemiologia^[2].

Kuvaileva epidemiologia tutkii sairauksien esiintyvyyttä eri väestöryhmissä ja eri oloissa. Tavoitteena ei ole varsinaisesti sairauksien syiden selvittäminen. Esimerkiksi työlääketieteessä sen käyttötarkoituksia voivat olla muun muassa työpaikkojen tai ammattiryhmien ”ryhmädiagnoosin” teko, työperäisen terveysvaaran tunnistaminen, työterveysongelmien kehityksen suunnan seuranta, normaaliarvojen määrittäminen ja syy-yhteyttä koskevien hypoteesien luominen. Kuvaileva epidemiologia on lähinnä käytännön apuväline - tieteellistä käyttöä sille on harvemmin.^[2]

Etiologinen epidemiologia tutkii sairauksien ja toisaalta perinnöllisten ja ympäristöperäisten tekijöiden välisiä syy-yhteyksiä. Yksinkertaisinta syy-yhteyttä kutsutaan ns. karkeaksi yhteydeksi (engl. crude association). Karkea yhteys ei anna tarkkaa kuvaa tutkimuksen kohteesta, joka voi muuttua huomattavasti vaikutusta muovaavien tekijöiden ansiosta. Vaikutusta muovaava tekijä voi muuttaa altistumisen vaikutuksia jopa niin, etteivät vaikutukset ilmene ollenkaan tekijän puuttuessa tai siten, että tekijän läsnäolo vahvistaa vaikutusta suhteettoman paljon. Etiologisen epidemiologian kysymyksenasettelu voi olla joko kvalitatiivinen tai kvantitatiivinen. Termillä ”kvalitatiivinen” tarkoitetaan tässä syy-seuraussuhteen tutkimista ja "kvantitatiivisella" altistumis-vastesuhteen tutkimista.^[2]

Interventiivisessä epidemiologiassa altistumisoloja muutetaan aktiivisesti ja tutkitaan niiden seurauksia. Eettisistä syistä aktiivista interventiota voidaan käyttää vain vähentämään altistumista tai esimerkiksi parantamaan ergonomiaa. Interventio muistuttaa osittain kokeellista tutkimusta, joten sitä kutsutaan joskus kokeelliseksi epidemiologiaksi. Useinkaan tutkittavia ei kuitenkaan voi satunnaistaa, joten se eroaa oleellisesti todellisesta kokeesta. Interventiivistä epidemiologiaa voidaan käyttää kahden ilmiön välisen yhteyden kausaalisuuden tutkimiseen. Jos altistumisolosuhteiden muutos vaikuttaa sairastumiseen, tämä tukee näiden ilmiöiden välistä kausaalisuutta.^[2]

Epidemiologian sovellusalueisiin voidaan laskea esimerkiksi seuraavat:

• Infektioepidemiologia
• Ravitsemusepidemiologia
• Kliininen epidemiologia
• Näyttöön perustuva lääketiede (engl. evidence-based medicine, EBM)

Epidemiologian asiantuntijat työskentelevät esimerkiksi erilaisissa tutkimusyksiköissä ja -ryhmissä, esimerkiksi yliopistoissa, sekä kansanterveyden ja infektioepidemioiden seurantaa ja hallintaa harjoittavissa virastoissa.

Epidemiologiassa ollaan kiinnostuneita esimerkiksi seuraavien ongelmien ratkaisemisesta^[1]:

• Väestön terveydentilan ja tämän muutosten mittaaminen
• Terveyteen liittyvien toimenpiteiden vaikutusten arvioiminen
• Terveyteen vaikuttavien syy-yhteyksien selvittäminen
  • Uusien hypoteesien tuottaminen
  • Hypoteesien testaaminen
• Tutkimusten virhelähteet
  • Satunnaisvirhe
  • Harha eli systemaattinen virhe (engl. bias)
    • Valintaharha
    • Mittausharha
  • Sekoittuneisuus
  • Vaikutuksen muovaajat
  • Yhdysvaikutukset
  • Yleistettävyys

Monet organisaatiot keräävät jatkuvasti terveyteen liittyvää tietoa erilaisiin tarkoituksiin ja yksittäiset tutkijat voivat hyödyntää näitä selvittäessään omia epidemiologisia tutkimuskysymyksiään. Tällaisiin organisaatioihin ja tietolähteisiin kuuluvat esimerkiksi:

• World Health Organization (WHO)
• Centers for Disease Control and Prevention (CDC)
• European Center for Disease Control (ECDC)
• The Institute for Health Metrics and Evaluation (IHME)
• Terveyden ja hyvinvoinnin laitos (THL)
• Tilastokeskus: Erityisesti Tilastokeskuksen Kuolinsyytilasto ja Kuolintodistusarkisto.
• Suomen hoitoilmoitusjärjestelmä (HILMO)
• Väestörekisterikeskus
• Syöpärekisteri
• Syntymärekisteri
• Aborttirekisteri
• Biopankit
• Tilastojulkaisut
• Potilasrekisterit

Tilastotiede ja erityisesti tämän osa-alue biostatistiikka on keskeinen osa epidemiologiaa, mutta myös monia muita matematiikan osa-alueita sovelletaan epidemiologiassa, erityisesti epidemioita mallinnettaessa. Tilastotieteellisiin menetelmiin kuuluvat esimerkiksi todennäköisyysjakaumat ja satunnaisotanta, tunnusluvut, kuten keskiarvo, mediaani, moodi, keskihajonta, vaihteluväli ja kvartiilit, regressioanalyysi, monet graafiset analyyttiset menetelmät, sekä tilastollinen päättely, kuten estimointi, luottamusvälit ja merkitsevyystestaus^[1].

Terveyteen liittyvien tapahtumien ja tilojen yleisyyttä väestöissä kuvataan epidemiologiassa esiintyvyyssuureiden avulla. Näihin kuuluvat esimerkiksi seuraavat^[1]:

• Riski – todennäköisyys saada tauti tai muu tapahtuma tarkastelujakson aikana.
• Veto (engl. odds) – tapahtuman todennäköisyys ÷ (1 - tapahtuman todennäköisyys). Veto on toinen tapa kuvata osuutta tai todennäköisyyttä, mutta yleensä toimii vain apusuureena (ks. vetosuhde).
• Hasardifunktio – riskin kertymisnopeus kullekin yksilölle.
• Ilmaantuvuus – uusien (tauti)tapausten määrä tarkastelujakson aikana. Hasardifunktion yleistys väestötasolla.
  • Ilmaantuvuusmäärä
  • Ilmaantuvuusosuus
  • Ilmaantuvuustiheys
• Vallitsevuus – (tauti)tapausten lukumäärä tarkastelujakson aikana.
  • Pistevallitsevuus
  • Periodivallitsevuus
  • Vallitsevuusmäärä
  • Vallitsevuusosuus

Usein väestön terveyttä kuvatessa ollaan kiinnostuneita syntyvyydestä, sairauksista ja kuolleisuudesta eri vaiheissa elinkaarta. Kun nämä yhdistetään edellisiin yleisiin käsitteisiin saadaan esimerkiksi seuraavat esiintyvyyssuureet^[1]:

• Sairastuvuus – uusien tautitapausten ilmaantuvuus riskialttiissa väestössä seurannan aikana.
• Sairastavuus – sairauden vallitsevuutta vastaava ilmaantuvuus.
• Vakioitu ilmaantuvuussuhde (SIR) – taudin ilmaantuvuus suhteessa iän, sukupuolen ja tarkastelujakson osalta normitettuun väestöön.
• Kuolleisuus – vuoden aikana kuolleiden lukumäärä yleensä tuhatta asukasta kohden.
• Vakioitu kuolleisuus – kuolleisuus painotettuna väestön ikärakenteen mukaan.
• Vakioitu kuolleisuussuhde (standard mortality rate, SMR) – toteutunut kuolleisuus jaettuna väestön ennakoidulla kuolleisuudella.
• Tapauskuolleisuus (CFR) – tietyn sairauden aiheuttamien kuolemien määrä verrattuna tautiin sairastuneiden määrään jonkin ajanjakson aikana.
• Infektiokuolleisuus (IFR) – tiettyyn sairauteen kuolleiden määrä verrattuna tautiin sairastuneiden määrään.
• Karkea syntyvyys – elävänä syntyneiden määrä.
• Imeväiskuolleisuus – ensimmäisen elinvuotensa aikana menehtyneet.
• Neonataalikuolleisuus – ennen 28 viikon ikää menehtyneet.
• Postneonataalikuolleisuus – ensimmäisten 28-365 vuorokauden aikana menehtyneet.
• Perinataalikuolleisuus – kuolleena syntyneet ja 24. raskausviikolta lähtien viikko syntymisen jälkeen menehtyneet.
• Lapsikuolleisuus – alle viiden vuoden iässä menehtyneet.
• Äitiyskuolleisuus – raskauden aikana tai 42 vuorokauden kuluessa raskauden päättymisestä menehtyneet, riippumatta raskauden kestosta tai raskauden sijainnista.

Yhteyksiä erilaisten terveyteen liittyvien altisteiden ja vasteiden välillä voidaan kuvata esiintyvyyssuureita vertailemalla. Näin saadaan muun muassa seuraavat yhteys- ja vaikutussuureet^[1]:

• Absoluuttinen riskiero: altistuneiden ilmaantuvuusosuus - altistumattomien ilmaantuvuusosuus. Kausaalinen riskiero voidaan kirjoittaa esimerkiksi ${\displaystyle Pr[Y^{a=1}=1]-Pr[Y^{a=0}=1]}$  ja havaittu riskiero ${\displaystyle Pr[Y=1|A=1]-Pr[Y=1|A=0]}$ . Kirjain ${\displaystyle Y}$  viittaa yleensä kausaalisessa päättelyssä vastemuuttujaan ja ${\displaystyle A}$  altisteeseen/syyhyn.
• Riskisuhde (engl. risk ratio): altistuneiden ilmaantuvuusosuus ÷ altistumattomien ilmaantuvuusosuus. Kausaalinen riskisuhde voidaan kirjoittaa ${\displaystyle {\frac {Pr[Y^{a=1}=1]}{Pr[Y^{a=0}=1]}}}$  ja havaittu riskisuhde ${\displaystyle {\frac {Pr[Y=1|A=1]}{Pr[Y=1|A=0]}}}$ .
• Vetosuhde (engl. odds ratio): tapauksien veto ÷ verrokkien veto tai altistuneiden veto ÷ altistumattomien veto, joiden välillä on yleensä yhtäläisyys. Jälkimmäisessä tapauksessa kausaalinen vetosuhde voitaisiin siis kirjoittaa ${\displaystyle {\frac {Pr[Y^{a=1}=1]\div Pr[Y^{a=1}=0]}{Pr[Y^{a=0}=1]\div Pr[Y^{a=0}=0]}}}$  ja havaittu vetosuhde ${\displaystyle {\frac {Pr[Y=1|A=1]\div Pr[Y=0|A=1]}{Pr[Y=1|A=0]\div Pr[Y=0|A=0]}}}$ .
• Lisäriski (AR, engl. attributable risk ratio): absoluuttinen riskiero ÷ altistuneiden ilmaantuvuusosuus. Tämä luku kuvaa, kuinka suuren osuuden altistuneiden riskistä voisi selittää altistumisella.
• Väestön lisäriski (PAR, engl. population attributable risk ratio): Lisäriski sovitettuna toisen väestön (esim. koko maan) riskitasoon.
• Syyosuus (engl. excess fraction) määritellään yleensä kausaalisesti ${\displaystyle {\frac {Pr[Y=1]-Pr[Y^{a=0}=1]}{Pr[Y=1]}}}$ , eli vasteen riskistä vähennetää kontrafaktuaalinen altistumattomien riski ja suhteutetaan jäännösriski vasteen riskiin.^[3] Luku kertoo, kuinka suuri osuus riskistä (ja tapauksista) olisi vältetty, jos koko tutkimusväestö olisi ollut altistumaton.
• NNT (engl. number needed to treat) kuvaa, kuinka monta henkilöä pitää keskimäärin hoitaa (tai altistua), että yhdellä heistä ehkäistään vastetapahtuma. Kausaalisesti suure kirjoitetaan ${\displaystyle {\frac {1}{Pr[Y^{a=1}=1]-Pr[Y^{a=0}=1]}}}$ . Kyseessä on siis absoluuttisen riskieron käänteisluku.^[3]

Kun vertailussa on syyn ja seurauksen (tai altisteen ja vasteen) sijasta kyse jostakin testistä tai mittarista ja ennustettavasta tilasta, käytetään yhteyden eli mittarin tarkkuuden kuvaamiseen esimerkiksi seuraavia suureita^[1]:

• Sensitiivisyys eli herkkyys: testipositiiviset tapaukset ÷ kaikki tapaukset. Tämä kertoo siis, kuinka suuri osuus tapauksista on testipositiivisia. Kolikon heiton herkkyys on 50 %.
• Spesifisyys eli tarkkuus tai kohdentuneisuus: testinegatiiviset terveet ÷ kaikki terveet. Tämä kertoo siis, kuinka suuri osuus terveistä on testinegatiivisia. Kolikon heiton spesifisyys on 50 %.
• Positiivinen ennustearvo (PPV): testipositiiviset tapaukset ÷ kaikki testipositiiviset. Tämä kertoo siis, kuinka suuri osuus testipositiivisista on tapauksia. Kolikon heiton positiivinen ennustearvo on aina tapausten osuus testiväestössä.
• Negatiivinen ennustearvo (NPV): testinegatiiviset terveet ÷ kaikki testinegatiiviset. Tämä kertoo siis, kuinka suuri osuus testinegatiivisista on terveitä. Kolikon heiton negatiivinen ennustearvo on aina terveiden osuus testiväestössä.
• Positiivinen uskottavuusosamäärä (+LR, engl. likelihood ratio): herkkyys ÷ (1 - spesifisyys). Tämä luku siis kuvaa, kuinka paljon näyttöä positiivinen testitulos antaa ennustettavan tilan puolesta (herkkyys) tai sitä vastaan (epäspesifisyys). Esim. +LR = 2 tarkoittaa, että positiivisen testituloksen saaminen on kaksi kertaa todennäköisempää, kun tutkittava on tapaus. Kolikon heiton positiivinen uskottavuusosamäärä on yksi.
• Negatiivinen uskottavuusosamäärä (-LR): spesifisyys ÷ (1 - herkkyys). Tämä luku siis kuvaa, kuinka paljon näyttöä negatiivinen testitulos antaa ennustettavaa tilaa vastaan (spesifisyys) tai sen puolesta (epäherkkyys). Esim. -LR = 2 tarkoittaa, että negatiivisen testituloksen saaminen on kaksi kertaa todennäköisempää, kun tutkittava ei ole tapaus. Kolikon heiton positiivinen uskottavuusosamäärä on yksi.
• Luokittelutarkkuus: (testipositiiviset tapaukset + testinegatiiviset terveet) ÷ kaikki. Tämä kertoo siis, kuinka suuri osuus kaikista testituloksista on oikeita. Kolikon heiton luokittelutarkkuus on 50 %.
• Youdenin indeksi: herkkyys + spesifisyys. Kolikon heiton Youdenin indeksi on 100 %.
• AUROC-arvo (engl. area under the receiver operating characteristic)
• Bayes-faktori: Positiivisen tuloksen Bayes-faktori on positiivinen ennustearvo / (100% - positiivinen ennustearvo). Bayes-faktori kuvaa suoraan, kuinka paljon positiivinen tulos lisää tutkittavan tilan vetoa. Jos esim. tehdään testi, jonka BF on 5 ja taudin ennakkoveto on 1:10, niin positiivisen tuloksen jälkeen taudin veto on 5:10 eli todennäköisyysasteikolla 33%.

Tutkimusasetelma on yksi epidemiologian keskeisimmistä aiheista. Tutkimusasetelma kuvaa karkeasti, millaisia havaintoyksikköjä tutkitaan, tehdäänkö interventioita, miten havaintoyksiköt valitaan ja miten havaintoaineiston keruu ja analyysi ajoitetaan. Näihin kuuluvat muun muassa seuraavat^[1]:

• Ekologinen poikkileikkaustutkimus
• Ekologinen pitkittäistutkimus
• Poikkileikkaustutkimus
• Kohorttitutkimus
  • Seurantatutkimus
  • Taannehtiva kohorttitutkimus
• Tapaus-verrokkitutkimus
• Kokeellinen tutkimus
  • Kliininen koe
• Systemaattinen katsaus ja meta-analyysi

 

Tutkimusasetelma on yksi tärkeimmistä tutkimuksesta saatavan näytön laatuun vaikuttavista tekijöistä. Tämä idea esitetään usein ns. näyttöpyramidin avulla, jossa pyramidin pohjalla ovat yksittäiset tapauskertomukset ja huipulla ovat satunnaistettujen kontrolloitujen kokeiden (RCT, engl. randomized controlled trial) meta-analyysit.

Tutkimustulosten luotettavuus perustuu ennen kaikkea tutkimuksen huolelliseen suunnitteluun ja siksi tutkimuksen suunnittelu on tärkeä aihe epidemiologiassa. Tutkimussuunnitelman rakenne on karkeasti ottaen seuraavanlainen^[1]:

• Tutkimusongelman täsmentäminen
  • Testattavat väittämät (hypoteesit)
  • Vastattavissa olevat kysymykset
• Mitattavien ominaisuuksien valinta
  • Havaintoyksiköt
  • Muuttujat: vasteet, altisteet, sekoittavat tekijät ja vaikutuksen muovaajat
  • Muuttujien tyypit
  • Muuttujien operationalisointi
• Tutkimusasetelman valinta
• Havaintoyksikön valinta
  • Kelpoisuuskriteerit
  • Otantakehikko ja otanta
  • Informoitu suostumus (engl. informed consent)
• Otoskoon arviointi
• Havaintoaineiston hankinta
  • Kyselyt
  • Haastattelut
  • Havainnointi
  • Mittaukset
  • Valmiiden tietolähteiden käyttö
• Ohjelmistot
• Havaintoaineiston hallinta
  • Dokumentaatio
  • Säilytys ja varmuuskopiointi
  • Tarkistus ja korjaus
  • Versiointi
  • Tietoturva, oikeudet ja todennus
• Havaintoaineiston analyysi
• Raportointi
• Julkaisusuunnitelma

Valtaosa epidemiologiasta kohdentuu tutkimusten virhelähteiden minimointiin. Näihin menetelmiin kuuluvat esimerkiksi seuraavat^[1]:

• Rajaaminen: Yksinkertainen tapa hallita virhelähteitä, kuten sekoittavia tekijöitä, on rajata tietyt havaintoyksiköt pois tutkimuksesta. Esimerkiksi, jos alkoholin käytön katsotaan olevan sekoittava tekijä tupakoinnin ja keuhkosyövän välisessä analysissä, alkoholin käyttäjät voidaan rajata pois analyysistä. Usein myös kliinisistä kokeista rajataan pois merkittävä osa mahdollisista potilaista esim. heidän muiden sairauksiensa vuoksi.
• Osittaminen: Rajaamisen sijasta tutkijat voisivat myös suorittaa analyysin sekoittavan tekijän mukaisissa osissa. Esim. tupakoinnin ja keuhkosyövän välistä yhteyttä voidaan analysoida sekä alkoholin käyttäjillä että heillä, jotka eivät käytä alkoholia. Samalla tavalla kliinisen kokeen ei tarvitse rajata esim. tiettyjä sairauksia pois, vaan analyysi voidaan tehdä jokaisessa sairausryhmässä erikseen.
• Vakiointi (engl. standardization): Jos tutkijoiden on mahdollista vaikuttaa joidenkin mahdollisten virhelähteenä toimivien muuttujien arvoon, näiden arvo tyypillisesti vakioidaan eli asetetaan kaikille samaksi. Jos virhelähteen kontrollointi ei ole suoraan mahdollista, samaa voidaan yrittää jälkikäteen matemaattisesti monilla eri menetelmillä. Käytännössä tutkijat siis pyrkivät ennustamaan matemaattisesti, millaisia havaintoja he olisivat keränneet, jos virhelähteenä toimivan muuttujan arvo olisi ollut kaikilla sama.
• Mallintaminen: Kaksivaiheisen vakioimisen sijasta on myös mahdollista mallintaa kaikkien muuttujien välisiä suhteita, virhelähteitä tai koko tiedonkeruuta yhdellä kerralla mahdollisimman täsmällisesti ja saada näin arvio altisteen ja vasteen yhteydestä osana tätä laajempaa mallia.
• Satunnaistaminen: Esimerkiksi kliinissä kokeissa on tärkeää välttää sitä, että hoitoja saavat potilaat eroavat jotenkin systemaattisesti heidän verrokkiryhmästään. Yksinkertaisin tapa valikoida potilaat hoito- ja verrokkiryhmään reilulla tavalla on tehdä tämä täysin satunnaisesti. Yleisesti voidaan ajatella, että kaikki järjestykset tutkimuksessa tulisi joko vakioida tai satunnaistaa – tällöin kaikki virhelähteet jakautuvat joko tasaisesti tai satunnaisesti. Esimerkiksi, jos hoitoryhmän verinäytteet käsitellään ensimmäisellä viikolla ja verrokkiryhmän näytteet seuraavalla viikolla, kaikki aikaan liittyvät virhelähteet kohdistuvat systemaattisesti eri tavalla hoito- ja verrokkiryhmään. Verinäytteiden käsittelyjärjestys tutkimuksessa tulisi siis vähintään satunnaistaa.
• Sokkouttaminen ja salaaminen: Esimerkiksi kliinisissä kokeissa on tärkeää, että hoito- ja verrokkiryhmän kokemus tutkimuksessa ovat mahdollisimman samankaltaisia tutkittavaa hoitoa lukuun ottamatta. Tämä ei toteudu yleensä hyvin, mikäli tutkimuspotilaat ja -henkilökunta tietävät, mitä hoitoa kukin potilas on saanut. Yleisesti, tarpeeton tieto tutkimuksesta voi vaikuttaa sekä tutkittavien että tutkijoiden käytökseen siten, että tutkimukseen syntyy virhettä, joten sokkouttamalla voidaan ehkäistä helposti erilaisia virheitä. Salaamisesta puhutaan yleensä vain, kun tieto ryhmiinjaosta salataan hoidon antamiseen saakka kliinisissä kokeissa (engl. allocation concealment) ja sokkouttamisesta puhutaan muissa tapauksissa, kun mitä tahansa tietoa salataan keneltä tahansa (engl. blinding).
• Kontrollit: Syy-seuraussuhteissa on aina kyse jostakin vertailusta. Jos kontrolli- tai verrokkihavaintoja ei tehdä, niin kausaalinen päättely perustuu joihinkin oletuksiin niistä. Esim. plasebokontrolliryhmää havainnoimalla kliinisissä kokeissa voidaan havaita, miten tutkimuspotilaiden tila muuttuu, jos heidän kokemuksensa tutkimuksessa vastaa täysin hoitoryhmän kokemusta lukuun ottamatta tutkittavaa hoitoa. Samalla tavalla tapaus-verrokkitutkimuksissa tapausten altisteiden havaintoja verrataan verrokkiryhmän altisteiden havaintoihin; olisi suuri virhe vain olettaa, ettei tapauksilla havaittuja altisteita voisi esiintyä myös terveissä väestöissä.
• Interventio: Interventiotutkimuksissa tutkijat voivat suunnitella altisteet ja asettaa niiden jakaumat tutkimusväestössä mahdollisimman informatiivisella tavalla, kun taas havainnoivassa tutkimuksessa altisteet ja niiden jakaumat määräytyvät luonnollisella tavalla ja nämä voidaan korkeintaan mitata. Kokeelliset tutkimukset ovatkin usein informatiivisempia.

Hillin lista (engl. Bradford Hill criteria) sisältää havaittujen yhteyksien piirteitä, joiden voidaan katsoa lisäävän tai vähentävän kausaalisen suhteen uskottavuutta:^[4]

• Voimakkuus: Mitä voimakkaampi yhteys muuttujien välillä havaitaan, sitä todennäköisemmin havaittu yhteys on kausaalinen.
• Annos-vastesuhde: Yleensä biologiassa suurempi annos altistetta aiheuttaa suuremman vasteen. Näin siis mitä selkeämpi annos-vasteyhteys havaitaan, sitä todennäköisemmin yhteys voisi olla kausaalinen.
• Ajallinen yhteys: Mitä paremmin altiste voidaan havaita ennen vasteen ilmaantumista eikä yhtäaikaisesti tai vasta vasteen jälkeen, sitä todennäköisemmin havaittu yhteys on kausaalinen.
• Mekanismi: Mitä uskottavampi mekanismi altisteen ja vasteen väliselle kausaaliselle suhteelle on keksittävissä, sitä todennäköisemmin havaittu yhteys on kausaalinen.
• Spesifisyys: Mitä spesifimmin yhteys on altisteen ja vasteen välillä tai mitä vähemmän nämä ovat epäspesifisesti yhteydessä erilaisiin muuttujiin, sitä todennäköisemmin altisteen ja vasteen havaittu yhteys on kausaalinen. Esimerkiksi, tutkijat voivat käyttää negatiivisia kontrollimuuttujia, joilla ei varmasti ole kausaalista yhteyttä vastemuuttujaan. Jos negatiivisen kontrollin ja vasteen välillä onkin tutkimuksessa yhteys, tämä tarkoittaa, että tutkimuksessa täytyy olla joitakin korjaamattomia virhelähteitä. Jos taas negatiivisen kontrollin ja vasteen välillä ei havaita yhteyttä, tämä voi vahvistaa altisteen ja vasteen yhteyden uskottavuutta.
• Analogia: Mitä enemmän on kausaalisia yhteyksiä muiden vastaavien tai samantapaisten muuttujien välillä, sitä todennäköisemmin myös kyseinen havaittu yhteys on kausaalinen. Esimerkiksi, jos yhdellä lääkeaineella tiedetään olevan suolistoon liittyvä haitta, havaittu yhteys toisen lääkeaineen ja suolistoon liittyvän haitan välillä voisi olla jo analogian vuoksi uskottavampi.
• Konsistenssi: Mitä useammin erilaisissa tutkimuksissa havaitaan sama yhteys, sitä todennäköisemmin havaittu yhteys on kausaalinen.
• Koherenssi: Mitä enemmän on yhtäpitävää näyttöä laboratoriotutkimuksista, sitä todennäköisemmin havaittu yhteys on kausaalinen.
• Kokeellinen näyttö: Mitä enemmän on yhtäpitävää näyttöä kokeellisista tutkimuksista, sitä todennäköisemmin havaittu yhteys on kausaalinen.

Epidemiologia sai vahvasti alkunsa infektioepidemioiden havaitsemisesta ja torjumisesta ja tämä on edelleen infektioepidemiologian tehtävä. Epidemia voi kuitenkin olla minkä tahansa, ei vain mikrobien aiheuttaman, taudin yllättävä kasvu. Epidemian selvittämiseen kuuluvat muun muassa seuraavat vaiheet^[1]:

• Diagnoosin varmistaminen
• Tautitapauksen määrittely
• Tapausmäärien ajallisen kulun selvittäminen
• Tapausten paikallisen jakautumisen selvittäminen
• Hypoteesin muodostaminen
• Laboratoriotutkimukset
• Tapaus-verrokkitutkimukset
• Epidemian torjuntatoimet
  • Tiedottaminen
  • Tartuntalähteen poistaminen
  • Tartuntareittien vähentäminen
  • Rokottaminen
  • Tapausten hoitaminen
  • Seurantajärjestelmän pystyttäminen

• Epidemian matemaattinen mallintaminen
• Mikrobiteoria

 

Wikimedia Commonsissa on kuvia tai muita tiedostoja aiheesta Epidemiologia.

• Luokka:Epidemiologia – Epidemiologian suomenkieliset käännökset Tieteen termipankki. Viitattu 30.3.2020.
• Fundamentals of Epidemiology I : Lecture Materials JHSPH Open CourseWare. Arkistoitu 22.5.2020. Viitattu 30.3.2020. (englanniksi) Johns Hopkins -yliopiston verkkokurssi