流行病学也好玩（一）：考验你的逻辑思维

经过前面四期的讲解，我们给出了一些非常重要的定义（prevalence, incidence, IRR,CIR, AR, PAR...）；这些概念或是为了描述暴露或健康事件的分布状态，或是用来描述暴露与健康间的关联。为了更加接近真实的测量这些具有健康意义的指标，我们需要引入一些实验设计和统计分析的方法。接下来，我们会从分析干扰因素、试验设计、统计学方法等多个方面对流行病学进行全面介绍。今天，先讲讲因果推断（causal inference）。你知道么？其实因果性（causality）在我们还未学会说话前就已经掌握了。比如，小孩饿的时候就会啼哭以吸引母亲喂食。但这样的理解是不成系统的，因此，在流行病学中就产生了理论模型用来讨论因果性。充分病因模型（sufficient-component cause model）病因（cause）：一般称为危险因素，是指使疾病发生概率升高的因素，这里的危险是指不利事件，或某种条件，或某种特质。充分病因（sufficient cause）：必然导致疾病发生的最少条件的一个事件组合。也就是说所有的因素在一个sufficient cause中都是导致疾病所必需的。如下图，假设病人甲得了HIV是因为病因A、B、C和D（A=HIV病毒暴露，B＝未知，C=捐血，D=交叉使用针头）；病人乙得了HIV是因为病因A、B、E和F；病人丙得了HIV是因为病因A、C、G和H。组分病因（component cause）：特定sufficient cause里面的一个事件，或一个条件，或一个特质。比如，病因A～H。必要病因（necessary cause）：在所有sufficient cause里面都存在的某一个事件，或某一个条件，或某一个特质。比如，病因A＝HIV病毒暴露。个体病因关系（individualcausal inference）使用以上模型可以有助于我们认识个体病因关系。场景：病人甲交叉使用针头，导致了HIV；病人乙没有交叉使用针头，也获得了HIV.＊是：得HIV；否：没得HIV。推断合理的情况如下：所以我们可以发现：交叉使用针头是病人甲的病因，却不是病人乙的病因。但是对于任何一个人，我们始终只能接受一种措施，并产生一种结果；而不能假设采取另一种措施后可能产生的结果。所以，对于个人，病因产生的效应是无法获取的。预告如果对于个人，病因产生的效应无法获取，那么对于人群是否可行呢？明天再回来。