Gli errori nella misurazione dell'esposizione possono avere impatti diversi sulla relazione esposizione-malattia studiata, a seconda di come sono distribuiti gli errori. Se uno studio epidemiologico è stato condotto alla cieca (ovvero, le misurazioni sono state effettuate senza alcuna conoscenza della malattia o dello stato di salute dei partecipanti allo studio) ci aspettiamo che l'errore di misurazione sia distribuito uniformemente tra gli strati della malattia o dello stato di salute.
La tabella 1 fornisce un esempio: supponiamo di reclutare una coorte di persone esposte sul lavoro a una sostanza tossica, per indagare su una malattia frequente. Determiniamo lo stato di esposizione solo al momento del reclutamento (T0), e non in altri momenti durante il follow-up. Diciamo però che un certo numero di individui cambia effettivamente il proprio stato di esposizione nell'anno successivo: al tempo T1, 250 delle 1,200 persone originariamente esposte hanno cessato di essere esposte, mentre 150 delle 750 persone originariamente non esposte hanno iniziato a essere esposte alla sostanza tossica. Pertanto, al tempo T1, 1,100 individui sono esposti e 850 non sono esposti. Di conseguenza, abbiamo una "classificazione errata" dell'esposizione, basata sulla nostra misurazione iniziale dello stato dell'esposizione al tempo T0. Questi individui vengono poi rintracciati dopo 20 anni (al tempo T2) e viene valutato il rischio cumulativo di malattia. (L'ipotesi fatta nell'esempio è che solo l'esposizione di più di un anno è una preoccupazione.)
Tabella 1. Ipotetica coorte di 1950 individui (esposti e non esposti al lavoro), reclutati al tempo T0 e il cui stato di malattia è accertato al tempo T2
|
Ora |
|||
|
T0 |
T1 |
T2 |
|
Lavoratori esposti 1200 250 cessazione esposizione 1100 (1200-250+150)
Casi di malattia al tempo T2 = 220 tra i lavoratori esposti
Lavoratori non esposti 750 150 inizio esposizione 850 (750-150+250)
Casi di malattia al tempo T2 = 85 tra i lavoratori non esposti
La vero rischio di malattia al tempo T2 è del 20% tra i lavoratori esposti (220/1100),
e il 10% nei lavoratori non esposti (85/850) (rapporto di rischio = 2.0).
Rischio stimato a T2 di malattia tra quelli classificati come esposti a T0: 20%
(ovvero rischio reale in soggetti esposti) ´ 950 (ovvero 1200-250)+ 10%
(ossia, rischio reale nei non esposti) ´ 250 = (190+25)/1200 = 17.9%
Rischio stimato a T2 di malattia tra quelli classificati come non esposti a
T0: 20% (ovvero, rischio vero negli esposti) ´ 150 +10%
(ovvero, rischio reale in non esposti) ´ 600 (ovvero 750-150) = (30+60)/750 = 12%
Rapporto di rischio stimato = 17.9% / 12% = 1.49
L'errata classificazione dipende, in questo esempio, dal disegno dello studio e dalle caratteristiche della popolazione, piuttosto che dai limiti tecnici della misurazione dell'esposizione. L'effetto dell'errata classificazione è tale che il rapporto “vero” di 2.0 tra il rischio cumulativo tra le persone esposte e le persone non esposte diventa un rapporto “osservato” di 1.49 (tabella 1). Questa sottostima del rapporto di rischio deriva da un "offuscamento" del rapporto tra esposizione e malattia, che si verifica quando l'errata classificazione dell'esposizione, come in questo caso, è uniformemente distribuita in base alla malattia o allo stato di salute (ovvero, la misurazione dell'esposizione è non influenzato dal fatto che la persona soffrisse o meno della malattia che stiamo studiando).
Al contrario, può verificarsi una sottostima o una sopravvalutazione dell'associazione degli interessi quando l'errata classificazione dell'esposizione non è distribuita uniformemente sul risultato degli interessi. Nell'esempio, potremmo avere pregiudizio, e non solo un offuscamento della relazione eziologica, se la classificazione dell'esposizione dipende dalla malattia o dallo stato di salute dei lavoratori. Ciò potrebbe verificarsi, ad esempio, se decidiamo di prelevare campioni biologici da un gruppo di lavoratori esposti e da un gruppo di lavoratori non esposti, al fine di identificare i primi cambiamenti legati all'esposizione sul lavoro. I campioni dei lavoratori esposti potrebbero quindi essere analizzati in modo più accurato rispetto ai campioni dei lavoratori non esposti; la curiosità scientifica potrebbe portare il ricercatore a misurare ulteriori biomarcatori tra le persone esposte (tra cui, ad esempio, addotti al DNA nei linfociti o marcatori urinari di danno ossidativo al DNA), nell'ipotesi che queste persone siano scientificamente “più interessanti”. Si tratta di un atteggiamento piuttosto comune che, tuttavia, potrebbe portare a gravi pregiudizi.