NEON- och SVEP-möte
Den 13 juni på eftermiddagen ägde ett kombinerat möte mellan Nätverket Epidemiologi och Nutrition (NEON) och Svensk Epidemiologisk Förening (SVEP) på Rudbecklaboratoriet i Uppsala. Thomas från styrelsen var på plats där temat för dagen var causal inference in nutritional epidemiology – optimizing the use of observation data to strengthen the evidence between diet and health. Nedan kommer en kort sammanfattning av dagens presentationer.
Causal inference with focus on directed acyclic graphs (DAG) for specifying associations
Först ut var Anton Nilsson, docent i epidemiologisk metodik från Lunds universitet som presenterade om så kallade directed acyclic graphs (DAG) som är en figur där man visualiserar en grupp av matematiska ekvationer för att förklara relationerna mellan olika variabler och kunna dra kausala slutledningar. DAG byggs upp av bland annat noder som ska representera exponering, utfall och confounders. Relationen mellan dessa kan antingen beskrivas som deterministiska eller probabilistiska. Fördelen med en DAG är att både kausala och statistiska relationer kan bestämmas från figuren. Kortfattat, DAG kan ses som ett verktyg att tänka på kausala effekter, visualisera dem och bestämma vilka variabler man ska justera för.
PhD student presentation and discussion: Health effects of milk consumption: phenome-wide Mendelian randomization study
Doktorand Shuai Yuan från Karolinska Institutet presenterade sitt arbete om användning av mendelian randomisering till att utforska hälsoeffekterna av mjölkintag. Där mjölk anses vara en stor del av västerländsk kost och innehåller en rad essentiella näringsämnen men samtidigt är kopplat till en rad olika hälsoutfall. Shuai undersökte till vilken grad generna påverkar dessa utfall. I resultatet fann man att det fanns både negativa och positiva associationer med hänsyn till enskilda hälsoutfall. Möjliga mekanismer kunde förklaras av en förbättrad lipidprofil, påverkan från särskilda näringsämnen och tarmmikrobiota. En av begränsningarna är att resultaten bara kan återspegla hälsoeffekterna av mjölkintag istället för andra mejeriprodukter. Studien avslöjade vissa hälsoeffekter som enbart går att generalisera till den europeiska befolkningen.
Efteråt kom Dr Shafqat Ahmad från Uppsala universitet som debattör och ställde frågor till Shuai om blanda annat ursprunget av mätningen av exponeringen, dvs de genetiska markörer, men även teorin kring bakom den kausala relationerna med hänsyn till utfallet.
Limitations and challenges of systematic reviews – experience from the NNR2023 SR center
Vidare presenterade professor Agneta Åkesson från Karolinska Institutet som är arbetsledare för expertgruppen för utvecklingen av de Nordiska Näringsrekommendationer 2023 (NNR2023) och diskuterade själva processen, begränsningarna och utmaningarna vid framtagandet av arbetet. Där NNR ger basen till den vetenskapliga grunden för nationella näringsrekommendationer som leds av Norge i denna runda. Processen för systematic review ställde höga krav, dels för val av artiklar där bland annat 72 666 artiklar screenades och fulltext-läsning av 756 artiklar. En del generella aspekter som man tog hänsyn till var exempelvis att studierna ska vara relevanta för Norden, inte inkludera studier om viktnedgång, patienter med sjukdom eller malnutrition. En stor vikt lades på transparens i arbetet.
Arbetet följde även till stor del The Nordic Nutrition Recommendations 2022 – handbook for qualified systematic reviews (2020) som i sin tur följde en rad steg. Efter att ha analyserat alla artiklar gjordes en risk of bias assessment där en stor del av artiklarna berörs av någon form av bias, som det i princip alltid är med studier inom nutrition. Men kort och gott finns mycket nyttig information att tillgå.
Reforming nutritional hypotheses
Därefter presenterade postdoktor Daniel Borch Ibsen från Aarhus universitet i Danmark via Zoom om den teoretiska omställningen som bör tillämpas för nutritionsepidemiologska studier. Han sammanfattade att det finns tre viktiga överväganden man bör ta hänsyn till när det kommer till studier inom nutrition:
- The good – Kostvanor är sammansatta; vårt ramverk kring nutrition kan ses som konstant och att alla dess komponenter är i balans med varandra. Exempelvis om intag av fett går ner måste antingen protein eller kolhydrater gå upp. Detta kallas i princip för food substitution.
- The bad – Exponering till näring är multidimensionell; intag (förutsatt att intaget är konstant) av näringsämnen från olika källor kommer ha olika effekter.
- The ugly – Deltagare är konstant exponerade; närmare sagt, exponering kan variera baserat på intag vid baslinje och vilken typ av intervention man väljer. Vilket i sin tur resulterar i varierande grad på effekten från interventionen.
Vidare presenterade han hur det ovan kunde appliceras på en studie om långtidseffekten på DASH-diet på 22-årsrisken av hjärtsvikt.
Understanding compositional data in nutrition: applications to energy intake adjustment and substitution modelling
Till sist var det två presentatörer från Leeds universitet och Alan Turing-institutet i London, doktorand Georgia Tomova och docent Peter WG Tennant. Som även hade kopplat upp sig och presenterade digitalt på mötet.
Georgia började med att presentera från perspektivet av kausal slutledning vid analys av kompositionsdata. Dvs konceptet att alla delar kan förklaras i sin helhet. Där de med hjälp av Monte Carlo-simuleringar hade statistiskt testat olika modeller för att kausalt förklara relationerna. Med hänsyn till DAG finns fyra prominenta modell-strategier för att justera energiintag i observationsstudier:
- The standard model, som tar hänsyn till det totala energiintaget.
- The residual model, som justerar energiintagets residualer.
- The energy partition model, som tar hänsyn till den kvarvarande energin.
- The nutrient density model, som tar hänsyn till totala energiintaget som nämnare.
Kortfattat kunde de se att modellen som justerade för alla komponenter presterade bättre än om man fokuserade på enskilda komponenter. Deras rekommendation var att strategin för definiering av estimanden och justering bör tydligt anges och motiveras. En modell som inkluderar alla individuella komponenter ger den enklaste och mest exakta metoden för att uppskatta varje önskad orsakseffekt jämfört mot modeller med enskilda komponenter. Samt att det är viktigt att alltid mäta estimanden i samma enhet, dvs om det är gram, portion eller kalorier.
Sedan tog Peter över och utvecklade vidare hur detta kan tillämpas mer praktiskt där kostriktlinjer till stor del rekommenderar att substituera ett livsmedel mot ett annat. Där vikten var snarare att se till att ha väl-definierade substitutioner i sina modeller, exempelvis kött byts ut mot fisk. Risken om detta inte görs, men som även kan uppstå omedvetet i sin forskning, är att man skapar en så kallad substitutionseffekt där man istället skapar en icke-existerande effekt. Sammanfattningsvis, uppskattning av substitutionseffekter inom observationsdata kräver extremt tydligt definierade uppskattningar och i sin tur användning av lämpliga estimatorer.
Vidare läsning:
Adjustment for energy intake in nutritional research: a causal inference perspective (2022). https://doi.org/10.1093/ajcn/nqab266
Theory and performance of substitution models for estimating relative causal effects in nutritional epidemiology (2022). https://doi.org/10.1093/ajcn/nqac188