Förutsägelser som slår in

Den 6 maj 2011 skrev jag här om hur nivåer av totalkolesterol samvarierar med kranskärlsdödlighet i medelåldern i den moderna världen. I strid med den traditionella bilden verkade befolkningar med högre nivåer av totalkolesterol ha lägre kranskärlsdödlighet. Befolkningar i höginkomstländer i västvärlden har fortfarande relativt sett höga kolesterolnivåer, samtidigt som mortaliteten minskat kraftigt i dessa befolkningar. Utifrån detta kan det vara av intresse att fråga sig i vilken mån etablerade riskfaktorer generellt kan förutsäga internationella skillnader i kranskärlsdödlighet i den moderna världen.

Jag använde mig av mortalitetsdata för senast tillgängliga år, för länder med åldersspecifika mortalitetsdata tillgängliga hos (WHO) 2002 eller senare (de flesta hade data tillgängliga för perioden 2008–10), riskfaktordata för 2008 från (Imperial College) och data för andelen rökare tillgängliga i WHO-rapporten för 2011 (WHO) (i de flesta fall var de från undersökningar på 00-talet). Dessa data fanns tillgängliga för 54 länder. Sedan sökte jag, med hjälp av R (R Development Core Team 2011), passa in dessa data på modeller av följande typ: ln(r(avg[0, 64])_kv, i) = α + β₁D(avg[25, 64])_kv, i + β₂BMI(avg[20, 64])_kv, i + β₃TK(avg[25, 64])_kv, i + β₄SBP(avg[25, 64])_kv, i + β₅DS_kv, i, där r(avg[0, 64])_kv, i är genomsnittliga dödstal i kranskärlssjukdom (ICD-9: 410–414, ICD-10: I20–I25) i åldersgrupperna under 65 år bland kvinnor i befolkningen i, D[25, 64]_kv, i är genomsnittlig andel diabetiker bland kvinnor i åldersgrupperna mellan 25 och 64 år (de åldersgruper under 65 år där Imperial College-data fanns tillgängliga) BMI är genomsnittligt BMI, TK är genomsnittlig totalkolesterolnivå, SBP är genomsnittlig systolisk blodtrycksnivå och DS är andelen dagligrökare (här fanns könsspecifika, men inte åldersspecifika, data). β-koefficienterna (som uppskattas i analysen) ger relativa effekter av förändringar av riskfaktorerna på dödstalen. Jag konstruerade motsvarande modeller för män under 65 år, med riskfaktor- och mortalitetsdata för män, och för kvinnor och män över 65 år (med data för riskfaktorer, utom rökning, i åldern 65–74 år; modeller med genomsnitt för åldersgrupperna över 65 gav något sämre förutsägelseförmåga).

Vad gav då de olika analyserna för resultat? En ökning av andelen diabetiker med en procentenhet skulle ge en ökning av kranskärlsdödligheten på uppåt 10 procent i de fyra modellerna; men det var statistiskt signifikant enbart för män under 65 år. Det gick inte att hitta något samband mellan BMI eller andelen rökare och dödlighet i någon av modellerna. Totalkolesterol hade starka negativa samband med dödlighet i alla grupper, utom kvinnor över 65 år. För kvinnor under 65 år skulle en ökning av totalkolesterolet på 1 mmol/l innebära en minskning av kranskärlsdödligheten med 80 procent (p ≈ 0, 002) och med 71 procent för män (p ≈ 0, 001). Systoliskt blodtryck hade däremot ett enhetligt och starkt signifikant positivt samband, där en ökning med 1 mm förutsade en ökning av dödstalen med 8–9 procent med p < 0, 001 i alla fyra grupperna.

Det negativa sambandet med kolesterol är förstås paradoxalt, sett till att det är en etablerad riskfaktor, men väntat utifrån observationerna jag nämnde i inledningen. Vi kan inte veta vad resultaten blivit om vi använt oss av mer sofistikerade mått på lipider, som kvoten mellan totalkolesterol och hdl-kolesterol; jag känner inte till några aktuella data över sådana mått på internationell nivå. Högt blodtryck framstår å andra sidan som farligare än vad som normalt brukar antas (se (Prospective Studies Collaboration 2002)). Det vore givetvis förhastat att säga att resultaten helt och hållet visar genuina orsakssamband mellan riskfaktorerna och dödstalen. Sannolikt rör det sig om komplexa samband med olika faktorer relaterade till social och ekonomisk utveckling. Att lägga till uppgifter om BNP/capita för 2008 (uppgifter justerade för köpkraft, från (Gapminder)) förbättrade dock inte förutsägelseförmågan, och det var inte någon oberoende signifikant faktor.

Nedanstående diagram visar hur väl modellen som helhet förutsäger dödstal i de olika befolkningarna. Den ger bättre förutsägelser för åldrarna under 65 år och generellt goda förutsägelser för befolkningar i Syd- och Västeuropa. De höga dödstalen i länder i Östeuropa tenderar att underskattas, i synnerhet bland äldre. När det gäller ett land som Thailand överskattar modellen kraftigt dödstalen bland äldre; men här har statistiken inte speciellt bra kvalitet (en stor andel av dödligheten tillskrivs ospecifika orsaker). På motsatt sätt kan man misstänka att aterosklerotisk hjärtsjukdom kanske överrapporteras som dödsorsak bland äldre i östeuropeiska länder (se mitt inlägg här den 22 oktober förra året). I epidemiologiska sammanhang talas det om den ”franska paradoxen”, vilket innebär att Frankrike har lägre dödstal i kranskärlssjukdom än vad som kunde förväntas utifrån att befolkningen har relativt höga nivåer av riskfaktorer som rökning, kolesterol och annat. Dessa modeller överskattar något dödstalen i Frankrike, men inte så kraftigt. Det är i och för sig inte så förvånande, sett till att totalkolesterol i modellerna är en ”skyddsfaktor” snarare än riskfaktor.

Diagrammen (klicka för förstoring) visar förutsedda vs rapporterade (ln-transformerade) dödstal i kranskärlssjukdom för kvinnor och män under och över 65 år i befolkningar med tillgängliga data för dödlighet och riskfaktorer (se löptexten för närmare beskrivning). Landskoder: AL: Albanien, AM: Armenien, AT: Österrike, AU: Australien, BE: Belgien, BG: Bulgarien, BY: Vitryssland, CA: Canada, CH: Schweiz, CY: Cypern, CZ: Tjeckien, DE: Tyskland, DK: Danmark, EE: Estland, ES: Spanien, FI: Finland, FR: Frankrike, GB: Storbritannien, GE: Georgien, GR: Grekland, HR: Kroatien, HU: Ungern, IE: Irland, IL: Israel, IS: Island, IT: Italien, JO: Jordanien, JP: Japan, KG: Kirgizistan, KR: Sydkorea, KW: Kuwait, KZ: Kazakstan, LT: Litauen, LU: Luxemburg, LV: Lettland, MD: Moldavien, MT: Malta, MU: Mauritius, NL: Nederländerna, NO: Norge, NZ: Nya Zeeland, PL: Polen, PT: Portugal, RO: Rumänien, RS: Serbien, RU: Ryssland, SE: Sverige, SG: Singapore, SI: Slovenien, SK: Slovakien, TH: Thailand, UA: Ukraina, US: USA, UZ: Uzbekistan.

Referenser

Gapminder. ”Data in Gapminder World”. http://www.gapminder.org/data/.

Imperial College. ”Global Burden of Metabolic Risk Factors of Chronic Diseases”. http://www1.imperial.ac.uk/publichealth/departments/ebs/projects/eresh/majidezzati/healthmetrics/metabolicriskfactors/.

Prospective Studies Collaboration. 2002. ”Age-specific relevance of usual blood pressure to vascular mortality: a meta-analysis of individual data for one million adults in 61 prospective studies”. Lancet 360. http://www.ncbi.nlm.nih.gov/pubmed/12493255.

R Development Core Team. 2011. ”R: A Language and Environment for Statistical Computing”. http://www.R-project.org/.

WHO. ”WHO Mortality Database”. http://www.who.int/healthinfo/morttables/en/index.html.

———. ”WHO report on the global tobacco epidemic, 2011 Appendix VIII”. http://www.who.int/tobacco/global_report/2011/appendix_viii/en/index.html.