یکی از چالش های مهم در مورد داده‌های مشاهده‌ای، سوگیری ناشی ازمتغیرهای مخدوش کننده اندازه‌گیری ‌نشده یا کنترل ‌نشده است. ما با استفاده از داده‌های مشاهده‌ای، هرگز نمی‌توانیم مطمئن باشیم که تلاش‌هایمان برای تطبیق عوامل مخدوش‌کننده کافی است.

یک رویکرد مهم برای ارزیابی شواهد برای علیت در مواجهه با مخدوش کننده های اندازه گیری نشده، «تحلیل حساسیت» یا «تحلیل سوگیری» است. تجزیه و تحلیل حساسیت در نظر می‌گیرد که عامل مخدوش‌کننده اندازه‌گیری نشده چقدر باید با درمان وپیامد به صورت قوی مرتبط باشد تا ارتباط دیده شده بین درمان و پیامد علیتی (Causal) نباشد که شاخص E-value یکی از این روش های بررسی Causality است. این شاخص برای ارزیابی(effect measure)  های به دست آمده در مطالعه مثلا ( RR، OR، HR و ...) و همینطور بررسی عدم قطعیت آن مثلا فاصله اطمینان به کار می رود و برای هر برآوردی فرمول خاص خودش را دارد.

 

هر چقدر مقدار E-value بزرگتر باشد، یعنی یک مخدوش کننده اندازه گیری نشده وجود داشته که برای آن تطبیق انجام نشده و این مخدوش کننده، مقدار برآورد مشاهده شده را به سمت فرضیه نول(در مورد RR به سمت یک) کشیده است. برای مثال اگر شاخص مورد نظرRR  باشد، در صورتی که مقدار E-value بزرگتراز RR مشاهده شده باشد، مثلا( 7 در برابر 3) در این صورت یعنی مخدوش کننده اندازگیری نشده ای وجود داشته که مقدار خطر نسبی مشاهده شده را به سمت 1 کشیده است. در اصل هر چه قدر مقدار آن بزرگتر باشد، دلیل برای اینکه ارتباطی (association) که بین مواجهه و پیامد وجود داشته علیتی بوده قوی تر است و هر چه قدر مقدار آن کوچک باشد، علیت ضعیف تر است. اما مقدار کوچک E-value دلیلی بر نبود ارتباط و عدم انتشار مطالعه نیست. با توجه به اینکه مخدوش کننده های اندازه‌گیری نشده، اغلب چالش اصلی در ارزیابی شواهد برای علیت در تحقیقات مشاهده‌ای است، و E-value قدرت (Robustness) را برای چنین مخدوش‌کننده‌های اندازه‌گیری‌نشده ای ارزیابی می کند بنابراین بهتر است به عنوان مکملی برایp- valve گزارش گردد.

این مطلب از جلسه ژورنال کلاب "رویا صاحبی" دانشجوی دکتری تخصصی اپیدمیولوژی با عنوان" Sensitivity analysis in observational research: Introducing E-value" استخراج گردیده است.