Tværsnitsundersøgelser omfatter data, der indsamles på et bestemt tidspunkt. De bruges ofte til at vurdere forekomsten af akutte eller kroniske tilstande, men kan ikke bruges til at besvare spørgsmål om årsagerne til sygdom eller resultaterne af interventioner. Tværsnitsdata kan ikke bruges til at udlede kausalitet, fordi tidsmæssigheden ikke er kendt. De kan også beskrives som folketællinger. Tværsnitsundersøgelser kan omfatte særlig dataindsamling, herunder spørgsmål om fortiden, men de er ofte baseret på data, der oprindeligt er indsamlet til andre formål. De er forholdsvis dyre og er ikke egnede til undersøgelse af sjældne sygdomme. Vanskeligheder med at huske tidligere begivenheder kan også bidrage til bias.
FordeleRediger
Brug af rutinemæssigt indsamlede data gør det muligt at foretage store tværsnitsundersøgelser til en lille eller ingen udgift. Dette er en stor fordel i forhold til andre former for epidemiologiske undersøgelser. Der er blevet foreslået en naturlig udvikling fra billige tværsnitsundersøgelser af rutinemæssigt indsamlede data, som antyder hypoteser, til case-control-undersøgelser, der tester dem mere specifikt, og dernæst til kohorteundersøgelser og forsøg, som koster meget mere og tager meget længere tid, men som kan give stærkere beviser. I en tværsnitsundersøgelse undersøges en bestemt gruppe for at se, om en aktivitet, f.eks. alkoholforbrug, er forbundet med den sundhedseffekt, der undersøges, f.eks. skrumpelever. Hvis alkoholforbrug er korreleret med skrumpelever, vil det understøtte hypotesen om, at alkoholforbrug kan være forbundet med skrumpelever.
UlemperRediger
Routinedata er måske ikke udformet til at besvare det specifikke spørgsmål.
Routinemæssigt indsamlede data beskriver normalt ikke, hvilken variabel der er årsagen og hvilken der er virkningen. Tværsnitsundersøgelser, der anvender data, der oprindeligt er indsamlet til andre formål, er ofte ikke i stand til at medtage data om forstyrrende faktorer, andre variabler, der påvirker forholdet mellem den formodede årsag og virkning. Hvis man f.eks. kun har data om det nuværende alkoholforbrug og skrumpelever, er det ikke muligt at undersøge den rolle, som tidligere alkoholforbrug eller andre årsager spiller. Tværsnitsundersøgelser er meget modtagelige over for recall bias.
De fleste case-kontrolundersøgelser indsamler specifikt udformede data om alle deltagere, herunder datafelter, der er udformet til at gøre det muligt at afprøve den hypotese, der er af interesse. I spørgsmål, hvor der kan være stærke personlige følelser involveret, kan specifikke spørgsmål imidlertid være en kilde til skævhed. F.eks. kan tidligere alkoholforbrug rapporteres ukorrekt af en person, der ønsker at mindske sine personlige skyldfølelser. En sådan skævhed kan være mindre i rutinemæssigt indsamlede statistikker eller effektivt elimineres, hvis observationerne foretages af tredjeparter, f.eks. skatteopgørelser over alkohol pr. område.
Svagheder ved aggregerede dataRediger
Tværsnitsundersøgelser kan indeholde data på individniveau (en registrering pr. individ, f.eks. i nationale sundhedsundersøgelser). I moderne epidemiologi kan det imidlertid være umuligt at undersøge hele den relevante befolkning, så tværsnitsundersøgelser omfatter ofte sekundær analyse af data, der er indsamlet til et andet formål. I mange af disse tilfælde har forskeren ikke adgang til individuelle optegnelser, og der må derfor anvendes oplysninger på gruppeniveau. De vigtigste kilder til sådanne data er ofte store institutioner som Census Bureau eller Centers for Disease Control i USA. Nyere folketællingsdata om enkeltpersoner leveres ikke, f.eks. i Det Forenede Kongerige frigives individuelle folketællingsdata først efter et århundrede. I stedet aggregeres dataene, som regel efter administrativt område. Konklusioner om enkeltpersoner baseret på aggregerede data svækkes af den økologiske fejlslutning. Man bør også overveje muligheden for at begå den “atomistiske fejlslutning”, hvor antagelser om aggregerede tællinger foretages på grundlag af aggregering af data på individniveau (f.eks. ved at beregne et gennemsnit af folketællingsområder for at beregne et amtsgennemsnit). Det kan f.eks. være sandt, at der ikke er nogen sammenhæng mellem børnedødelighed og familieindkomst på byniveau, mens det stadig er sandt, at der er en stærk sammenhæng mellem børnedødelighed og familieindkomst på individniveau. Alle aggregerede statistikker er underlagt sammensætningseffekter, således at det ikke kun drejer sig om sammenhængen mellem indkomst og spædbørnsdødelighed på individniveau, men også om andelen af personer med lav, middel og høj indkomst i hver by. Da case-kontrol-undersøgelser normalt er baseret på data på individniveau, har de ikke dette problem.