Bij dwarsdoorsnede-onderzoeken worden gegevens verzameld op een bepaald tijdstip. Zij worden vaak gebruikt om de prevalentie van acute of chronische aandoeningen te beoordelen, maar kunnen niet worden gebruikt om vragen over de oorzaken van ziekten of de resultaten van interventies te beantwoorden. Cross-sectionele gegevens kunnen niet worden gebruikt om causaliteit af te leiden omdat de temporaliteit niet bekend is. Zij kunnen ook worden omschreven als tellingen. Bij transversale studies kunnen speciale gegevens worden verzameld, waaronder vragen over het verleden, maar zij steunen vaak op gegevens die oorspronkelijk voor andere doeleinden zijn verzameld. Zij zijn middelmatig duur en niet geschikt voor de studie van zeldzame ziekten. Moeilijkheden bij het zich herinneren van gebeurtenissen in het verleden kunnen ook bijdragen tot vertekening.
VoordelenEdit
Het gebruik van routinematig verzamelde gegevens maakt het mogelijk grote transversale studies te maken tegen weinig of geen kosten. Dit is een groot voordeel ten opzichte van andere vormen van epidemiologisch onderzoek. Er is een natuurlijke progressie gesuggereerd van goedkope transversale studies van routinematig verzamelde gegevens die hypothesen suggereren, naar case-control studies waarin deze specifieker worden getest, en vervolgens naar cohortstudies en trials die veel meer kosten en veel langer duren, maar mogelijk sterkere bewijzen opleveren. In een transversaal onderzoek wordt naar een specifieke groep gekeken om te zien of een activiteit, bijvoorbeeld alcoholgebruik, verband houdt met het gezondheidseffect dat wordt onderzocht, bijvoorbeeld levercirrose. Als alcoholgebruik gecorreleerd is met levercirrose, zou dit de hypothese ondersteunen dat alcoholgebruik geassocieerd kan zijn met levercirrose.
NadelenEdit
Routinegegevens kunnen niet ontworpen zijn om de specifieke vraag te beantwoorden.
Routinematig verzamelde gegevens beschrijven gewoonlijk niet welke variabele de oorzaak is en welke het gevolg. Bij transversale studies waarbij gebruik wordt gemaakt van gegevens die oorspronkelijk voor andere doeleinden zijn verzameld, kunnen vaak geen gegevens worden opgenomen over confounding factors, andere variabelen die van invloed zijn op de relatie tussen de vermeende oorzaak en het vermeende gevolg. Wanneer bijvoorbeeld alleen gegevens over het huidige alcoholgebruik en cirrose worden verzameld, kan de rol van alcoholgebruik in het verleden of van andere oorzaken niet worden onderzocht. Cross-sectionele studies zijn zeer gevoelig voor recall bias.
De meeste case-control studies verzamelen specifiek ontworpen gegevens over alle deelnemers, inclusief gegevensvelden die ontworpen zijn om de hypothese van belang te kunnen toetsen. Bij kwesties waarbij sterke persoonlijke gevoelens een rol kunnen spelen, kunnen specifieke vragen echter een bron van bias zijn. Zo kan bijvoorbeeld alcoholgebruik in het verleden onjuist worden gerapporteerd door iemand die zijn persoonlijke schuldgevoelens wil verminderen. Dergelijke vertekening kan minder zijn in routinematig verzamelde statistieken, of effectief worden geëlimineerd als de waarnemingen worden gedaan door derden, bijvoorbeeld belastingregistraties van alcohol per gebied.
Zwakke punten van geaggregeerde gegevensEdit
Cross-sectionele studies kunnen gegevens op individueel niveau bevatten (één record per individu, bijvoorbeeld in nationale gezondheidsenquêtes). In de moderne epidemiologie kan het echter onmogelijk zijn om de gehele populatie van belang te onderzoeken, zodat transversale studies vaak secundaire analyses omvatten van gegevens die voor een ander doel zijn verzameld. In veel van dergelijke gevallen beschikt de onderzoeker niet over individuele gegevens en moet informatie op groepsniveau worden gebruikt. De belangrijkste bronnen van dergelijke gegevens zijn vaak grote instellingen zoals het Census Bureau of de Centers for Disease Control in de Verenigde Staten. Recente volkstellingsgegevens worden niet over individuen verstrekt; in het VK bijvoorbeeld worden individuele volkstellingsgegevens pas na een eeuw vrijgegeven. In plaats daarvan worden gegevens geaggregeerd, gewoonlijk per administratief gebied. Inferenties over individuen op basis van geaggregeerde gegevens worden afgezwakt door de ecologische denkfout. Denk ook aan de mogelijkheid om de “atomistic fallacy” te begaan, waarbij veronderstellingen over geaggregeerde tellingen worden gemaakt op basis van de aggregatie van gegevens op individueel niveau (zoals het gemiddelde van volkstracten om een provinciaal gemiddelde te berekenen). Het kan bijvoorbeeld waar zijn dat er geen correlatie bestaat tussen kindersterfte en gezinsinkomen op het niveau van de stad, maar dat er wel een sterke relatie bestaat tussen kindersterfte en gezinsinkomen op individueel niveau. Alle geaggregeerde statistieken zijn onderhevig aan samenstellingseffecten, zodat niet alleen de relatie op individueel niveau tussen inkomen en kindersterfte van belang is, maar ook het aandeel van personen met een laag, gemiddeld en hoog inkomen in elke stad. Omdat case-control studies gewoonlijk gebaseerd zijn op gegevens op individueel niveau, hebben zij dit probleem niet.