Tvärsnittsstudier innebär att data samlas in vid en bestämd tidpunkt. De används ofta för att bedöma förekomsten av akuta eller kroniska tillstånd, men kan inte användas för att besvara frågor om orsakerna till sjukdomar eller resultaten av åtgärder. Tvärsnittsdata kan inte användas för att härleda kausalitet eftersom tidsmässigheten inte är känd. De kan också beskrivas som folkräkningar. Tvärsnittsstudier kan inbegripa särskild datainsamling, inklusive frågor om det förflutna, men de bygger ofta på data som ursprungligen samlats in för andra ändamål. De är måttligt dyra och lämpar sig inte för studier av sällsynta sjukdomar. Svårigheter att minnas tidigare händelser kan också bidra till bias.
FördelarRedigera
Användningen av rutinmässigt insamlade uppgifter gör det möjligt att göra stora tvärsnittsstudier till en liten eller ingen kostnad. Detta är en stor fördel jämfört med andra former av epidemiologiska studier. En naturlig utveckling har föreslagits från billiga tvärsnittsstudier av rutinmässigt insamlade data som föreslår hypoteser, till fall-kontrollstudier som testar dem mer specifikt, och sedan till kohortstudier och prövningar som kostar mycket mer och tar mycket längre tid, men som kan ge starkare bevis. I en tvärsnittsundersökning undersöks en specifik grupp för att se om en aktivitet, till exempel alkoholkonsumtion, är relaterad till den hälsoeffekt som undersöks, till exempel levercirrhos. Om alkoholkonsumtion är korrelerad med levercirros skulle detta stödja hypotesen att alkoholkonsumtion kan vara förknippad med levercirros.
NackdelarRedigera
Rutinmässiga data kanske inte är utformade för att besvara den specifika frågan.
Rutinmässigt insamlade data beskriver normalt inte vilken variabel som är orsaken och vilken som är effekten. Tvärsnittsstudier som använder data som ursprungligen samlats in för andra ändamål kan ofta inte inkludera data om förväxlingsfaktorer, andra variabler som påverkar förhållandet mellan den förmodade orsaken och effekten. Om man t.ex. endast har uppgifter om nuvarande alkoholkonsumtion och skrumplever kan man inte undersöka vilken roll tidigare alkoholkonsumtion eller andra orsaker spelar. Tvärsnittsstudier är mycket känsliga för minnesbias.
De flesta fall-kontrollstudier samlar in specifikt utformade uppgifter om alla deltagare, inklusive datafält som är utformade för att möjliggöra att den intressanta hypotesen kan testas. I frågor där starka personliga känslor kan vara inblandade kan dock specifika frågor vara en källa till bias. Exempelvis kan tidigare alkoholkonsumtion rapporteras felaktigt av en person som vill minska sina personliga skuldkänslor. Sådan bias kan vara mindre i rutinmässigt insamlad statistik, eller effektivt elimineras om observationerna görs av tredje part, t.ex. skatteregister över alkohol per område.
Svagheter med aggregerade dataRedigera
Tvärsnittsstudier kan innehålla data på individnivå (en post per individ, t.ex. i nationella hälsoundersökningar). I modern epidemiologi kan det dock vara omöjligt att undersöka hela den berörda populationen, så tvärsnittsstudier omfattar ofta sekundäranalyser av data som samlats in i ett annat syfte. I många sådana fall har forskaren inte tillgång till några individuella uppgifter, och information på gruppnivå måste användas. De viktigaste källorna till sådana uppgifter är ofta stora institutioner som Census Bureau eller Centers for Disease Control i USA. Nya folkräkningsuppgifter om enskilda personer tillhandahålls inte, till exempel i Storbritannien släpps enskilda folkräkningsuppgifter först efter ett århundrade. I stället aggregeras uppgifterna, vanligtvis per administrativt område. Slutsatser om individer som baseras på aggregerade uppgifter försvagas av det ekologiska felet. Tänk också på risken för att begå en ”atomistisk felbedömning” där antaganden om aggregerade räkningar görs på grundval av aggregerade uppgifter på individnivå (t.ex. genom att beräkna medelvärdet av folkbokföringsområden för att beräkna ett genomsnitt för ett län). Det kan till exempel vara sant att det inte finns något samband mellan spädbarnsdödlighet och familjeinkomst på stadsnivå, samtidigt som det är sant att det finns ett starkt samband mellan spädbarnsdödlighet och familjeinkomst på individnivå. All aggregerad statistik är föremål för sammansättningseffekter, så det viktiga är inte bara sambandet mellan inkomst och spädbarnsdödlighet på individnivå, utan även andelen individer med låg, medel och hög inkomst i varje stad. Eftersom fall-kontrollstudier vanligtvis bygger på uppgifter på individnivå har de inte detta problem.