Collider preconceito prejudica a nossa compreensão de COVID-19 risco de doença e gravidade

Por que observacional COVID-19 de pesquisa é particularmente suscetíveis ao collider viés

Apesar de inquestionavelmente valiosa, observacional conjuntos de dados pode ser algo de uma caixa preta, como as associações estimadas no-los pode ser devido a vários mecanismos diferentes. Considere o cenário em que queremos estimar o efeito causal de um fator de risco que é generalizável para uma população mais ampla, como o Reino Unido (a “população-alvo”). Uma vez que raramente observamos a população-alvo completa, devemos estimar este efeito dentro de uma amostra de indivíduos desta população. Se a amostra é uma verdadeira seleção aleatória da população, então dizemos que é representativa. Muitas vezes, no entanto, as amostras são escolhidas por conveniência ou porque o Fator de risco ou resultado só é medido em certos grupos (ex. O estatuto da doença de COVID-19 só é observado para indivíduos que tenham recebido um teste). Além disso, as pessoas convidadas a participar numa amostra podem recusar ou desistir posteriormente. Se as características relacionadas com a inclusão de amostras também estão relacionadas com o Fator de risco e resultado de interesse, então isso introduz a possibilidade de polarização de colisores em nossa análise.

colisor não ocorre apenas no ponto de amostragem. Também pode ser introduzido por escolhas de modelização estatística. Por exemplo,se é apropriado ajustar-se para covariados em associações observacionais depende de onde os covariados se situam na Via causal e seu papel no processo gerador de Dados 18,19,20, 21. Se assumirmos que uma dada covariação influencia tanto o Fator de risco hipotético quanto o resultado (um confundedor), é apropriado condicionar essa covariação para remover o viés induzido pela estrutura confundente. No entanto, se a covariável é uma consequência de um ou ambos a exposição e o desfecho (uma collider), em vez de uma causa comum (seria um fator confundente) e, em seguida, condicionado a co-variável pode induzir, em vez de reduzir, bias22,23,24. Ou seja, o viés de colisor também pode ser introduzido ao fazer ajustes estatísticos para variáveis que estão na Via causal entre fator de risco e resultado. Um conhecimento a priori da estrutura causal subjacente das variáveis e se elas funcionam como uma causa comum ou Consequência comum do fator de risco e resultado no processo gerador de dados pode ser difícil de inferir. Portanto, é apropriado tratar o viés de colisor com um nível semelhante de cautela a um viés confuso. Abordamos formas de fazê-lo mais tarde neste artigo (“métodos para detectar e minimizar os efeitos do viés de colisor”).

existem várias formas de recolha de dados sobre o COVID-19 que podem introduzir condicionamento não intencional na amostra seleccionada. As características dos participantes recrutados estão relacionadas com uma série de factores, incluindo decisões políticas, limitações de custos, acesso tecnológico e métodos de ensaio. É também amplamente reconhecido que a verdadeira prevalência da doença na população permanece desconhecida. Aqui nós descrevemos as formas de coleta de dados para COVID-19 antes de detalhar as circunstâncias em torno de COVID-19 que fazem sua análise suscetível a viés de colisor.Estratégias de amostragem e definições de casos / controlos

amostragem condicionada à participação voluntária (definição de casos): provável COVID-19, definição de controlo: participante voluntário que não reporta sintomas COVID-19, Fig. 2a): O Estado provável da COVID-19 pode ser determinado através de estudos que exijam participação voluntária. Estes podem incluir,por exemplo, inquéritos realizados por estudos de coorte e longitudinais existentes 26, 27,ligação de dados aos registos administrativos disponíveis em alguns estudos de coorte, tais como o BIOBANK28 do Reino Unido, ou programas app baseados em telemóveis 29, 30. A participação em estudos científicos tem demonstrado ser fortemente não-Aleatória (ex. os participantes são desproporcionalmente propensos a serem altamente educados, conscientes da saúde e não fumadores), por isso os voluntários nestas amostras são propensos a diferir substancialmente da população-alvo 31, 32,33. Ver Caixa 2 e Fig. 3 for a vignette on how one study30 explored collider bias in this context.

O eixo x representa o esperado p-valor para 2556 testes de hipótese e o eixo y representa o observado p-valores. A linha vermelha representa a relação esperada sob a hipótese nula de nenhuma associação.

pressões de selecção de amostras para estudos COVID-19

podemos estratificar as estratégias de amostragem acima em três quadros de amostragem primária. O primeiro desses quadros é a amostragem baseada na participação voluntária, que é inerentemente não-Aleatória devido aos fatores que influenciam a participação. A segunda é a dos quadros de amostragem que utilizam os resultados dos testes COVID-19. Com poucas exceções notáveis (por exemplo, refs. 3,34), os testes da população para o COVID-19 não são geralmente realizados em amostras aleatórias. O terceiro destes quadros é a amostragem com base em doentes hospitalizados, com ou sem COVID-19. Isto é mais uma vez, necessariamente Não Aleatório, uma vez que condiciona a admissão no hospital.

caixa 3 e Fig. 3 ilustrar a amplitude dos fatores que podem induzir a pressão de seleção da amostra. Embora alguns dos fatores que impactam os processos de amostragem possam ser comuns em todos os modos de amostragem listados acima, alguns serão específicos do modo. Estes factores irão provavelmente diferir na forma como funcionam nos contextos nacionais e dos sistemas de saúde. Aqui listamos uma série de possíveis pressões de seleção e como elas impactam diferentes quadros de amostragem COVID-19. Nós também descrevemos a identificação/definição de caso e detalhes de como eles podem distorcer a inferência se deixados por explorar.

gravidade dos sintomas: Isto pode distorcer todos os três principais quadros de amostragem, embora seja mais simplesmente entendido no contexto dos testes. Vários países adoptaram a estratégia de oferecer testes predominantemente a doentes com sintomas suficientemente graves para exigirem cuidados médicos, por exemplo, hospitalização, como foi o caso no Reino Unido até ao final de abril de 2020. Muitos casos positivos reais na população permanecerão, portanto, indetectados e serão menos propensos a fazer parte da amostra se a inscrição estiver dependente do status de teste. Taxas elevadas de portadores assintomáticos de vírus ou casos com a apresentação atípica irá ainda agravar esta questão.

reconhecimento dos sintomas: isto também irá influenciar todos os três quadros de amostragem, uma vez que a entrada em todas as amostras está condicionada ao reconhecimento dos sintomas. Relacionado com, mas distinto da gravidade dos sintomas, o teste COVID-19 irá variar com base no reconhecimento dos sintomas35. Se um indivíduo não reconhecer os sintomas correctos ou considerar que os seus sintomas não são graves, pode simplesmente ser instruído a auto-isolar-se e não receber um teste COVID-19. Os indivíduos avaliarão a sua gravidade dos sintomas de forma diferente; os que sofrem de ansiedade relacionada com a saúde podem ter maior probabilidade de sobre-relatar os sintomas, enquanto os que têm menos informação sobre a pandemia ou acesso a aconselhamento de saúde podem estar sub-representados. Isto funcionalmente atuará como uma taxa diferencial de falsos negativos entre os indivíduos com base no reconhecimento de sintomas, o que poderia ser conseqüente ao dar as altas estimativas de casos assintomáticos e transmissão 36. Mudar as diretrizes dos sintomas é provável que complete este problema,o que pode induzir relações sistemáticas entre a apresentação dos sintomas e testamento35, 37. Aqui, grupos com menor consciência (por exemplo, devido a mensagens públicas inadequadas ou barreiras linguísticas) podem ter limiares mais elevados para serem testados, e, portanto, aqueles que testam positivo parecerão ter maior risco de graves resultados COVID-19.

ocupação: a exposição ao COVID-19 é padronizada com respeito à ocupação. Em muitos países,é muito mais provável que os profissionais de saúde da linha da frente sejam testados para a COVID-19 do que a população em geral 5, 38 devido à sua proximidade com o vírus e às potenciais consequências da transmissão relacionada com a infecção 39. Como tal, eles serão fortemente sobre-representados em amostras condicionadas ao status de teste. Outros trabalhadores-chave podem estar em alto risco de infecção devido a um grande número de contactos em relação a trabalhadores não-chave, e podem, portanto, estar sobre-representados em amostras condicionadas ao estatuto de teste positivo ou morte relacionada com COVID. Qualquer fator relacionado a estas ocupações (ex. por conseguinte, a etnia, a situação socioeconómica, a idade e a saúde de base) serão também associadas à selecção das amostras. A figura 2b ilustra um exemplo em que o factor de risco hipotético (fumar) não necessita de influenciar causalmente a selecção das amostras (doentes hospitalizados), podendo simplesmente ser associado devido à confusão entre o factor de risco e a selecção das amostras (ser trabalhador dos cuidados de saúde).Etnia: as minorias étnicas também estão mais propensas a ser infectadas com COVID-1940. Os resultados adversos da COVID-19 são consideravelmente piores para indivíduos de algumas minorias étnicas 41. Isto poderia possivelmente influenciar as associações estimadas dentro de quadros de amostragem baseados em pacientes hospitalizados, como em muitos países, grupos de minorias étnicas estão sobre-representados como as desigualdades étnicas na saúde são pervasivas e bem documentadas. Além disso, os grupos étnicos minoritários são mais propensos a ser trabalhadores chave, que são mais propensos a ser expostos à COVID-1942. O ambiente Cultural (incluindo o racismo sistémico) e as barreiras linguísticas podem afectar negativamente a entrada em estudos, tanto com base nos testes como na participação voluntária 43. Grupos étnicos minoritários podem ser mais difíceis de recrutar para estudos, mesmo dentro de uma determinada área44, e podem afetar a representatividade da amostra. As minorias étnicas eram menos propensas a relatar ser testadas em nossa análise dos dados do Biobank no Reino Unido, onde um dos fatores mais fortes associados a ser testado foi o primeiro componente principal genético, que é um marcador de ancestralidade (caixa 3). Assim, isto poderia apresentar-se como anteriormente, com a apresentação das minorias étnicas aos cuidados médicos condicionada a sintomas mais graves.

fragilidade: Definida aqui como maior susceptibilidade aos resultados adversos COVID-19, a fragilidade é mais provável de estar presente em certos grupos da população, tais como adultos mais velhos em cuidados de longa duração ou em instalações assistidas, aqueles com condições médicas pré-existentes, grupos obesos e Fumadores. Estes factores são susceptíveis de prever fortemente a hospitalização. Ao mesmo tempo,a infecção e gravidade COVID-19 provavelmente têm uma influência sobre a hospitalização 8,9,10, 45, o que significa que investigar esses fatores dentro de pacientes hospitalizados pode induzir o viés colisor. Além disso, os grupos podem ser tratados de forma diferente em termos de notificação de COVID-19 em diferentes países 46. Por exemplo, no Reino Unido, relatos precoces de mortes “devido a COVID-19” podem ter sido confundidos com mortes “enquanto infectados com COVID-19″47. Os indivíduos de alto risco são mais susceptíveis de serem testados em geral, mas a demografia específica de alto risco, como os que se encontram em cuidados de longa duração ou em instalações assistidas, tem sido menos propensa a ser amostrada por muitos estudos46. A fragilidade também prevê a hospitalização diferentemente em diferentes grupos, por exemplo, um indivíduo mais velho com sintomas COVID-19 muito graves numa instalação de assistência não pode ser levado para um hospital onde um indivíduo mais jovem teria 48 anos.

local de residência e conexão social: uma série de influências mais distais ou indiretas na seleção de amostras provavelmente existem. As pessoas com melhor acesso aos Serviços de saúde podem ser mais sujeitas a testes do que as pessoas com menor acesso. As zonas com um maior número de serviços médicos ou com melhores transportes públicos podem ter mais facilidade de acesso aos Serviços de teste, enquanto as zonas com menor acesso aos serviços médicos podem ter maior probabilidade de ser testadas49. As pessoas que vivem em áreas com laços espaciais ou sociais mais fortes com surtos existentes também podem ser mais propensas a serem testadas devido ao aumento da vigilância médica nessas áreas. As redes de apoio à família e à comunidade são também susceptíveis de influenciar o acesso aos cuidados de saúde, por exemplo, as pessoas com responsabilidades de prestação de cuidados e as redes de apoio fracas podem ser menos capazes de procurar assistência médica 50. Connectedness is maybe most likely to bias testing sampling frames, as testing is conditional on awareness and access. No entanto, também pode influenciar todos os três principais quadros de amostragem através de um mecanismo semelhante ao reconhecimento de sintomas.Acesso à Internet e participação tecnológica: Isto irá influenciar principalmente o recrutamento voluntário através de apps, embora possa também estar associado a uma maior sensibilização e teste de viés através da via de reconhecimento dos sintomas. Sabe-se que o recrutamento por amostragem através de aplicações internet subrepresenta determinados grupos 32,51. Além disso, isto varia em função da concepção da amostragem, em que se demonstrou que os métodos de recolha de dados voluntários ou “puxados para dentro” produzem mais amostras engajadas, mas menos representativas do que os métodos de propaganda baseados ou “empurrados para fora” 33. Estes grupos mais engajados provavelmente têm maior acesso a métodos Eletrônicos de coleta de dados, e maior engajamento em campanhas de mídia social que são projetados para recrutar participantes. Como tal, é mais provável que as pessoas mais jovens estejam sobre-representadas nos estudos de participação voluntária baseados em aplicações 29.

interesse médico e científico: estudos que recrutam amostras voluntárias podem ser tendenciosos, uma vez que são susceptíveis de conter uma quantidade desproporcionada de pessoas que têm um forte interesse médico ou científico. É provável que estas pessoas tenham, elas próprias, uma maior consciência da saúde, um comportamento mais saudável,uma educação mais elevada e rendimentos mais elevados31, 52.

muitos dos factores para serem testados ou incluídos nos conjuntos de dados aqui descritos são corroborados pela análise dos dados de ensaio do Biobank no Reino Unido (caixa 3). A mensagem chave é que quando o recrutamento de amostras é não-Aleatório, há uma gama incrivelmente ampla de maneiras em que essa não-aleatoriedade pode minar os resultados do estudo.

Methods for detecting and minimising the effects of collider bias

In this section, we describe methods to either address collider bias or evaluate the sensitivity of results to collider bias. Tal como acontece com o enviesamento confuso, geralmente não é possível provar que qualquer um dos métodos superou o viés de colisor. Por conseguinte, as análises de sensibilidade são cruciais para examinar a robustez das conclusões em relação aos mecanismos de selecção plausíveis 18,19.

Um simples, descritivo técnica para avaliar a probabilidade e a extensão do collider polarização induzida pela seleção da amostra é comparar meios, os desvios e as distribuições das variáveis na amostra com a população-alvo (ou uma amostra representativa da população-alvo)16. Isto fornece informações sobre o perfil dos indivíduos selecionados para a amostra a partir da população-alvo de interesse, tais como se eles tendem a ser mais velhos ou mais propensos a ter comorbidades. É particularmente valioso reportar estas comparações para variáveis-chave na análise, tais como o factor de risco e o resultado hipotético, e outras variáveis relacionadas com estas. No que diz respeito à análise do risco de doença COVID-19, um dos principais obstáculos a este esforço é que, na maioria dos casos, a prevalência real de infecção na população em geral é desconhecida. Embora seja encorajador que as estimativas da amostra correspondam às suas equivalentes ao nível da população, é importante reconhecer que isso não prova definitivamente a ausência de colisor bias53. Isso ocorre porque fatores que influenciam a seleção podem não ser mensurados no estudo, ou fatores interagem para influenciar a seleção e não serem detectados ao comparar distribuições marginais.

a aplicabilidade de cada método depende crucialmente dos dados disponíveis sobre não participantes. Estes métodos podem, em geral, ser divididos em duas categorias com base nos dados disponíveis: amostras aninhadas e não aninhadas. Uma amostra aninhada refere-se à situação em que as variáveis-chave são apenas medidas dentro de um subconjunto de uma “super amostra” de outra forma representativa, forçando assim a análise a ser restrita a esta subamostra. Um exemplo próximo desta definição é a subamostra de indivíduos que receberam um teste COVID-19 aninhado na coorte do Biobank no Reino Unido (embora seja evidente que a coorte do Biobank no Reino Unido é ela própria amostrada não aleatória16). Para amostras aninhadas, os investigadores podem tirar partido dos dados disponíveis na superamostra representativa. Uma amostra não aninhada refere-se à situação em que os dados só estão disponíveis numa amostra não representativa. Um exemplo disso é amostras de indivíduos hospitalizados, em que não existem dados disponíveis sobre indivíduos não hospitalizados. It is typically more challenging to address collider bias in non-nested samples. A nota complementar 1 apresenta uma análise guiada que ilustra ambos os tipos de análises de sensibilidade com base nos dados BIOBANCÁRIOS do Reino Unido relativos aos ensaios COVID-19.

amostras aninhadas: a ponderação da probabilidade inversa é uma abordagem poderosa e flexível para ajustar para o viés de colisor em amostras aninhadas54,55. O efeito causal do factor de risco sobre o resultado é estimado por regressão ponderada, de modo a que os participantes que estão sobre-representados na subamostra sejam menos ponderados e os participantes que estão sub-representados sejam mais ponderados. Na prática, nós construímos esses pesos estimando a probabilidade de diferentes indivíduos serem selecionados para a amostra a partir da super-amostra representativa com base em suas covariates56 medidas. Por exemplo, poderíamos utilizar os dados da amostra global do Biobank no Reino Unido para estimar a probabilidade de os indivíduos receberem um teste para o COVID-19 e utilizar estes pesos em análises que têm de ser limitadas à subamostra de indivíduos testados (por exemplo, identificando factores de risco para o teste positivo). Marinheiro-e-Branco fornecer uma visão geral detalhada de considerações práticas e premissas para o inverso da probabilidade de ponderação, tais como a especificação correta do “exemplo de modelo de seleção” (um modelo estatístico da relação entre a medida covariáveis e seleção para a amostra, utilizada para a construção desses pesos), seleção de variáveis e abordagens para o tratamento instável pesos (i.e. pesos que são zero ou perto de zero).

uma hipótese adicional para a ponderação de probabilidade inversa é que cada indivíduo na população-alvo deve ter uma probabilidade não-zero de ser seleccionado para a amostra. Nem esta suposição, nem a suposição de que o modelo de seleção foi corretamente especificado, são testáveis usando apenas os dados observados. Uma abordagem conceitualmente relacionada, usando correspondência de pontuação de propensão, é por vezes usada para evitar o evento de índice bias57,58. Também existem análises de sensibilidade para a detecção errada de pesos de probabilidade. Por exemplo, Zhao et al. desenvolver uma análise de sensibilidade para o grau em que os pesos de probabilidade estimados diferem dos pesos reais não observados59. Esta abordagem é particularmente útil quando podemos estimar pesos de probabilidade incluindo alguns, mas não necessariamente todos, dos predictores relevantes da inclusão de amostras. Por exemplo, poderíamos estimar pesos para a probabilidade de receber um teste COVID-19 entre os participantes do Biobank no Reino Unido, no entanto, faltam-nos indicadores-chave, tais como a apresentação dos sintomas e medidas de comportamento à procura de cuidados de saúde.

amostras não aninhadas: Quando só temos dados sobre a amostra do estudo (por exemplo, apenas dados sobre os participantes que foram testados para COVID-19) não é possível estimar o modelo de seleção diretamente, uma vez que indivíduos não selecionados (não testados) não são observados. Em vez disso, é importante aplicar análises de sensibilidade para avaliar a plausibilidade que a seleção de amostras induz o viés de colisor.

limites e pesquisas de parâmetros: É possível inferir a extensão do viés de colisor dado o conhecimento do tamanho e direção prováveis das influências do fator de risco e do resultado na seleção da amostra (se estes são diretos, ou através de outros fatores)19,60,61. No entanto, esta abordagem depende do tamanho e direção serem corretos, e não haver outros fatores que influenciam a seleção. Por conseguinte, é importante explorar diferentes mecanismos de selecção de amostras possíveis e examinar o seu impacto nas conclusões do estudo. Nós criamos uma aplicação web simples guiada por estes pressupostos para permitir que os pesquisadores explorem padrões simples de seleção que seriam necessários para induzir uma associação observacional: http://apps.mrcieu.ac.uk/ascrtain/. Em Fig. 4 nós usamos um relatório recente de uma Associação Protetora de fumar em COVID-19 infection45 para explorar a magnitude do viés de colisor que pode ser induzido devido à amostragem selecionada, sob a hipótese nula de nenhum efeito causal.

assumir um cenário simples em que a exposição hipotética (a) e o resultado (Y) são simultaneamente binários e influenciam cada probabilidade de serem selecionados para a (s) amostra (S). \(P(S = 1|A,Y) = \beta _0 + \beta _A + \beta _Y + \beta _{AY}\), onde \(\beta _0\) é a linha de base probabilidade de ser seleccionado, \(\beta _A\) é o efeito de Uma, \(\beta _Y\) é o efeito de Y e \(\beta _{AY}\) é o efeito da interação entre A e Y. O mecanismo de selecção em causa está representado na Fig. 1b (sem o termo de interacção utilizado). Esta parcela mostra quais as combinações destes parâmetros que seriam necessárias para induzir um efeito de risco aparente com uma magnitude inferior a 5787> 2 (Região azul) ou um efeito protector aparente com uma magnitude inferior a 9759> 0.5 (região vermelha) sob a hipótese nula de nenhum efeito causal61. Criar um cenário simplificado semelhante ao de Miyara et al. nós usamos uma prevalência geral da população de tabagismo de 0,27 e uma prevalência de amostra de 0,05, fixando assim \(\beta _A\) em 0,22. Como a prevalência de COVID-19 não é conhecida na população em geral, permitimos que a amostra seja super ou sub – representativa (eixo y). Também permitimos efeitos de interacção modestos. Calculando sobre este espaço de parâmetros, 40% de todas as combinações possíveis levam a uma associação artefactual de proteção ou risco 2 vezes operando através deste simples modelo de viés sozinho. É importante divulgar este nível de incerteza ao publicar estimativas observacionais.

várias outras abordagens também foram implementadas em aplicativos online convenientes (“Apêndice”). Por exemplo, Smith e VanderWeele propuseram uma análise de sensibilidade que permite aos pesquisadores vincular suas estimativas, especificando parâmetros de sensibilidade que representam a força da seleção de amostras (em termos de rácios de risco relativo). Eles também fornecem um “E-value”, que é a menor magnitude destes parâmetros que explicaria uma associação observada62. Aronow e Lee propuseram uma análise de sensibilidade para médias de amostras com base na ponderação inversa de probabilidade em amostras não aninhadas, onde os pesos não podem ser estimados, mas são considerados limitados entre dois valores especificados pelo pesquisador63. Este trabalho foi generalizado a Modelos de regressão, permitindo também incorporar informações externas relevantes sobre a população-alvo (por exemplo, estatísticas resumidas do recenseamento) 64. Estas abordagens de análise de sensibilidade permitem aos investigadores explorar se existem estruturas de colisor credíveis que possam explicar a ausência de associações observacionais. No entanto, eles não representam um conjunto exaustivo de modelos que poderiam dar origem a viés, nem necessariamente provar se o viés colisor influencia os resultados. Se o factor de risco para a selecção for, por si só, o resultado de outras causas a montante, é importante que o impacto destes efeitos de selecção a montante seja considerado (ou seja, não só como o factor de risco influencia a selecção, mas também como as causas do factor de risco e/ou as causas do resultado influenciam a selecção, por exemplo, a Fig. 2b). Embora estas causas a montante possam individualmente ter um pequeno efeito sobre a seleção, é possível que muitos fatores com efeitos individualmente pequenos possam conjuntamente ter um grande efeito de seleção e introduzir bias65 colisor.Análises de Controlo Negativo :se há factores medidos na amostra seleccionada que se sabe não terem influência no resultado, então o teste destes factores para a associação com o resultado dentro da amostra seleccionada pode servir de controlo negativo 66,67. Em virtude disso, as associações de controlo negativo devem ser nulas e, por conseguinte, são úteis como instrumento de apoio à selecção. Se observarmos associações com grandezas maiores do que o esperado,então isso indica que a amostra é selecionada tanto no controle negativo quanto no resultado do interesse 68,69.Análise de correlação: conceptualmente semelhante à abordagem dos controlos negativos acima, quando uma amostra é seleccionada, todas as características que influenciaram a selecção tornam-se correlacionadas dentro da amostra (excepto no caso altamente improvável que as causas são perfeitamente multiplicativas). O ensaio de correlações entre os factores de risco hipotéticos em que se espera que não exista qualquer relação pode indicar a presença e a magnitude da selecção da amostragem e, por conseguinte, a probabilidade de o viés colisor distorcer a análise primária 70.

implicações

a maioria dos dados científicos que informam a política e a tomada de decisões clínicas durante a pandemia COVID-19 provém de estudos observacionais 71. Temos ilustrado como esses estudos observacionais são particularmente suscetíveis a amostragem não Aleatória. Ensaios clínicos randomizados irão fornecer evidências experimentais para o tratamento, mas estudos experimentais de infecção não será possível por razões éticas. The impact of collider bias on inferences from observational studies could be considerable,not only for disease transmission modelling72, 73, but also for causal inference7 and prediction modelling2.

embora existam muitas abordagens que tentam melhorar o problema do viés de colisores, elas baseiam-se em suposições não comprováveis. É difícil saber a extensão da seleção de amostras, e mesmo que isso fosse conhecido não pode ser provado que ela foi totalmente contabilizada por qualquer método. Inquéritos representativos à população 34 ou estratégias de amostragem que evitem os problemas do colisor bias74 são urgentemente necessárias para fornecer provas fiáveis. Os resultados de amostras que provavelmente não são representativas da população-alvo devem ser tratados com precaução por cientistas e decisores políticos.