Directed Acyclic Graphs (DAGs) – Die Anwendung kausaler Graphen in der Epidemiologie

Zusammenfassung

Kausale Graphen wie die gerichteten, azyklischen Graphen (engl.: directed acyclic graphs, DAGs) finden in der Epidemiologie zunehmend Anwendung zur Konzeptualisierung von Confounding und weiteren Quellen von Bias. Ein DAG ist ein geeignetes Hilfsmittel, um basierend auf apriori-Wissen die Zusammenhänge zwischen der Exposition von Interesse und dem Outcome unter Berücksichtigung verschiedener Kovariaten zu visualisieren. Durch die Anwendung formaler Regeln können die kausalen und nicht-kausalen Strukturen identifiziert werden. Durch geeignete Adjustierung können kausale und nicht-kausale Effekte der Exposition auf das Outcome voneinander getrennt werden. Die Identifizierung der geeigneten Adjustierungsmengen ist abhängig von den Beziehungen der Variablen untereinander. Die Berücksichtigung dieser Beziehungen ist wichtig, um nicht für mehr Kovariaten als notwendig zu adjustieren. Die Folge könnte die Einführung von zusätzlichem Bias sein. Durch Betrachtung der einzelnen Pfade eines DAGs werden die kausalen Strukturen systematisch identifiziert, um minimal suffiziente Adjustierungsmengen an Kovariaten zu erhalten, die eine möglichst unverzerrte Effektschätzung basierend auf dem zugrunde liegenden Graphen ermöglicht. Das Ziel dieses Beitrages ist eine Einführung in die Grundbegriffe der kausalen Graphen und die Illustration der Anwendungsschritte zur Ableitung von suffizienten Adjustierungsmengen.

Abstract

Causal graphs such as directed acyclic graphs (DAGs) are a novel approach in epidemiology to conceptualize confounding and other sources of bias. DAGs visually encode the causal relations based on a priori knowledge among the exposure of interest and the outcome while considering several covariates. The application of formal rules on these diagrams enables the identification of the causal and non-causal structures in the DAG. The causal effects are of interest and require no adjustment. Whereas the non-causal effects have to be checked for confounding and for which covariates adjustment is necessary. The identification of the adjustment set depends on the causal relations among the variables. The consideration of these relations is valuable because adjusting for more variables increases the risk of introducing bias. Considering every single path of a DAG allows the systematic identification of the causal structures in the DAG, and the determination of minimally sufficient adjustment sets for estimating the causal effect of the exposure on the outcome based on the underlying DAG. The aim of this paper is to provide an introduction to the basic assumptions as well as the steps for drawing and applying a DAG.

Schlüsselwörter

kausaler Graph - DAG - Confounding - Kausalität - Bias - minimal suffiziente Adjustierungsmenge

Key words

causal diagram - DAG - confounding - causality - bias - conditioning - minimally sufficient adjustment set

^*

^* equally contributed

• Literatur

• 1 Greenland S, Brumback B. An overview of relations among causal modelling methods. International Journal of Epidemiology 2002; 31 (05) 1030-1037
• 2 Pearl J. Causality. 2^nd ed New York: Cambridge University Press; 2009
• 3 Stang A. Kausalität und Confounding in der Epidemiologie. Gesundheitswesen 2011; 73: 884-887
• 4 Glymour MM, Greenland S. Causal diagrams. In: Rothman KJ, Greenland S, Lash TL. editors. Modern Epidemiology. 3 ed. Philadelphia: Wolters Kluwer, Lippincott Williams & Wilkins; 2008: 183-209
• 5 Greenland S, Pearl J, Robins JM. Causal diagrams for epidemiologic research. Epidemiology 1999; 10 (01) 37-48
• 6 Hernan MA, Hernandez-Diaz S, Werler MM et al. Causal knowledge as a prerequisite for confounding evaluation: an application to birth defects epidemiology. American Journal of Epidemiology 2002; 155 (02) 176-84
• 7 Spirtes P, Glymour C, Scheines R. Causation, Prediction, and Search. 2^nd ed The MIT Press; Cambridge: 2001
• 8 Schipf S. Anwendungsbeispiel eines Directed Acyclic Graphs (DAG). Testosteron als Risikofaktor für die Entwicklung eines Typ-2-Diabetes mellitus in der Study of Health in Pomerania (SHIP) Gesundheitswesen 2011; 73: 906-908
• 9 Knüppel S. Grundlagen der Anwendung von DAG-Programmen. Gesundheitswesen 2011; 73: 893-896
• 10 Textor J, Hardt J, Knüppel S. DAGitty: A graphical tool for analyzing causal diagrams [Letter]. Epidemiology 2011; 22: 745
• 11 Breitling LP. dagR: a suite of R functions for directed acyclic graphs. Epidemiology 2010; 21: 586-587
• 12 Knüppel S, Stang A. DAG program: identifying minimal sufficient adjustment sets. Epidemiology 2010; 21: 159
• 13 Textor J. Die moralischen Vorfahren: Adjustierungsmengen in Kausaldiagrammen schnell und einfach berechnen. Gesundheitswesen 2011; 73: 897-900