Av Marie Johnston och Derek Johnston, University of Aberdeen, Scotland

Vårdpersonal söker ofta svar på frågor rörande en person, ett sjukvårdsteam, ett sjukhus, en region, etc. Det kan, till exempel, vara viktigt att ta reda på hur ofta en man med övervikt eller fetma småäter, när och var han småäter och om stress förstärker beteendet i fråga. Eller så kan det vara viktigt att ta reda på hur ofta sjukvårdspersonal i ett specifikt team glömmer att tvätta händerna i samband med patientmöten, om handtvättningen minskar när teamet är underbemannat och om uppmuntrande affischer på avdelningen ökar det önskade beteendet. Eller så vill man kanske bena ut varför kliniska misstag sker och om de sker oftare på vissa avdelningar eller inom vissa lönegrader. Eller – på en policynivå – så kan det vara meningsfullt att utvärdera om en ny förordning (t.ex. rökförbud på offentlig plats) har påverkat rökning på olika arbetsplatser.

Man kan försöka ta itu med dessa frågor genom att fråga folk vad de tror eller kommer ihåg, men det är bättre att fråga eller observera beteenden när de väl sker eftersom detta gör det lättare att undvika bias eller att folk helt enkelt glömmer bort vad som faktiskt hänt. Nya teknologiska redskap såsom smartphone appar gör det enkelt att följa vad som sker i realtid och en ”n-of-1” studie kan hjälpa dig att svara på ovanstående frågor.

N-of-1 studier är möjliga att genomföra när ett problem eller ett beteende kan mätas vid upprepade tillfällen för att undersöka förändring över en längre tidsperiod. Man kan sedan beskriva problemet och undersöka om det förbättras/förvärras under vissa förhållanden. Eller så kan man introducera en ny behandling och undersöka om den har en önskad effekt.

Det enklaste sättet att analysera data från n-of-1 studier illustreras i grafen i Figur 1. Detta är ett nödvändigt steg i varje n-of-1 analys och kan vara tillräckligt. Det finns även statistiska metoder för hur man hanterar data från n-of-1 studier. Mer komplexa metoder är under utveckling (t.ex. metoder för att undersöka dynamisk förändring).

Exempel på hur n-of-1 studier kan användas för att beskriva ett problem

Man kan, till exempel, genomföra en studie för att undersöka allvarlighetsgraden eller frekvensen av ett problem över tid. Figur 1 visar att en persons ångestgrad växlar över tid men att det går att identifiera ett mönster: när jobbnärvaro också registreras ser man olika mönster på vardagar och helger, vilket visar på att personen har mycket ångest på jobbet men inte när de är hemma. Sådan information kan vara användbar när man försöker hitta rätt behandling för var unik patient. Till exempel, när forskare registrerade humör vid olika tidpunkter på dygnet hos en döende kvinna identifierade de mönster som sedan användes för att förbättra kvinnans sinnesstämning.

Informationen som samlas i n-of-1 studier kan göra mer än att bara beskriva ett problem eftersom den kan användas till att förklara vad som observeras. I vissa fall har forskare eller vårdpersonal en teori om vad som förstärker problemet; det kan då vara meningsfullt att testa hur väl teorin faktiskt förklarar det observerade fenomenet. I fallet rörande den döende kvinnan bekräftade den insamlade informationen teorin om att kvinnans humör påverkades av hennes tankar och att dessa skedde i samband med vissa morgonaktiviteter. 

Figur 1. Exempel på hur n-of-1 studier kan användas för att beskriva ett problem för en unik person. Ångestskattningar visas i blått och jobbnärvaro i rött över 24 dagar för en unik person.

Exempel på hur n-of-1 studier kan användas för att undersöka om en händelse eller företeelse har förbättrat eller försämrat ett problem

Vissa problem förbättras eller försämras i samband med specifika händelser eller företeelser som sker inom eller utanför individens kontroll, såsom till exempel dödsfall eller bröllop, radio- eller TV-utsändningar med specifik hälsoinformation, nedstängningar av fabriker eller till och med väderförändringar. I det hypotetiska scenariot i Figur 2 ses en ökning av hälsokonsultationer kring ett specifikt problem (t.ex. influensa) veckan efter en TV-utsändning rörande problemet, vilket tyder på att ökningen inte har att göra med en pågående epidemi och att hälsovården bör kunna förutspå liknande ökningar i framtiden i samband med att medicinska tillstånd hamnar i rubrikerna. En n-of-1 analys av data från engelska sjukhus visade på en effekt av ett sportevenemang – man såg en tydlig ökning av sjukhusinläggningar i samband med en viktig fotbollsmatch under världsmästerskapet i fotboll 1998. 

Figur 2. Exempel på hur n-of-1 studier kan användas för att undersöka effekten av en händelse. Innan TV-utsändningen (markerad av den blå pilen) handlar ungefär 40 konsultationer per dag om influensa. TV-utsändningen leder till en ökning av influensakonsultationer.

Exempel på hur n-of-1 studier kan användas för att utvärdera om en behandling har en önskad effekt

N-of-1 studier kan användas för att utveckla nya behandlingar eller interventioner, såsom kliniska behandlingar och policyinterventioner. I det hypotetiska scenariot i Figur 3 ser vi att mannen med övervikt småäter ungefär 7 gånger per dag. Efter en kort behandlingsperiod (som kanske innefattade självövervakning av småätande) ser vi att småätandet minskas till 2 gånger per dag.

Liknande metoder kan användas för att uppskatta antalet rökare inom ett land eller region och hur policyinterventioner såsom rökförbud på offentlig plats påverkar antalet rökare.

Ett bra exempel på hur n-of-1 metoder kan användas för att uppskatta effekten av en intervention beskrivs av vårdpersonal i ett sjukhusdistrikt. Vårdpersonalen undersökte problemet med förseningar i rapporteringen av negativa händelser för perioden 2001 till 2006 och fann att längden på förseningarna varierade från sjukhus till sjukhus men att detta var problematiskt för deras patientsäkerhetsprogram. Inga tecken på förbättring sågs över tid. Under 2007 och 2008 introducerades ett program för att belöna goda resultat. Detta ledde till minskade förseningar i rapporteringen för efterföljande år och visade på hur belöningar kan öka rapportering av negativa händelser i god tid.

Figur 3. Exempel på hur n-of-1 studier kan användas för att utvärdera effekten av en behandling. De första 15 dagarna visar frekvensen av småätande (blå linje). En kort behandling (röd pil) resulterar i minskat småätande (röd linje).

Utmaningar

Datainsamlingen i n-of-1 studier kan vara utmanande. Ofta kan upprepade mätningar vara ansträngande för patienter och kan därför leda till saknade värden eller skattningar. Den snabba utvecklingen av digitala och mobila tekniker såsom smartphones och bärbara sensorer gör datainsamling enklare och mer pålitlig.

Praktiska rekommendationer

• Använd n-of-1 studier i praktiska situationer för att:
  • undersöka och beskriva ett specifikt problem
  • undersöka effekten av en behandling eller en händelse/företeelse
• Använd n-of-1 studier för att undersöka ett problem eller fenomen som kan mätas vid upprepade tillfällen över tid.
• Tolka insamlade data via grafer eller statistiska metoder.
• Gratis appar finns tillgängliga för att samla in data.

Översatt av: Dr Olga Perski, University College London