วิจัยทางคลินิกแบบบ้านๆ :เบื้องหลัง..confounding & interaction


ที่กล่าวมา ทั้ง Chance และ Bias เป็นสิ่งที่ทำให้เห็นความสัมพันธ์แบบ"ไม่จริง" โดย chance ขึ้นกับ sample size เป็นหลัก ส่วน Bias ขึ้นกับ study design เป็นหลัก
แต่ยังมีตัวที่ทำให้เขว เรียกว่า "ปัจจัยร่วม" (Co-variate) ซึ่งจริงๆ แล้วความสัมพันธ์นั้นก็มีอยู่จริง แต่จริงแบบมี "เบื้องหลัง"
ยก ตัวอย่าง ผลการวิจัยซึ่งได้คำนวณ sample size, measurement และควบคุม bias อย่างดี เจอว่า คนที่ดื่มกาแฟ มีสัดส่วนผู้เกิดโรคหัวใจมากกว่า...จะเชื่อหรือยัง..ยังคะ มีคำถามต่อไปคือ
1. มีปัจจัยอื่น ที่ส่งผลต่อ outcome อธิบายแทนตัวกาแฟได้หรือไม่ -> ดู confounder
2. มีปัจจัยที่ทำให้ผู้ดื่มกาแฟเฉพาะบางคน เสี่ยงต่อโรคหัวใจหรือไม่ -> ดู interaction

นักวิชาการบางท่านจัด Confounding เป็น bias ชนิดหนึ่ง แต่ในที่นี้ขอแยกออกมา เนื่องจากตัว confounding ไม่จำเป็นต้องถูกขจัดเสมอ
ในกรณี Prevention เราเจาะจงหาความเป็นต้นเหตุ ( Causual ) จึงต้องพยายามขจัด confounder ที่บดบังความสัมพันธ์ที่แท้จริงของต้นเหตุตามสมมติฐาน
แต่ในกรณี Diagnosis และ Prognosis เราต้องการเพียงปัจจัยพยากรณ์ (Predictor) ซึ่ง confounder ในที่นี้ไม่น่ารังเกียจอีกต่อไป กลับการเป็น predictor ตัวหนึ่งด้วยซ้ำ 


Confounding เป็นปัจจัยที่กล่าวได้ว่าเป็น "ผู้ก่อเหตุตัวจริง" ที่ประเหมาะว่าอยู่บ้านเดียวกับผู้บริสุทธิ เวลาตำรวจเข้าตรวจค้นเลยเจอของกลาง  เมื่อขจัดปัจจัยร่วมชนิดนี้ออกไปแล้วจะพบว่าปัจจัยสมมติฐานไม่ได้เป็นสาเหตุ โดยตรง

- confounding ต้องมี association กับทั้ง predictive และ outcome variable โดยต้องเป็น cause of outcome แต่ไม่ได้มี predictor เป็น cause
ดังนั้นสิ่งเหล่านี้ไม่ใช่ confounder
- สิ่งที่เป็น common effect ( เรียกอีกอย่างว่า collider) การ adjust จะทำให้เกิด selection bias และสร้าง association ขึ้นมาใหม่
- สิ่งที่เป็น mediator  การ adjust ทำให้ association ที่มีอยู่จริงอ่อนลงหรือหายไป จึง adjust กรณีต้องการหาว่ามีกลไกอื่นๆ อีกหรือไม่

Confounding มีสองประเภท คือ ประเภททำให้ association ระหว่าง exposure กับ outcome "overestimate" เรียกว่า positive cofounding  และที่ทำให้ association ระหว่าง exposure กับ outcome อ่อนลง เรียกว่า negative confounding ( เรียกอีกอย่างว่า suppressor)

ตัวอย่าง Positive confounding:
สมมติฐานคือคนดื่มกาแฟ มีโอกาสเป็นโรคหัวใจสูงขึ้น (เป็นปัจจัยเสี่ยง)
พบว่าบุหรี่ เจอมากในคนดื่มกาแฟ 
และบุหรี่ มีหลักฐานแน่นหนามาแล้วว่าเป็นปัจจัยเสี่ยงโรคหัวใจ ที่สำคัญ
ดังนั้น ความสัมพันธ์กาแฟเป็นปัจจัยเสี่ยงต่อโรคหัวใจ Overestimate ด้วย บุหรี่

ตัวอย่าง Negative confounding
สมมติฐานคือวิตามินอี ช่วยป้องกันโรคหัวใจขาดเลือด (ปัจจัยป้องกัน)
พบว่าคนเป็นเบาหวาน เจอมากในผู้รับประทานวิตามินอี
และคนเป็นเบาหวาน เป็นปัจจัยเสี่ยงเกิดโรคหัวใจขาดเลือด
ดังนั้น ความสัมพันธ์วิตามินอีป้องกันหัวใจขาดเลือด จึง Underestimate ด้วย เบาหวาน

ตัวอย่าง Mediator
สมมติฐานคือ สมุนไพร A  ลดความเสี่ยงการเป็น cystitis
เนื่องจากสมุนไพร A ต้องต้มดื่มกับน้ำ การดื่มน้ำสามารถลดการเกิด cystitis
ในกรณีนี้ ปริมาณน้ำดื่มต่อวัน จัดเป็น mediator (แม้ว่า การดื่มน้ำมากขึ้น มีสาเหตุได้จากหลายอย่างก็ตาม)
คำถามว่าจะ adjust หรือไม่ ขึ้นกับจุดประสงค์
หากผู้วิจัยต้องการดูภาพรวม ไม่ว่ากลไกไหน ก็ไม่ควร adjust
หากต้องการดู direct effect ของตัวสมุนไพร ก็ต้อง adjust


Interaction / Effect modifier

เปรียบเสมือนผู้ยุยงส่งเสริม ตัวเองอาจไม่มีพิษสงพอเป็นคนร้ายเอง แต่พอมาผสมโรงกับปัจจัยสมมติฐาน เลยเกิดเรื่องขึ้นมา

ยกตัวอย่างคำถามเดิม คนดื่มกาแฟมีโอกาสเป็นโรคหัวใจสูงขึ้น
เมื่อแยกแยะดู ปรากฎว่า คนดื่มกาแฟที่เป็นชาวเอเชีย เป็นโรคหัวใจสูงขึ้น ในขณะคนดื่มกาแฟทีเป็นชาวยุโรปไม่เพิ่มความเสี่ยง
ปัจจัย เชื้อชาติ อย่างเดียวก็ไม่ได้มีผลต่อความเสี่ยง จนกระทั่งมาเจอกับ กาแฟ ถึงมีผลดังนั้นจะสรุปว่า คนดื่มกาแฟ "ทุกคน" มีความเสี่ยงสูงโรคหัวใจสูงขึ้นไม่ได้ตัว Interaction นี้ไม่ต้องกำจัด แต่ควรตรวจให้พบแล้ว report

บางท่านกลัวสับสนกับ druge interaction จึงแนะนำใช้คำว่า effecct modifier แทน
covariable หนึ่งอาจเป็น
- Confounder (ต้องมี association กับทั้ง predictor, outcome "และ" predictor-> outcome association หลังจาก adjust ต่างจาก crude) 
- Effect modifier (ต้องทำให้ assoication ระหว่าง predictor กับ outcome เสีย homogeniety กล่าวคือ stratified specific predictor->outcome association มีความต่างอย่างมีนัยสำคัญ)
- อาจเป็นทั้ง confounder และ effect modifier ในเวลาเดียวกัน  แต่กรณีนี้นักวิจัยจะไม่ adjust confouder แต่จะ report effect modifier.

crude RR strata 0 (covariable absent)  strata 1 (covariable present) adjusted RR P value test for homogeniety Confounding Interaction
 0.1  0.1 0.1 0.1   0.88  no no
0.1 0.1 0.8 0.5   0.02 yes yes
0.1 0.3 0.3 0.3   0.88 yes no
0.1 0.04 0.2 0.1   0.01 no yes
0.1 0.1 0.15 0.12   0.50* no no *

เพื่อความเข้าใจ ขอย้อนรอยว่านักวิจัยเขาคิดอย่างไร ขอยกตัวอย่าง การใช้ Stratification หาความสัมพันธ์ระหว่าง statin กับการเกิด breast cancer โดยปัจจัยที่สงสัยว่าอาจเป็นปัจจัยกวน คือ menopause 

เมื่อประเมินความสัมพันธ์ โดยไม่คำนึงถึงปัจจัยกวนอื่นๆ จะได้ "crude" risk ratio และ p value ( สำหรับ null hypothesis ว่า RR คนใช้ statin ต่อคนไม่ใช้ =1.0)

เมื่อประเมินโดยแบ่งตาม menopause status จะได้ " strata specific" risk ratio และ M-H p value ( สำหรับ null hypothesis ว่า สอง strata มี RR เท่ากันหรือ Homogenized กัน) และ M-H combined(adjusted) RR

หาก crude และ adjusted RR แตกต่างกัน แสดงว่ามี confounding 
หาก strata specific risk ratio แตกต่างกัน แสดงว่ามี interaction
..ทั้งนี้ ความต่าง ขึ้นกับวิจารณญาณของผู้วิจัยว่า มีความสำคัญทางคลินิก และสถิติเพียงพอ ไม่มีจุดตัดตายตัว  

หมายเลขบันทึก: 409328เขียนเมื่อ 20 พฤศจิกายน 2010 15:15 น. ()แก้ไขเมื่อ 6 กันยายน 2013 23:36 น. ()สัญญาอนุญาต: ครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-อนุญาตแบบเดียวกันจำนวนที่อ่านจำนวนที่อ่าน:


ความเห็น (2)

ขอถามเพิ่มเกี่ยวกับ interaction effect ใน regression analysis คะ


แอบมาพรวนบันทึกคุณหมอ ป. ;)...

พบปัญหาการใช้งานกรุณาแจ้ง LINE ID @gotoknow
ClassStart
ระบบจัดการการเรียนการสอนผ่านอินเทอร์เน็ต
ทั้งเว็บทั้งแอปใช้งานฟรี
ClassStart Books
โครงการหนังสือจากคลาสสตาร์ท