สถิติทางการแพทย์แบบบ้านๆ : ความคิดรวบยอด 4 ข้อพิจารณาเลือกชนิดสถิติในงานวิจัย

4 ข้อพิจารณาชนิดสถิติ : Inferential ? -> Parametric? -> Independent? -> Level of analysis X type of outcome

ประโยคที่สรุปเรื่องเวชสถิติสำหรับแพทย์ได้ดียิ่ง ของ M.H. Katz คือ " เมื่อต้องเกี่ยวข้องกับสถิติวิจัย ให้ทำตัวเป็น Primary care doctor และนักสถิติเป็น Specialist"

ช่วงเวลาสำคัญในการปรึกษานักสถิติคือ
1. ช่วงร่าง Protocol:  ในส่วนประมาณ Sample size และ สถิติที่ใช้ต้องสัมพันธ์กับคำถาม และรูปแบบงานวิจัย จึงเป็นเหตุผลว่าทำไมควรปรึกษานักสถิติก่อนลงมือเก็บข้อมูล

2. ช่วง Analysis : หลังจากนำข้อมูลที่เก็บมาทำ univariate และ biavariate แล้ว การจะทำ multivariable analysis ในขั้นต่อไปควรปรึกษานักสถิติ เนื่องจากต้องใช้ความชำนาญ ในการเลือก model ที่เหมาะสม (fit)  เปรียบได้กับ ผู้ป่วยกระดูกหัก หลังจากตรวจร่างกาย ใส่ slab ที่ ER เรียบร้อยแล้วก็ควรส่งต่อ orthopedist ให้ผ่าตัดด้วยวิธีที่เหมาะสมต่อไป

สำหรับ น้องๆ แพทย์ประจำบ้าน ที่เริ่มทำวิจัย แล้วรู้สึก "disorientation" ไม่รู้จะเลือกใช้สถิติในงานวิจัยอย่างไร สิ่งนี้อาจพอช่วยลดอาการได้บ้าง

1. งานวิจัย ต้องการเป็น "Inferential" หรือไม่ หากต้องการ generalize ผลลัพท์จากกลุ่มตัวอย่าง ไปสู่ประชากรเป้าหมาย ต้องหา p value, 95% CI(อ่านรายละเอียดที่นี่คะ). หากไม่ต้องการ เช่นสรุปผลเฉพาะกลุ่มที่ศึกษา อาทิ ผลระดับความรู้ ความพึงพอใจของนักศึกษาแพทย์ทั้งชั้นปีต่อวิชา...เพียงรายงานเป็นสัดส่วนหรือ % ก็พอ
  การ Inferent ใน multivariable analysis ยังแบ่งเป็น  population outcome (marginal effect : เช่น propensity score, GEE ) หรือ potential outcome (conditional effect เช่น regression, mixed model) 

2. ขนาดของตัวอย่างและการกระจายตัวของข้อมูลในประชากร สามารถใช้สถิติแบบ parametric ได้หรือไม่  ถ้าขนาดตัวอย่างเล็ก เป็นข้อมูลที่คาดว่าการกระจายในประชากรต่างจาก normal จนไม่สามารถใช้ Central limit theorem assumption ได้ ควรใช้ non-parametric..(อ่านรายละเอียดที่นี่คะ)

3. study design สองกลุ่มที่เปรียบเทียบนั้น Corelated ต่อกันหรือไม่ 

กรณีที่สองกลุ่มเปรียบเทียบ "ไม่" Independent เนื่องจากค่าที่วัดได้มี variation น้อยกว่า  จึงต้องใช้สถิติสำหรับ Corelated obsevations แทน (M.H.Katz,2006) กรณีดังกล่าวได้แก่

1. Macthed case and control
2. กลุ่ม subject ที่อยู่ใน cluster (เช่น โรงพยาบาลเดียวกัน)
3. การวัดผลซ้ำใน subject เดิม ที่เวลาต่างกัน  (Repeated measure)
4. การวัดผลซ้ำใน subject เดิม ที่การรักษาต่างกัน เช่น cross-obver study
5. การวัดผลใน subject เดิม ที่ผู้ประเมินต่างกัน
6. เปรียบเทียบอวัยวะอีกข้างหนึ่ง ใน subject เดิม
ข้อ 2 ถึง 6 ใช้กลุ่มสถิติที่เรียกว่า Multilevel analysis (อ่านรายละเอียดที่นี่คะ)

4. จากนั้น พิจารณา  Level of analysis  และ ชนิด Outcome  

อาจแบ่งสถิติในงานวิจัย ได้สามระดับ (M.H. Katz, 2006)
1. Univariate analysis   = Description outcome 

2. Bivariate analysis  : Association of a predictor to outcome 

3. Multivariable analysis : Contribution of predictors to outcome

ชนิดของ outcome แบ่งเป็นสามชนิดหลัก

1. Continuous/interval  = yyy unit

2. Binary/event  =  y  probability to  E 

3. Time to event =  y rate to E

Categorical outcome ที่เป็น multinominal หรือ ordinal ใช้วิธีสถิติที่ประยุกต์จากของ Binary outcome.

 

	Univariable	Bivariable	Multivariable
Continuous	mean, SD	t-test, one-way ANOVA, simple linear regression	Multiway ANOVA*, Multiple linear regression (เรียกอีกอย่างว่า ANCOVA)*
Event	Proportion, %	Chi-square Risk ratio	Multiple logistic regression Polynomial logistic (multinominal)
Time to event	Kaplan meier	Log rank test Rate (Hazard) ratio	Proportional cox

** มักมีคำถามว่า multiway ANOVA กับ muliple linear regression มีจุดต่างกันอย่างไร ?
ANOVA family = เปรียบเทียบว่า mean แต่ละ predictors ต่างหรือไม่ต่าง  ใช้กับ predictor ที่เป็น category
   oneway ANOVA -> 1  categorical predictor ( eg. stage 1,2,3) 
   multiway ANOVA -> 2 or more categorical (eg. stage 1,2,3 ; symptom mild, mod, severe.)
Regression family = เปรียบเทียบและ"บอก effect = coefficient" ของ predictors ใช้กับ predictor ที่เป็น continuous หรือ category/binary ก็ได้
  simple linear regression ->  1 predictor
  multiple linear regression -> 2 or more predictors  
กรณี multiple linear regression มีทั้ง continuous และ categorical predictor จะเรียกได้อีกอย่างว่า Analysis of covarience:ANCOVA (ชวนสับสนดีแท้)
  
หากคิดถึง Multivariable analysis คิดถึงนักสถิติ อย่างไรก็ตาม เพื่อการสื่อสารที่เข้าใจกันมากขึ้น

พื้นฐานคือความเข้าใจเรื่อง confounding/interaction และ stratification อ่านที่นี่คะ
หากต้องการรายละเอียดและลองใช้ STATA อ่านที่นี่คะ