Repeated measure และ multilevel analysis

การวิจัยเกี่ยวกับ symptom  ข้อมูลได้จากการวัดซ้ำๆ ใน subject เดิม (Repeated measure) ขณะเดียวกัน การรักษา symptom ยังได้รับอิทธิพลจาก "Practice style" ของแพทย์ผู้ดูแลอย่างมาก กล่าวคือกลุ่มผู้ป่วยที่มีแพทย์ผู้ดูแลคนเดียวกัน ได้รับการรักษาใกล้เคียงกันกว่าผู้ป่วย ที่มีแพทย์ผู้ดูแลต่างไป อย่างมีนัยสำคัญ..เกิดเป็น Cluster
== repeated measure เป็นเป็นประเภทหนึ่งของ corelated variable ซึ่งมี Multilevel ( aka. Hierachial/mixed method/random effect model) เป็นวิธีวิเคราะห์หนึ่ง==

เปรียบเทียบข้อแตกต่างระหว่างการวิเคราะห์ทั่วไป กับการวิเคราะห์้ด้วย multilevel model

Concept 1: Wide format vs Long format data 

การวิเคราะห์ทั่วไป เช่น t-test, regression ใช้ data ที่อยู่ในรูปของ wide format กล่าวคือ แต่ละ Observation คือ ผู้ป่วย 1 ราย ..สังเกตว่าแต่ละแถว (row) ใน spread sheet คือแต่ละ patient id ส่วนข้อมูลที่ได้จากแต่ละ visit อยู่ในคอร์ลัมน์

Multilevel analysis ใช้ data ในรูปของ long format กล่าวคือ แต่ละ Observation คือ "แต่ละ visit" สังเกตว่าแต่ละแถว บางแถวมี patient id ซ้ำๆ กัน

 

Concept 2: Multilevel model ต้องกำหนด Hierachial level 
ในเวชปฎิบัติจริง เรามักมีแบบดังนี้ 

 

ดังในภาพ มี 3 level คือ ผู้ป่วย และ visit และระดับที่สูงขึ้นไปคือ cluster ตามแพทย์เจ้าของไข้

Concept 3: Mixed model (conditional effect) และ GEE (Marginal effect)

ขอสรุปคำสั่ง STATA เป็นตารางดังนี้

Outcome/ level	2 level	more than 2 level
Continuous	xtreg xtgee  (~ xtreg,pa)  xtmixed (~xtreg,re)	xtmixed
Dichotomous	xtlogit xtgee (~ xtlogist,pa) xtmelogit (~xtlogit,re)	xtmelogit
Ordinal	GLLAMM	GLLAMM

pa = population average
re = random effect

1. Random effect vs Fixed effect
ซึ่งมีวิธีการวิเคราะห์ความสัมพันธ์ระหว่าง predictor กับ outcome ตามคำถามวิจัย 
Random effect :  เมื่อเราต้องการ generalize จาก "subset" ไปสู่ larger group
ตัวอย่างเช่น, Death rate ของ "Sampling" รพช. 2 แห่งในเชียงใหม่  เป็นตัวแทน (aka ไม่ต่าง) ของ รพช.อื่นๆ ทั้งหมดของเชียงใหม่ได้หรือไม่? ในที่นี้ variable "Hospital" จัดเป็น random factors
Fixed effect: เมื่อเราต้องการเปรียบเทียบ อย่างเฉพาะเจาะจงระหว่าง category ที่มีในการศึกษา ตัวอย่างเช่น, Death rate ของ  Hospital A ต่างจาก Hospital B หรือไม่? ในที่นี้ variable "Hospital" จัดเป็น fixed factors  

สังเกตได้ว่า
- Primary predictor เป็น fixed factor (eg. Treatment group, Placebo group) เสมอ 
- Dichotomous category เช่น เพศหญิง/ชาย เป็น fixed factor 
- Patient id เป็น random factor เพราะเรา sampling case มาจากประชากร
- Continuous variable เช่น อายุ เป็น fixed factor เพราะ range ของค่าใน sample ก็คืออันเดียวกับ range ในประชากร (eg.ผู้สูงอายุ 60 ปีขึ้นไป)

ดังนั้น
การวิจัยแบบไม่ inferential  มีเฉพาะ fixed factor
การวิจัยแบบ inferential จะมีทั้ง variable ที่เป็น fixed factor และ random factor ซึ่งในไวยากรณ์ของ STATA ต้องกำหนด (declare) ว่า variable ไหนเราต้องการให้เป็น random factor (ส่วนที่ไม่ declare ถือเป็น fix factor) และเรียกวิธีการวิเคราะห์นี้ว่า Mixed model 

xtreg Ovar Fvar  , i(Rvar) j(Rvar) re 

มีความหมายเดียวกับ

xtmixed Ovar Fvar ||Rvar: ||Rvar: ||Rvar: ...

Ovar = outcome variable 
Fvar =  fixed factor usually primary predictor
Rvar = random factor ussully patient id, patient visit  

Note: การใช้ xtmixed  ก็คือ xtreg ที่กำหนด re (random effect) แต่ดีกว่าที่สามารถกำหนด Rvar ได้มากกว่า 2 level  

2. Population average (Marginal) vs Subject specific (Conditional)
Marginal effect: การใช้คำเรียกหลายอย่างทำให้ชวนสับสน  แต่โดยสรุปคือ ถ้าคำถามเชิง public health เช่น ควรให้กับไม่ให้ intervention กับ"ชาวเชียงใหม่" ไม่ได้ต้องการนำผลลัพท์นี้ไปใช้กับชาวภูเก็ต
Conditional effect: คำถามคือ การให้ไม่ให้ intervention กับผู้ป่วย "condition แบบนี้" จะชาวเชียงใหม่หรือภูเก็ตก็ได้ที่มี "condition แบบนี้" 

xtreg Ovar Fvar , i(Rvar) j(Rvar) pa
หรือ
xtgee Ovar Fvar , i(Rvar) t(Rvar) 

Note การใช้ xtgee ก็คือ xtreg ที่กำหนด pa 

Repeated mesure และ Survival analysis ถือเป็น Logitudinal analysis ทั้งคู่ แต่มีข้อต่างว่า outcome ของ Repeated measure สามารถเป็น continuous หรือ binary ที่เกิดซ้ำแล้วซ้ำอีกได้ เช่น Blood sugar, สำลัก/ไม่สำลัก  ในขณะที่ Survival analysis มักใช้กับ outcome event (binary เท่านั้น) ที่เกิดขึ้นได้ครั้งเดียว หรือ นานๆ จะเกิดที เช่น Death, stroke