Instrument variable ทางเลือกการวิจัย intervention ใน Observational study

Instrument variable เป็นการใช้ธรรมชาติเป็นตัว randomized แก้ปัญหา unmeasurable confounders

ฝันของผู้ทำวิจัยจากข้อมูลซึ่งเก็บในงานประจำ (Administrative data) คือการนำข้อมูลเหล่านั้น มาใช้วางแผนเชิงนโยบายได้

แต่ข้อจำกัดของ observational study คือ มีปัจจัยรบกวน (confounders) มากมาย และที่ร้ายไปกว่านั้นคือ ปัจจัยกวน

ที่วัดไม่ได้ (unmeasurable confounders) เช่น ทัศนคติ ค่านิยม ความเชื่อ 

..

Multivariable linear regression เมื่อมี confounders ที่ต้องนำมาเข้า model เยอะๆ จะแปรผลไม่ได้เพราะเสีย precision
. 

Propensity score ที่เคยเล่าในบันทึกนี้  ช่วยแก้ปัญหา  confounders จำนวนมาก ด้วยการรวมตัวแปรที่มีผล intervention เป็น score package

แต่ไม่แก้ปัญหา unmeasurable confounders ไม่ วันนี้จึงขอกล่าว เครื่องมืออีกตัวคือ 

Instrument variable analysis : IVA (instr-mnt อ่านว่า อิ้นซ์-เทรอะ-เมนท์) :  แปลง่ายๆ คือ เครื่องมือ (instrument) ที่มีผลให้ intervention เกิด variable

"แต่" ต้องไม่ส่งผล ต่อ outcome ไม่ว่าทางตรง หรือทางอ้อม ( ส่งผลต่อ confounders)

.

ข้อดีของ Instrument variable คือ

1. ช่วยแก้ปัญหา unmeasurable confounders ทำให้ มี credibility ใกล้เคียง randomized trial

2. เหมาะกับการตอบคำถามเชิง "Effectiveness (real world)" ที่เป็น Marginal effect เหมาะกับ  policy level (คุณสมบัตินี้คล้ายกับ propensity score) 

  

ตัวอย่างคลาสสิค ของการใช้ IVA ทางการแพทย์ คือ intervention เป็นการสวนขยายหลอดเลือดหัวใจ ( Cardiac catheterization) โดย outcome คือ การเสียชีวิตจากหัวใจขาดเลือด

ในอุดมคติคือการทำ randomized double blinded control trial แต่จะเห็นว่า

เรื่อง blinded ทำไม่ได้ ( ดมยาสลบ แล้วไม่สวนขยายหลอดเลือด ?) แต่ไม่กระทบนัก เพราะการเสียชีวิต เป็น hard outcome 

แต่สำคัญ ที่ไม่สามารถทำ randomized assign เพราะเป็นการขัดจริยธรรม  (แพทย์จะไม่สวนขยายหลอดเลือดให้คุณ  เพราะคุณอยู่ในกลุ่ม control?)

ความชาญฉลาด ของผู้วิจัย คือ เมื่อแพทย์เป็นผู้ random assign ไม่ได้ ก็ใช้ สถานการณ์ธรรมชาติ เป็นตัว random assign แทน

นั่นคือ คนที่อยู่บ้านไกล มาถึงศูนย์การแพทย์ช้า  มักไม่ได้รับ intervention = เป็นกลุ่ม control ไปโดยปริยาย

ความไกล ใกล้ ศูนย์การแพทย์ มีคุณสมบัติของการเป็น "instrument" เพราะ

1. Strongly associated with intervention assignment

2. Not associated with outcome - exept through its relationship with the intervention

      : การอยู่บ้านไกลศูนย์การแพทย์ ( แต่มีสถานบริการปฐมภูมิที่เข้าถึงสะดวก) ไม่น่าส่งผลต่อการเสียชีวิตโดยตรง  คำอธิบายเดียว คือ ทำให้มาถึงสถานที่สวนขยายเส้นเลือดช้าเท่านั้น

3. Not associated with confounders 

  : การอยู่บ้านไกลศูนย์การแพทย์ ( แต่มีสถานบริการปฐมภูมิที่เข้าถึงสะดวก) ไม่น่าส่งผล ถึง ความอ้วน  เบาหวาน ความดันสูง . ที่เป็นปัจจัยเสี่ยงร่วมของ cardiac death

.

ปัจจุบัน Instrument ที่กำลังมาแรงแซงโค้ง คือ "ความแตกต่างทางยีน" ที่มีผลต่อการรับ treatment แต่ไม่มีผลต่อ outcome เรียกว่า "Mendelian randomization"

ยกตัวอย่าง ผู้ที่มียีน ALDH2 ซึ่งสร้าง enzyme aldehyde dehydrogenase บกพร่อง เวลาดื่มแอลกอฮอล์จะมี หน้าแดง ปวดหัว ที่เรียกว่า "แพ้อัลกอฮอล์"  ส่งผลให้กลุ่มคนเหล่านี้ส่วนมากไม่ดื่มสุรา..หากต้องการศึกษา ผลของสุรา ต่อ ผลลัพท์ทางจิตสังคม ที่ยังพิสูจน์ไม่ได้เพราะ unmeasurable confounders เพียบ ( เช่น มีผลต่อ IQ ?)  การแบ่งกลุ่มตาม ยีน ALDH2 จึงเป็นทางออกหนึ่ง

ภาพจาก http://www.mdpi.com/1660-4601/7/3/711/

.

ข้อจำกัด

1. การหาปัจจัยที่มีคุณสมบัติ เป็น  "instrument" ทำได้ยาก และมักเป็นที่กังขา

   เช่น หาก intervention คือ การให้ยา Benzodiazepine เพื่อลดอาการเหนื่อย 

   อะไรทำให้ แพทย์สั่งยาให้ นาย ก. แต่ไม่สั่งให้ นาย ข. โดยไม่ขึ้นกับ โอกาสที่ความเหนื่อยดีขึ้น

   ปัจจัยที่ทำให้สั่งยา คือ ระดับความเหนื่อย หรือ ระดับความกังวล  สองตัวนี้ใช้เป็น IVA ไม่ได้ เพราะ ส่งผลต่อโอกาสที่จะดีขึ้น ชัดเจน

   หากพบว่า ปัจจัยที่ทำให้สั่งยา คือ ความเชื่อส่วนบุคคลของแพทย์  หรือ  สั่งเพราะเห็นเป็นผู้หญิง (gender bias) ก็มีแนวโน้มเป็น IVA ได้ 

   แต่..ยังต้อง พิสูจน์คุณสมบัติ strongly associated ทางสถิติ  

   กับขออนุมัติ expert ยกธงยอมรับว่า no assicated with confounders อีก..ซึ่งยากที่จะเลี่ยงข้อกังขา นานาจิตตัง

2. เสีย precision มาก ไม่เหมาะกับกลุ่มตัวอย่างเล็ก
ดังตัวอย่าง การศึกษาของ Pirracchio et. al

วิเคราะห์  การนำผู้ป่วยหนักเข้า ICU ต่อ การเสียชีวิตในโรงพยาบาล 
พบว่า การใช้ Multivarible logistic regression ให้ผลทั้ง point estimation (odds ratio) และ Precision (95CI) ใกล้เคียงกับ Propensity score .

ในขณะที่ ต่างจากผลของ IVA ที่ 95CI กว้างขึ้นอย่างมาก 

ศึกษาการวิจัย ฉบับเต็ม (open access) ได้ที่นี่คะ

.

3. การวิเคราะห์ทางสถิติ ยุ่งยากซับซ้อน : วิธีทางสถิติของ IVA มีสองแบบ คือ 2 stage logistic regression (2LR) และ Probit regression ซึ่งมีรายละเอียดปลีกย่อย ในการทดสอบ assumption ซึ่งข้าพเจ้าเองก็ยอมรับว่าไม่เข้าใจนัก..

.

ด้วยประการทั้งปวง ทำให้ Instrument variable เหมาะกับ Health service research เพราะ

1. ต้องการขนาดประชากรใหญ่ จึงจะได้ precision ที่พอไหว
2. ผลลัพท์เป็น local estimate คือ ศึกษาในประชากรกลุ่มใด ผลก็ใช้ได้จำกัดในประชากรกลุ่มนั้น  

3. การเก็บข้อมูล instrument มักต้องการฐานข้อมูลที่ดี และการวิเคราะห์ที่ซับซ้อนต้องการ ผู้เชี่ยวชาญ..นักวิชาการเศรษฐศาสตร์ รู้จัก IVA มากว่า 70 ปี แต่ ทางการแพทย์สาธารณสุข ยังไม่คุ้นเคยนัก เพราะเพิ่งรู้จักมา 20 ปี 

[ขจิต ฝอยทอง]

• น่าสนใจมากครับ
• ในทางสังคมศาสตร์เราพยายามใช้ triangulation ครับ
• ขอบคุณครับ

[นงนาท สนธิสุวรรณ]

*ขอบคุณมากค่ะที่ให้ความสำคัญของข้อมูลที่จำเป็นต่อการพิจารณาเชิงนโยบาย..และการสร้าง scenario บน hypothesis ต่างๆ ..

*ทั้งนี้แต่ละช่วงเวลาของข้อมูล ยังมีปัจจัยแวดล้อมที่ต้องคำนึงถึงด้วย เพื่อการอธิบายเชิง rational ที่ถูกต้อง..

[sr]

Medical Research which involves 'hard outcome' or life and death, is not easy.

We can see that it is a 'game' and can't be tested and tried like in politics or socio-economics.

No one wants to hear "Ooops" from researchers nor patients.

But patients are not 'stereotype'. They may only have 'one label' in common among many more different labels.

Some say 'better patient history' (in time, place, work, environment, etc.) would make better medical precision.

But would medical services be able to cope with extra amount of information (to record and to process)?

I think not. Not without much more advanced information/knowledge systems.

[ Currently, doctors work by a process of classification (IF<label>THEN<treatment>ELSE<refer?>) to meet demand from patients (who mostly want 'instant cure' not prolonged procedural rehabilitation) -- 8 minutes per consultation!

Is inadequate information a source of 'confounders'?

How many common labels are necessary to minimize confounders? ]

[ทิมดาบ]

อาจารย์เขียนได้ใจครับ...ได้ความรู้มากมายครับ

ความรู้ใหม่หลายประเด็นเลยครับ

ขอให้อาจารย์ได้ทำตามความฝันนะครับ

ลุยเลยครับ

[ป.]

ขอบคุณมากคะ อาจารย์ขจิต ได้เรียนรู้ศัพท์ใหม่อีกตัว "Triangulation"

เท่าที่อ่าน เป็นกระบวนการยืนยันความถูกต้อง (validation) ของข้อมูลอีกวิธีหนึ่ง

จะเป็นกำลังใจ และติดตามเรียนรู้ Action research คะ

[ป.]

ขอบคุณพี่ใหญ่คะ ที่ให้ข้อคิดสำคัญว่า การนำข้อมูลมาใช้เชิงนโยบาย

มิใช่ฟันธงไปตามตัวเลข แต่ให้คำนึงถึงเวลา และสภาพแวดล้อม ในการเก็บข้อมูลด้วย 

 

[ป.]

ขอบคุณสำหรับความเห็นน่าคิดคะ คุณ Sr,

[ Currently, doctors work by a process of classification (IF<label>THEN<treatment>ELSE<refer?>) 

ชอบใจตรงนี้ :-)  เป็นความจริงคะว่า ใน โรงพยาบาล ที่ผู้ป่วยวันละ 200-300 คน
แพทย์ผู้ตรวจ ใช้เวลา 2-5 นาที/คน โดยเฉลี่ย
ปัญหาจึง ไม่ใช่จำนวนข้อมูลไม่พอ แต่ "ระบบ" ไม่เอื้อให้นำข้อมูลมาใช้ประโยชน์ในระดับองค์กร..
เมื่อข้อมูลไม่ถูกนำมาใช้ประโยชน์ ก็ไม่มีแรงจูงใจพัฒนาระบบจัดเก็บข้อมูลของ รพ./อ.
ซึ่งกระทบไปถึงส่วนกลาง เวลาต้องการข้อมูลสุขภาพที ก็ต้องจัดเก็บเอง ดึงเอาขององค์กรย่อยๆ มักมีปัญหา ไม่ครบ เข้าใจไม่ตรงกัน 

Is inadequate information a source of 'confounders'?
How many common labels are necessary to minimize confounders? 

คำถามนี้ ขึ้นกับหลากหลายความเห็นคะ บางท่านคิดว่าน่าจะเก็บให้ละเอียด  labels ยิ่งเยอะยิ่งดี แต่ส่วนตัวเห็นว่า..เลือกเอา labels ปัจจัยที่สำคัญ  แล้วจัดเก็บให้ถูกต้อง เข้าใจตรงกัน ดีกว่า

 

 

[ป.]

ขอบคุณคะ จะพยายามทำตามฝัน

แต่ฝันคนเดียวคงกลายเป็นฝันกลางวันคะ :-)

การขยายผลขึ้นกับว่าหาแนวร่วมฝันคล้ายกันได้หรือเปล่า

กลับไปคงขอดูตัวอย่าง R2R อีสานที่เข้มแข็งนะคะ

[Pojana Yeamnaiyana Ed.D.]

 สวัสดีค่ะ การนำข้อมูลซึ่งเก็บจากงานประจำ (Administrative data) มาใช้วางแผนเชิงนโยบายสามารถทำได้ในการวิจัยทางสังคมศาสตร์ ...แต่ต้องเก็บ ปัจจัยรบกวน (confounders) ที่วัดไม่ได้ (unmeasurable confounders) เช่นทัศนคติ ค่านิยม ความเชื่อมาด้วยโดยเก็บแยกจาก observational study ที่ศึกษาอยู่ เพราะการวิจัยทางสังคมศาสตร์เพื่อการวางแผนเชิงนโยบาย ต้องนำข้อมูลดังกล่าว มาศึกษาหา 'Factors Affecting' หรือ 'Factors Influencing' ว่าปัจจัยใดมีผลและไม่มีผลต่อ outcome ในการวางแผนเชิงนโยบาย

 

[ดร. ภิญโญ รัตนาพันธุ์]

คุณหมอปัทมาครับ.

อ่านงานของคุณหมอ รู้สึกถึงความตั้งใจ และแรงบันดาลใจเลย..ละเอียดและประณีตมากครับ.. วันนี้ผมเลยขอร่วมแลกเปลี่ยนเรียนรู้เรื่องปัจจัยรบกวนนะครับ วันนี้ผมเลยเขียนเรื่องนี้ครับ..(คลิ๊ก)  เป็นมุมมองแบบเชิงคุณภาพ (AI, OD, KM, R2R, LO, AR)

[ป.]

 ขอบคุณอาจารย์ที่แนะนำ น่าสนใจมากคะ

 ความท้าทายอยู่ที่ การเชื่อมโยงปัจจัยนามธรรมจิตสังคม กับผลลัพท์ที่เป็นรูปธรรม (เช่น จำนวนผู้ป่วยเสียชีวิตใน ICU, การมาห้องฉุกเฉินโดยสาเหตุป้องกันได้ )
..
เท่าที่สังเกต น่าเสียดายว่า ปัจจัยที่เป็น ทัศนคติ ค่านิยม ความเชื่อ จาก survey และ งานวิจัยเชิงคุณภาพ ยังมีสัดส่วนการนำมาใช้ประโยชน์น้อย  อาจเพราะ "ข้อต่อ การวิเคราะห์ และ นำมาสังเคราะห์บูรณาการ กับข้อมูลเชิงปริมาณ"
...

หากเป็นไปได้จึงขออาจารย์แนะนำ แหล่งศึกษาเพิ่มเติม กระบวนการวิเคราะห์ factor affecting/influencing analysis  ด้วยก็จะดียิ่งเลยคะ

 

[ป.]

อ่านเรื่องที่อาจารย์เขียน แล้วร้องโอ้..
เป็นการช่วยให้คิดนอกกรอบ 
ในงานวิจัยเรามักพยายาม "กำจัด" บรรดา confounders สารพัดวิธี
แต่สุดท้าย เมื่อผลลัพท์ ซึ่งผู้วิจัยได้มาอย่างยากลำบากปรากฎ ก็ยังไม่นำไปสู่การปฎิบัติ /เปลี่ยนแปลงนโยบาย  
เพราะขาดตัวสำคัญ "การมีส่วนร่วม (what's matter them?") ของผู้เกี่ยวข้อง
ที่นำไปสู่ "การยอมรับ"

ขอบคุณจริงๆ คะ :-)