ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (Causal Interaction) ในระบาดวิทยาคลินิก
บทความ: ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (Causal Interaction) ในระบาดวิทยาคลินิก
ในงานวิจัยทางระบาดวิทยาคลินิก เรามักสนใจว่าปัจจัยเสี่ยงหนึ่งส่งผลต่อการเกิดโรคอย่างไร แต่ในความเป็นจริง ผู้ป่วยมักไม่ได้มีปัจจัยเสี่ยงเพียงอย่างเดียว ปัจจัยหลายชนิดสามารถเกิดร่วมกันและส่งผลต่อผลลัพธ์ทางสุขภาพพร้อมกันได้ ปรากฏการณ์ที่ผลกระทบของปัจจัยสองชนิดรวมกันแล้วให้ผลลัพธ์แตกต่างจากสิ่งที่คาดจากผลของแต่ละปัจจัยอย่างอิสระ เรียกว่า ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (causal interaction)
แนวคิดนี้เป็นส่วนสำคัญของ causal inference ในระบาดวิทยา เพราะช่วยอธิบายว่าโรคหรือผลลัพธ์ทางสุขภาพจำนวนมากไม่ได้เกิดจากปัจจัยเดียว แต่เกิดจาก การทำงานร่วมกันของหลายปัจจัย (joint effect) ซึ่งบางครั้งอาจทำให้ความเสี่ยงเพิ่มขึ้นมากกว่าที่คาดการณ์ไว้จากผลของแต่ละปัจจัยแยกกัน
ความหมายของ Causal Interaction
Causal interaction คือสถานการณ์ที่ปัจจัยเสี่ยงสองชนิด (เช่น X₁ และ X₂) ส่งผลต่อผลลัพธ์ (Y) ร่วมกันในลักษณะที่ไม่สามารถอธิบายได้ด้วยการรวมผลของแต่ละปัจจัยอย่างอิสระ
ตัวอย่างเช่น
- โรคเบาหวาน (X₁)
- ความดันโลหิตสูง (X₂)
อาจร่วมกันเพิ่มความเสี่ยงของโรคหลอดเลือดสมอง (Y) มากกว่าที่คาดจากผลของแต่ละโรคเพียงอย่างเดียว
ในเชิงระบาดวิทยา เราจึงต้องประเมิน joint effect ของปัจจัยเสี่ยง ไม่ใช่เพียงผลกระทบแบบเดี่ยว (individual effect) เท่านั้น
มาตรวัดของ Interaction ในระบาดวิทยา
นักระบาดวิทยามักประเมินปฏิกิริยาสัมพันธ์ทางสถิติผ่าน สองมิติหลัก
1️⃣ Multiplicative interaction 2️⃣ Additive interaction
ทั้งสองแบบสะท้อนมุมมองที่แตกต่างกันของผลกระทบร่วมของปัจจัยเสี่ยง
1. Multiplicative Interaction (ปฏิกิริยาสัมพันธ์แบบคูณ)
Multiplicative interaction ใช้ประเมินว่าผลกระทบร่วมของปัจจัยสองชนิดมากกว่าผลคูณของผลกระทบแต่ละปัจจัยหรือไม่
โดยทั่วไปจะประเมินจาก regression model เช่น
- Logistic regression
- Poisson regression
- Cox regression
และรายงานผลผ่านตัวชี้วัด เช่น
- Risk Ratio (RR)
- Odds Ratio (OR)
- Prevalence Ratio (PR)
ตัวอย่างแนวคิด
ถ้า
- RR ของ X₁ = 2
- RR ของ X₂ = 3
ผลที่คาดจาก multiplicative model = 2 × 3 = 6
แต่ถ้าผลจริงที่พบคือ RR = 10
แสดงว่ามี positive multiplicative interaction
2. Additive Interaction (ปฏิกิริยาสัมพันธ์แบบบวก)
Additive interaction ประเมินว่าความเสี่ยงสัมบูรณ์ที่เกิดจากปัจจัยสองชนิดรวมกัน มากกว่าผลบวกของความเสี่ยงจากแต่ละปัจจัยหรือไม่
มาตรวัดที่ใช้บ่อยมี 3 ตัว ได้แก่
1️⃣ RERI
Relative Excess Risk due to Interaction
วัดว่าความเสี่ยงส่วนเกินที่เกิดจาก interaction มีเท่าใด
2️⃣ AP
Attributable Proportion
สัดส่วนของความเสี่ยงที่เกิดจาก interaction
3️⃣ SI
Synergy Index
ดัชนีวัดความแรงของการเสริมฤทธิ์
ทำไม Additive Interaction จึงสำคัญต่อสาธารณสุข
ในทาง clinical decision making และ public health policy
นักระบาดวิทยามักให้ความสำคัญกับ additive interaction มากกว่า
เหตุผลคือ
มาตรวัดแบบ additive สามารถตอบคำถามเชิงประชากรได้ เช่น
หากควบคุมปัจจัยเสี่ยงหนึ่งได้ จะสามารถลดจำนวนผู้ป่วยในประชากรได้มากเพียงใด
จึงเกี่ยวข้องโดยตรงกับ
- disease prevention
- resource allocation
- policy planning
Interaction Continuum for Causality
การสรุปว่าปัจจัยสองชนิดมี true synergistic causal effect จำเป็นต้องพิจารณาทั้งสองมิติ
หลักการตีความโดยทั่วไปคือ
กล่าวอีกนัยหนึ่ง
การพิสูจน์ additive interaction เป็นหลักฐานที่เข้มแข็งกว่าสำหรับ causal synergy
อย่างไรก็ตาม การตรวจพบ additive interaction ในงานวิจัยจริงมักทำได้ยาก เพราะต้องใช้ sample size ขนาดใหญ่มาก เพื่อให้มี statistical power เพียงพอ
ความแตกต่างระหว่าง Interaction และ Effect Modification
สองแนวคิดนี้มักถูกสับสน แต่มีความหมายแตกต่างกัน
Interaction
ศึกษาผลกระทบร่วมของ สองปัจจัยสัมผัส
ตัวอย่าง
- สูบบุหรี่
- สัมผัสแร่ใยหิน
ร่วมกันเพิ่มความเสี่ยงมะเร็งปอด
Effect modification
ศึกษาว่าผลของปัจจัยหนึ่ง แตกต่างกันในกลุ่มย่อย (subgroups) หรือไม่
ตัวอย่าง
ผลของยา A ต่อการเสียชีวิต
- ผู้ชาย
- ผู้หญิง
ดังนั้น
สรุป
ปฏิกิริยาสัมพันธ์เชิงสาเหตุเป็นแนวคิดสำคัญในระบาดวิทยาคลินิกที่ช่วยอธิบายว่าปัจจัยเสี่ยงหลายชนิดสามารถทำงานร่วมกันเพื่อเพิ่มความเสี่ยงของโรคได้ การประเมิน interaction จำเป็นต้องพิจารณาทั้ง multiplicative interaction และ additive interaction โดยเฉพาะ additive interaction ซึ่งมีความสำคัญต่อการวางนโยบายสาธารณสุขและการป้องกันโรคในระดับประชากร การทำความเข้าใจความแตกต่างระหว่าง interaction และ effect modification จึงเป็นพื้นฐานสำคัญของการวิเคราะห์ข้อมูลเชิงสาเหตุในงานวิจัยทางการแพทย์