ความบังเอิญ อคติ และปัจจัยกวน: เหตุใดความสัมพันธ์ที่พบจึงยังไม่ใช่ผลของการรักษา

Read the English version

บทคัดย่อ

ความบังเอิญ (chance) อคติ (bias) และปัจจัยกวน (confounding) ทำให้ความสัมพันธ์ที่พบต่างจากผลการรักษาที่ต้องใช้ตัดสินใจทางเศรษฐศาสตร์ เริ่มจากกำหนดประชากร แนวทางรักษา ผลลัพธ์ และระยะติดตาม แล้วใช้กราฟเชิงสาเหตุแสดงลักษณะผู้ป่วยที่อาจมีผลต่อทั้งการรักษาและผลลัพธ์ ตัวอย่างสมมติของเราเปรียบเทียบการเสียชีวิตในผู้ป่วยรุนแรงมากและน้อยภายใต้แต่ละแนวทาง การรักษาดูมีประโยชน์ภายในแต่ละกลุ่ม แต่การรวมทุกคนกลับชี้โทษเพราะกลุ่มรักษามีผู้ป่วยหนักมากกว่า การปรับมาตรฐาน (standardization) ใช้ส่วนผสมความรุนแรงเดียวกันทั้งสองแนวทาง จึงกลับมาตอบการเปรียบเทียบที่ต้องการ ความเสี่ยงสัมบูรณ์ที่ได้เป็นจุดเริ่มคำนวณการเสียชีวิตที่หลีกเลี่ยงได้ก่อนใส่ต้นทุน การปรับยังต้องอาศัยสาเหตุที่วัดได้ ระยะติดตามที่เทียบกันได้ และการทับซ้อนของกลุ่มที่เพียงพอ ช่วงความเชื่อมั่นบอกความไม่แน่นอนจากการสุ่มภายใต้ข้อสมมติ แต่ยืนยันความถูกต้องเชิงสาเหตุไม่ได้ การวิเคราะห์ความไวแบบอาศัยความน่าจะเป็น (probabilistic sensitivity analysis, PSA) ส่งต่อความไม่แน่นอนที่ใส่ให้ และแก้ผลการรักษาที่มีอคติไม่ได้หากไม่มีแบบจำลองอคตินั้นโดยตรง

🔍 คลิกเพื่อขยาย คลิกที่ใดก็ได้เพื่อปิด

เริ่มจากคำถามเชิงสาเหตุ

ถามว่าประชากรที่เข้าเกณฑ์กลุ่มเดียวกันจะเกิดอะไรขึ้นหากใช้แต่ละแนวทางรักษาและติดตามนานเท่ากัน ปริมาณเป้าหมายนี้คือ estimand กำหนดกลุ่มเปรียบเทียบ ผลลัพธ์ และระยะเวลาก่อนเลือกค่าประมาณ อ่านเพิ่มเติมใน [[study-design-estimand-and-effect-measures-th]]

ความบังเอิญคือความแปรผันจากการสุ่มตัวอย่าง ตัวอย่างใหม่จึงให้ค่าประมาณใหม่ ช่วงความเชื่อมั่น (confidence interval) บอกความแม่นยำภายใต้ข้อสมมติ ข้อมูลเพิ่มอาจทำให้แม่นยำขึ้นทั้งที่อคติยังอยู่ ค่า p (p-value) วัดความไม่สอดคล้องกับแบบจำลองสมมติฐานว่าง ไม่ใช่โอกาสที่การรักษาได้ผล

อคติคือความคลาดเคลื่อนเป็นระบบจากการคัดเลือก การวัด หรือการวิเคราะห์ ปัจจัยกวนเป็นแหล่งหนึ่ง โดยสาเหตุร่วมของการรักษาและผลลัพธ์ทำให้การเปรียบเทียบบิดเบือน การวัดที่ดีขึ้นจัดการอคติสารสนเทศ (information bias) ส่วนประชากรที่เทียบกันได้ช่วยจัดการอคติการคัดเลือก (selection bias) การปรับตัวแปรจัดการปัจจัยกวนได้ภายใต้ข้อสมมติที่มีเหตุผลรองรับเท่านั้น

วาดสาเหตุก่อนเลือกตัวแปรปรับ

กราฟเชิงเหตุแบบมีทิศทางและไม่มีวงวน (directed acyclic graph, DAG) แสดงทิศทางสาเหตุที่สมมติโดยไม่มีวงย้อนกลับ ความรุนแรงก่อนรักษามีผลต่อทั้งการสั่งยาและการเสียชีวิต ปัจจัยกวนจากข้อบ่งชี้ (confounding by indication) เกิดเมื่อผู้ป่วยหนักมีโอกาสได้รับการรักษามากกว่า เลือกสาเหตุร่วมจากความรู้ทางคลินิก ไม่ใช่จากค่า p ต่ำ

ตัวแปรส่งผ่าน (mediator) ถ่ายทอดผลการรักษาบางส่วน การปรับอาจตัดผลรวมที่ต้องการออก ตัวแปรชนกัน (collider) เป็นผลร่วมของตัวแปรอื่น การกำหนดเงื่อนไขบนตัวแปรนี้อาจสร้างความสัมพันธ์ขึ้น เลือกตัวแปรปรับตามคำถามเชิงสาเหตุ ไม่ใช่ใส่ทุกค่าที่วัดได้

ดูความสัมพันธ์กลับทิศ

ค่าตั้งต้นสมมติ (illustrative) นี้เป็นจำนวนเสียชีวิตเมื่อสิ้นสุดระยะติดตามเดียวกัน โดยทราบผลลัพธ์ครบถ้วน ผู้ป่วยรุนแรงมากได้รับการรักษามากกว่า การรวมทุกคนจึงเปรียบเทียบส่วนผสมความรุนแรงที่ต่างกัน การปรับมาตรฐาน (standardization) เฉลี่ยแต่ละแนวทางด้วยส่วนผสมเป้าหมายเดียวกัน ซึ่งที่นี่มีผู้ป่วยรุนแรงมากและน้อยอย่างละครึ่ง

เลขคำนวณนี้แยกให้เห็นผลของส่วนผสมดังกล่าว แต่ไม่ได้ยืนยันประสิทธิผลในผู้ป่วยจริง การอ่านเป็นผลเชิงสาเหตุยังต้องไม่มีปัจจัยกวนคงเหลือ ใช้นิยามการรักษาที่สอดคล้อง และมีการติดตามที่เปรียบเทียบกันได้

คำนวณความเสี่ยงที่สังเกตได้

# Writes: stdout only; illustrative deaths at a shared follow-up endpoint.
deaths_t <- c(120, 3)
patients_t <- c(400, 100)
deaths_c <- c(40, 16)
patients_c <- c(100, 400)
risk_t <- c(deaths_t / patients_t, sum(deaths_t) / sum(patients_t))
risk_c <- c(deaths_c / patients_c, sum(deaths_c) / sum(patients_c))
group <- c("Severe", "Mild", "Crude")
for (i in 1:3) cat(group[i], "treated risk:", formatC(100*risk_t[i], 2, format="f"), "%\n")
for (i in 1:3) cat(group[i], "untreated risk:", formatC(100*risk_c[i], 2, format="f"), "%\n")
for (i in 1:3) cat(group[i], "risk ratio:", formatC(risk_t[i]/risk_c[i], 3, format="f"), "\n")

Severe treated risk: 30.00 %
Mild treated risk: 3.00 %
Crude treated risk: 24.60 %
Severe untreated risk: 40.00 %
Mild untreated risk: 4.00 %
Crude untreated risk: 11.20 %
Severe risk ratio: 0.750
Mild risk ratio: 0.750
Crude risk ratio: 2.196

เปรียบเทียบส่วนผสมความรุนแรงเดียวกัน

# Writes: stdout only; illustrative target with equal severe and mild shares.
treated_risks <- c(120/400, 3/100)
untreated_risks <- c(40/100, 16/400)
target_t <- mean(treated_risks)
target_c <- mean(untreated_risks)
reduction <- target_c - target_t
cat("Standardized treated risk:", formatC(100*target_t, 2, format="f"), "%\n")
cat("Standardized untreated risk:", formatC(100*target_c, 2, format="f"), "%\n")
cat("Standardized risk ratio:", formatC(target_t/target_c, 3, format="f"), "\n")
cat("Absolute reduction:", formatC(100*reduction, 2, format="f"), "percentage points\n")

Standardized treated risk: 16.50 %
Standardized untreated risk: 22.00 %
Standardized risk ratio: 0.750
Absolute reduction: 5.50 percentage points

เลือกวิธีปรับให้ตรงประชากรที่ต้องการ

การจำกัดกลุ่ม (restriction) ทำให้ประชากรที่เข้าเกณฑ์แคบลง ส่วนการแบ่งชั้น (stratification) เปรียบเทียบภายในกลุ่มตัวแปรที่วัดได้ การถดถอย (regression) ทำนายความเสี่ยงให้การปรับมาตรฐานนำไปเฉลี่ยในประชากรที่เลือก แต่ละวิธีขึ้นกับสาเหตุที่วัดได้และข้อสมมติแบบจำลองที่เหมาะสม

คะแนนความโน้มเอียง (propensity score) คือความน่าจะเป็นที่จะได้รับการรักษาเมื่อกำหนดลักษณะก่อนรักษาที่วัดได้ การถ่วงน้ำหนักด้วยส่วนกลับความน่าจะเป็นของการรักษา (inverse probability of treatment weighting, IPTW) ใช้ค่านี้ปรับสมดุลลักษณะดังกล่าว การจับคู่ (matching) เลือกผู้ป่วยที่เทียบกันได้ และอาจมุ่งประชากรต่างกัน เลือกวิธีตาม estimand และการทับซ้อนของข้อมูล ไม่ใช่จัดอันดับวิธีแบบตายตัว

การทับซ้อน (overlap) หมายถึงผู้ป่วยที่มีลักษณะคล้ายกันมีโอกาสได้รับทั้งสองแนวทาง น้ำหนักสูงผิดปกติบ่งว่าข้อมูลรองรับการเปรียบเทียบน้อย ตรวจความแตกต่างค่าเฉลี่ยมาตรฐาน (standardized mean difference) ซึ่งเทียบช่องว่างตัวแปรกับการกระจาย แทนค่า p ของการทดสอบสมดุล อ่านวิธีตรวจใน [[propensity-weighting-balance-check-and-model-revision-th]]

จำลองการทดลองก่อนวิเคราะห์เวชระเบียน

การจำลองการทดลองเป้าหมาย (target-trial emulation) กำหนดการทดลองที่ข้อมูลสังเกตควรเลียนแบบ จัดเวลาเข้าเกณฑ์ จัดกลุ่มรักษา และเริ่มติดตามให้ตรงกันที่จุดเริ่มต้นเวลา (time zero) มิฉะนั้นการรอดชีวิตก่อนเริ่มรักษาอาจถูกนับเป็นประโยชน์ของการรักษา

เมื่อแนวทางอนุญาตให้เริ่มรักษาช้า วิธี clone-censor-weight อาจช่วยสร้างการเปรียบเทียบนี้ วิธีนี้สร้างสำเนาประวัติในแนวทางที่สอดคล้อง ยุติติดตามเมื่อการดูแลเบี่ยงจากแนวทาง แล้วถ่วงน้ำหนักชดเชยการยุติติดตาม ยังต้องวัดตัวทำนายและมีข้อสมมติที่ถูกต้อง อ่านการออกแบบนี้ใน [[target-trial-emulation-observational-research]]

นำความเสี่ยงสัมบูรณ์เข้าสู่แบบจำลองเศรษฐศาสตร์

การลดความเสี่ยงหลังปรับมาตรฐาน 5.50 จุดร้อยละเป็นข้อมูลประโยชน์ด้านการตายในประชากรสมมตินี้ คูณการลดความเสี่ยงสัมบูรณ์ด้วยจำนวนประชากรที่รักษาเพื่อประมาณการเสียชีวิตที่หลีกเลี่ยงได้ในระยะเดียวกัน แล้วจึงใส่ต้นทุนและผลด้านการรอดชีวิต การคำนวณปีสุขภาวะ (quality-adjusted life-year) ต้องใช้ระยะเวลารอดชีวิตและค่าของสถานะสุขภาพเพิ่มเติม

การใช้ความสัมพันธ์รวมจะกลับทิศข้อมูลประโยชน์ด้านการตาย แต่ยังระบุผลความคุ้มค่าเต็มรูปแบบไม่ได้หากไม่มีข้อสมมติอื่นของแบบจำลอง อ่านการเปรียบเทียบใน [[icer-dominance-ce-plane-and-thresholds-th]]

วิเคราะห์อคติให้ตรงปัญหา

ปัจจัยกวนคงเหลือ (residual confounding) เกิดจากสาเหตุที่ขาดหาย วัดไม่ดี หรือใส่แบบจำลองผิด การควบคุมเชิงลบ (negative controls) ตรวจความสัมพันธ์ที่ไม่ควรมี แต่อาจร่วมกลไกอคติเดียวกัน ความสัมพันธ์ที่ไม่คาดหมายเตือนว่ามีอคติ แต่ผลที่ไม่พบความสัมพันธ์ไม่ได้ยืนยันว่าไม่มีอคติ

ค่า E (E-value) สรุปความแรงของปัจจัยกวนที่ไม่ได้วัดซึ่งจำเป็นต่อการอธิบายอัตราส่วนความเสี่ยงที่พบทั้งหมด ภายใต้ข้อสมมติที่ระบุ ค่านี้เป็นมาตรวัดความไว ไม่ใช่ผลที่แก้อคติแล้ว ส่วนการวิเคราะห์อคติเชิงปริมาณ (quantitative bias analysis) กำหนดพารามิเตอร์อคติที่เป็นไปได้แล้วคำนวณผลใหม่

PSA ตามปกติส่งต่อความไม่แน่นอนจากการแจกแจงพารามิเตอร์ที่กำหนด รวมความไม่แน่นอนจากการสุ่ม การสุ่มซ้ำรอบค่าประมาณที่มีปัจจัยกวนยังคงมีศูนย์กลางที่ถูกกวนอยู่ เพิ่มพารามิเตอร์อคติโดยตรงได้ แต่ต้องมีหลักฐานและข้อสมมติรองรับต่างหาก ใช้ [[evidence-pyramid-versus-grade-certainty-th]] ประเมินหลักฐานก่อนเลือกค่าตั้งต้น

ลำดับการเรียนในชุดนี้

1. คู่มือชุดบทความเศรษฐศาสตร์สุขภาพ: อ่านหลักฐานก่อนอ่านต้นทุน
2. อุบัติการณ์ ความชุก และตัวหารที่ถูกต้อง: ระบาดวิทยาเบื้องหลังต้นทุนความเจ็บป่วยและแบบจำลองมาร์คอฟ [[incidence-prevalence-and-the-right-denominator-th]]
3. รูปแบบการศึกษา แบบจำลองทางสถิติ และเป้าหมายการประมาณค่า: แต่ละรูปแบบการศึกษาประมาณค่าอะไรได้จริง [[study-design-estimand-and-effect-measures-th]]
4. อัตราส่วนความเสี่ยง อัตราส่วนออดส์ ผลต่างความเสี่ยง และจำนวนที่ต้องรักษา: ตารางสองคูณสองเดียว คำตอบสี่แบบ
5. อัตราส่วนฮาซาร์ดไม่ใช่อัตราส่วนความเสี่ยง: ข้อสมมติความเป็นสัดส่วนของฮาซาร์ด เวลารอดชีพเฉลี่ยแบบจำกัดช่วง และข้อมูลนำเข้าแบบจำลอง
6. ความบังเอิญ อคติ และปัจจัยกวน: เหตุใดความสัมพันธ์ที่พบจึงยังไม่ใช่ผลของการรักษา (บทความนี้)
7. พ้นจากพีระมิดหลักฐาน: ระดับความเชื่อมั่นตามแนวทาง GRADE และการเลือกข้อมูลประสิทธิผลเข้าสู่แบบจำลองทางเศรษฐศาสตร์
8. จากความไวสู่ต้นทุนต่อผู้ป่วยหนึ่งรายที่ตรวจพบ: ค่าทำนายผลบวก ความชุก และเศรษฐศาสตร์ของการคัดกรอง
9. ต้นทุนของใคร ณ ปีใด: มุมมองการวิเคราะห์ ต้นทุนค่าเสียโอกาส การปรับค่าเงินเฟ้อ และการปรับลดค่าตามเวลา
10. ปีสุขภาวะ ปีสุขภาวะที่สูญเสีย และค่าอรรถประโยชน์: เรากำลังวัดอะไรกันแน่
11. อัตราส่วนต้นทุนประสิทธิผลส่วนเพิ่มและระนาบต้นทุนประสิทธิผล: ทางเลือกที่ด้อยกว่า ผลประโยชน์สุทธิ และเกณฑ์ 160,000 บาทต่อปีสุขภาวะ
12. ต้นไม้การตัดสินใจ แบบจำลองมาร์คอฟ และการวิเคราะห์ความไวเชิงความน่าจะเป็น: แบบจำลองแปลงหลักฐานเป็นการตัดสินใจได้อย่างไร
13. คุ้มค่าไม่ได้แปลว่าจ่ายไหว มีประสิทธิภาพไม่ได้แปลว่าเป็นธรรม: ผลกระทบด้านงบประมาณและความเป็นธรรมทางสุขภาพ

อ่านต่อในวิกิ: เมื่อ IPTW แล้วยังไม่ balance: ปรับ model หรือ weights แล้วตรวจ overlap และ balance ซ้ำ · Emulating the Target Trial: A Framework of Strengthening Causal Inference in Observational Research