แบบการสุ่มตัวอย่างภาคตัดขวางเชิงอุปมา: การสุ่มแบบประชากร แบบ cohort และแบบ case-control สำหรับ exposure หายากกับ outcome หายาก

Read the English version

บทคัดย่อ

การศึกษาแบบ cross-sectional วัด predictor และ outcome ภายในช่วงเวลาเดียวกัน แต่ sampling gate เปลี่ยนว่าค่าใดยังคงประมาณได้โดยตรง บทความนี้ใช้ analogue 3 แบบเป็นกรอบการสอน ไม่ใช่อนุกรมชื่อ design มาตรฐาน แบบ population-analogue ไม่มีการตั้งใจคัดตาม X หรือ Y แบบ cohort-analogue เพิ่มสัดส่วน X ที่หายาก เมื่อสุ่มแบบสุ่มภายใน X strata ค่า Y given X ยังคงประมาณได้โดยตรง รวมถึง risk เมื่อ Y เป็น incident event ในช่วงเวลาที่กำหนดและทุกคนยังเสี่ยงเมื่อเริ่มช่วงนั้น แต่ raw X prevalence จะเปลี่ยน แบบ case-control-analogue เพิ่มสัดส่วน Y ที่หายาก การสุ่มแบบสุ่มภายใน Y strata รักษา X given Y แต่ raw Y prevalence และ predictive values ถูกกำหนดโดย design ค่าจากยอดรวมที่ปรับมาตรฐานกลับสู่ประชากรต้องรู้ sampling fractions ใช้ weights ที่ถูกต้อง และระบุสมมติฐานของ target population ให้ชัดเจน กฎใช้งานคือระบุ gate บอก conditional distribution ที่ตัวอย่างยังรักษา กำหนดช่วงเวลาของ risk และบอก denominator ที่แต่ละกลุ่มตัวอย่างเป็นตัวแทนก่อนคำนวณ

ประตูการสุ่มตัวอย่างภาคตัดขวาง 3 แบบ ได้แก่ ไม่ตั้งประตู เพิ่มกลุ่มตาม exposure และเพิ่มกลุ่มตาม outcome — ชื่อ analogue ทั้ง 3 แบบบอกตำแหน่งที่เกิดการสุ่ม และเป็นกรอบการสอน ไม่ใช่อนุกรมชื่อมาตรฐาน

เริ่มตรงนี้: อะไรพบได้น้อย?

analogue ทั้ง 3 แบบเป็นแผนที่เพื่อการสอน ไม่ใช่ชื่อ design มาตรฐานในวรรณกรรมระเบียบวิธี

เมื่อไม่ได้ตั้งใจเพิ่มสัดส่วนทั้ง exposure และ outcome ให้เรียกตัวอย่างว่า population-analogue เมื่อ exposure หายาก การเก็บผู้มี exposure มากขึ้นเป็น cohort-analogue เมื่อ outcome หายาก การเก็บผู้มี outcome มากขึ้นเป็น case-control-analogue

ประตูเปลี่ยน denominator

sampling gate คือกฎด้านสิทธิ์และการคัดเลือกที่กำหนดว่าใครเข้าสู่ analytic sample ได้ sampling fraction คือสัดส่วนที่ถูกเลือกจากแต่ละกลุ่มที่มีสิทธิ์ estimand คือค่าระดับประชากรที่การศึกษาต้องการทราบ ส่วน estimator คือกฎหรือวิธีคำนวณที่ใช้ข้อมูลตัวอย่างเพื่อประมาณค่านั้น transportability คือความสมเหตุผลของการนำค่าประมาณไปใช้กับ target population ที่ระบุ

การเพิ่มบางกลุ่มโดยตั้งใจเปลี่ยนยอดรวมของตัวอย่าง ดังนั้น prevalence และค่าจากยอดรวมที่คำนวณตรง ๆ จึงเป็นของตัวอย่าง ค่าจะกลับไปแทน target population หรือประชากรเป้าหมายได้เมื่อใช้ weighting ที่ถูกต้องและมีสมมติฐานชัดเจน

แผนการสุ่มเชิงอุปมา 3 แบบ

ประสิทธิภาพและการกู้ค่าประชากรขึ้นกับความน่าจะเป็นในการถูกเลือกที่ทราบค่า และ target population
ชื่อเพื่อการสอน	ประตูการสุ่ม	เป้าหมายด้านประสิทธิภาพ	ค่าที่ต้องใช้ weighting
Population-analogue	ไม่ตั้งใจคัดตาม X หรือ Y	เป็นตัวแทนในวงกว้าง	ใช้ design weights หากความน่าจะเป็นในการถูกเลือกยังต่างกัน
Cohort-analogue	เพิ่ม X ที่หายาก	ได้ผู้มี exposure มากขึ้น	exposure prevalence และยอดรวมระดับประชากร
Case-control-analogue	เพิ่ม Y ที่หายาก	ได้ผู้มี outcome มากขึ้น	outcome prevalence และ predictive values; risk ใช้ได้เมื่อกำหนด cumulative-incidence outcome ชัดเจน

ค่าใดอาจยังคงอยู่หลังการคัดเลือก?

ค่าที่มีเงื่อนไขอาจยังคงอยู่ เมื่อการคัดเลือกเป็นแบบสุ่มภายในทุก stratum ที่ใช้กำหนดเงื่อนไข และการวัดต้องครบถ้วนและเทียบกันได้ภายใน strata เหล่านั้น

คุณสมบัตินี้มาจากกลไกการคัดเลือก ชื่อ analogue เพียงอย่างเดียวไม่ได้พิสูจน์อะไร ให้เขียน sampling fractions และสมมติฐานของ target population ไว้ข้างตาราง 2 by 2

ย้ายประตูระหว่างไม่ตั้งประตู X และ Y แล้วสังเกตยอดรวมของตัวอย่างที่เปลี่ยน แม้ประชากรต้นทางคงเดิม

ข้อผิดพลาดในการตีความที่พบบ่อย

ถือว่า analogue เป็นอนุกรมชื่อทางการ

ชื่อเหล่านี้ใช้จัดบทเรียน วรรณกรรมระเบียบวิธีอาจใช้ชื่ออื่น

วิธีแก้: อธิบายกฎการสุ่มจริงต่อจากชื่อเพื่อการสอน
รายงาน prevalence จากตัวอย่างที่ถูกเพิ่มบางกลุ่ม

prevalence ที่สังเกตได้สะท้อนยอดรวมของตัวอย่างที่ออกแบบไว้

วิธีแก้: ใช้ sampling fractions ที่ทราบค่าและ weights ที่เหมาะกับ target population ที่ระบุ
คิดว่าประสิทธิภาพกำจัด bias

จำนวนกลุ่มหายากที่มากขึ้นเพิ่ม precision ได้เมื่อแผนคัดเลือกและวิเคราะห์ถูกต้อง

วิธีแก้: ระบุความน่าจะเป็นในการคัดเลือก กฎการวัด และสมมติฐานของ target population

เอกสารอ้างอิง

Rutjes AWS, Reitsma JB, Vandenbroucke JP, Glas AS, Bossuyt PMM. Case-control and two-gate designs in diagnostic accuracy studies. Clinical Chemistry 2005;51:1335 to 1341. https://doi.org/10.1373/clinchem.2005.048595
Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open 2016;6:e012799. https://doi.org/10.1136/bmjopen-2016-012799
Kohn MA. Studies of diagnostic test accuracy: partial verification bias and test result-based sampling. Journal of Clinical Epidemiology 2022;145:179 to 182. https://doi.org/10.1016/j.jclinepi.2022.01.022

ประเด็นสำคัญ

ใช้ analogue ทั้ง 3 แบบเป็นกรอบการสอน แล้วอธิบายกฎการสุ่มจริง
ถามว่า exposure, outcome หรือไม่มีสิ่งใดถูกเพิ่มสัดส่วนโดยตั้งใจ
การเพิ่มกลุ่มหายากช่วยเพิ่มประสิทธิภาพ แต่เปลี่ยนยอดรวมของตัวอย่าง
prevalence และค่าจากยอดรวมที่คำนวณตรง ๆ ต้องอาศัย sampling fractions และ weighting ที่ถูกต้อง
ระบุ target population และ denominator ที่แต่ละกลุ่มตัวอย่างเป็นตัวแทน

อ่านต่อในวิกิ: [[balanced-vs-imbalanced-diagnostic-th]] [[nested-case-control-design-th]]