Immortal Time Bias Explained: Time-Dependent Exposure vs Landmark Analysis

Introduction

Immortal time bias arises when a period of time during which an individual must survive (i.e., cannot experience the outcome) is misclassified or improperly handled in the analysis.

🧠 Deep Dive Into the Bias Logic

1. Where It Emerges

• Most common in observational cohort studies evaluating treatment effectiveness.
• Especially occurs when treatment exposure is defined post-baseline.

2. Root Cause

• Follow-up starts at time zero (e.g., diagnosis).
• Treatment assignment is conditional on future survival—you can’t get chemo unless you’re alive to receive it.
• Those who die early are automatically classified as "untreated", even if they might have eventually been treated.

3. Why It’s Biased

• This creates an "immortal period" in the treated group—during which death cannot occur because the patient must survive to be treated.
• The comparison is unfair: you're comparing the survival of treated patients who survived long enough to get treatment vs. all untreated patients (including early deaths).

---

🧠 Immortal Time Bias คืออะไร?

ความหมายแบบเข้าใจง่าย:

เป็นอคติ (bias) ที่เกิดขึ้นเมื่อ “ช่วงเวลาที่ต้องมีชีวิตอยู่” (immortal time) ถูกนับเป็นส่วนหนึ่งของกลุ่มที่ได้รับการรักษา ทั้งที่จริงยังไม่ได้รับการรักษาในช่วงเวลานั้น

ตัวอย่างจากโลกจริง:

• ผู้ป่วยมะเร็งถูกวินิจฉัย (Diagnosis) วันที่ 1
• เริ่มให้เคมีบำบัด (Treatment) วันที่ 20
• หากมีการวิเคราะห์ข้อมูลโดยระบุว่า “คนไข้ที่ได้รับเคมีบำบัดมีอัตรารอดชีวิตสูงกว่า”
• แต่นับวันตั้งแต่ วันวินิจฉัยเป็นต้นไป เป็น “ช่วงเวลาหลังรักษา”
• นั่นหมายความว่า คนไข้ที่เสียชีวิตก่อนวันที่ 20 จะถูกนับเป็น “กลุ่มไม่ได้รับการรักษา”

📌 ปัญหา:กลุ่มที่ได้รับเคมีบำบัด “ต้องรอดชีวิตให้ถึงวันรักษา” → นี่คือช่วง “อมตะ”→ ทำให้ดูเหมือนว่าการรักษาช่วยชีวิต ทั้งที่ความจริงแค่รอดชีวิตพอจะได้รักษา

---

เวลาเริ่มนับ (time zero) สำหรับ ทั้งสองกลุ่ม ต้องเท่ากันเสมอ!

วิธีที่ 1: Time-Dependent Exposure ที่ถูกต้องคืออะไร?

ทุกคนในการศึกษาจะเริ่มนับจากวันวินิจฉัย (Diagnosis day)

แต่...

• ถ้า ยังไม่ได้รับยา → คนนั้นจะถือว่าเป็น “ยังไม่รักษา” ณ เวลานั้น
• ถ้า ได้รับยาแล้ว → ตั้งแต่วันที่เริ่มรับยาเป็นต้นไป คนนั้นจะถูกถือว่าเป็น “ได้รับการรักษา”

🔁 ช่วงเวลาของแต่ละคนถูกแบ่งแบบนี้:

⛔ ไม่มีใครจะถือว่า "รักษาแล้ว" ตั้งแต่วันวินิจฉัย

💡 สรุปแบบเข้าใจง่าย

❌ ผิด (ทำให้เกิด bias):

• กลุ่มได้รับยา: เริ่มนับจากวันได้รับยา
• กลุ่มไม่ได้รับยา: เริ่มนับจากวันวินิจฉัย

✅ ถูก (time-dependent):

• ทุกคนเริ่มนับจากวันวินิจฉัย
• แต่สถานะ “ได้รับการรักษา” จะเปลี่ยนตามเวลา → จาก 0 = ไม่รักษา → 1 = รักษาแล้ว (ถ้าได้รับ)

📈 แนวคิดแบบกราฟเวลา

Time (days) →  0   5   10   15   20   25  30

นาย A          U   U   U    U    T    T   T  (U = Untreated, T = Treated)

นาย B          U   U   U    U    U    U   U

นาย C          U   U   ✝️

• นาย A เริ่มยา วันที่ 20 → เปลี่ยนสถานะเป็น “Treated” ตั้งแต่วันนั้น
• นาย B ไม่ได้รับยาเลย → ตลอดชีวิตเป็น “Untreated”
• นาย C เสียชีวิตก่อนถึงวันรักษา → ถือเป็น “Untreated” ทั้งช่วงชีวิต

🔍 ทำไมมันแฟร์?

เพราะว่า เราให้ทุกคน “โอกาสเท่ากัน” ที่จะได้รับยาและ เราไม่นับเวลาที่เขายังไม่ได้รับยาเป็น “เวลาที่รักษาแล้ว”

ดังนั้น ไม่มี “ช่วงเวลาที่เป็นอมตะ” ถูกบวกเข้าไปผิดๆ ในกลุ่มรักษาอีกต่อไป

✅ สรุป Time-Dependent Exposure

• ทุกคนเริ่มนับจาก “วันวินิจฉัย” เหมือนกัน
• สถานะการรักษา “เปลี่ยนแปลงตามเวลา” ไม่ใช่กำหนดตั้งแต่แรก
• นี่คือแก่นแท้ของ Time-Dependent Exposure Analysis
• วิธีนี้ ป้องกัน Immortal Time Bias ได้อย่างมีประสิทธิภาพ

---

วิธีที่ 2: วิเคราะห์แบบ Landmark Analysis

กำหนด "หมุดเวลา" เช่น วันที่ 30 หลังการวินิจฉัยเลือกเฉพาะคนที่ยังมีชีวิตถึงวันนั้น แล้วจึงดูว่าใครได้รับการรักษาแล้ว ใครยังไม่ได้

• นับระยะเวลารอดชีวิต หลังจาก landmark เท่านั้น
• เปรียบเทียบระหว่าง “รักษาแล้ว” กับ “ยังไม่รักษา” ตั้งแต่หมุดเวลา

ยอดเยี่ยมมากครับที่คุณถามจุดนี้! เพราะ ความต่างระหว่าง Time-Dependent Exposure กับ Landmark Analysis มัน คล้ายกันในผิวเผิน แต่ต่างกันในแก่น — และ timeline จะช่วยให้คุณ “เห็นภาพ” ชัดเจนที่สุด

📊 ภาพ Timeline เปรียบเทียบ

สมมุติว่ามีผู้ป่วย 4 คน และวันวินิจฉัยคือ วันที่ 0 บางคนได้ยาเร็ว บางคนได้ช้า บางคนไม่รอดถึง Landmark (วันที่ 30)

Time (วัน) →         0     10     20     30     40     50     60

นาย A (เริ่มยาเร็ว)     |----TREATED-----------------------> ยังมีชีวิต
นาย B (ได้ยาหลัง 35)  |----------UNTREATED---TREATED-----> ยังมีชีวิต
นาย C (ไม่เคยได้ยา)   |----------------UNTREATED---------> ยังมีชีวิต
นาย D (ตายก่อน 30)   |--------X ตายก่อน Landmark

✅ วิธีที่ 1: Time-Dependent Exposure (แบบเปลี่ยนสถานะ)

• ทุกคน เริ่มนับตั้งแต่วันวินิจฉัย (Day 0)
• แล้วระบบจะ เปลี่ยนสถานะตามเวลา เช่น:

→ ทุกวินาทีถูกนับในแบบ ยืดหยุ่นตามเวลา→ แม่นยำ แต่ซับซ้อน (ต้องใช้ Cox time-varying)

✅ วิธีที่ 2: Landmark Analysis (แบบตัดชัด ณ วันเดียว)

• กำหนดว่า จะเริ่มนับ survival ตั้งแต่ Day 30 เท่านั้น
• เอาเฉพาะคนที่ “ยังไม่ตาย” ณ วันที่ 30
• แล้วดูว่า ตอนวันนั้น ได้ยาแล้วหรือยัง

🔒 หลักการสำคัญของ Landmark Analysis

เมื่อคุณกำหนด "หมุดเวลา" เช่น วันที่ 30:

• คุณจะดูว่า ในวันที่ 30 แต่ละคน “มีสถานะอะไร”
  • ได้รับการรักษาแล้ว? → ใส่กลุ่ม Treated
  • ยังไม่ได้รับการรักษา? → ใส่กลุ่ม Untreated
• แล้วคุณจะ “ล็อกสถานะนั้น” ไว้ตลอดการวิเคราะห์

→ เห็นไหมครับ? แม้ B ได้ยาหลังวันที่ 30 เขาก็ยังนับเป็น "Untreated"→ เพราะ Landmark “ล็อกกลุ่ม” แบบคงที่ ไม่เปลี่ยนตามเวลา

🔍 สรุปความแตกต่างชัด ๆ

🧠 ถ้าให้ง่ายที่สุด

• แบบที่ 1 (Time-Dependent) → ละเอียด เที่ยงตรง เหมือน “กล้องวิดีโอ”
• แบบที่ 2 (Landmark) → ตัด ณ จุดเวลาเดียว เหมือน “ถ่ายภาพนิ่ง”

---

วิธีที่ 3: เปลี่ยน time-zero จุดเริ่มต้นเป็น “วันเริ่มรักษา” (ใช้เฉพาะบางกรณี)

ติดตามผู้ป่วยเฉพาะจากวันที่เริ่มรับยาเท่านั้นไม่เปรียบเทียบกับผู้ที่ไม่ได้รับยาเลย

• เหมาะกับการรายงาน “ผลลัพธ์หลังการรักษา” เท่านั้น เช่น Median Survival After Chemotherapy
• ❌ ไม่สามารถใช้เพื่อเปรียบเทียบกับกลุ่มไม่ได้รับการรักษาได้

🔎 ใช้ได้เมื่อไหร่?

• คุณ ไม่ต้องการเปรียบเทียบ กับกลุ่มที่ ไม่ได้รับการรักษา
• คุณแค่สนใจ:“เมื่อผู้ป่วยเริ่มได้รับยาแล้ว…เขาจะรอดได้นานแค่ไหน?”

🔬 ใช้ในสถานการณ์แบบไหน?

🔥 ข้อดี

• ง่ายสุดในสามวิธี
• ใช้ได้ดีกับรายงาน descriptive เช่น:
  • Kaplan-Meier survival curve
  • Median survival time after treatment

⚠️ ข้อเสีย (สำคัญมาก)

• ❌ ไม่ได้ควบคุม Immortal Time Bias เพราะคุณ คัดเอาเฉพาะคนที่รอดพอจะได้ยา
• ❌ ไม่มี baseline comparison → ไม่รู้ว่ายานั้น “ดีกว่าไม่ได้ให้” จริงหรือไม่
• ❌ ไม่สามารถใช้ infer causality หรือทำ conclusion แบบเชิงเปรียบเทียบได้

📊 เปรียบเทียบกับอีกสองวิธี

🧠 ภาพตัวอย่าง (Timeline)

Time →       0     10     20     30     40     50

นาย A        |------------เริ่มยา------------->
นาย B        |-------------------เริ่มยา------>
นาย C        |--------เสียชีวิตก่อนเริ่มยา (ไม่ถูกรวม)

• คุณจะวิเคราะห์แค่ A และ B เท่านั้น
• เริ่มนับ จากวันที่แต่ละคนได้ยา
• นาย C ❌ ไม่ถูกวิเคราะห์เลย

✅ สรุป  Redefine Time-Zero as Treatment Start

วิธีที่ 3 เหมาะสำหรับคำถามว่า: “หลังจากผู้ป่วยเริ่มได้รับการรักษาแล้ว ผลลัพธ์ของเขาเป็นอย่างไร?” ❌ ไม่เหมาะกับคำถามว่า:“การรักษาดีกว่าไม่รักษาหรือไม่?” เพราะมัน เลือกเฉพาะผู้ที่รอดมาพอจะได้ยา แล้ว