Causal Interaction ในระบาดวิทยาคลินิก: Additive Interaction, RERI, AP และ Synergy Index

บทนำ

ในระบาดวิทยาคลินิก โรคส่วนใหญ่ไม่ได้เกิดจากปัจจัยเสี่ยงเพียงอย่างเดียว แต่เกิดจากการทำงานร่วมกันของหลายปัจจัย การทำความเข้าใจว่าปัจจัยเหล่านี้มีปฏิสัมพันธ์กันอย่างไรจึงมีความสำคัญต่อการอธิบายกลไกของโรคและการออกแบบมาตรการป้องกันที่มีประสิทธิภาพ

Causal interaction หมายถึงสถานการณ์ที่การสัมผัสสองชนิดร่วมกันส่งผลต่อผลลัพธ์แตกต่างจากที่คาดว่าจะเกิดขึ้นเมื่อพิจารณาผลของแต่ละปัจจัยแยกกัน แนวคิดนี้เป็นหัวใจสำคัญของ causal inference ซึ่งมุ่งแยกแยะว่าความสัมพันธ์ที่พบเป็นผลเชิงสาเหตุจริง หรือเกิดจาก confounding, bias หรือความบังเอิญ

กรอบแนวคิดสามารถเขียนได้ดังนี้

โดย X1 และ X2 คือปัจจัยสัมผัส และ X1×X2 คือผลร่วมของทั้งสองปัจจัย

---

ความหมายของ Causal Interaction

Causal interaction เกิดขึ้นเมื่อผลร่วมของสองปัจจัยไม่สามารถอธิบายได้ด้วยการรวมผลของแต่ละปัจจัยแบบง่าย

ตัวอย่างเช่น

• X1 : การสูบบุหรี่

• X2 : มลพิษทางอากาศ

• Y : โรคปอด

หากความเสี่ยงของโรคปอดในผู้ที่สัมผัสทั้งสองปัจจัยสูงกว่าที่คาดจากแต่ละปัจจัยเพียงอย่างเดียว แสดงว่ามี interaction เกิดขึ้น ซึ่งสะท้อนการทำงานร่วมกันของปัจจัยก่อโรค

---

ระดับของการวิเคราะห์ Interaction

Interaction สามารถประเมินได้ 2 ระดับ ได้แก่ multiplicative interaction และ additive interaction

Multiplicative Interaction

เป็นการประเมินว่าผลร่วมของสองปัจจัยแตกต่างจากผลคูณของผลแต่ละปัจจัยหรือไม่ โดยมักประเมินผ่านแบบจำลองทางสถิติ เช่น logistic regression, Poisson regression หรือ Cox regression โดยใช้ interaction term

แม้วิธีนี้จะใช้กันทั่วไป แต่สะท้อนความสัมพันธ์เชิงสถิติมากกว่าความหมายเชิงชีววิทยา

---

Additive Interaction

เป็นการประเมินว่าผลร่วมของสองปัจจัยมากกว่าผลรวมของผลแต่ละปัจจัยหรือไม่ ซึ่งมีความสำคัญต่อการตัดสินใจทางคลินิกและสาธารณสุข เพราะแสดงถึงความเสี่ยงส่วนเกินที่เกิดจากการสัมผัสร่วม

แนวคิดนี้ช่วยตอบคำถาม เช่น

• การลดปัจจัยหนึ่งจะลดจำนวนผู้ป่วยได้เท่าใด

• ปัจจัยใดร่วมกันก่อให้เกิดภาระโรคมากที่สุด

---

ตัวชี้วัดของ Additive Interaction

การวัด additive interaction นิยมใช้ 3 ตัวชี้วัด ได้แก่

1. Relative Excess Risk due to Interaction (RERI)

แสดงความเสี่ยงส่วนเกินที่เกิดจาก interaction โดยเฉพาะ

• RERI > 0 แสดงถึง synergy

• RERI = 0 ไม่มี interaction

• RERI < 0 เป็น antagonism

---

2. Attributable Proportion (AP)

แสดงสัดส่วนของโรคในกลุ่มที่สัมผัสทั้งสองปัจจัยที่เกิดจาก interaction

---

3. Synergy Index (SI)

ใช้วัดความแรงของ interaction

• SI > 1 มี synergy

• SI = 1 ไม่มี interaction

• SI < 1 มี antagonism

---

ตัวอย่างประกอบ

คำนวณได้ดังนี้

• RERI = 6 - 2 - 2 + 1 = 3

• AP = 3 / 6 = 0.5

• SI = 2.5

ผลลัพธ์แสดงถึง positive additive interaction โดยครึ่งหนึ่งของความเสี่ยงในกลุ่มที่สัมผัสทั้งสองปัจจัยเกิดจาก interaction

---

Interaction กับ Effect Modification

ควรแยกความแตกต่างระหว่าง interaction และ effect modification

• Interaction เป็นผลร่วมของสองปัจจัยต่อผลลัพธ์

• Effect modification เป็นการที่ผลของปัจจัยหนึ่งแตกต่างกันในแต่ละกลุ่มของอีกตัวแปรหนึ่ง

ตัวอย่าง

• การสูบบุหรี่ร่วมกับ asbestos เพิ่มความเสี่ยงมะเร็งปอด เป็น interaction

• ยามีผลต่างกันในเพศชายและหญิง เป็น effect modification

---

การตีความและข้อจำกัด

แม้ว่าตัวชี้วัด เช่น RERI, AP และ SI จะช่วยบ่งชี้ synergy แต่การตีความเชิงสาเหตุต้องอาศัยเงื่อนไขสำคัญ ได้แก่

• ความสัมพันธ์เชิงเวลา (temporality)

• การควบคุม confounding อย่างเหมาะสม

• การออกแบบการศึกษา เช่น cohort study

หากเงื่อนไขเหล่านี้ไม่ครบ ผลที่ได้อาจสะท้อนเพียงความสัมพันธ์ ไม่ใช่เหตุและผล

---

สรุป

Causal interaction เป็นแนวคิดสำคัญที่ช่วยอธิบายว่าปัจจัยหลายชนิดทำงานร่วมกันอย่างไรในการก่อโรค การประเมินทั้ง multiplicative และ additive interaction ช่วยให้เข้าใจภาพรวมของความสัมพันธ์ แต่ additive interaction มีความสำคัญมากกว่าในเชิงคลินิกและสาธารณสุข เพราะสะท้อนความเสี่ยงส่วนเกินจากการสัมผัสร่วม

ตัวชี้วัดอย่าง RERI, AP และ SI เป็นเครื่องมือสำคัญในการประเมิน interaction อย่างไรก็ตาม การตีความต้องพิจารณาความถูกต้องของการออกแบบการศึกษาและการควบคุมตัวแปรกวนอย่างรอบคอบ

---

ประเด็นสำคัญ

• Causal interaction คือผลร่วมของปัจจัยต่อโรค

• Additive interaction มีความสำคัญเชิงคลินิก

• RERI วัดความเสี่ยงส่วนเกิน

• AP วัดสัดส่วนที่เกิดจาก interaction

• SI วัดความแรงของ synergy

• การตีความต้องอาศัยการออกแบบการศึกษาที่เหมาะสม