ทำความเข้าใจ BRAVE: โครงสร้างหลักของการคำนวณขนาดตัวอย่าง

Mayta
10 ชั่วโมงที่ผ่านมา
ยาว 2 นาที

ในการวิจัยทางคลินิก คำถามที่พบบ่อยที่สุดข้อหนึ่งคือ ต้องใช้ผู้เข้าร่วมกี่คน คำตอบมักไม่ใช่ตัวเลขตายตัวเพียงค่าเดียว แต่เป็นผลจากการคำนวณที่ขึ้นกับ วัตถุประสงค์หลักของการวิจัย โดยเฉพาะในงานวิจัยเชิงเปรียบเทียบ กรอบแนวคิดสำคัญที่ใช้กำกับการคำนวณนี้สามารถสรุปได้ด้วยคำย่อว่า BRAVE

BRAVE คืออะไร

BRAVE แทนองค์ประกอบทางสถิติ 5 ประการที่ใช้ในการประมาณขนาดตัวอย่างสำหรับการศึกษาที่เปรียบเทียบระหว่างกลุ่มหรือทดสอบสมมติฐาน

B — Beta / Power

Beta คือความน่าจะเป็นของ ความผิดพลาดประเภทที่ 2 กล่าวคือ การศึกษาไม่สามารถตรวจพบความแตกต่างที่มีอยู่จริงได้ ส่วน Power คำนวณจาก

โดยทั่วไป งานวิจัยทางคลินิกมักกำหนด power ที่ 80% หรือ 90%

R — Ratio

Ratio คือสัดส่วนการจัดสรรผู้เข้าร่วมระหว่างกลุ่ม เช่น 1:1 หรือ 1:2 หากมีกลุ่มใดกลุ่มหนึ่งรับสมัครยากกว่า อาจเลือกใช้อัตราส่วนไม่เท่ากันได้ แต่การจัดสรรแบบไม่เท่ากันมักทำให้ต้องใช้ ขนาดตัวอย่างรวมมากขึ้น เพื่อคง power เดิมไว้

A — Alpha

Alpha คือความน่าจะเป็นของ ความผิดพลาดประเภทที่ 1 กล่าวคือ สรุปว่ามีความแตกต่างทั้งที่ในความเป็นจริงไม่มี โดยทั่วไปในงานวิจัยทางคลินิกมักกำหนด alpha ที่ 0.05 สำหรับการทดสอบแบบสองด้าน

V — Variability

Variability คือระดับความแปรปรวนที่คาดว่าจะพบในผลลัพธ์ มักแสดงด้วย ส่วนเบี่ยงเบนมาตรฐาน (SD) หรือความแปรปรวนในกรณีผลลัพธ์ต่อเนื่อง ยิ่งข้อมูลมีความแปรปรวนมาก ก็ยิ่งตรวจพบความแตกต่างที่แท้จริงได้ยาก และจึงต้องใช้ ขนาดตัวอย่างมากขึ้น

E — Effect Size

Effect size คือ ขนาดความแตกต่างขั้นต่ำที่มีความหมายทางคลินิก ซึ่งผู้วิจัยต้องการให้การศึกษาตรวจพบ ยิ่ง effect size ที่คาดหวังมีขนาดเล็ก ก็ยิ่งต้องใช้จำนวนผู้เข้าร่วมมากขึ้น

BRAVE ในกลยุทธ์การวิเคราะห์แต่ละแบบ

แม้ BRAVE จะเป็นกรอบหลักสำหรับงานวิจัยที่ทดสอบสมมติฐาน แต่บทบาทของมันจะแตกต่างกันไปตามวัตถุประสงค์ของงานวิจัย ว่าเป็นแบบ เชิงพรรณนา เชิงเปรียบเทียบ หรือเชิงพยากรณ์

1. กลยุทธ์เชิงพรรณนา: เน้นความแม่นยำ

สำหรับวัตถุประสงค์เชิงพรรณนา เช่น การประมาณความชุก อุบัติการณ์ หรือค่าเฉลี่ย เป้าหมาย ไม่ใช่ การทดสอบสมมติฐาน แต่เป็นการประมาณค่าพารามิเตอร์ให้มีความแม่นยำเพียงพอ

สิ่งที่ใช้

นักวิจัยจะทำ precision analysis แทน power analysis แบบดั้งเดิม

องค์ประกอบสำคัญ

การคำนวณมักอาศัย

ระดับความเชื่อมั่น
ความแปรปรวนที่คาดไว้
ค่าความคลาดเคลื่อนที่ยอมรับได้ (margin of error)

สิ่งที่ไม่มี

จะไม่มี beta/power และไม่มี ratio ระหว่างกลุ่ม เพราะไม่มีการเปรียบเทียบระหว่างกลุ่ม

ในบริบทนี้ แนวคิดของ “E” ไม่ได้หมายถึง effect size ระหว่างกลุ่ม แต่ใกล้เคียงกับ ระดับความแม่นยำที่ต้องการ

2. กลยุทธ์เชิงเปรียบเทียบ: สำรวจ กับ อธิบาย

นี่คือบริบทหลักที่ใช้ BRAVE ครบทั้งกรอบ อย่างไรก็ตาม ความหมายของ effect size จะต่างกันตามชนิดของคำถามเชิงเปรียบเทียบ

การวิจัยเชิงอธิบาย (Explanatory / Causal)

เป้าหมายคือการตรวจสอบว่าการสัมผัสหรือการรักษา ก่อให้เกิด ผลลัพธ์หรือไม่ ในกรณีนี้ effect size ควรอิงจาก

วรรณกรรมเชิงสาเหตุที่มีมาก่อน
ข้อมูลนำร่อง
ความแตกต่างขั้นต่ำที่มีความหมายทางคลินิก (MCID)

ในบริบทนี้ BRAVE ถูกใช้ในรูปแบบมาตรฐาน เพื่อให้แน่ใจว่าการศึกษามี power เพียงพอในการตรวจพบผลที่มีความหมายทางคลินิก

การวิจัยเชิงสำรวจ (Exploratory)

เป้าหมายคือค้นหาว่ามีปัจจัยใดบ้างที่อาจสัมพันธ์กับผลลัพธ์ ในบริบทนี้ นักวิจัยมักไม่ได้มุ่ง power สำหรับตัวแปรใดตัวแปรหนึ่งเพียงตัวเดียว แต่จะเน้นให้ขนาดตัวอย่างมากพอสำหรับ

การประมาณค่าที่เสถียร
การวิเคราะห์พหุตัวแปร
การสำรวจตัวแปรที่เป็นไปได้หลายตัว

ดังนั้น BRAVE อาจยังมีบทบาทอยู่ แต่ข้อพิจารณาด้านความเป็นไปได้และความเสถียรของแบบจำลองมักสำคัญพอๆ กัน

3. กลยุทธ์เชิงพยากรณ์: เลยไปไกลกว่า BRAVE

งานวิจัยเชิงพยากรณ์ เช่น การพัฒนา clinical prediction model ใช้ตรรกะอีกแบบหนึ่ง เป้าหมายไม่ใช่การทดสอบว่าตัวแปรหนึ่งแตกต่างกันระหว่างกลุ่มหรือไม่ แต่เป็นการสร้างแบบจำลองที่ทำงานได้ดีใน ผู้ป่วยรายใหม่

BRAVE ไม่ใช่กรอบหลัก

แนวทางสมัยใหม่ ไม่แนะนำ ให้พึ่ง power analysis, p-value หรือ BRAVE เพียงอย่างเดียวในการศึกษาด้าน prediction

สิ่งที่ใช้แทน

ขนาดตัวอย่างจะถูกกำหนดโดย performance analysis โดยคำนึงถึง

จำนวนตัวแปรทำนาย
จำนวนเหตุการณ์ของผลลัพธ์
ความซับซ้อนของแบบจำลอง
สมรรถนะที่คาดหวังของแบบจำลอง
calibration และ shrinkage
ความเสี่ยงของ overfitting

กฎเก่าอย่าง 10 events per variable (EPV) ยังถูกใช้เป็นแนวทางคร่าวๆ อยู่บ้าง แต่แนวทางสมัยใหม่มักแนะนำวิธีแบบ model-based เช่นเกณฑ์ของ Riley และคณะ เพราะช่วยควบคุม prediction error และ optimism ได้ดีกว่า

ในงานวิจัยเชิงพยากรณ์ คำถามสำคัญจึงไม่ใช่ “ฉันจะตรวจพบความแตกต่างอย่างมีนัยสำคัญได้ไหม” แต่คือ “ฉันจะสร้างแบบจำลองที่ทำงานได้อย่างเชื่อถือได้ในผู้ป่วยอนาคตหรือไม่”

ตารางสรุป

ใจความสำคัญ

ขนาดตัวอย่างที่มีเหตุผลรองรับได้ ต้องเริ่มจากความเข้าใจที่ชัดเจนว่า วัตถุประสงค์หลักของการศึกษาคืออะไร

หากเป้าหมายคือ การพรรณนา ให้เน้น precision
หากเป้าหมายคือ การเปรียบเทียบ ให้ใช้ BRAVE
หากเป้าหมายคือ การพยากรณ์ ให้เน้น performance

สรุปให้สั้นที่สุดคือ

งานวิจัยเชิงพรรณนาต้องการความแม่นยำ งานวิจัยเชิงเปรียบเทียบต้อง BRAVE และงานวิจัยเชิงพยากรณ์ต้องวางแผนจากสมรรถนะของแบบจำลอง