ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (Causal Interaction) ในระบาดวิทยาคลินิก

บทความ: ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (Causal Interaction) ในระบาดวิทยาคลินิก

ในงานวิจัยทางระบาดวิทยาคลินิก เรามักสนใจว่าปัจจัยเสี่ยงหนึ่งส่งผลต่อการเกิดโรคอย่างไร แต่ในความเป็นจริง ผู้ป่วยมักไม่ได้มีปัจจัยเสี่ยงเพียงอย่างเดียว ปัจจัยหลายชนิดสามารถเกิดร่วมกันและส่งผลต่อผลลัพธ์ทางสุขภาพพร้อมกันได้ ปรากฏการณ์ที่ผลกระทบของปัจจัยสองชนิดรวมกันแล้วให้ผลลัพธ์แตกต่างจากสิ่งที่คาดจากผลของแต่ละปัจจัยอย่างอิสระ เรียกว่า ปฏิกิริยาสัมพันธ์เชิงสาเหตุ (causal interaction)

แนวคิดนี้เป็นส่วนสำคัญของ causal inference ในระบาดวิทยา เพราะช่วยอธิบายว่าโรคหรือผลลัพธ์ทางสุขภาพจำนวนมากไม่ได้เกิดจากปัจจัยเดียว แต่เกิดจาก การทำงานร่วมกันของหลายปัจจัย (joint effect) ซึ่งบางครั้งอาจทำให้ความเสี่ยงเพิ่มขึ้นมากกว่าที่คาดการณ์ไว้จากผลของแต่ละปัจจัยแยกกัน

---

ความหมายของ Causal Interaction

Causal interaction คือสถานการณ์ที่ปัจจัยเสี่ยงสองชนิด (เช่น X₁ และ X₂) ส่งผลต่อผลลัพธ์ (Y) ร่วมกันในลักษณะที่ไม่สามารถอธิบายได้ด้วยการรวมผลของแต่ละปัจจัยอย่างอิสระ

ตัวอย่างเช่น

• โรคเบาหวาน (X₁)

• ความดันโลหิตสูง (X₂)

อาจร่วมกันเพิ่มความเสี่ยงของโรคหลอดเลือดสมอง (Y) มากกว่าที่คาดจากผลของแต่ละโรคเพียงอย่างเดียว

ในเชิงระบาดวิทยา เราจึงต้องประเมิน joint effect ของปัจจัยเสี่ยง ไม่ใช่เพียงผลกระทบแบบเดี่ยว (individual effect) เท่านั้น

---

มาตรวัดของ Interaction ในระบาดวิทยา

นักระบาดวิทยามักประเมินปฏิกิริยาสัมพันธ์ทางสถิติผ่าน สองมิติหลัก

1️⃣ Multiplicative interaction 2️⃣ Additive interaction

ทั้งสองแบบสะท้อนมุมมองที่แตกต่างกันของผลกระทบร่วมของปัจจัยเสี่ยง

---

1. Multiplicative Interaction (ปฏิกิริยาสัมพันธ์แบบคูณ)

Multiplicative interaction ใช้ประเมินว่าผลกระทบร่วมของปัจจัยสองชนิดมากกว่าผลคูณของผลกระทบแต่ละปัจจัยหรือไม่

โดยทั่วไปจะประเมินจาก regression model เช่น

• Logistic regression

• Poisson regression

• Cox regression

และรายงานผลผ่านตัวชี้วัด เช่น

• Risk Ratio (RR)

• Odds Ratio (OR)

• Prevalence Ratio (PR)

ตัวอย่างแนวคิด

ถ้า

• RR ของ X₁ = 2

• RR ของ X₂ = 3

ผลที่คาดจาก multiplicative model = 2 × 3 = 6

แต่ถ้าผลจริงที่พบคือ RR = 10

แสดงว่ามี positive multiplicative interaction

---

2. Additive Interaction (ปฏิกิริยาสัมพันธ์แบบบวก)

Additive interaction ประเมินว่าความเสี่ยงสัมบูรณ์ที่เกิดจากปัจจัยสองชนิดรวมกัน มากกว่าผลบวกของความเสี่ยงจากแต่ละปัจจัยหรือไม่

มาตรวัดที่ใช้บ่อยมี 3 ตัว ได้แก่

1️⃣ RERI

Relative Excess Risk due to Interaction

วัดว่าความเสี่ยงส่วนเกินที่เกิดจาก interaction มีเท่าใด

2️⃣ AP

Attributable Proportion

สัดส่วนของความเสี่ยงที่เกิดจาก interaction

3️⃣ SI

Synergy Index

ดัชนีวัดความแรงของการเสริมฤทธิ์

---

ทำไม Additive Interaction จึงสำคัญต่อสาธารณสุข

ในทาง clinical decision making และ public health policy

นักระบาดวิทยามักให้ความสำคัญกับ additive interaction มากกว่า

เหตุผลคือ

มาตรวัดแบบ additive สามารถตอบคำถามเชิงประชากรได้ เช่น

หากควบคุมปัจจัยเสี่ยงหนึ่งได้ จะสามารถลดจำนวนผู้ป่วยในประชากรได้มากเพียงใด

จึงเกี่ยวข้องโดยตรงกับ

• disease prevention

• resource allocation

• policy planning

---

Interaction Continuum for Causality

การสรุปว่าปัจจัยสองชนิดมี true synergistic causal effect จำเป็นต้องพิจารณาทั้งสองมิติ

หลักการตีความโดยทั่วไปคือ

กล่าวอีกนัยหนึ่ง

การพิสูจน์ additive interaction เป็นหลักฐานที่เข้มแข็งกว่าสำหรับ causal synergy

อย่างไรก็ตาม การตรวจพบ additive interaction ในงานวิจัยจริงมักทำได้ยาก เพราะต้องใช้ sample size ขนาดใหญ่มาก เพื่อให้มี statistical power เพียงพอ

---

ความแตกต่างระหว่าง Interaction และ Effect Modification

สองแนวคิดนี้มักถูกสับสน แต่มีความหมายแตกต่างกัน

Interaction

ศึกษาผลกระทบร่วมของ สองปัจจัยสัมผัส

ตัวอย่าง

• สูบบุหรี่

• สัมผัสแร่ใยหิน

ร่วมกันเพิ่มความเสี่ยงมะเร็งปอด

---

Effect modification

ศึกษาว่าผลของปัจจัยหนึ่ง แตกต่างกันในกลุ่มย่อย (subgroups) หรือไม่

ตัวอย่าง

ผลของยา A ต่อการเสียชีวิต

• ผู้ชาย

• ผู้หญิง

ดังนั้น

---

สรุป

ปฏิกิริยาสัมพันธ์เชิงสาเหตุเป็นแนวคิดสำคัญในระบาดวิทยาคลินิกที่ช่วยอธิบายว่าปัจจัยเสี่ยงหลายชนิดสามารถทำงานร่วมกันเพื่อเพิ่มความเสี่ยงของโรคได้ การประเมิน interaction จำเป็นต้องพิจารณาทั้ง multiplicative interaction และ additive interaction โดยเฉพาะ additive interaction ซึ่งมีความสำคัญต่อการวางนโยบายสาธารณสุขและการป้องกันโรคในระดับประชากร การทำความเข้าใจความแตกต่างระหว่าง interaction และ effect modification จึงเป็นพื้นฐานสำคัญของการวิเคราะห์ข้อมูลเชิงสาเหตุในงานวิจัยทางการแพทย์