Pawin's Clinical Epidemiology Blog

Funnel Plots ใน Meta-Analysis

2011-07-23T20:14:00.001+07:00

พอดีได้มีโอกาสอ่านรีวิวของ Funnel Plots ในวารสาร BMJ ฉบับล่าสุด เขียนโดย Jonathan A C Sterne ผมคิดว่ามีประโยชน์ก็เลยมาเขียนเล่าสู่กันฟังครับ

Funnel Plot คืออะไร

Funnel Plot ชื่อนี้ได้มาจากหน้าตาของกราฟที่มีลักษณะเป็นคล้ายกรวยครับ เกริ่นก่อนก็คือว่าโดยปกติเวลาเราทำ Meta-analysis เรามักจะกังวลกันว่า Study ที่นำมารวมกันนั้นมันมี Bias ไปทางไหนหรือเปล่า หรือว่าเราเอาแต่ Study ที่เอนเองไปทางใดทางหนึ่งมา Meta-analyze รวมกัน จึงเกิดกราฟที่พล็อตขึ้นมา ระหว่าง "ขนาดของ Study" และ "ผลลัพธ์ของ Study" ครับ

ขนาดของ Study นั้นเราจะดูจากค่าที่เรียกว่า Standard Error ของผลลัพธ์ที่ได้ สำหรับใครที่ยังไม่รู้ เจ้า Standard Error นี่เป็นตัวบอกความคลาดเคลื่อนของผลลัพธ์ของ Study ที่ได้จาก Sample (กลุ่มที่เลือกมาศึกษา) เมื่อเทียบกลับไปเป็น Population (ประชากรทั้งหมดทั้งปวง) เช่นผมศึกษาค่าเฉลี่ยระดับน้ำตาลของคนไทยจำนวน 20 คน ผมย่อมจะได้ค่าจาก 20 คนนี้เท่านั้น ซึ่งอาจตรงหรือไม่ตรงกับค่าเฉลี่ยของคนที่เป็นเบาหวานทั้งหมด (Population) ก็ได้ ยิ่งถ้าผมศึกษาคนจำนวนมากขึ้นเท่าไหร่ ค่า Standard Error นี้ก็ยิ่งมีค่าน้อยลงเป็นส่วนกลับกันครับ โดยมากเราจะมีสูตรว่า SE = s / sqrt(n) โดยที่ s = SD ครับ
ผลลัพธ์ของ Study ที่ได้ ที่เรียกกันว่า Effect Estimates เช่นถ้าเป็น Outcome ที่อยู่ในลักษณะของ Dichotomous (หาย/ไม่หาย ตาย/ไม่ตาย) ก็อาจอยู่ในรูปของ Odds Ratio/Relative Risk

การพล็อตกราฟดังกล่าวนั้นจะเอาขนาดของ Study ไว้ในแกนตั้ง โดยเอา Study ที่ Standard Error น้อยๆ (หรือก็คือ Study ใหญ่ๆ) ไว้ด้านบน และ Study เล็กๆ ไล่ลงมาด้านล่าง ส่วนในแกนนอนนั้น จะเอา Effect Estimates เรียงจากด้านน้อยไปหามาก (หรือก็คือเรียง Odds Ratio จากน้อย [Favor intervention 1] ไปมาก [Favor intervention 2])

ถ้าเราได้ Study ทั้งหมดทั้งปวงของเรื่องนั้นมาจริงๆ กราฟที่ได้นั้นก็ควรจะมีหน้าตาคล้ายกรวยคว่ำ นั่นก็คือ Study ใหญ่ๆ ควรจะอยู่ตรงกลาง และ Study เล็กๆ ลงมานั้นก็ควรจะกระจัดกระจายอยู่ทั้งสองด้านของ Study ใหญ่ๆ เนื่องจากว่า Study เล็กๆ นั้นมีโอกาส (chance) ที่จะสุ่มตัวอย่างเฉพาะบางกลุ่มมาทำการศึกษา (sampling variation)

เพื่อให้เห็นภาพชัดขึ้น จึงได้มีการตีขอบเขตของกรวยด้วยครับ โดยขอบเขตนี้ตรงกลางของกรวยจะอยู่ที่ผลลัพธ์ที่ประมาณได้จาก Fixed Effect และไล่ด้านข้างเป็น 1.96 ของ Standard Error ครับ

เรามักจะคาดกันง่ายๆ ว่าถ้าเกิดกราฟพล็อตที่ได้ออกมาไม่ได้เป็นรูปกรวย มีการเบ้หรือกองกันด้านใดด้านหนึ่งของกรวยดังกล่าว (หรือแม้แต่ออกไปนอกกรวยในบางกรณี) นั้นน่าจะเกิดจากการที่มี Publication Bias กล่าวคือ Study ที่มี Effect ไปอีกทางหนึ่งของกรวย นั้นอาจจะไม่ได้ถูกตีพิมพ์ (โดยเฉพาะ Study ที่เล็กๆ) ทำให้เราไม่นำมารวมใน Meta-analysis นั่นเอง

ยกตัวอย่างเช่นจากใน Paper นี้ได้ยกตัวอย่างของ Meta-analysis จากการให้ IV Magnesium หลังการเกิด MI ครับ

เราจะพบว่า กราฟของ Funnel Plot ที่เกิดขึ้นนั้นจุดที่พล็อตนั้นกองกันไปอยู่ด้านที่ OR เป็นลบ (หมายถึงว่า IV Mg ช่วยลด Mortality) ในขณะที่ Study ที่ใหญ่ที่สุดนั้นกลายเป็นอยู่ตรงกลาง (ไม่ได้ช่วยลด Mortality) แสดงว่าจริงๆ แล้ว Study เล็กๆ ที่มัน negative นั้นอาจไม่ได้ถูกตีพิมพ์ก็ได้ครับ

ใน Paper นี้ได้เสนอว่า นอกจากที่เราคิดว่า Funnel Plot จะแสดงถึง Publication Bias แล้ว จริงๆ เราก็ควรจะเตือนตัวเองเสมอว่า มันอาจจะมีกรณีอื่นๆ ที่ทำให้เกิดการเบ้ของกราฟนี้อีกก็เป็นได้ ซึ่งสาเหตุของการเกิดอาการเบ้ใน Funnel Plot อาจเกิดจาก

Reporting Bias

Publication Bias ซึ่งอาจเกิดจากทั้ง Delay Publication Bias (Paper ไม่ได้ถูกตีพิมพ์) หรือ Location Bias (ค้นไม่เจอซึ่งอาจเกิดจากปัญหาเลือกภาษาเป็นต้น)
Selective Outcome Reporting อาจค้นเจอ แต่ใน paper ที่ค้นได้เลือกที่จะไม่บอกผลลัพธ์บางอย่าง
Selective Analysis Reporting ใน paper อาจจะบอกเฉพาะผลลัพธ์ที่ bias ไปตามวิธีวิเคราะห์ที่ใช้

คุณภาพของงานศึกษาเล็กๆ อาจดีไม่เท่างานศึกษาใหญ่ๆ ทำให้ถูกจูงไปทางใดทางหนึ่ง ซึ่งอาจเกิดได้จาก Design งานศึกษาไม่ดี, ทำการวิเคราะห์ไม่ดี, หรือแม้แต่นั่งเทียนเขียนงานวิจัยหลอกๆ
อาจเกิดความแตกต่างระหว่าง Study จริงๆ (Heterogeneity) ซึ่งถ้าเราสามารถนำมาแยกตามปัจจัยที่ทำให้เกิด Heterogeneity (หรือทำ Subgroup Analysis) ก็อาจแยก Funnel Plot เป็นกลุ่มๆ ที่อาจจะไม่เกิดการเบ้ได้
Artefact ที่เกิดจาก Sampling Variation
สุดท้ายคืออาจเกิดจาก Chance เองก็ได้ (โชคไม่ดีที่กราฟเบ้)

โดยปกติแล้วนอกจากการดูกราฟด้วยตาเปล่าแล้ว ยังมีการใช้วิธีคำนวณเพื่อดูว่ากราฟเบ้หรือไม่ อย่างไรก็ดี วิธีคำนวณเหล่านี้นั้นมักไม่สามารถ Detect ความเบ้ได้มากเท่าไหร่ครับ

ยังไงก็ลองตามกันไปอ่าน Paper เต็มๆ ได้ที่ BMJ นะครับ

Reference

Sterne JAC, Sutton AJ, Ioannidis JPA, Terrin N, Jones DR, Lau J, et al. Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ. 2011 Jul;343(jul22 1):d4002-d4002.

Modified Intention-To-Treat

2010-06-19T11:54:00.000+07:00

มีหลายคนสงสัยเกี่ยวกับคำว่า "Modified Intention-To-Treat" (ผมขอเรียกว่า mITT) ว่ามันคืออะไรกันแน่ พอดีว่ามีงานวิจัยที่เกี่ยวข้อง ผมก็เลยขอสรุปงานวิจัยนั้นมาให้ดูกันนะครับ

ก่อนอื่นขอย้อนไปดูคำว่า Intention-To-Treat กันเสียก่อน สมมติว่าผมกำลังทำ RCT อันหนึ่งที่เปรียบเทียบการใช้ยาตัวหนึ่งกับ Placebo ถ้างานวิจัยผมเริ่มเก็บคนไข้ที่เข้าร่วมงานวิจัย คนไข้ที่เข้ามานั้นก็จะต้องผ่านกระบวนการต่างๆ โดยสรุปคือ

ผ่านการคัดเลือก (Enrollment) ซึ่งคนไข้ก็ต้องมีโรคนั้นๆ จริง และผ่าน Eligibility คือไม่ผิดข้อห้ามต่างๆ ของงานวิจัย ซึ่งก็คือเข้า Inclusion/Exclusion criteria นั่นเอง
ผ่านการ Randomization
ได้รับการ Assign ว่าจะได้รับยาตัวไหน
ได้รับยาจริงๆ กลับไปกินที่บ้าน
มาติดตามเพื่อดูว่าเกิดหรือไม่เกิด Outcome ที่ผมสนใจ (เช่น มาดูว่าหายหรือเปล่า)

การวิเคราะห์แบบ Intention-To-Treat นั้นจะดูที่กระบวนการ Assignment ว่าคนไหนได้รับยาตัวไหน แล้วคนนั้นเกิด Outcome หรือไม่ นั่นคือดูขั้นตอนที่ 3 เทียบกับขั้นตอนที่ 5 นั่นเองครับ โดยไม่สนใจว่าที่เหลือจะเป็นอย่างไร

อย่างไรก็ดีการวิเคราะห์แบบนี้นั้นมีปัญหาเพราะคนเราเปลี่ยนใจได้อยู่เสมอๆ โดยโอกาสที่จะเปลี่ยนนั้นก็เกิดขึ้นได้กับทุกขั้น กล่าวคือ

คนไข้ดัน Enrollment มาผิด ไม่ได้มีโรคเราเลย แต่ดันเข้ามาอยู่ในงานวิจัย ซ้ำร้ายบางคนกลับได้ยาไปเสียด้วย ยกตัวอย่างเช่นได้รับ Antibiotics ไปแต่กลับมาทราบภายหลังว่าผล Culture มันดันไม่ขึ้นแทน ซึ่งเสียอัตราส่วนของ Randomization
ไปเสียแล้ว
คนไข้ดันไม่เข้ากับ Eligibility Criteria เช่นไม่เข้ากับ Inclusion/Exclusion Criteria
คนไข้ดันเกิด Outcome เช่นหายซะก่อนที่จะกินยาจริงๆ
คนไข้หายตัวไปไม่ยอมมา Follow up อีก หรือมาแต่ไม่ครบ

ทั้งหมดนี้เป็นการเบี่ยงเบนไปจาก Protocol ที่เราวางไว้ แต่ผู้วิจัยนั้นก็จะพยายามอ้างว่าเขาได้พยายามดีที่สุดแล้ว ก็อาจจะวิเคราะห์ตัดคนเหล่านี้ออกจากการศึกษาไปเลย ซึ่งการตัดคนเหล่านี้ออกไปนั้นผู้วิจัยส่วนใหญ่ใช้คำว่า "Modified Intention-To-Treat" ครับ

ข้อเสียของมันก็คือเราไม่รู้ว่ามันจะตัดคนไข้กลุ่มไหนออกไปมากเป็นพิเศษหรือไม่ (เช่นดันตัดกลุ่มที่ได้ยาไปซะเยอะ) ทำให้ผลลัพธ์ของ Randomization ไม่สวยหรูอย่างที่เราคาดเอาไว้ครับ

แต่คำว่า Modified นั้นก็ไม่ได้บ่งชี้เฉพาะว่าการเปลี่ยนแปลงนั้นเกิดจากตรงกระบวนการใดกันแน่ ใน Paper ที่ลงตีพิมพ์ใน BMJ ล่าสุดนั้นพบว่าผู้วิจัยแต่ละคนก็มีความหมายของคำนี้แตกต่างกันไป บางคนรวมหลายจุดเข้าด้วยกัน ซ้ำร้ายในคนเดียวกันยังให้ความหมายแตกต่างกันในคนละ Trial เสียด้วยซ้ำ นั่นแสดงว่าไม่มีใครที่จะให้ความหมายของคำนี้อย่างชัดเจน เว้นเสียแต่ว่าผู้วิจัยจะต้องบอกเจาะจงให้แน่ชัดไปเลยว่าเกิดอะไรขึ้นกับ Trial และใครบ้างที่ถูกคัดออก และคัดออกเนื่องจากอะไรครับ

ไม่แน่ใจว่าพอจะเข้าใจกันมากขึ้นหรือไม่นะครับ ลองนั่งนึกๆ ดูครับ ส่วนตัว Paper นั้นสามารถดูได้จาก Abraha I, Montedori A. Modified intention to treat reporting in randomised controlled trials: systematic review. BMJ. 2010;340:c2697. ครับ

เกริ่นเรื่อง Survival Analysis

2010-03-13T22:52:00.000+07:00

วันนี้ขอเกริ่นหลักการของเรื่อง Survival Analysis ไว้คร่าวๆ ก่อนครับ

ใครที่ไม่เคยรู้เรื่องสถิติมาก่อน ก็มักจะคิดว่า Survival Analysis คือการดูอัตราการอยู่รอดของคนที่เป็นโรคใช่ไหมครับ คำตอบนั้นคือ ใช่ครับ แต่ก็ไม่ถูกต้องไปทั้งหมดเสียทีเดียว ก่อนอื่นเราต้องมาทำความเข้าใจกับการวิเคราะห์ข้อมูลกันครับ

โดยปกติแล้วในการศึกษาวิจัยที่ง่ายๆ มักจะมีการกำหนด "ระยะเวลา" ที่จะวัดผลไว้อย่างชัดเจน เช่น การศึกษาการให้ยาแอสไพรินในคนปกติ แล้วมาวัดอัตราตายที่ 3 เดือนว่ากลุ่มที่ให้หรือไม่ให้แอสไพริน กลุ่มไหนมี % ตายมากกว่ากัน

แต่การวัดแบบนี้ไม่ได้เอาเวลาเข้ามาคิดเลยครับ เราจะไม่มีทางทราบเลยว่าก่อนหน้า 3 เดือน หรือหลังจาก 3 เดือนนั้นเป็นอย่างไร กลุ่มไหนมีอัตราตายเร่งอย่างไรกันบ้าง อันนี้เลยจึงเป็นที่มาของการเอา "ระยะเวลา" เข้ามาวิเคราะห์ร่วมกับ "ผลลัพธ์" (ในที่นี้คืออัตราตาย -- แต่จริงๆ แล้วผลลัพธ์นี้อาจจะเป็นอย่างอื่นที่ไม่ตายก็ได้ เช่น การเป็นเบาหวาน การเป็นโรคอัมพาต) หรือในทางระบาดวิทยานั้นเรียกการวิเคราะห์แบบนี้ว่า time-to-event (ระยะเวลาจนกว่าจะเกิดผลลัพธ์) นั่นเองครับ

เราจะเห็นได้ว่าการศึกษาที่สามารถวิเคราะห์แบบนี้ได้ จำเป็นต้องเก็บข้อมูล "ระยะเวลา" ด้วย จากที่ผมเคยเขียนเอาไว้ในบล็อกก่อนๆ คงจะจำกันได้ว่ารูปแบบที่มีระยะเวลาด้วยนั้นก็คือรูปแบบของ Randomized Controlled Trial และ Cohort (ซึ่งก็เป็นได้ทั้ง Retrospective หรือ Prospective เพราะต่างก็เก็บเวลาด้วยกันทั้งคู่) นั่นเองครับ การศึกษาแบบ Cross-sectional นั้นเป็นการศึกษาที่ "จุดหนึ่งของเวลา" ทำให้ไม่สามารถเก็บข้อมูลของระยะเวลาจนเกิดเหตุการณ์นั้นๆ ได้ครับ

ข้อดีของการศึกษาแบบนี้อีกอย่างนั่นก็คือ คนที่จนจบ Study แล้วยังไม่เกิดผลลัพธ์ใดๆ เลย หรือคนที่ติดตามมาอยู่ระยะเวลาหนึ่งแล้วดัน loss follow up ไปซะก่อนนั้นก็ยังมีส่วนอยู่ในการศึกษา ไม่ต้องเอาคนเหล่านี้ออก เพราะเขาก็ยังให้ข้อมูลระยะเวลาส่วนหนึ่งที่เขาไม่เกิดเหตุการณ์ครับ

ตอนต่อไปผมจะมาอธิบายต่อเกี่ยวกับเรื่องนี้นะครับ :D

Zotero ออกรุ่น 2.0 แล้วครับ

2010-02-21T00:55:00.004+07:00

โปรแกรมจัดการบรรณานุกรมที่ผมชอบใช้ และเคยได้แนะนำไปก็คือ Zotero นั้นได้ออกรุ่นใหม่อย่างเป็นทางการแล้วครับ สำหรับรุ่นนี้คือรุ่น 2.0 ครับ

รุ่น 2.0 นั้นมีคุณสมบัติที่เพิ่มมาใหม่หลักๆ ดังนี้เลยครับ

สามารถ Sync ข้อมูลของเราเอาไปไว้บนเซอร์เวอร์ของ Zotero ได้ ซึ่งก็หมายความว่าเราสามารถ Backup ตามที่ผมเคยเขียนไว้ได้ครับ ซึ่งพวก PDF ที่เรา Attach ไว้ก็จะตามขึ้นไปด้วย แต่ว่าสำหรับผู้ที่ใช้ฟรี การเก็บไฟล์จะถูกจำกัดไว้ที่ 100 เมกะไบต์เท่านั้น ถ้าต้องการเพิ่มก็ต้องเสียเงินครับ

สนับสนุน Proxy อันนี้สำหรับผู้ที่ใช้อินเทอร์เน็ตที่บ้านต่อผ่านเซอร์เวอร์ของมหาวิทยาลัยในการเอา Full Paper อัตโนมัติ (เช่นของมหิดลคือ http://ejournal.mahidol.ac.th/) ทำให้สะดวกมากขึ้นครับ

แทรก Comment ไว้ในรายการแบบเป็น Rich Text (ทำตัวหนาตัวเอียงใส่สีได้)

ยังไงก็ลองดาวน์โหลดกันได้ที่เดิม Zotero.org ครับ :)

Backup/Export ข้อมูลใน Zotero

2009-12-13T21:21:00.004+07:00

พอดีมีผู้สนใจถามมาเกี่ยวกับเรื่องการ Backup ข้อมูลใน Zotero นะครับ ผมเลยเอามาเขียนให้อ่านกันโดยทั่วๆ ใครที่ยังไม่รู้จัก Zotero ผมแนะนำให้ลองใช้ดู ยังไงลองอ่านเรื่องเกี่ยวกับ Zotero ได้ในหน้านี้นะครับ

โดยปกติแล้ว Zotero นั้นจะเก็บข้อมูลต่างๆ ที่เราได้ทำการบันทึก ทั้งในเรื่องของรายการ และไฟล์แนบ (เช่นพวก PDF หรือ Snapshot ทั้งหลาย) เอาไว้ในโฟลเดอร์ Zotero ที่อยู่ย่อยของโฟลเดอร์ Profile ของ Firefox อีกที โดยส่วนใหญ่ของผู้ใช้วินโดวส์ Vista/7 ก็จะอยู่ลึกมาก (เช่นของผมนั้นอยู่ที่ C:\Users\Pawin Numthavaj\AppData\Roaming\Mozilla\Firefox\Profiles\oc7s70ri.default\zotero\storage เป็นต้น) สำหรับวิธีการหาโฟลเดอร์นี้โดยง่ายก็คือการเข้าไปที่ Preference -> Advance -> Show Data Directory ดังวิธีต่อไปนี้ครับ

คลิ๊กตรงรูปเฟืองใน Zotero

เลือก Preferences

คลิ๊กตรง Advanced

คลิ๊กที่ Show Data Directory

หน้าตาของโฟลเดอร์ที่สามารถ Backup ไว้ก็จะปรากฏออกมาครับ เราสามารถคัดลอกทั้งหมดนี้ไปเก็บไว้ต่างหาก ไว้เผื่อเวลาที่เกิดความเสียหายกับเครื่องได้เลยครับ

โดยถ้าเราเกิดทำเครื่องพังไป เราสามารถคัดลอกไฟล์ทั้งหมดที่เคย Backup เอาไว้กลับมาไว้ตรงโฟลเดอร์นี้ (เปิดด้วยวิธีเดียวกัน) สิ่งต่างๆที่เราเคยทำไว้ก็จะกลับมาได้ทั้งหมดครับ

นอกจากวิธีที่จะ Backup ทั้งหมดแล้วเรายังสามารถเลือก Backup เป็นส่วนๆ ได้ด้วยการอาศัยคำสั่ง Export ตามขั้นตอนต่อไปนี้ครับ

คลิ๊กขวาตรงโฟลเดอร์ที่ต้องการส่งออก/Backup (จะคลิ๊กขวาทั้ง My Library เลยก็ได้ไม่ผิดกติกา)

เลือก Export Collection

เลือก Format เป็น Zotero RDF ถ้าต้องการเก็บไฟล์ที่แนบเอาไว้ด้วยก็อย่าลืมติ๊กเลือก Export Files นะครับ

พิมพ์ชื่อที่ต้องการ แล้วกด Save

เมื่อส่งออกไปแล้วจะเป็นโฟลเดอร์ที่เก็บไว้ครับ ถ้าเราต้องการนำเข้าก็ง่ายๆ แค่เลือก Import จากเมนูเฟืองเท่านั้นเองครับ

แต่เท่านั้นยังไม่พอ (ดูมันง่ายไปไหม) ผมแนะนำบริการใหม่ที่จะมีมาอวดโฉมกันใน Zotero 2.0 ซึ่งยังไม่คลอด แต่มีให้ทดลองใช้กันก่อน (ผมใช้อยู่ก็พบว่าไม่เกิดปัญหาอะไรนะครับ) โดยเราสามารถที่จะ Sync สิ่งต่างๆ ที่อยู่ในเครื่องเรา ไปเก็บเอาไว้ในฐานข้อมูลออนไลน์ได้เลยทีเดียว

ก่อนอื่นก็ต้องขอให้ติดตั้ง Zotero รุ่น 2.0 กันก่อนครับ ขั้นตอนก็ง่ายๆ เหมือนรุ่น 1.0 เพียงเข้าไปที่เว็บ http://www.zotero.org แล้วเลือกปุ่ม try out 2.0 beta รอสักครู่ เลือก Install และรอโหลดก็จะได้มาใช้กันแล้ว (ใครกดแล้วมันเงียบแต่มีปุ่มขึ้นให้กด Allow ก็ให้กดไปนะครับ)

ถ้าอัพเกรดมาจากรุ่น 1.0 ก็จะมีให้รออัพเกรดเล็กน้อย

หลังจากเปิดมาแล้วเราจะพบกับหน้าตาที่แปลกไปกว่าเดิมเล็กน้อย และที่ผมอยากให้สนใจคือปุ่มรูปลูกศรโค้งๆ ด้านขวามือนี่ละครับ

ถ้าเรากดปุ่มนี้ เบื้องต้นมันจะเข้าไปที่หน้า Sync ของ Zotero ให้กรอกพวก User Name, Password ของ Zotero ถ้าใครยังไม่มีก็สามารถเข้าไปสร้างแอคเค้าท์กันได้ตามลิงค์ Create Account ที่อยู่ในหน้านั้นเลยครับ

อนึ่ง หลังจากทำการ Sync แล้วรายการต่างๆ ของเรานั้นจะไปอยู่บนคอมพิวเตอร์เซอร์เวอร์ของ Zotero ด้วย โดยถ้าเราทำในคอมเราหายและต้องการให้ Sync ย้อนกลับมาที่เครื่องเรา ก็เพียงเลือก Restore from Zotero Server เท่านั้นเองครับ

ดูง่ายดีไหมครับ นอกจากนี้แล้ว หากเราเข้าไปยังเว็บ http://www.zotero.org แล้วเลือก Login ตาม User Name ที่เราสร้างไว้ รายการต่างๆ ของเราก็จะอยู่ในนั้นด้วยครับ! ซึ่งรายการที่อยู่บนเว็บนี้ยังรวมทั้ง PDF ที่เก็บไว้ใน Library ด้วยนะครับ แต่สำหรับบริการฟรีนั้นจะเก็บได้แค่ 100 เมกะไบต์ (นับเฉพาะไฟล์ต่างๆ ไม่นับจำนวน Reference) ถ้าต้องการเก็บเพิ่มเติมก็สามารถซื้อเพิ่มกันได้ครับ

ยังไงลองใช้กันดูนะครับ :)

Clinical Epidemiology Short Course

2009-12-06T14:33:00.002+07:00

พักนี้ไม่ค่อยจะว่างเขียนเรื่องใหม่ๆ ให้อ่านกันเท่าไหร่ครับ

แต่ว่าพอดีทางหน่วยระบาดวิทยาคลินิกและชีวสถิติ รามาฯ ที่ผมเรียน (และทำงาน) ได้อัดเทปการสอนเกี่ยวกับคอร์สสำหรับ Resident ที่ว่าด้วยเรื่อง Epidemiology และ Statistics ครับ ก็เลยเอามาฝากกัน

ไปดูกันได้ที่หน้าเว็บของหน่วยฯ ได้ที่นี่เลยครับ: http://www.ra.mahidol.ac.th/en/dpt/CEB/shortcourse_residenten

ชนิดของตัวแปร

2009-10-12T23:16:00.001+07:00

ข้อมูลที่เกิดขึ้นจากการวัด ที่แตกต่างกันไปในแต่ละคน ในทางการวิจัยเราจะเรียกมันว่า "ตัวแปร" (variable) ครับ เช่นง่ายๆ ผมทำสำรวจการเรื่องการได้ยินในนักดนตรี ตัวแปรพวกนี้ที่เจอบ่อยๆ ก็เช่น เพศ อายุ นอกจากนี้ก็จะเป็นตัวแปรที่เกี่ยวข้องกับงานวิจัยของเราครับ นั่นคือของผมก็อาจจะเป็น ระดับการได้ยินเฉลี่ยในหูซ้ายและหูขวาในปัจจุบัน, ระดับเสียงที่ได้ยินโดยเฉลี่ยต่อวัน, จำนวนชั่วโมงที่เล่นเพลง, รูปแบบเพลงที่ชอบเล่น, ประวัติเคยใช้เครื่องช่วยฟังมาก่อนหรือไม่, ประวัติการได้ยินผิดปกติในญาติ

ตัวแปรต่างๆ เราจะต้องทำความเข้าใจมันก่อนว่ามันเป็นตัวแปรแบบไหน ทั้งนี้เพื่อที่จะได้รู้ต่อไปว่า ควรจะแปลความหมายมันอย่างไร จะแสดงผลเป็นกราฟแบบไหน จะใช้การทดสอบทางสถิติตัวไหนมาทดสอบความแตกต่างในแต่ละกลุ่ม และจะแปลความหมายผลการทดสอบนั้นอย่างไรครับ

ตัวแปรที่พบกันบ่อยๆ นั้นสามารถแยกได้สองกลุ่มใหญ่ๆ นั่นคือ

ตัวแปรแบบกลุ่ม (Categorical Data) พวกนี้ แต่ละกลุ่มก็มีความหมายของตัวมันเอง ซึ่งแบ่งย่อยได้สองกลุ่ม คือ
- Nominal แต่ละกลุ่มเป็นอิสระต่อกัน ไม่ค่อยเกี่ยวกัน ไม่เป็นลำดับ (order) เช่น เพศ รูปแบบเพลงที่ชอบเล่น (พูดง่ายๆ คือไม่ใช่ว่าเพศหญิงมีค่ามากกว่าเพศชาย หรือเพลงร็อกมีความมายมากกว่าเพลงเพื่อชีวิต) สำหรับตัวแปรชนิดนี้ ถ้ามีสองคำตอบ เช่น ใช่ หรือไม่ใช่ จะเรียกว่าเป็น Dichotomous หรือ Binary ครับ เช่นในตัวอย่างที่ผมยกนั้นคือตัวแปรที่บอกว่า "เคยใช้เครื่องช่วยฟังมาก่อนหรือไม่" นั้นคำตอบมีแค่ "ใช่" กับ "ไม่ใช่" เป็นต้นครับ
- Ordinal พวกนี้จะมีลำดับขั้น แต่ไม่สามารถบอกได้ว่าขั้นไหนมากกว่าขั้นไหนได้อย่างชัดเจน (คือแต่ละขั้นมันอาจไม่เท่ากันก็ได้) ยกตัวอย่างพวกนี้เช่น ระดับความดังของเสียงผิดปกติของหัวใจ (เกรด I, II, III, ฯลฯ) ก็ไม่ได้หมายความว่า เสียงหัวใจเกรด II มากกว่าเกรด I ซักเท่าไหร่ เป็นต้น

ตัวแปรแบบช่วง (Interval Data) พวกนี้มักจะมีลำดับขั้นของมัน และเป็นลำดับขั้นที่แบ่งอย่างเท่าๆ พอๆ กัน แบ่งออกอีกเป็นสองกลุ่มครับ
- Continuous ง่ายๆ คือพวกนี้เป็นตัวแปรที่สามารถจุดย่อยลงไปได้อีกเรื่อยๆ เช่น ระดับการได้ยินมีทั้งได้ยินที่ 25 dB, ได้ยินที่ 40.0056 dB เป็นต้น บางคนยังได้แยกตัวแปรที่มี "ศูนย์ที่แปลว่าไม่มี" ออกไปอีกเรียกว่า Ratio ครับ เช่นความยาวของขน (ยาว=0 หมายถึงไม่มีความยาวจริงๆ) เป็นต้น
- Discrete คือเป็นสเกลที่แบ่งชัดเจน พวกนี้มีระยะห่างกันชัด (หรือสเกลแต่ละช่วงไฟมันเท่ากัน) ครับ เช่น จำนวนบุตร ก็ตอบ 1 2 3 4 ไม่มีใครตอบ 1.25 และเราก็รู้ว่า 2 มากกว่า 1 อยู่ 1 คน, 4 มากกว่า 1 อยู่ 3 คน เป็นต้นครับ

พอจะเข้าใจไหมครับ ยังไงลองมาคิดดูนะครับ ว่าตัวแปรต่อไปนี้เป็นตัวแปรแบบไหน

น้ำหนักของผู้ป่วย เช่น 60kg, 50.25kg, 40.7kg, ...

จำนวนบล็อกที่ผมเขียนในแต่ละเดือน เช่น 0, 1, 3, ...

จำนวนก้อนมะเร็งที่คอ เช่น 1 ก้อน, 2 ก้อน, 0 ก้อน, ...

ชนิดของมะเร็งที่ศีรษะที่พบในคนไทย เช่น มะเร็งโพรงจมูก, มะเร็งต่อมน้ำลาย, มะเร็งกล่องเสียง...

ลักษณะของเม็ดเลือดแดงที่ผิดปกติ เช่น 1+, 3+, 4+, ...

.

.

.

.

.

.

เฉลยนะครับ

น้ำหนัก เป็น continuous interval data ครับ เพราะมันสามารถจุดย่อยลงไปได้เรื่อยๆ และมีความหมาย นอกจากนี้ถ้าแยกย่อย มันก็คือ ratio เพราะมันมี 0 แท้จริงครับ (0 kg = ไม่มีน้ำหนัก)

จำนวนบล็อก เป็น discrete interval data ครับ เพราะไม่มีเขียนบล็อก 1.05 บล็อกแน่ๆ แต่ความแตกต่างระหว่างเขียน 3 กับ 2 บล็อก มันเหมือนกันกับความแตกต่างระหว่างเขียน 8 กับ 7 บล็อก (นั่นคือ สเกลมันเท่ากันตลอดนั่นเอง)

จำนวนก้อนมะเร็งที่คอ เป็น discrete interval data เหมือนกัน

ชนิดของมะเร็ง เป็น nominal เพราะไม่รู้ว่าจะเรียงมะเร็งอันไหนมาก่อนมาหลังดี มันก็สำคัญเท่าๆ กันไปหมด

ลักษณะของเม็ดเลือดแดง เป็น ordinal ครับเพราะว่า เรียงได้ 0 1+ 2+ 3+ 4+ แต่ว่า 1+ เทียบกับกับ 0 อาจจะไม่เท่ากับ 4+ เทียบ 3+

งงไหมครับ จริงๆ รู้แค่ว่าเป็น continuous หรือ categorical ก็เพียงพอต่อการเลือกสถิติเข้าใช้ครับ ไว้ต่อไปผมจะเขียนเรื่องที่เกี่ยวข้องนะครับ :)

คำนวณ Sample Size ใน RCT

2009-08-15T17:30:00.001+07:00

ปัญหาอย่างหนึ่งที่ผู้ทำวิจัยเกือบทุกคนจะต้องเจอ คือการคำนวณหาขนาดของกลุ่มตัวอย่าง (Sample Size) ที่จะทำการวิจัยครับ

ทำไมเราจึงต้องคำนวณขนาดของกลุ่มตัวอย่าง? นั่นเป็นเพราะว่าเราต้องการจะเก็บข้อมูลอย่างมีประสิทธิภาพให้ได้มากที่สุดครับ นั่นหมายความว่าเก็บจำนวนคนที่ร่วมวิจัยให้ได้น้อยที่สุด ในขณะเดียวกันก็ต้องให้ข้อมูลอย่างเพียงพอที่สุดที่จะตอบคำถามงานวิจัยได้

การเก็บจำนวนคนให้ได้มากๆ นั้นไม่ใช่ข้อดีเสมอไป นอกจากที่จะเปลืองทรัพยากรที่ใช้ เปลืองแรงคนเก็บ แล้วยังถือว่าเป็นการเปลืองตัวของคนไข้อีกด้วยครับ นั่นคือ เขาไม่จำเป็นจะต้องมาร่วมงานวิจัยก็ได้นั่นเอง (ซึ่งผิดหลักจริยธรรม หรือ Ethics)

ปัญหาของหลายๆ คนคือไม่ทราบว่าจะคำนวณขนาดตรงนี้ยังไงดี ผมขออธิบายง่ายๆ ก่อน ในกรณีของการศึกษาเปรียบเทียบการให้ยา (หรือให้ intervention อื่นก็ได้) สองกลุ่มเปรียบเทียบกันตามแบบ RCT 2 กลุ่มง่ายๆ ยกตัวอย่างเช่น ผมกำลังศึกษาเรื่องการให้ยาต้านไวรัส เทียบกับ placebo ในคนไข้ที่ได้รับการวินิจฉัยว่าเป็นไข้หวัด 2009 แล้วดูว่า อัตราการตาย มันลดลงหรือไม่นะครับ

สิ่งที่เราต้องมีอยู่ในมือมีสามอย่าง และมีในหัวอีกหนึ่งอย่างครับ

อย่างแรก ต้องมีอัตราการเกิด outcome ในกลุ่ม control นั่นคือ ต้องรู้ว่า คนที่ได้รับ placebo นั้น มีอัตราการตายเป็นเท่าไหร่ อันนี้จะหามาได้จากที่ไหน? เราอาจจะเทียบเคียงมาจากกลุ่มโรคใกล้ๆ กัน, หามาจากการศึกษาแบบ Cross sectional/Cohort หรือหามาจากการทำ Preliminary study (ลองศึกษาในผู้ป่วยจำนวนน้อยๆ 10-20 คน) ก็ได้ครับ

สิ่งถัดมา คือเราจะต้องรู้ว่าเราอยากจะเทียบให้มันต่างกันสักแค่ไหน ยกตัวอย่างเช่น เรารู้แล้วว่าคนปกติที่ได้ placebo นั้นมีอัตราตาย 1% เราอยากรู้ว่า ถ้าให้ยาต้านแล้วจะช่วยเปลี่ยนอัตรานี้เป็น 0.5% หรือเปล่า ตัวเลขนี้เป็นตัวเลขที่เรากำหนดเอาเองครับ โดยอาจจะเทียบเคียงกันกับความสำคัญทางคลินิก หรือดูจากหลายๆ การศึกษาในโรคอื่นๆ ที่ผ่านๆ มา ถ้าเราตั้งน้อยไป ก็จำเป็นจะต้องใช้ตัวอย่างมาก (เปรียบเหมือน ของที่มีขนาดเล็กๆ ต้องอยู่กันมากๆ ถึงจะเห็น ในขณะที่ของใหญ่ๆ อยู่กันไม่มากก็เห็นแล้ว)

อย่างสุดท้าย คือการกำหนดค่าทางสถิติที่จะใช้ นั่นคือค่า Alpha และ Beta Error ครับ โดยทั่วไปแล้ว Alpha = 0.05 และ Beta = 0.20

ส่วนสิ่งที่ต้องมีอยู่ในหัว ก็คือต้องนึกได้ว่าเรากำลังจะวิเคราะห์ข้อมูลแบบใด ซึ่งโดยง่ายๆ แล้วส่วนมากเราจะวิเคราะห์ข้อมูลที่จุดสิ้นสุดของ Trial เป็น Outcome ว่าตาย หรือไม่ตาย ส่วน Exposure เป็นได้ หรือไม่ได้ อันนี้การวิเคราะห์ที่ใช้นั้นใช้วิธีแบบ Pearson Chi-square test (ไว้เรื่องสถิติจะมาเขียนให้ฟังในภายหลังนะครับ)

เราลองมาทำความเข้าใจกับคำว่า Alpha, Beta Error กันนะครับ

เราจะสังเกตได้ว่า มีโอกาสที่ในความเป็นจริง (the truth) -- ในที่นี้คือความเป็นจริงแท้ของตัวโรค -- นั้นการให้ยาสองอย่างมันแตกต่างหรือไม่แตกต่าง และในการศึกษาเรา มันอาจจะแตกต่างหรือไม่แตกต่างกันก็ได้ นั่นหมายความว่า เราทำการศึกษาไปนั้น มีโอกาสที่จะเกิดเหตุการณ์ได้ 4 กรณี

ในกรณีที่ความเป็นจริงมันแตกต่างกันจริงๆ ส่วนเราศึกษาแล้วก็พบว่าแตกต่างจริงๆ ก็ไม่มีปัญหาอะไร แสดงว่าเราพบถูก (True positive)

ในกรณีที่ความเป็นจริงมันไม่แตกต่าง และเราศึกษาก็ไม่พบว่ามันแตกต่าง ก้ไม่มีปัญหาเช่นกัน (True negative)

ในกรณีที่ความเป็นจริงมันไม่แตกต่าง แต่เราดันศึกษาได้ว่ามันแตกต่าง (False Positive)

สุดท้าย ในกรณีที่ความเป็นจริงมันแตกต่าง แต่เราดันศึกษาแล้วพบไม่แตกต่าง (False Negative)

ปัญหามันอยู่ตรงที่ ถ้าเราสรุปจากการวิจัยได้ไม่ตรงกันกับความเป็นจริงแท้ของตัวโรค มันจะเป็นอย่างไร

ถ้าความเป็นจริง มันก็ไม่ได้แตกต่างอะไร แต่เราดันไปเจอว่ามันแตกต่างกัน (False Positive) อันนี้เราเรียกว่า Alpha error หรือตำราหลายๆ ที่จะเรียกว่า Type I error ครับ หมายความว่าจริงๆ การให้ยามันไม่ต่างหรอก แต่เราดันไปเจอด้วยโอกาสหรือความผิดพลาดอะไรก็แล้วแต่ แล้วดันสรุปว่าการให้ยามันดีกว่า

ปกติแล้วโอกาสที่จะเกิด Alpha error นี้มักจะำกำหนดให้เป็น 0.05 หรือน้อยกว่า อันนี้ก็คือ Significant level ของเราหรือก็คือที่หลายๆ คนชอบบอกว่า p Value < 0.05 ถือว่า Significant นั่นเองครับ เช่น ผมศึกษาแล้วพบว่าการให้ยานั้นอัตราตายในกลุ่มได้ยา = 0.5% กลุ่มไม่ได้ยา = 1% แล้วพบว่า p Value = 0.05 พอดี นั่นหมายความว่า สิ่งที่ผมพบว่ามันแตกต่างนี้ มีโอกาสที่มันจะเกิดจากความฟลุ๊ค (โดยบังเอิญ) = 0.05 (หรือภาษาชาวบ้านก็คือ 5%)

ทำไมต้องเป็น 0.05 (หรือ 5%) อันนี้ไม่มีใครตอบได้ครับ เพราะจริงๆ แล้วเราจะกำหนดที่เท่าไหร่ก็ได้ จะเอาโหดหน่อย 0.025 ก็ได้ แต่แน่นอนว่าถ้ายิ่งน้อยก็ยิ่งต้องการ Sample size เยอะขึ้นเรื่อยๆ ด้วยครับ

อันต่อมา ถ้าความเป็นจริงมันแตกต่างกัน แต่เราดันไม่พบความแตกต่างในการทำ Study (False Negative) อันนี้เราเรียกว่า Beta error หรือ Type II error ครับ เช่นยกตัวอย่างเดียวกัน ถ้าผมไม่พบว่ายาต้านไวรัสมันทำให้อัตราตายลดลง แต่ในความจริงแล้วมันดันทำให้ลดลงนั่นเอง

ค่าโอกาสด้านกลับของ Beta (1 - beta) เราจะเรียกว่า Power ของการศึกษานี้ครับ (เหมือนว่าการศึกษาเรามี "พลัง" ในการ detect ความแตกต่างในธรรมชาตินี้ได้ซักเท่าไหร่) โดยทั่วไปเรากำหนด Beta = 0.2 เพราะฉะนั้นแล้วก็มักจะได้ Power = 1-0.2 = 0.8 นั่นเองครับ

เมื่อเรารู้ค่าต่างๆ เหล่านี้แล้วเราสามารถนำมาคำนวณขนาดของตัวอย่างได้ตามสมการสำหรับการคำนวณ n ใน trial ที่ใช้การวิเคราะห์เป็น Chi-square คือ

โดย

P0 = อัตราของ outcome ในกลุ่ม control
P1 = อัตราของ outcome ในกลุ่มที่ให้ intervention นั่นก็คือ อัตรา outcome ของ control - ความแตกต่างที่เราต้องการ detect
P bar = ค่าเฉลี่ยของ P0 และ P1 ก็คือ (P0+P1)/2
Z a/2 = ค่า Z ของ alpha error ในที่นี้ค่า Z a/2 ที่ alpha = 0.05 จะได้ 1.96 (แนะนำว่าของ study ทั่วไปก็เท่านี้ละครับ)
Z b = ค่า Z ของ beta error ในที่นี้ค่า Z b ที่ beta = 0.2 จะได้ 0.84 (แนะนำแบบเดียวกัน)
และ n ที่ได้ออกมานี้ เป็น n ของแต่ละกลุ่ม นะครับ นั่นหมายความว่าเรามีสองกลุ่ม (control/intervention) ก็ต้องคูณ 2 เข้าไปด้วยนะ

ถ้าค่า Z มันเหมือนกันทุกการศึกษา เราก็จะแทนสูตรได้แบบนี้ครับ:

เรามาลองคำนวณดูนะครับ

สมมติว่าผมทำการศึกษาด้วยการให้ยาต้านไวรัสในกลุ่มคนไข้ที่เป็นไข้หวัด 2009 โดยดู outcome คืออัตราการนอนโรงพยาบาล การศึกษาก่อนหน้านี้พบว่าอัตราการนอนโรงพยาบาลในกลุ่มที่ไม่ได้รับยานั้น = 15% และผมอยากรู้ว่าถ้าอัตรามันต่างกัน +- 5% (เป็นเลขสมมติของผมที่ผมคิดว่ามันน่าจะมีความสำคัญนะ ระหว่าง 15 กับ 10%) ที่ Type I error = 5% และ Type II error = 20% นี้ผมต้องใช้ Sample Size เท่าไหร่

เราก็เข้าสูตรมาเลยนะครับ ลองคิดดูกันก่อนนะครับ (ลองแทนก่อนแล้วค่อยดูเฉลยนะครับ)

.
.
.

จากโจทย์ เราจะได้ค่าต่างๆ คือ
P0 = 0.15
P1 = 0.15 - 0.05 = 0.10
Pbar = (P0+P1) /2 = (0.15+0.10) /2 = 0.125
Alpha = 0.05
Beta = 0.20

ดังนั้น เราจะสามารถแทนค่าในสูตรได้ดังนี้

นั่นคือ คำตอบ = 685 คนโดยประมาณในแต่ละกลุ่ม ซึ่งก็คือ คนทั้งหมด = 2*685 = 1370 คนนั่นเอง คิดได้เหมือนกันบ้างไหมครับ?

จริงๆ แล้วเราไม่ต้องมานั่งแทนค่าในสูตรเอาก็ได้ เดี๋ยววันหลังผมจะมาแนะนำวิธีการใช้โปรแกรมช่วยในการคำนวณนะครับ :D

Causality

2009-08-04T22:39:00.003+07:00

เคยคิดกันไหมครับ ว่าการที่เราจะบอกว่าอะไรเป็นเหตุเป็นผลกันนั้นมันขึ้นอยู่กับอะไรบ้าง? ลองคิดเอาง่ายๆ ดู สมมุติว่าผมสังเกตเห็นว่าเพื่อนผมหัวล้าน และเห็นเขาชอบกินผงชูรสบ่อย ผมจะบอกได้ไหมว่า การกินผงชูรสบ่อยๆ ทำให้หัวล้าน?

เคยมีคนพิจารณาเรื่องของความเกี่ยวข้องกันนี้แล้วครับ นั่นคือคุณ Hill ซึ่งแกพิจารณาออกมา และมีคนสรุปเป็น Criteria ของการที่เราจะพิจารณาว่าอะไรนั้นเป็นเหตุเป็นผลกันได้ดังนี้ครับ (Bradford-Hill Causal Criteria)

Temporality นั้นคือ เหตุ นั้นน่าจะเกิดขึ้นมาก่อนผล ตามตัวอย่างนี้ก็คือ เขาควรจะกินผงชูรส ก่อนที่จะหัวล้าน ไม่ใช่ หัวล้านเกิดก่อน แล้วค่อยกินผงชูรส

Strength ของความสัมพันธ์ เหตุเล็กๆ ที่ทำให้เกิดผลใหญ่ๆ มาก (ทางสถิติก็คือมี Odds Ratio/Relative Risk สูงๆ) ก็น่าจะเป็นเหตุเป็นผลกัน (ข้อนี้ระวังนิดนึง ตรงที่ผลที่มันเจอบ่อยๆ อาจทำให้สับสน นอกจากนี้เหตุที่ไม่ได้เป็นต้นเหตุจริงๆ แต่ดันสัมพันธ์กับต้นเหตุอื่นๆ เช่น ผู้ชาย --> เป็นมะเร็ง แต่จริงๆ แล้ว ผู้ชาย --> ชอบสูบบุหรี่ --> เป็นมะเร็ง อันนี้ก็อาจจะบอกลำบากว่าการเป็นผู้ชายทำให้เกิดผลเป็นมะเร็ง)

Dose-response คือการที่ถ้ามีต้นเหตุขนาดใหญ่ขึ้น จะทำให้ผลลัพธ์ขนาดใหญ่ขึ้นไปด้วย เช่น ยิ่งกินผงชูรสปริมาณมากขึ้น ยิ่งหัวล้านขึ้น

Consistency คือคนอื่นทดลองค้นคว้าแบบเดียวกัน ก็ได้ผลลัพธ์คล้ายๆ กัน

Biologic Plausibility คือมีคำอธิบายทางวิทยาศาสตร์ที่ดูแล้วน่าจะเป็นไปได้ เช่น กินผงชูรส ทำให้โซเดียมในร่างกายเยอะขึ้น มีผลต่อระบบฮอร์โมน และทำให้ผมร่วงมากขึ้น จนเกิดหัวล้าน (อันนี้อย่าเชื่อนะครับผมสมมติเฉยๆ)

Reversibility คือถ้าเอาเหตุออก ผลก็ควรหายออกไปด้วย

Specificity คือความสัมพันธ์นั้นๆ ทำให้เกิดผลลัพธ์เพียงอย่างเดียว เช่น กินผงชูรส ก็เกิดแต่ผมร่วง ไม่เกิดอาการสีผิวเปลี่ยนเป็นต้น

Analogy คือดูแล้วมันคล้ายๆ กับ Factor อื่นๆ อันนี้ลองยกตัวอย่างเช่น การสูบบุหรี่ทำให้เกิดมะเร็งปอด ดังนั้นถ้าเราศึกษาการสูบใบจาก (ที่ไม่ใช่บุหรี่ แต่คล้ายๆ กัน) แล้วพบว่าเกิดมะเร็งปอด ก็น่าจะคิดได้ไปในทางเดียวกัน เพราะคล้ายๆ กับบุหรี่

Experimental evidence เป็นข้อที่สำคัญที่สุด เนื่องจากว่าหากมีการศึกษาแบบทดลองให้เหตุแล้ว ดันมีผลเกิดขึ้นนั้นก็เป็นสิ่งที่น่าจะยืนยันได้ว่า มันน่าจะเป็นเหตุเป็นผลกันจริงๆ

สำหรับความสัมพันธ์อันไหน ที่ยิ่งมี Causal Criteria เยอะๆ นั่นก็หมายความว่ามันน่าจะเป็นเหตุเป็นผลกันมากขึ้นเรื่อยๆ ครับ บางคนก็อาจให้น้ำหนักของแต่ละข้อไม่เท่ากันก็ได้ อันนี้ก็แล้วแต่จะพิจารณา

ลองมาคิดกันดูนะครับว่า Analytic Study Design แบบไหนที่จะตอบ Causality ได้ดีมากที่สุด และดีรองลงมาๆ (ใครจำว่า Study Design มีอะไรบ้างไม่ได้ กรุณาอ่านเอนทรี่เก่าเรื่อง Study Design ที่ผมเคยเขียนไว้โดยด่วน)

สังเกตว่า Study รูปแบบที่จะตอบคำถามเหตุผลนี้ดีที่สุด ก็ควรจะเป็น Experimental Study ครับ ส่วน Observational Study ที่จะช่วยได้บ้างก็คือ แบบ Cohort เนื่องจากมี Temporal relationship (เราศึกษาจากเหตุไปยังผล) ส่วน Case-control นั้นก็รองลงมา และที่แย่ที่สุดคือการศึกษาแบบ Cross-sectional ครับ :D

สำหรับใครที่อยากอ่านเพิ่มเติมเรื่องนี้ ผมแนะนำให้อ่าน Paper ของ Rothman: Rothman KJ, Greenland S. Causation and Causal Inference in Epidemiology. Am J Public Health. 2005 Jul 1;95(S1):S144-150. ครับ

Regression towards the mean

2009-08-03T18:55:00.000+07:00

ก่อนจะกลายเป็นบล็อกร้าง ต้องขออภัยทุกท่านที่หายไปพอสมควรนะครับ พอดีตอนนี้ผมเรียนอยู่ตลอดเลย วันนี้ขอเรื่องสั้นๆ คือ "Regression towards the mean" ครับ

คำนี้ได้ยินครั้งแรกๆ ก็อาจจะงงกันนะครับ ว่ามันเป็นอย่างไร เรื่องของเรื่องนั้นมาจากท่าน Sir Francis Galton ซึ่งเป็นนักพันธุศาสตร์ในช่วงปี 1900 แกสังเกตว่า สิ่งที่มันประหลาดเอามากๆ เช่น การที่มีความสูงเกินกว่าคนปกตินั้น ไม่ได้ถ่ายทอดทางพันธุกรรมจากพ่อไปสู่ลูกเท่าไหร่ และแกเห็นว่าพ่อที่ตัวสูงเกินเหตุนี้แทบจะมีลูกที่ตัวเตี้ย เข้าใกล้ค่าเฉลี่ยของคนปกติอยู่เสมอ แกก็เลยสรุปว่ามันน่าจะเป็นปรากฎการณ์อะไรซักอย่าง

จริงๆ แล้วสิ่งที่เราเห็นอยู่นี้ไม่ใช่ปรากฎการณ์แปลกประหลาดอะไร มันเป็นสิ่งที่เราเข้าใจได้ตามธรรมชาติอยู่แล้วครับ เช่นผมเปิดร้านขายไอศครีมอยู่ มีลูกค้าโดยเฉลี่ยทั้งปีที่ผ่านมาประมาณ 100 คนต่อวัน ปรากฎว่าวันดีคืนดีผมเปิดร้านมามีลูกค้า 1,000 คนมารออยู่หน้าร้านโดยไม่มีเหตุอะไรเกิดขึ้น ทุกคนก็คงคิดได้ใช้ไหมครับว่ามันเกิดจากความ "ฟลุ๊ก" และวันต่อไปนั้น "ลูกค้าก็คงจะลดกลับมาเท่ากับค่าเฉลี่ยเหมือนเดิม" ตรงนี้แหละครับคือ Regression towards the mean

ในทางเดียวกันค่าที่มัน "เกินเหตุ" (Extreme) นี้ไม่จำเป็นจะต้องเป็นค่าที่สูงไปอย่างเดียว ค่าที่ต่ำไปก็มีแนวโน้มที่จะกลับมาสู่ Mean เหมือนกัน เช่นวันดีคืนดีผมดันไม่มีลูกค้ามาซื้อไอศครีมเลย ก็คงคิดได้ว่าวันต่อไป "ลูกค้าก็คงจะเพิ่มกลับเข้าใกล้ 100 คนเหมือนเดิม" เช่นเดียวกันครับ

ถามว่ามันเกี่ยวข้องอะไรกับระบาดวิทยา? มันเกี่ยวข้องในแง่ของ "การวัด" ครับ นั่นหมายความว่า ในคนที่เราเจอค่าอะไรที่ผิดปกติมากๆ ในครั้งแรกนั้น เราก็มีโอกาสเจอค่าที่มันเข้าใกล้ปกติมากขึ้นในครั้งต่อไป เช่น ถ้าพบว่าเจาะเลือดดูน้ำตาล (เบาหวาน) ในเลือดในครั้งแรกดันได้ทะลุเป้า ครั้งต่อมานั้นถึงแม้ว่าจะให้หรือไม่ให้ยาอะไร มันก็ "น่าจะ" มีแนวโน้มในการเข้าใกล้ค่า mean ของคนๆ เดิมเหมือนเดิมครับ

นั่นเป็นสาเหตุที่เราจำเป็นจะต้องมีกลุ่มควบคุม (Congrol Group) ในการศึกษาครับ เพื่อป้องกัน Bias จาก Regression towards the mean นี่เอง! (ดังนั้นแทบจะสังเกตได้ง่ายๆ ว่า อะไรที่วัดก่อนและหลัง โดยไม่มีกลุ่มเปรียบเทียบ มันมักจะดีขึ้นอยู่เสมอๆ)

Systematic Review & Meta-analysis

2009-05-08T16:43:00.000+07:00

จากที่ผมเคยสัญญาว่าจะเขียนเรื่องเกี่ยวกับการ Appraise Systematic Review นะครับ ก่อนอื่นเลยก็ต้องขอพูดเกริ่นนำเรื่อง Systematic Review และ Meta-analysis ก่อนครับ

Systematic Review โดยนิยามนั้นหมายถึงการรวบรวมคำตอบของคำถามที่จำเพาะเจาะจงครับ ลองนึกสภาพถึงคำถามที่เกิดขึ้นในทางคลินิกนะครับ คำถามในที่นี้ก็จะล้อกันไปกับ PICO นั่นละครับ ตัวอย่างเช่น

การให้ Aspirin ในผู้ป่วยเบาหวานช่วยลดการเกิด MI หรือไม่
การให้ แป๊ะก๊วย ช่วยลดอาการปวดขาเป็นพักๆ (intermittent claudication) หรือไม่
การผ่าตัดถุงน้ำดีแบบส่องกล้อง (laparoscopic cholecystectomy) ลดอัตรา complication หรือไม่เมื่อเทียบกับการผ่าแบบเปิด (open cholecystectomy)
ฯลฯ

เมื่อมีการตอบคำถามเหล่านี้มากขึ้นเรื่อยๆ ไม่ว่าจะเป็นจากทั้งการศึกษาแบบ observational (cohort/cross-sectional) หรือ experimental (RCT) มันก็คงไม่สะดวกเวลาตอบใช่ไหมครับ หากเราต้องมานั่งอ่านเป็นสิบเปเปอร์ มันจะดีกว่ามั้ยถ้าเรารวมคำตอบไว้ทีเดียวเลย นั่นคือที่มาของ “review” ครับ

แต่หลายๆ ท่านก็คงเคยอ่าน review โดยทั่วๆ ไปแล้วนะครับ เช่นจากพวก textbook หรือ article review ที่อ่านตามหนังสือทั่วไป ปัญหาของพวก review พวกนี้ที่เกิดขึ้นก็คือว่า มัน “ไม่เป็นระบบ” ครับ คนทำอาจจะเอนเอียงไปข้างใดข้างหนึ่งก็ได้ (เช่นคนเขียนนั่งอยู่ที่บริษัทเครื่องมือผ่าตัดส่องกล้อง เขียนเชียร์ตัวเองอยู่) ทำให้ผลที่ได้อาจจะไม่ได้พูดถึงในอีกแง่มุมหนึ่งเลย จุดนี้เอง เป็นที่มาของการทำ Systematic Review ครับ

ขั้นตอนของการทำ Systematic Review ขั้นแรกก็คือการตั้งปัญหาที่เราสนใจครับ ปัญหานั้นจะต้องค่อนข้างเจาะจง เพื่อที่เราจะได้ตอบได้ครับ หลังจากนั้นเราจะต้องหาคำตอบของปัญหานี้ด้วยวิธีที่เป็นระบบ โดยอาจจะมีการตั้งกฎเกณฑ์ที่เป็นระบบไว้ก่อน เช่น ตั้งว่าจะค้นหาด้วยวิธีใดบ้าง ค้นฐานข้อมูลใด ใครค้น คัดเลือกด้วยใคร ใครเป็นคนกรอกข้อมูล ข้อมูลที่ได้จะรวมกันแบบไหน อย่างใด เสมือนหนึ่งเดียวกับการทำวิจัยชนิดอื่นๆ เลยครับ (นั่นจึงเป็นที่มาของคำว่า “Systematic”)

ขั้นต่อมาก็คือการค้นคว้าครับ ในขั้นตอนการค้นคว้านี้ ฐานข้อมูลที่เป็นที่นิยมโดยส่วนมากก็คือ Medline ครับ ไม่ต้องงงนะครับ จริงๆ ก็คือฐานข้อมูลที่ PubMed มีอยู่นั่นละครับ (PubMed เป็นชื่อของ “ตัวค้น” – Search Engine ส่วน Medline เป็นชื่อของ “ฐานข้อมูล” – Database) ส่วนฐานข้อมูลอื่นๆ ที่นิยมก็เช่น EMBASE (ของฝั่งยุโรป), CINAHL, Cochrane Controlled Trial Register เป็นต้นครับ นอกจากนี้ยังอาจจะค้นจากสื่ออื่นๆ เช่น ค้นจากการติดต่อ Expert, ค้นจากรายงานของ Conference ต่างๆ ด้วยก็จะยิ่งดีครับ

หลังจากที่เราค้นหาหลักฐานต่างๆ จากฐานข้อมูลนี้มาได้แล้ว เราก็จะต้องมาดูว่าเปเปอร์ไหนบ้างที่เข้ากับคำถามของเราครับ (ตรงจุดนี้จะต้องมีกำหนดไว้ก่อนในช่วงแรกแล้วอย่างแน่ชัดเป็น inclusion/exclusion criteria มิเช่นนั้นจะกลายเป็นว่าเรา “เลือก” หลักฐานมา – เป็น selection bias นั่นเองครับ)

เมื่อได้เปเปอร์มาแล้ว ผู้วิจัยส่วนใหญ่ก็จะให้คะแนนความน่าเชื่อถือของเปเปอร์ครับ โดยคะแนนความน่าเชื่อถือนี้มีหลายแบบครับตามแต่ว่าเปเปอร์ที่เลือกมานั้นเป็นประเภทใด เช่นถ้าเป็นของ RCT ก็จะเป็น JADAD score เป็นต้นครับ

หลังจากนั้นผู้วิจัยก็อาจจะสรุปเลยก็ได้ครับว่าหลังจากที่ค้นมาแล้วเป็นอย่างไรบ้าง แต่ส่วนใหญ่มักจะไม่จบเพียงแค่นี้ครับ (เพราะเสียดายอุตส่าห์ค้นมาตั้งเยอะ) ส่วนใหญ่เขาก็จะดึงเอาข้อมูลออกมา เพื่อที่จะนำข้อมูลนั้นมารวมกันด้วยวิธีการทางสถิติ ที่เรียกกันว่า meta-analysis กันนั่นเองครับ (โดยอาจจะมี Forest Plot + Heterogeneity Test ตามที่เคยเขียนไปแล้วด้วยครับ) นอกจากนี้ยังอาจจะวิเคราะห์ย่อยๆ ด้วยเช่นว่า ถ้าแบ่งเปเปอร์เป็นกลุ่มๆ แล้วจะมีคำตอบแตกต่างกันไปหรือไม่ เช่นผมรวม RCT ที่เกี่ยวกับการให้ Aspirin ในคนไข้เบาหวาน แต่มันมีทั้งเบาหวานแบบที่มีความดันร่วมด้วย หรือไม่มีความดันร่วมด้วย ผมอาจจะแบ่งข้อมูลเป็นสองกลุ่ม แล้วดูว่ามันต่างกันหรือไม่ก็ได้ครับ ซึ่งเรียกว่าการทำ Subgroup analysis

นอกจากการนำข้อมูลของเปเปอร์อื่นมารวบรวมด้วยกันแล้ว เรายังอาจจะนำเอาข้อมูลของ “คนไข้” ในแต่ละเปเปอร์นี้มารวมกันได้ด้วยครับ นั่นก็คล้ายกับว่าผู้วิจัยเสมือนหนึ่งเป็นการรวม Trials ต่างๆ เข้าด้วยกัน ซึ่งทำให้จำนวน n มากขึ้นนั่นเองครับ การนำข้อมูลคนไข้มารวมกันนี้ บางทีก็จะเรียกว่าเป็น Individual Patient Data ครับ

และสุดท้ายที่ผู้วิจัยอาจจะนำเสนอก็คือการแสดง Publication Bias ครับ Publication Bias ก็คือการที่ Study ที่ไม่ได้ผลนั้นอาจจะไม่ได้ลงตีพิมพ์ในฐานข้อมูล ทำให้เราอาจจะ “หลุด” Study ที่ไม่ได้ผลก็ได้ครับ เช่น RCT ที่ให้แป๊ะก๊วยแล้วไม่ได้ผล ก็อาจจะไม่มีสำนักพิมพ์ไหนอยากเอาไปพิมพ์ ทำให้ในฐานข้อมูลทั้งหมดกลายเป็นมีแต่แป๊ะก๊วยใช้ได้ผล ทั้งๆ ที่มันก็มี RCT ที่ให้แล้วไม่ได้ผลเหมือนกัน ตรงจุดนี้เราสามารถพล็อตกราฟเพื่อดูได้ครับว่า ผลมันไปทางเดียวกันหมดเลยหรือเปล่า (กราฟที่นิยมคือ Funnel Plot ครับ)

กล่าวโดยสรุปแล้ว ถ้ามีการวางแผนและทำเป็นระบบนั้น ก็จะยิ่งเพิ่มความน่าเชื่อถือของการทำ Systematic Review เข้าไปอีกครับ นั่นเองเป็นที่มาของว่า ทำไม Systematic Review นั้นถึงได้อยู่ในอันดับต้นๆ ของ Hierachy of evidence ครับ

ติดตั้งแพคเกจใน R ผ่าน Proxy/ติดตั้งด้วยมือ

2009-05-01T16:53:00.001+07:00

เคยมีคนถามผมครับว่าโปรแกรม R นั้นจะลงแพคเกจเสริมได้อย่างไร หากว่าเราต้องต่ออินเทอร์เน็ตผ่าน Proxy หรือเราดาวน์โหลดแพคเกจนั้นมาลงเอง

วิธีการก็ไม่ได้ลำบากอะไรเท่าไหร่ครับ แทนที่เราจะเริ่มโปรแกรม R ขึ้นมาเอง ให้คลิ๊กขวาในไอคอนของโปรแกรมใน Start Menu แล้วเลือก Properties

หลังจากนั้นพิมพ์เพิ่มเติมในช่อง Target จากเดิมที่เป็น:

"C:\Program Files\R\R-2.9.0\bin\Rgui.exe"

ให้ต่อท้ายด้วยเว็บ proxy แบบนี้แทน:

"C:\Program Files\R\R-2.9.0\bin\Rgui.exe" http_proxy=<ชื่อ proxy> http_proxy_user=ask

เช่นอย่างของมหิดล proxy นั้นคือ proxy-phy1.mahidol:8080 ก็จะเป็นแบบนี้ครับ:

"C:\Program Files\R\R-2.9.0\bin\Rgui.exe" http_proxy=proxy-phy1.mahidol:8080 http_proxy_user=ask

คราวนี้เวลากดเลือก Install Package ก็จะมีหน้าขึ้นมาให้ใส่ชื่อผู้ใช้และรหัสผ่านเหมือนโปรแกรมอื่นๆ แล้วครับ

สำหรับท่านที่ดาวน์โหลดแพคเกจมาเองจาก CRAN ให้เลือกเป็น Windows binary แล้วเลือกเมนู Packages -> Install package(s) from local zip files ครับ

อ้อ ตอนนี้ R มีถึงเวอร์ชัน 2.9.0 แล้วนะครับใครยังไม่ได้อัพเดตก็อัพเดตได้แล้วครับ

Forest Plots and Heterogeneity Tests in Meta-analysis

2009-04-26T11:53:00.000+07:00

ครับ วันนี้ผมขอเขียนถึงเรื่อง Forest Plot และ Heterogeneity Test ใน Meta-analysis นะครับ เพราะมีคนถามถึงบ่อย

Forest Plot นั้นก็คือการเรียบเรียงรายละเอียดของแต่ละ Study ย่อยครับ ปกติแล้วเวลาเอา RCT มาสรุปด้วยวิธีการทางสถิตินั้นมันจะมีแต่ตัวเลขเต็มไปหมด เขาก็เลยอาศัยกราฟขึ้นมาเพื่อให้เราสามารถตีความผลลัพธ์ที่ได้ดีขึ้นครับ

ยกตัวอย่างนะครับ จาก Systematic Review เรื่องการรักษาหูหนวกแบบฉับพลันที่ลงใน Arch Otol Laryngol: Conlin AE, Parnes LS. Treatment of sudden sensorineural hearing loss: II. A Meta-analysis. Arch Otolaryngol Head Neck Surg. 2007 Jun ;133(6):582-6. เขาทำการศึกษารวบรวม RCT ที่ให้ Steroid ในคนไข้หูหนวกฉับพลัน เทียบกับคนที่ได้ Placebo และ Outcome เป็นการหายจากหูหนวก โดยพบว่ามี 2 Study ย่อยดังนี้ครับ (คลิ๊กเพื่อดูรูปใหญ่นะครับ):

สังเกตนะครับ ว่าเขาจะเอาแต่ละ Study มาเรียงกันเป็นบรรทัด แล้วก็พล็อตเป็นเส้นขีด รวมถึงมีจุดสี่เหลี่ยมอยู่ตรงกลาง หลังจากนั้นเขาจะแสดงบรรทัด Total (คือการรวมของทุก Study) แล้วแสดงด้วยสี่เหลี่ยมข้าวหลามตัดไว้ในกราฟครับ สังเกตว่าถ้าเราตะแคงหัว 90 องศาจะเห็นกราฟนี้เป็นคล้ายๆ ป่าของต้นไม้ (นั่นคือที่มาของชื่อ Forest Plot น่ะเอง)

วิธีอ่านก็ไม่ยากเย็นอะไรครับ เช่นของ Study แรกนั้นก็แสดง OR อยู่ที่จุด 3.22 (จุดสี่เหลี่ยมจะอยู่ที่ 3.22) และมี 95% CI อยู่ที่ 1.18-8.76 (เส้นขีดจะขีดตั้งแต่ 1.18 ถึง 8.76) วิธีแปลผลก็แปลแบบ OR ธรรมดา (ลองอ่านโพสต์เก่า) เช่นในที่นี้ก็คือ คนที่ได้สเตียรอยด์ มีโอกาสหายเป็น 3.22 เท่าเมื่อเทียบกับ Placebo โดยเรามีความมั่นใจว่า ถ้าทำการทดลอง 100 ครั้งนั้น 95 ครั้งค่านี้จะอยู่ระหว่าง 1.18 ถึง 8.76 เท่าครับ (หรืออีกอย่างคือ ค่านี้มันน่าจะอยู่ในระหว่าง 1.18-8.76)

ส่วน Study อันที่สองนั้นก็เหมือนกันครับ ลองแปลดูเองก่อนนะครับ

นั่นคือ คนที่ได้ Steroid มีโอกาสหายเป็น 0.89 เท่าเมื่อเทียบกับคนที่ได้ Placebo โดยเรามั่นใจว่ามันจะอยู่ระหว่าง 0.10-7.86 ถ้างงว่าควรแปลยังไง เอาอะไรเทียบอะไร ให้เหลือบไปมองใต้กราฟครับ ว่าของเรามันอยู่ในช่วงที่ Favor Steroid หรือ Favor Placebo

ทีนี้ก็มาถึงตรงสรุปแล้วครับ ก็แปลแบบเดียวกันเป๊ะเลย แต่กราฟเขาพล็อตไว้ให้รูปมันแตกต่างไว้นั่นเอง จากกราฟนี้เราจะสรุปว่า คนที่ได้ Steroid นั้นจะมีโอกาสหายเป็น 2.47 เท่าของคนที่ได้ Placebo โดยเรามั่นใจว่ามันจะอยู่ที่ 0.89 ถึง 6.84 เท่านั่นเองครับ

สำหรับว่าทำไมสี่เหลี่ยมของสอง Study มันถึงขนาดไม่เท่ากัน นั้นถ้าอธิบายง่ายๆ ก็คือมันมีจำนวนคนใน Study นั้นไม่เท่ากันครับ เพราะฉะนั้น Study ที่คนน้อยกว่า เขาก็จะให้น้ำหนักน้อยกว่า (จริงๆ แล้วมีหลายวิธีในการให้น้ำหนักใน Study แต่ที่ง่ายๆ ก็คือให้ตามปริมาณคนใน Study)

ทีนี้ก็มาถึงการแปลผลของ Heterogeneity แล้วครับ

Heterogeneity คืออะไร? Heterogeneity แปลว่า ความไม่เป็นเนื้อเดียวกันครับ ง่ายๆ เลยคือเหมือนเราเอา ส้มเขียวหวาน มารวมกับ มะนาว แล้วดูเรื่องความเปรี้ยว แล้วเราจะเอามาสรุปว่าส้มมันเปรี้ยวก็คงลำบาก เนื่องจากว่าก็รู้ๆ อยู่ว่ามะนาว มันไม่ใช่ส้ม นั่นคือมันไม่เป็นเนื้อเดียวกัน หรือเป็น Heterogeneity นั่นเองครับ

ทีนี้เราจะบอกได้ยังไงว่าสิ่งที่เราดูอยู่มันต่างกัน? เพราะมันไม่ได้ง่ายเหมือนส้มหรือมะนาว… วิธีการของนักสถิติคือ เขาจะดูว่าค่าที่ได้มันไปในอารมณ์เดียวกันหรือเปล่าครับ โดยวิธีดูด้วยตาเปล่าคือ กราฟ 95%CI มันคร่อมกันหรือเปล่านั่นเอง

แต่ทั้งนี้เนื่องจากว่าเป็นนักสถิติ จะอธิบายด้วยตาเปล่าคงยังไงๆ อยู่ เขาก็เลยใช้วิธีการทางตัวเลขมาเพื่อตอบปัญหาในกรณีนี้ นั่นคือ Heterogeneity Test นั่นเองครับ โดย Heterogeneity Test นั้นมีสมมติฐานหลักว่า แต่ละค่าของการศึกษานั้นเป็นไปในทางเดียวกัน แล้วพยายามหาค่าโอกาสของความที่ Study มันต่างกัน (ซึ่งเป็น p-Value ของ Test) มาหักล้างนั่นเอง

อย่างในตัวอย่างข้างต้นที่กล่าวไป นั่นคือเขาทำ Heterogeneity Test ได้ Chi2 = 1.11 เมื่อแปลงมาเป็นค่า p-Value แล้วได้ 0.29 นั่นหมายความว่า “ในทางสถิติแล้ว โอกาสที่จะมี Study ที่ต่างกันซ่อนอยู่ (โอกาสที่มีมะนาวแอบอยู่) นั้น = 29%”

แล้วเราจะเอาเท่าไหร่เป็น cut-point ว่ามันเหมือนหรือไม่เหมือนละ? อันนี้ไม่มีคำตอบครับ ส่วนใหญ่เนื่องจาก Test นี้มันโหดน้อยไปหน่อย ถ้าเอา 0.05 แบบการแปลผล p-Value ทั่วไปแล้ว ก็จะกลายเป็นว่าทุกอันแทบไม่มีอันไหนไม่ต่างกันเลย เขาจึงเอาที่ 0.10 เป็นเกณฑ์ครับ หมายความว่า Study ใดๆ ที่มันได้ p น้อยกว่า 0.10 นั้นมันอาจมีความแตกต่างกันของ Study ซ่อนอยู่ภายใน

หรือถ้าในกรณีนี้ p=0.29 ก็คือ Study มันน่าจะไปในทางเดียวกันนั่นเอง ซึ่งสอดคล้องกับการที่ 95%CI มันคร่อมกันอยู่

ต่อจากนี้แล้วช่วงหลังเขาจะนิยมใส่ค่า I2 เข้ามาด้วยครับ ค่านี้เป็นค่าที่ได้มาจากการคำนวณของ Heterogeneity อีกทีหนึ่ง ซึ่งจะดีกว่าตรงที่มันไม่ต้องมี Cutpoint มันจะบอกเป็น % ให้เลยว่าโอกาสที่ Study มันแตกต่างน่าจะซักเท่าไหร่

อย่างในกรณีนี้ I2 = 9.5% แสดงว่ามันค่อนข้างไม่แตกต่างเท่าไหร่ครับ.. เอ แล้วจะเอาเท่าไหร่มาบอกว่ามันแตกต่างกันเยอะมากน้อยละ? อันนี้ก็กลับมาเรื่อง cutpoint อีกเหมือนเดิม แต่มีคนแนะนำคร่าวๆ ไว้ถ้าเกิดว่ามัน <25% มันก็แตกต่างไม่เท่าไหร่ 25-50% แตกต่างมากหน่อย >50% ควรระวังได้แล้ว แต่ทั้งนี้อย่าลืมว่า cutpoint นั้นไม่ใช่จุดชี้ชะตานะครับ เป็นแค่คำแนะนำจากนักสถิติเท่านั้นเอง (เพราะงั้นหนังสือแต่ละเล่มย่อมไม่เหมือนกันแน่ๆ)

แล้วทีนี้ Study แต่ละอันจะแตกต่างกันได้ยังไงบ้าง Source ของ Heterogeneity มันจะมาจากไหน?

อาจแตกต่างกันในแง่ของการดำเนินงาน เช่น ทำในประชากรคนละที่, ให้ยาคนละ dose, เก็บข้อมูลกันคนละแบบ
หรือแตกต่างในแง่ของคุณภาพการศึกษา (methodology quality) เช่น Randomize ดี รัดกุม อีกอัน โยนหัวก้อย หรืออันหนึ่ง Blind อีกอันไม่ Blind เป็นต้น

ซึ่งบางครั้งใน Meta-analysis ก็อาจแบ่ง Study เป็นหลายๆ แบบเพื่อดูว่าถ้าแบ่งตามยา dose น้อยแล้วผลมันจะเป็นอย่างไร หรือถ้าเอาเฉพาะ Study ที่คุณภาพดีๆ นั้นจะไปทางเดียวกันหรือเปล่า (ซึ่งก็อาจใช้ค่า I2 มาดูนั่นแหละครับว่าแบ่งแล้วมันดีขึ้น หรือมันแย่ลง)

สำหรับ Test for Overall Effect นั้นเป็นเรื่องเกี่ยวกับ Random Effects และ Fixed Effect Model ซึ่งค่อนข้างจะอธิบายนานครับ ยังไงผมขอผ่านไปก่อน เดี๋ยววันหลังจะมาอธิบายในตอนการ Appraise Systematic Review อีกทีให้นะครับ :)

Hierarchy of evidence

2009-04-22T12:50:00.000+07:00

วันนี้ขอพูดถึงเรื่อง ลำดับความสำคัญของหลักฐานนะครับ

ทำไมเราถึงต้องมานั่งจัดลำดับความสำคัญของหลักฐาน (Hierarchy) ? นั่นก็เพราะมันมี “ความน่าเชื่อถือ” ของหลักฐานนั้นไม่เท่ากันครับ ยกตัวอย่างใกล้ตัวเช่น ข่าวลือในอินเทอร์เน็ต หรือ Forwarded mail ว่าดาราคนนั้นกำลังระหองระแหงกับดาราอีกคน เราก็คงคิดว่า อูย มันไม่รู้ว่าจะเชื่อได้หรือเปล่า บางคนก็เชื่อ บางคนก็ไม่เชื่อ แต่ในขณะเดียวกัน ถ้าเกิดว่าดาราคนนั้นเขาออกมาให้สัมภาษณ์ผ่านโทรทัศน์ ก็รับรองว่าทุกคนจะต้องเชื่อแน่นอน (ยกเว้นบางคนที่ขี้ระแวง) นั่นก็หมายความว่า ข่าวลือในอินเทอร์เน็ตนั้นมัน “น่าเชื่อถือ” น้อยกว่าข่าวจากปากเจ้าตัวนั่นเองครับ

ในทางเดียวกัน ความน่าเชื่อถือในการศึกษาต่างๆ นั้นก็มีไม่เท่ากัน โดยทั่วไปแล้วมีคนเสนอหลักคร่าวๆ คือ

ถ้าดูตาม Design: Experimental Design (ที่คนศึกษาสามารถกำหนดปัจจัยต่างๆ เอง) นั้นน่าเชื่อถือกว่า Observational Design แล้วถ้าเป็น Observational Design ที่ n (ปริมาณคนใน study) มาก ย่อมน่าเชื่อถือกว่า n น้อยๆ
Prospective มักจะน่าเชื่อถือว่า Retrospective (เรากำหนดสิ่งต่างๆ ที่จะวัด แล้วค่อยมาวัด ย่อมดีกว่า ได้ข้อมูลครบถ้วนกว่า)
ถ้าดูตามจำนวน Study: ถ้ามีหลาย Study ย่อมดีกว่ามี Study เดียว (ทำนองว่าหลายหัวดีกว่าหัวเดียวงั้นเหอะ)

เมื่อนำหลักพวกนี้มาพิจารณาแล้วจะพบว่า Study ทั้งหลายแหล่ที่เราพบกันบ่อยๆ นั้นควรจะมีลำดับขั้นความน่าเชื่อถือดังนี้

Systematic Review/Meta-analysis of Randomized Controlled Trial (RCT) น่าเชื่อสุด
RCT ใหญ่ๆ
RCT เล็กๆ (หรือ RCT ที่ออกแบบได้ไม่ดี)
Controlled Trial อื่นๆ ที่ไม่ได้ Randomized
Systematic Review of Observational Study
Cohort Study
Case-control Study
Case series
Case report
Concensus conference
Expert opinion น่าเชื่อน้อยที่สุด

อย่างไรก็ดีลำดับความน่าเชื่อถือนี้มีผู้โต้แย้งมากมาย บางคนอาจจะสลับกันว่า Controlled Trial เอาไว้ล่างกว่านี้ หรือ Concensus ไว้ข้างบนหน่อย สำหรับผมแล้ว ผมคิดว่าลำดับตามนี้ก็ค่อนข้างมีเหตุผลครับ เช่น Case Series > Case Studies นั้นเพราะมีตัวอย่างคนไข้เยอะกว่า สำหรับ Concensus conference ย่อมมีหลายหัวมากกว่า Expert หัวสองหัว Systematic Review ย่อมดีกว่า Study แต่ละอันเนื่องจากข้อมูลเยอะกว่า

ดังนั้นเวลาที่เราจะพยายามตอบคำถามต่างๆ เราก็ควรที่จะยึดหลักตามนี้ด้วยครับ ถ้ามันมีข้อมูลที่น่าเชื่อถือตามลำดับสูงกว่า เราก็น่าจะเลือกอันนั้นมาตอบคำถามของเรา (แต่อย่าลืมว่าข้อมูลนั้นจะต้องคล้ายคลึงกับคนไข้เราด้วยนะครับ) ยกเว้นเพียงอย่างเดียว คือ โดน expert บีบคอให้เชื่อ :P

และลำดับความสำคัญนี้เองครับ เป็นที่มาของ Grading of Recommendation ตามที่เราเห็นใน Guideline ต่างๆ ครับ เช่นว่า Level A recommendation, Level B recommendation (ระบบ Grading นี่มีหลายระบบมาก และแต่ละระบบก็แบ่งไม่เหมือนกัน ต้องลองดูในเอกสารประกอบ Guideline จะมีระบุไว้ครับ ว่าเขาหมายถึง Study Design แบบใดบ้างครับ)

ถ้าสนใจเรื่องนี้ลองอ่านเพิ่มเติมได้ที่ University of Westminster นะครับ

ย้ายเว็บไซต์

2009-04-19T23:01:00.003+07:00

เพื่อเป็นการสะดวกสำหรับทุกท่านที่ต้องการเยี่ยมชมเว็บไซต์ ตอนนี้ผมได้จดทะเบียนชื่อโดเมนในอินเทอร์เน็ตใหม่นะครับ
ท่านสามารถเข้าบล็อกผมได้ผ่านทาง http://www.clinicalepi.com ครับ (จำง่ายดีมั้ยครับ ;) ) ทุกท่านสามารถเข้าทางเดิมก็ได้ หรือทางที่อยู่ใหม่ก็ได้ครับ

เขียน Reference ด้วย Zotero

2009-04-16T23:13:00.000+07:00

การเขียน Reference นั้นเป็นเรื่องที่หลีกเลี่ยงไม่ได้สำหรับการเขียนเอกสารทางวิชาการในปัจจุบันครับ เนื่องจากถ้าเราไม่มีที่มาอ้างอิงแล้ว ข้อมูลที่เรายกขึ้นมาลอยๆ นั้นอาจจะดูไม่น่าเชื่อถือ นอกจากนี้ยังไม่ให้ความเคารพแก่เจ้าของความคิดเดิมด้วยในบางกรณี แต่หลายท่านคงจะเบื่อที่จะต้องมานั่งเขียนที่มาเองเหมือนเด็กมัธยม วันนี้ผมขอเสนอวิธีช่วยงานด้วยโปรแกรม Zotero ครับ

โปรแกรม Zotero (อ่านว่า zoh-TAIR-oh) นั้นถูกพัฒนาขึ้นด้วยความสนับสนุนจาก George Mason University ครับ โดยก่อนหน้าที่จะมีโปรแกรมนี้ขึ้นมานั้น ผู้คนส่วนใหญ่มักใช้โปรแกรมอื่น เช่น EndNote (เดี๋ยวนี้ก็ยังใช้กันอยู่) แต่ปัญหามันมีอยู่ว่าโปรแกรมพวกนี้มันไม่ฟรี ต้องเสียเงิน นอกจากนี้ยังใช้งานลำบากพอสมควร (เพราะมีมาตั้งแต่อินเทอร์เน็ตยังไม่ฮิต หาเปเปอร์ต้องวิ่งหาห้องสมุด) ก็เลยได้พัฒนาโปรแกรมนี้ขึ้นมา

หลักการของโปรแกรมนี้เหมาะมากสำหรับการค้นหาข้อมูลทางอินเทอร์เน็ตครับ โดยโปรแกรมนี้จะฝังตัวเป็นส่วนเสริมไปกับโปรแกรมเล่นอินเทอร์เน็ตที่มีชื่อว่า Firefox (ไม่รู้ว่ารู้จักกันหรือเปล่า แต่พูดง่ายๆ คือเป็นโปรแกรมเปิดอินเทอร์เน็ตอันนึง นอกเหนือจาก Internet Explorer หรือตัว e สีฟ้าที่นิยมใช้นะครับ) เวลาเราไปเจอเปเปอร์ไหนน่าสนใจ หรือแม้แต่เจอหน้าอินเทอร์เน็ตไหนน่าสนใจ ก็เพียงคลิ๊กที่ไอค่อน มันก็จะทำการแยกแยะให้เราเสร็จว่าเปเปอร์นั้นคนเขียนชื่ออะไร ลงใน Journal ไหน ปีไหน ในฐานข้อมูลส่วนตัวของเราให้เรียบร้อย หลังจากนั้นเวลาเราจะเอาไปใส่ใน Word ก็เพียงคลิ๊กเดียวอีกเช่นกัน

อะไรมันจะสะดวกปานนั้นใช่ไหมครับ งั้นเราลองกันเลยดีกว่า

ขั้นแรก ก็ให้ติดตั้งโปรแกรม Firefox ตัวหลักก่อน บางท่านอาจจะลงไว้แล้ว แต่ถ้ายังไม่ได้ลง ให้เข้าไปที่ http://www.getfirefox.com นะครับ แล้วก็ดาวน์โหลดมา หลังจากนั้นทำตามขั้นตอนดาวน์โหลดจนเสร็จ (มีเป็นภาษาไทยด้วย) ถ้างง ไม่เข้าใจ ลองอ่านอธิบายวิธีติดตั้งเป็นภาษาไทยโดยละเอียดที่ http://www.mhafai.com/2007/06/firefox-installation-guide นะครับ

พอติดตั้งเสร็จ เปิด Firefox ขึ้นมาก็จะเป็นแบบนี้ครับ:

วิธีการก็เหมือนกันกับการท่องอินเทอร์เน็ตโดยทั่วไปครับ พิมพ์ที่ๆ จะไปด้านบน แต่วันนี้เราจะลงส่วนเสริม Zotero กัน เพราะฉะนั้นก็ไปเลยที่ http://www.zotero.org

หลังจากนั้นแล้ว ให้คลิ๊ก download ด้านขวาบนเพื่อติดตั้ง Zotero ลงใน Firefox ครับ (แนะนำว่าให้ใช้รุ่น 1.0 ก่อนเนื่องจากรุ่น 1.5 นั้นยังไม่เสร็จสมบูรณ์ครับ

หลังจากคลิ๊กถ้ามีช่องเหลืองๆ ด้านบนขึ้นมาถามว่ายอมให้ติดตั้งหรือเปล่า ก็ให้กด ยอมไปครับ

รอสักพัก จะขึ้นว่า ต้องการติดตั้งจริงๆ นะ ก็ให้ติดตั้งไปเลยครับ

หลังจากนั้นโปรแกรมจะทำการดาวน์โหลด Zotero มาใส่ใน Firefox ให้โดยอัตโนมัติครับ (ประมาณ 1 เมกะไบต์กว่าๆ) และเมื่อโหลดเสร็จก็จะให้เราเริ่ม Firefox ใหม่ครับ ก็คลิ๊กเลย

พอเปิดมาใหม่ ทีนี้ทุกหน้าต่างของ Firefox ก็จะมีไอคอน zotero อยู่มุมขวาล่างแล้วครับ

ทีนี้ก็มาถึงวิธีการใช้อย่างจริงจังแล้วครับ จะลองคลิ๊กไอคอนนั้นเข้าไปดูกันเลย (คลิ๊กคำว่า zotero เพื่อเปิดหรือปิดหน้าจอของ Zotero)

ตรงด้านซ้ายนี้จะเป็นรายการที่เราสามารถจัดเป็นหมวดหมู่ได้ครับ เช่น ผมมีเรื่องสนใจด้านหูคอจมูก ก็แยกหูไว้โฟลเดอร์นึง จมูกไว้อีกอันนึง เป็นต้น แต่จะไม่แยกเป็นหมวดหมู่ก็ได้ ทุกอันก็จะไปกองกันอยู่ตรง Library หมด ส่วนตรงการนั้นจะเป็นรายการทั้งหมดในโฟลเดอร์ที่มีในขณะนั้นครับ และด้านขวานั้นจะเป็นรายละเอียดของตรงกลางที่ได้เลือกเอาไว้ครับ

เอาละครับ คราวนี้ถึงเวลาเพิ่มเปเปอร์ลงไปใน Library กันแล้ว ผมขอลองกับเว็บไซต์เดิมๆ ละกัน สมมุติว่าผมหาคำว่า ‘tinnitus’ ใน PubMed โดยใช้ MeSH Term อยู่ (ใครงงว่า MeSH Term คืออะไรกรุณาอ่านที่ผมเขียนไว้คราวก่อนนะครับ

สมมติว่าผมสนใจอันที่สอง ก็เลยคลิ๊กเข้าไปอ่านดู

แล้วก็พบว่ามันใช่เลย! ผมต้องการอันนี้แหละ ที่จะไปใส่ใน Reference ของบทความใหม่ของผม ผมก็เลยคิดว่าจะเอามันไปใส่ใน Library วิธีการง่ายนิดเดียวครับ คือรอให้มันมีไอคอนปรากฎอยู่ข้างๆ แถบรายการข้างบน แล้วก็คลิ๊กตรงรูปเอกสารเล็กๆนั่นแหละ:

Zotero ก็จะแจ้งขึ้นมาว่ามันกำลังเอาเข้าไปใน Library อยู่ รอสักครู่แล้วเช็คดูว่ามันเข้าไปได้ดีหรือเปล่า เพียงเท่านี้เป็นอันจบพิธีครับ จะเห็นว่าเข้าไปอยู่ใน Library เรียบร้อย แล้วก็กรอกตามช่องให้เสร็จเลยด้วย!!

นอกจากนี้เวลาที่มันเป็นรายการหลายๆ อันในหน้าเดียว มันก็ยังจะขึ้นเป็นรูป Folder ให้เราเลือกได้ด้วยนะครับ เช่น ตอนที่เราเห็นผลการค้นหาใน PubMed หลายๆ อัน จะเอาอันไหนก็ติ๊กเลย

เวลาเราต้องการใส่ Citation นั้นเราสามารถคลิ๊กขวาใน Library (จะเลือกหลายๆ อันก็ได้ ให้กด Ctrl ค้างไว้แล้วเลือกหลายๆ อัน) แล้วเลือก Create Bibliography from Selected Items

แล้วเลือกว่าต้องการแบบไหน (โดยปกติที่นิยมใช้กัน แนะนำแบบ Vancouver ครับ หรือแบบอื่นๆ ก็มีเช่นของ NLM, AMA) แล้วก็เลือกว่าจะเอาออกไปที่ไหน ถ้าจะเอาไป Paste ในที่อื่น เช่นเขียนลงบล็อกก็เลือก Clipboard เพียงเท่านี้ ก็เสร็จแล้วครับ .. เฮ้ย อะไรมันจะง่ายปานนั้น!

เท่านี้ยังไม่พอนะครับ เนื่องจากว่าคนส่วนใหญ่ไม่ได้เอาไปตัดแปะประกอบการเขียนลงบล็อกแบบผมซะที่ไหน ส่วนมากเขาก็เอาไปประกอบเปเปอร์ตัวเองกันทั้งนั้น แล้วคนส่วนใหญ่ก็ใช้ Word เวลาพิมพ์ไปพิมพ์มาเดียวก็แก้ ย้าย Reference ไปไว้บทแรกมั่ง บทหลังมั่ง บรรทัดก่อนหน้าบ้าง บรรทัดสุดท้ายบ้าง ครั้นจะมานั่งเลือกแต่ละอันทีละ 1 2 3 คงลำบาก แต่ไม่ต้องห่วงครับ ถึงแม้คุณจะใช้ Word คุณก็สามารถใช้ Zotero ติดตามไปได้ด้วย!

เพียงแค่เข้าไปที่เว็บ Zotero ตามเคยครับ มองถัดมาล่างๆ หน่อย จะมีคำว่า Cite from within Word and OpenOffice เพียงคลิ๊กเข้าไปก็จะมีให้ดาวน์โหลดส่วนเสริมสำหรับ Microsoft Word แล้วครับ (ลิงก์มันอยู่ล่างๆ หน่อยนะครับ)

เมื่อโหลดมาลงเสร็จแล้วนั้นเวิร์ดของเราจะปรากฎไอคอนขึ้นมาแถบนึงครับ (แบบของ Word XP, 2003, 2007 อาจต่างกันเล็กน้อยนะครับ)

โดยถ้าเราต้องการใส่อันไหนลงไปใน Word เราก็คลิ๊กไอคอนแรกครับ (ครั้งแรกที่เริ่มใส่ มันจะถามก่อนว่าจะใส่แบบไหน เช่นเคยแนะนำ Vancouver ครับ) แล้วก็จะปรากฎหน้าคล้ายๆ ใน Library ขึ้นมา ก็เพียงแค่เลือกแล้วกด OK เท่านั้นครับ

จะใส่ก็อันก็ได้ครับ ตามสบายเลยครับ และถ้าต้องการปิดท้ายด้วยการใส่ Citation ทั้งหมด ก็เพียงคลิ๊กปุ่มที่สามครับ ก็จะมาให้เรียบร้อย

ถ้ามีการโยกย้ายที่เราทำ Citation เอาไว้ ตัวเลขมันจะไม่เปลี่ยนตาม ให้คลิ๊กที่ปุ่มรูปลูกศรทีนึงเพื่อให้มันเปลี่ยนตามครับ

นอกจากจะเอารายการเข้าผ่านทาง PubMed แล้ว เราก็ยังเอาเข้าได้จากเว็บอื่นๆ ด้วยครับ นอกจากนี้แล้วยังใส่รายการได้เองด้วย ลองเล่นๆ ดูได้ครับ แต่ที่ผมใช้ประจำก็จาก PubMed นี่หละ

หวังว่าคงจะมีประโยชน์บ้างนะครับ อย่าลืมนะครับ การที่ไม่ได้ Cite ที่มาของข้อมูลนั้นนอกจากจะทำให้เปเปอร์เราไม่มีน้ำหนักแล้วยังจะไม่ให้เกียรติคนที่เขียนให้เราอ่านกันด้วยครับ ขอให้โชคดีครับ

Incidence and Prevalence

2009-04-03T19:59:00.001+07:00

วันนี้ผมขอคั่นด้วยเรื่องง่ายๆ ที่หลายคนอาจจะยังไม่ทราบนะครับ คือเรื่องของ Incidence และ Prevalence เพราะหลายคนอาจจะสับสนกันบ่อยว่ามันคืออะไร ต่างกันยังไง

มาดูคำง่ายกันก่อน นั่นคือ Prevalence คำนี้ความหมายไม่ยากครับ มันก็คือสัดส่วนของคนที่เป็นโรคที่เราสนใจในคนทั้งหมดนั่นเอง หรือภาษาชาวบ้านก็คือ โรคนี้มันเป็นกันกี่ % เช่น เราบอกว่า ในคนไทยมี prevalence ของโรคเบาหวาน 20% ก็หมายความว่า ถ้า ณ วันนี้เอาคนไทยมา 100 คนแบบสุ่มๆ จะพบว่ามีคนเป็นเบาหวาน 20 คนนั่นเอง อันนี้คิดว่าทุกคนคงจะเข้าใจกันดีนะครับ ที่มาของตัวเลขนี้ส่วนมากก็เกิดจากการทำการศึกษาแบบ Cross-sectional นั่นเอง เช่น กระทรวงสาธารณสุขให้โรงพยาบาลทั้งประเทศรายงานจำนวนคนที่เมาในคนที่มารพ. เป็นต้นครับ

สังเกตุว่าเนื่องจากเป็น Cross-sectional มันก็จะเป็นที่ ณ จุดใดจุดหนึ่งของเวลา จึงไม่จำเป็นจะต้องเอาเวลามาเกี่ยวข้องกับการคิด หรือหน่วยเลยครับ ลองดูรูปภาพนี้นะครับ

สังเกตว่า Prevalence ก็คือการตัดเอาที่จุดเวลา ถ้าผมเลือกว่าจุดเวลาของผมคือ 2003 ดังนั้นผมก็ไม่ต้องสนใจเวลาอื่น Prevalence ของคนสีแดง (ไม่เกี่ยวกับการเมืองนะ) = 3 ในคนทั้งหมด 7 คน หรือคิดเป็น 3/7 = 0.43 หรือ 43% นั่นเองครับ

ลองคิดดูนะครับว่าจากรูปดังกล่าว Prevalence ของคนสีแดงที่ปี 2005 เป็นเท่าไหร่

เฉลย คือ 3/7 เหมือนกันนะครับ

นอกจากคำว่า Prevalence ที่ใช้โดยทั่วไปแล้ว ยังมีคำว่า Point Prevalence, Prevalence Proportion, Prevalence Rate ซึ่งต่างก็หมายถึง Prevalence เหมือนกันทั้งหมดครับ (ดังนั้นก็จำคำว่า Prevalence อย่างเดียวก็น่าจะพอ)

ในทางกลับกัน คำว่า Incidence นั้นมีที่มาจากการศึกษาแบบ Cohort ดังนั้นจึงมีเวลาเข้ามาเกี่ยวข้อง โดยหมายถึง จำนวนเคส ใหม่ๆ ที่เกิดขึ้นในช่วงที่เราตามไปศึกษานั่นเอง ยกตัวอย่างรูปเดิมนะครับ

สังเกตุว่าเมื่อเราตามคนที่มีโอกาสเสี่ยงจะเป็นโรค (Population at risk -- ซึ่งแน่นอนคนที่เป็นโรคไปแล้วเราก็ไม่คิด) ไปเป็นระยะเวลา 20 คนปี เราจะเจอเคสใหม่ 2 เคส หรือเราอาจบอกว่าเจอ 2 เคสใน 20 คนปีก็ได้

ทำไมต้องเป็นหน่วย คนปี? เพราะว่ามันจะช่วยเราในการเอาไปเปรียบเทียบกับกลุ่มที่ศึกษาในจำนวนคนหรือปีต่างกันครับ เช่น แทนที่จะศึกษา 5 คนใช้เวลา 4 ปีแบบตัวอย่าง เราอาจจะศึกษา 10 คนในเวลา 2 ปี ก็ได้ 20 คนปีเหมือนกันเลย

ดังนั้น ตามคน 5 คนไป 4 ปี พบ 2 เคส ก็ = 2/20 = 0.1 Case/person-year
ตามคน 10 คนไป 2 ปี พบ 2 เคส ก็ = 2/20 = 0.1 Case/person-year
ตามคน 100 คนไป 0.2 ปี พบ 2 เคสก็ = 2/20 = 0.1 Case/person-year เหมือนกันหมด

เพราะฉะนั้นก็จะเห็นว่า มันจะมีเวลาเข้ามาเกี่ยวข้องด้วยนั่นเองครับ ดังนั้นเวลาไปใช้ที่ไหน ใช้ให้ถูกหน่อยนะครับ Prevalence ไม่ต้องมีหน่วยของเวลา แต่ถ้า Incidence นั่นต้องมีแน่ๆ อย่าใช้สับสนกันนะครับ

Understanding Risk

2009-03-20T09:26:00.001+07:00

“ความเสี่ยง” นั้นเป็นเรื่องยากที่จะอธิบายให้เข้าใจได้ง่ายๆ แต่ส่วนใหญ่แล้วเรามักจะพูดถึงอัตราการเกิดโรคต่างๆ นั้นเป็นความเสี่ยงครับ

พอดีช่วงนี้ยุ่งนิดหน่อย แต่ไปเจอเว็บไซต์รายงานข่าวของ BBC News ที่พูดเรื่องเกี่ยวกับความเสี่ยงดังกล่าวเป็นกราฟฟิคที่เข้าใจง่ายๆ เลยมาลองให้ดูกันครับ

เข้าไปดูที่ BBC News กันเลยครับ: How to understand risk in 13 clicks.

Precision, Accuracy, Bias, Chance

2009-03-01T16:53:00.001+07:00

วันนี้พักเรื่องสถิติ มาคุยกันเรื่องความเที่ยงตรงและความแม่นยำกันนะครับ

หนึ่งในเรื่องที่น่าสนใจของการทำการศึกษาก็คือเรื่องของ ความผิดพลาดที่เกิดจากการศึกษา ทุกคนคงทราบดีว่ามันไม่สามารถที่การศึกษาใดๆ จะทำนายผลลัพธ์ได้ตรงเผง 100% ดังนั้นมันจึงเกิดคำว่า Error ขึ้นมาครับ

คำว่า Error นั้นเป็นคำรวมๆ หมายถึงความผิดพลาดที่เกิดขึ้น ซึ่งอาจเกิดจากความตั้งใจหรือไม่ตั้งใจก็ได้ครับ ในทางระบาดวิทยาและสถิติแล้ว เราแบ่งความผิดพลาเป็นสองแบบใหญ่ๆ คือ

ความผิดพลาดที่เกิดขึ้นอย่างไม่เป็นระบบ (Non-Systematic Error หรือที่เรียกว่า Random Error) บางคนเรียกว่า Chance
ความผิดพลาดที่เกิดขึ้นเป็นระบบ (Systematic Error) หรือที่เรียกว่า Bias

พูดมาตรงนี้ก็อาจจะงงเล็กน้อย ผมจะลองอธิบายด้วยวิธีที่หนังสือส่วนใหญ่ใช้ นั่นก็คือ เกมปาเป้าครับ

ในเกมปาเป้านั้นจุดมุ่งหมายก็คือพยายามทำให้ลูกดอกนั้นเข้าตรงเป้ามากที่สุด เหมือนกันกับที่เราทำวิจัย เราก็มีจุดมุ่มหมายทำให้ผลลัพธ์ที่เกิดขึ้นนั้นตรงกันกับความเป็นจริงในธรรมชาติมากที่สุดเหมือนกัน

อย่างไรก็ตาม ทุกคนที่ปาเป้าก็คงเข้าใจว่าถึงจะปาให้ดียังไง ก็คงไม่สามารถจะตรงเป้าตลอดกาลได้ (ยกเว้นคุณจะแม่นมากๆ แต่คงจะมีไม่กี่คนที่แม่นเป๊ะขนาดนั้น) สมมุติว่าปาไปสี่ดอก มันก็คงจะไม่ลงตรงจุดเดียวกันเสียทีเดียว คงมีเบี้ยวไปข้างซ้ายบ้าง เบี้ยวไปขวาบ้าง

นี่ละครับคือที่มาของคำว่า Random Error (Chance) นั่นก็คือว่าไม่ได้มีใครอยากที่จะให้มันเกิด แล้วเวลามันเกิดแล้วมันก็มีโอกาสไปได้ทุกๆ ด้าน ทั้งด้านบน ด้านล่าง ด้านซ้าย หรือด้านขวา

แต่หากว่ามีคนสายตาเอียงมาปา ลองนึกภาพดูว่ามันจะเกิดอะไรขึ้นนะครับ

จะเห็นว่าเพราะเขาตาเอียง ถึงแม้ว่าจะแม่นเพียงไหน เขาก็จะปาเบี้ยวไปตลอดทุกที

ความเที่ยงตรง (Precision) นั้นก็เปรียบได้กับในการปาลูกดอกในแต่ละครั้ง ว่ามันจะเบี้ยวซ้าย เบี้ยวขวาไปสักเท่าไหร่ (มันจะ Precise ได้สักเท่าไหร่) ยิ่งปาเก่ง ฝึกบ่อย มันก็จะทำให้เที่ยงตรงมากขึ้นเรื่อยๆ บางคนเรียกว่า มันสามารถจะทำซ้ำ แล้วผลลัพธ์ออกมาแบบเดิมได้ซักเท่าไหร่ (Reproducability/Repeatablility) หรือจะพูดย้อนไปคือ มันมี Random Error ซักแค่ไหนกัน

สำหรับความแม่นยำ หรือ Accuracy นั้นก็คือมัน “ตรงเป้า” ซักแค่ไหน คือคนปาเนี่ยสายตาเอียงหรือเปล่า ถ้ามีอะไรมาบังตา ก็จะทำให้ความแม่นยำนั้นลดลง เปรียบได้กับว่าแว่นนั้นคือ Bias ที่ทำให้ลูกดอกที่ปาออกไปมันผิดปกติไปในทางเดียวกัน

หนังสือหลายเล่มจะแสดงรูปสี่รูปต่อไปนี้ครับ:

นั่นก็คือ จากรูปบนซ้าย จะเห็นได้ว่านักปาเป้านั้นทั้งซ้อมบ่อย แล้วก็ไม่ตาเอียง (Random error น้อย, ไม่มี Bias)

ส่วนรูปบนขวานั้นซ้อมบ่อยจริง แต่ดันตาเอียง (Random error น้อย แต่ดันมี Bias)

ในทางกลับกันรูปล่างซ้ายนั้นซ้อมไม่บ่อย แต่โชคดีที่ตายังไม่เอียง (Random error เยอะกว่า แต่โชคดีที่ไม่มี Bias)

และรูปล่างขวานั้นคงไม่มีใครอยากให้เกิด เพราะนอกจากจะอ่อนซ้อมแล้วยังตาเอียงไปทางขวาอีก -_-“ (นั่นคือมีทั้ง Random error เยอะ และมีทั้ง Bias อีกต่างหาก)

หรือถ้าผมจะเรียงให้ดูมันก็จะเป็นไปตามนี้ครับ:

สำหรับ Bias ที่เกิดขึ้นนั้นเกิดได้จากหลายสาเหตุครับ ไว้โอกาสหน้าจะมาอธิบายต่อครับ

ใช้โปรแกรม R ช่วยคำนวณ Odds Ratio

2009-02-16T02:18:00.000+07:00

มีหลายคนเมล์มาถามผมเกี่ยวกับการคำนวณ Odds Ratio ที่ได้จากการศึกษา วันนี้ผมขอแนะนำโปรแกรมทางสถิติตัวหนึ่งที่นักสถิติและนักระบาดวิทยาหลายคนชอบใช้ นั่นคือโปรแกรม R ครับ

หลายท่านคงเคยได้ยินโปรแกรม SPSS (ซึ่งย่อมาจาก Statistical Package for the Social Sciences) มาแล้ว แต่ท่านทราบหรือไม่ ว่าท่านอาจจะกำลังใช้โปรแกรมนี้อย่างผิดกฎหมายอยู่! นั่นเป็นสิ่งที่ไม่ดีเลยครับ เรามาใช้โปรแกรมอื่นทดแทนโปรแกรมที่ผิดลิขสิทธิ์กันดีกว่า

โปรแกรม R นี้พูดแล้วก็เปรียบเสมือนเครื่องคิดเลขหนึ่งอันครับ โปรแกรมนี้สร้างโดยนักสถิติชาวนิวซีแลนด์ชื่อ Ross Ihaka และ Robert Gentleman ทั้งสองท่านนี้เห็นว่าโปรแกรมสถิติที่เราๆ ท่านๆ ใช้กันอยู่นั้นส่วนใหญ่จะมีราคาแพงถึงแพงหูฉี่ ก็เลยลองเขียนโปรแกรมขึ้นมาใช้เองดู และยังเผยแพร่โค้ดโปรแกรมออกมาอีกด้วย

เนื่องจากเป็นโปรแกรมที่สามารถดาวน์โหลดมาใช้ได้ฟรี ก็อาจจะไม่มีการรับประกันใดๆ อย่างไรก็ตาม โปรแกรมนี้เป็นโปรแกรมที่ได้รับการยอมรับจากนักสถิติทั่วโลกเลยทีเดียวครับ (Paper หลายอันใช้โปรแกรมนี้ในการคำนวณ)

พูดมานานแล้ว มาโหลดไปใช้กันดีกว่า เข้าหน้านี้ (http://www.r-project.org/) แล้วเลือกทำตามขั้นตอนต่อไปนี้เลยครับ

1. เลือก Download ใต้หัวข้อ CRAN
2. เลือกสถานที่ที่ใกล้เราที่สุดเพื่อจะได้โหลดเร็วๆ (เมืองไทยก็มี) แต่แนะนำ Australia เพราะเมืองไทยมักไม่อัพเดต

3. เลือกวินโดวส์ ถ้าคุณใช้วินโดวส์
4. เลือก base
5. เลือกอันที่ลงท้ายด้วย .exe ครับ (มันจะเป็นชื่อเวอร์ชั่นอยู่เช่นขณะที่ผมเขียนอยู่นี่มัน 2.8.1)

6. ได้มาแล้ว ลงตามปกติเลยครับ

เมื่อเปิดโปรแกรมจะพบหน้าตาโปรแกรมดูโบราณๆ นิดนึง (เห็นโบราณแบบนี้แต่มันทรงพลังทีเดียวเลยล่ะ)

สามารถลองพิมพ์ลงไปได้เลยครับว่าอยากจะให้มันคำนวณอะไร แล้วก็กด Enter

ถ้าพิมพ์ผิดไม่ต้องกลัวมันไม่เจ๊งครับ มันก็แค่ขึ้น Error เท่านั้นแหละ แต่ถ้าพิมพ์ๆ ไปแล้วเป็นแบบนี้

> log(log(4)+sqrt(5)
+ |

นั่นเกิดจากว่าคุณใส่สูตรไม่จบ ส่วนมากเกิดลืมใส่วงเล็บ ก็แค่พิมพ์ ) เพิ่มไปแล้วกด Enter มันก็จะคำนวณให้ครับ

ฟังก์ชันที่ใช้นั้นก็มีหลากหลาย ตั้งแต่ธรรมดาๆ เชน log, sqrt (ย่อมาจาก square root), sin, cos, tan,… จนไปถึงฟังก์ชันทางสถิติเช่นพวกหา p-value จากค่า Chi-square เลยทีเดียวครับ (จนตอนนี้ผมใช้แทนเครื่องคิดเลขไปแล้วแหละ)

หมายเหตุนิดนึงว่าฟังก์ชัน log นั้นเป็นฐาน e นะครับ ถ้าต้องการฐานสิบ ก็พิมพ์ ,10 ในวงเล็บแบบนี้

> log(1,10)
[1] 0

สำหรับเลข [1] นั้นไม่ต้องสนใจครับ เขาใช้เวลามันมีผลลัพธ์เยอะๆ ขึ้นบรรทัดใหม่มันจะบอกว่าเป็นผลลัพธ์อันที่เท่าไหร่

ข้อดีของโปรแกรม R นี้นอกจากจะฟรีแล้วยังสามารถใส่ความสามารถอื่นๆ เข้าไปได้ ในวันนี้ที่ผมจะเอามาใช้คำนวณ Odds Ratio นั่นคือโปรแกรมเสริม EpiCalc โดยอาจารย์วีระศักดิ์จากมอ. เขียนไว้สำหรับทำงานด้านระบาด โดยเฉพาะเลยครับ

วิธีลงโปรแกรม Epicalc เพิ่มให้เราเลือกจากเมนูดังนี้

1. เลือก Packages –> Install Package(s)…
2. เลือกประเทศไหนก็ได้เหมือนเดิม (แนะนำ Australia เหมือนเดิมครับ)
3. จะเจอโปรแกรมเสริม (เรียกว่า package) มากมายก่ายกอง ให้เลือก epicalc ที่เราต้องการ

4. มันจะดาวน์โหลดมาให้เอง รอนิดนึงครับ

5. ดาวน์โหลดเสร็จแล้วยังใช้ไม่ได้ ต้องเลือก Load package… เพื่อเอามาใช้ก่อน
6. แล้วเลือก epicalc เหมือนเดิม

สำหรับขั้นที่ 5-6 นั้นต้องทำทุกครั้งหลังเปิดโปรแกรมใหม่นะครับ เอาละครับ ทีนี้มาลองใส่ข้อมูลกันเลยนะครับ

สมมติว่าผมทำการศึกษาคนไข้กลุ่มหนึ่ง โดยแบ่งคนไข้หูอักเสบเป็นสองกลุ่ม กลุ่มนึงให้หยอดยา อีกกลุ่มหยอดน้ำธรรมดา แล้วลองดูซิว่าทั้งสองกลุ่มหายหรือไม่หาย

ในที่นี้ exposure คือการหยอดยา (exposure +) หรือไม่หยอดยา (exposure –) และ outcome ที่ผมสนใจคือหูยังเป็นโรคอยู่ (outcome +) หรือหูไม่เป็นโรคแล้ว (outcome –) ถ้าเขียนตารางก็ได้ดังนี้ครับ

แต่แทนที่เราจะมานั่งคำนวณเอง เราก็สามารถใช้โปรแกรม R+Epicalc นี้คำนวณได้ โดยใส่ฟังก์ชันดังนี้

> csi(3,29,18,13)

          Exposure
Outcome    Non-exposed Exposed Total
Negative 13          29      42
Positive 18          3       21
Total    31          32      63

           Rne         Re      Rt
Risk     0.58        0.09    0.33
                       Estimate Lower95ci Upper95ci
Risk difference (Re - Rne) -0.49    -0.72     -0.25
Risk ratio                0.16     0.06      0.41
Protective efficacy =(Rne-Re)/Rne*100
                           83.9     59.14     93.73
   or percent of risk reduced
Number needed to treat (NNT)2.05   1.39      3.97
   or -1/(risk difference)

เราก็จะได้มาหมดเลย อย่างในที่นี้ที่จะรายงานก็คือ Relative Risk (Risk Ratio) = 0.16 โดยมี 95%CI = 0.06-0.41 ครับ

ถ้าจำไม่ได้ว่าในวงเล็บอันไหนเป็นอันไหน ก็ลองพิมพ์ดู แล้วดูว่าตารางนั้นออกมาตรงหรือเปล่าก็ได้ครับ แต่ถ้าอยากรู้คำสั่งให้มากขึ้น ให้พิมพ์

> help(csi)

จะขึ้นข้อความช่วยเหลือให้ครับ

ลองใช้กันดูนะครับ ผมหวังว่าจะมีประโยชน์ ถ้าว่างวันหลังจะมาเขียนเพิ่ม

วิธีการค้นหาขั้นพื้นฐานด้วย PubMed - MeSH

2009-02-14T18:22:00.000+07:00

ใครอยู่ในแวดวงสาธารณสุขแล้วไม่รู้จัก PubMed ผมคิดว่าค่อนข้างล้าหลังเลยทีเดียว นักศึกษาแพทย์สมัยใหม่ตอนนี้ได้รับการฝึกให้รู้จักการใช้ฐานข้อมูลออนไลน์ตัวนี้มาตั้งแต่ปีสามปีสี่ แต่จะมีสักกี่คนกันที่เอาไปใช้ในชีวิตจริง วันนี้ผมจะลองนำเสนอการค้นหาข้อมูลจากชีวิตจริงโดยประยุกต์ใช้ PubMed มาให้ดูนะครับ

สมมุติว่าผมมีคนไข้ผู้หญิงอายุประมาณ 40 ปีมาปรึกษาด้วยอาการใบหน้าข้างซ้ายชาและปากเบี้ยว ตรวจร่างกายทางระบบประสาทอื่นๆ ปกติ ตรวจใบหน้าเข้ากันได้กับภาวะที่เรียกว่า Bell’s palsy ปัญหาของผมที่อยากรู้คือว่าการรักษาที่เคยเห็นเขาใช้ๆ กันคือให้ Steroid และ Antiviral แต่ผมอยากรู้ว่ามันได้ผลหรือเปล่า เพราะเคยเห็นพี่บางคนให้แต่ก็ไม่เห็นมันจะหายเบี้ยวเลย ทำยังไงดี

จากสถานการณ์นี้เราลองมาสรุปดูเป็นคำถามทางคลินิก โดยใช้หลักของ PICO (แยกคำถามเป็น Patient, Intervention, Comparison, Outcome) เพื่อหางานวิจัยที่เขามีคำถาม PICO คล้ายของเรามากที่สุดดูนะครับ (ลองคิดเองก่อนดูของผมก็ดีนะครับ)

ส่วนของผมลองตั้งได้คือ

P: ผู้หญิง, 40 ปี, วินิจฉัย Bell’s Palsy, ตรวจร่างกายมีชาและปากเบี้ยวดังกล่าว
I: Steroid และ/หรือ Antiviral
C: ไม่ให้อะไรเลย
O: หายปากเบี้ยว

ปัญหาคือเราจะเอา PICO นี้ไปหาใน PubMed ได้อย่างไร? หลายๆ คนคงคิดว่าไม่ยาก ก็ใส่มันลงไปหมดเลยซิ

เป็นไงครับ ผลที่ได้ ดูเหมือนจะได้ผลดีเหมือนกันนะครับ แต่ทำไมมันออกมาน้อยจัง นี่ยังดี บางคนหาจหาไม่ได้เลยก็เป็นไปได้นะครับ นั่นเป็นเพราะว่า PubMed มันเป็นฐานข้อมูลที่ยังไม่ค่อยฉลาดเสียเท่าไหร่ มันอาจตีความคำค้นหาของเราผิดก็ได้

วิธีของผมคือ ลองจัดลำดับความสำคัญ (Prioritize) ว่าคำค้นหาคำไหนมันสำคัญกว่ากัน

Bell’s Palsy: สำคัญแน่ๆ ไม่งั้นไม่เกี่ยวข้องเลย ผมให้ความสำคัญ 100%
Steroid, Antiviral: สำคัญเหมือนกัน แต่เลือกเอาระหว่างตัวมันกับ Antiviral
Female: ผมว่าไม่น่าจะสำคัญซะเท่าไหร่ ผู้ชายก็น่าจะเหมือนกันมั้ง ให้ความสำคัญประมาณ 20%

การค้นหาก็เหมือนกันครับ เราจะต้องทำการค้นหาเอาเฉพาะผลที่มีโรค Bell’s Palsy นี่ให้ได้ แต่บางที คนเขียนงานวิจัยเค้าอาจจะใช้ Idiopathic Facial Palsy ก็ได้ ใครจะรู้ บางคนอาจจะใช้แค่ Facial Palsy เฉยๆ หรือบางคนใช้ Bell Palsy ที่ไม่มี ‘s ทีนี้จะทำไงดี

ทางแก้ของเราคือใช้ฐานข้อมูลคำของ PubMed ครับ นั่นคือสิ่งที่เขาเรียกว่า “Medical Subject Heading” (MeSH) ซึ่งภายใน PubMed เอง เมื่อมีงานวิจัยเข้ามาในฐานข้อมูล จะให้บรรณารักษ์เป็นผู้กำหนดว่า งานวิจัยไหน เข้าหมวดหมู่กับคำในฐานข้อมูล MeSH อันใด เราสามารถค้นหาได้โดยเลือกฐานข้อมูลเป็น MeSH แล้วค้นครับ

ตามรูปเลยครับ เปลี่ยนในช่องด้านบนซ้ายให้เป็น MeSH แล้วพิมพ์หา Bell’s Palsy แล้วกด Go จะปรากฎผลลัพธ์ด้านล่าง ให้ติ๊กถูกหน้าคำที่เราสนใจ (บางทีจะขึ้นมาหลายคำ เราก็ลองอ่านดูว่ามันเป็นความหมายที่เราสนใจหรือเปล่า อย่างของผม “A syndrome characterized by the acute-onset of unilateral FACIAL PARALYSIS…” ก็น่าจะใช่นะ แล้วคลิ๊กที่ Send to เพื่อเลือก Search Box with And

จริงๆ จะเป็น AND/OR/NOT ก็ได้ครับ ไม่ค่อยสำคัญเท่าไหร่ เพราะเดี๋ยวเราก็จะต้องมาพิจารณาก่อนที่จะหาต่ออีกทีหนึ่งว่ามันเข้าใจเราถูกบ้างหรือเปล่า หลังจากเลือกแล้วมันก็จะมีช่องว่างๆ ขึ้นมาดังนี้เลยครับ

นี่ละครับ แสดงว่าคำที่บรรณารักษ์เขาใช้มันคือ “Bell Palsy” ไม่ใช่ “Bell’s Palsy” อย่างที่ผมเข้าใจซักหน่อย (ไม่มี ‘s จริงๆ ด้วย) หลังจากนั้น เราสามารถหาคำอื่นๆ ในฐานข้อมูล MeSH แล้วค่อยๆ Send to Search Box with AND ลงไปได้เรื่อยๆ ด้วยวิธีการเดียวกัน ผมจะลองใส่ Antiviral, Steroid ลงไปด้วยวิธีการหาจาก MeSH นะครับ:

จะสังเกตได้ว่า คำค้นหาคือ “Bell Palsy”[Mesh], “Steroids”[Mesh], “Antiviral Agents”[Mesh] ทีนี้ อย่างที่ผมบอกไปว่าผมอยากได้ทั้ง Steroid เดี่ยวๆ กับ Antiviral เดี่ยวๆ ด้วย ผมก็คงต้องเปลี่ยนเป็นว่า ผมต้องการบทความที่มีคำว่า Bell และ (Steroid หรือ Antiviral) ดังนั้นก็คงจะต้องเปลี่ยนในช่องเล็กน้อย

ครับ ทีนี้เราก็พร้อมจะค้นแล้ว ให้กดที่ “Search PubMed” ได้เลยครับ

เห็นไหมครับ ว่าตอนนี้เราได้ผลลัพธ์เยอะกว่าเดิม ลองใช้วิธีนี้ดูนะครับ!

ว่าด้วย Study Design

2009-01-29T22:15:00.000+07:00

มีหลายคนมีข้อสงสัยเกี่ยวกับเรื่อง Study Design จากวันก่อนที่ผมเกริ่นไว้คร่าวๆ นะครับ วันนี้จะลองมาขยายความอีกเล็กน้อย

ก่อนอื่นต้องอธิบายสองคำนี้นิดนึงนะครับ

Exposure หมายถึงภาวะที่เราสนใจว่ามันจะทำให้เกิดผลอะไรบางอย่าง เช่น การกินยา การสูบบุหรี่
Outcome คือผลที่เกิดขึ้นที่เราสนใจ เช่น การเกิดมะเร็งปอด การเกิดหัวใจวาย เป็นต้น

การศึกษาทางระบาดวิทยานั้นโดยหลักๆ แล้วจะแบ่งออกเป็นสองประเภทใหญ่ๆ คือ

1. Experimental Design คือผู้วิจัยนั้นเป็นผู้กำหนดเองว่า Subject ในงานวิจัยนั้นจะได้รับ Exposure เอง เช่น กำหนดว่าจะให้กินยา, กำหนดว่าจะได้รับการผ่าตัด, กำหนดว่าจะได้รับการอบรมจิตวิทยา เป็นต้น

ข้อดีของ Experimental Design นี้มีหลายประการครับเช่น

สามารถควบคุมปัจจัยต่างๆ ได้เต็มที่ (ภาษาระบาดเรียกว่าคุม Confounding Factors)

เนื่องจากเราเป็นคนให้ exposure ก่อนวัด outcome เสมอ (บางคนเรียกการวัด exposure ก่อน outcome นี้ว่า prospective หรือไปข้างหน้า) เราก็จะบอกได้ชัดเจนขึ้นว่า Exposure นั้นเป็นสาเหตุของ outcome แน่ๆ เรื่องเป็นเหตุเป็นผลกันนี้เขามีหลักการชัดเจน คือเรื่อง Causation ซึ่งไว้คราวหลังผมจะเขียนถึงอีก

สามารถดู incidence ที่เกิดขึ้นได้ (ซึ่งเป็นผลพลอยได้จากการที่เป็น prospective นั่นเอง)

ข้อเสียก็เยอะเหมือนกันครับ เช่น

แพง

ทำยาก (จะไปหาใครมายอมเข้าการศึกษา, การศึกษาต้องผ่านการพิจารณาด้านจริยธรรมค่อนข้างมาก)

ตัวแทนที่เข้าร่วมการศึกษา นั้นอาจไม่ใช่กลุ่มเดียวกับประชากรที่เราสนใจ เช่น ตัวแทนเป็นคนที่สนใจในสุขภาพตัวเองอยู่แล้ว จึงมาเข้างานวิจัย อาจไม่เหมือนกันกับประชากรจริงๆ ที่ไม่ได้สนใจสุขภาพเท่าไหร่ ก็ได้ครับ

โดย Experimental Design นั้นจะแบ่งได้หลายแบบ เช่นแบ่งว่าเป็น randomized/non-randomized design เป็นต้น

2. Observational Design คือผู้วิจัยไม่ได้เป็นผู้กำหนดเองครับ (exposure นั้นเกิดขึ้นเองโดยธรรมชาติของผู้ถูกศึกษา) ซึ่งโดยมากจะแบ่งออกเป็น

2.1 Descriptive Study เป็นการศึกษาที่ไม่ได้สนใจการเปรียบเทียบอะไรกันเลย กล่าวคือ ศึกษาคนกลุ่มเดียว โรคเดียว งานวิจัยพวกนี้เช่น

Case study หรือ case report แค่รายงานผลการรักษาของคนไข้ไม่กี่ราย
Case series อาจจะหลายรายขึ้นมาหน่อย เช่น 200-300 ราย
Cross-sectional คือการไปเจาะดูในช่วงเวลาเวลาหนึ่ง เช่น ศึกษาดูอัตราการเกิดโรคหัวใจในประชาชนที่อาศัยในกรุงเทพฯ ช่วงปี 2551, ศึกษาดูอัตราการตายของเด็กแรกเกิดในโรงพยาบาลชุมชนในระยะเวลาหนึ่งๆ
Longitudinal study อาจมีการตามคนไข้ไปชั่วระยะเวลาหนึ่ง
Ecological study เป็นการศึกษาที่หน่วยย่อยไม่ใช่รายคน เช่น การศึกษาเทียบ GDP ของประเทศในกลุ่มอาเซียนกับอัตราตายของโรคหัวใจ (ซึ่งจะเห็นว่าหน่วยย่อยในที่นี้เป็น “ประเทศ” ไม่ใช่คน) เป็นต้น จริงๆ บางคนก็จะจัด Ecological study นี้เข้าไปใน Analytical Study ได้เหมือนกันนะครับ

2.2 Analytical Study เป็นการศึกษาที่มี “การเปรียบเทียบ” ของกลุ่มคนตั้งแต่สองกลุ่มขึ้นไป สังเกตว่าจริงๆ แล้วงานวิจัยส่วนใหญ่จะพยายามทำการเปรียบเทียบตรงนี้ขึ้นมาด้วย วิธีสังเกตง่ายๆ ก็คือมักจะมีการใช้วิธีทางสถิติเข้ามาจับ แล้วก็จะได้ค่า p-Value มาด้วย (ถ้าเป็นแค่ Descriptive จะออกมาแค่ %, incidence, prevalence อย่างเดียว ไม่มี p-Value)

Analytical Observational Study นั้นส่วนใหญ่ที่เจอบ่อยมีสามอย่างครับ คือ

Cross sectional จะเห็นว่าซ้ำกับตรง descriptive เพราะว่า cross-sectional เป็นการบ่งว่าตัดส่วนหนึ่งของเวลามาทำการศึกษา แต่ทีนี้แทนที่จะศึกษาดูแค่ % ในคนทั้งหมด ก็แบ่งคนทั้งหมดเป็นสองกลุ่มแทน แล้วค่อยวิเคราะห์ “เปรียบเทียบ” ระหว่างสองกลุ่มในแง่ต่างๆ แทน
Case control เป็นการศึกษาที่ outcome มันเกิดขึ้นมาแล้วเราถอยกลับไปดูว่าคนที่มี outcome กับคนที่ไม่มี outcome นั้นมันแตกต่างกันหรือไม่ครับ ยกตัวอย่างเช่น การศึกษาเพื่อดูความเกี่ยวข้องโรคมะเร็งของเส้นประสาทหูชั้นในกับการใช้มือถือ โรคมะเร็งประสาทหูชั้นในนี้ปีนึงจะมีคนเกิดโรคนี้ซัก 3-4 คน การที่เราจะติดตามประชากรทั้งเมืองที่ใช้และไม่ใช้มือถือ (exposure) เพื่อรอให้โรค (outcome) นี้เกิดนั้นก็คงจะทำลำบาก ก็เลยใช้วิธีเอาคนที่เกิดโรคแล้ว (มี outcome แล้ว - หรือเป็น case) เทียบกับกลุ่มที่ไม่มีโรค (ไม่มี outcome - หรือเรียกว่า control) กลับมาย้อนซักประวัติว่า แต่ก่อนเคยใช้มือถือหรือเปล่า (exposure) ครับ จะเห็นได้ว่า เราย้อนจากผล (outcome) มาหาเหตุ (exposure) แทน

หรือจะพูดอีกอย่างว่าเราแบ่งกลุ่มคนตาม outcome ก่อน แล้วค่อยแยกดูอัตราของการ exposed เทียบกัน ก็ได้

ปัญหาของเจ้า case control นั้นอยู่ที่การเลือก control ครับ ซึ่งจะส่งผลไปตอนที่เราสรุปการศึกษา ยกตัวอย่างเช่นจากการศึกษามะเร็งที่ผ่านมา สมมุติว่าถ้าเราเลือก control เป็นคนที่นอนอยู่ที่รพ.ในเวลาเดียวกัน ถ้าผลออกมาพบว่าคนที่เป็นมะเร็งใช้มือถือมากกว่าจริงๆ เราก็จะสรุปได้แค่ว่า “สำหรับคนที่นอนรพ. แล้ว” พบว่าคนที่เป็นมะเร็งใช้มือถือมากกว่า -- หมายความว่าเราไม่สามารถจะเอาไปแสดงถึง “คนที่ไม่ได้นอน รพ.” ได้ครับ บางการศึกษาเลยเลือก case จากหลายแห่ง เช่นนอกจากจะในรพ. ยังเลือกตามชุมชน เป็นต้นครับ
สุดท้ายคือการศึกษาแบบ Cohort นั่นคือเราจะดู exposure ก่อนว่าคนนั้นๆ มี exposure หรือไม่แล้วค่อยตามดูว่าเกิด outcome หรือเปล่า เช่น การศึกษาเรื่องสูบบุหรี่ กับการเกิดมะเร็งปอด ก็จะตามดูคนที่สูด กับคนที่ไม่สูบ ว่าอัตราการเกิดมะเร็งปอดในสองกลุ่มนี้เท่ากันหรือไม่ (สังเกตว่าเราแบ่งกลุ่มคนจาก exposure ก่อน แล้วค่อยแยกดูอัตราของ outcome) เป็นต้น

สังเกตว่ามันก็ไม่ต่างอะไรกับการทำ Experimental เพียงแต่อันนี้เราไม่สามารถไปกำหนด Exposure เองได้เพราะมันจะดูผิดจริยธรรมเกินไป (คือ เราไม่สามารถบอกให้คนทีอ่ยู่ในกลุ่มแรกไปสูบบุหรี่ซะ คนกลุ่มที่สองไม่ต้องสูบ นั่นเอง)

สำหรับข้อดีของการศึกษาแบบนี้ก็คล้ายกับ experiment บางส่วนคือเราจะรู้ว่ามันเป็นเหตุเป็นผลกันแน่ๆ แต่ปัญหาคือมันก็เสียเวลาในการรอให้ outcome เกิดเหมือนกัน นอกจากนี้แล้วถ้า outcome มันไม่ค่อยเกิด (เช่นมะเร็งในหูชั้นใน) ก็คงจะต้องรอไปเรื่อยๆ จนกว่านักวิจัยแก่ก่อนแน่เลย

มึนกันหรือยังครับ ผมขอพูดคำที่สับสนกันเป็นประจำดีกว่า นั่นคือ คำว่า “Prospective” กับ “Retrospective” อันนี้เป็นที่สงสัยกันมาก แล้วก็สับสนกันมากๆ เลยครับ

คำว่า Prospective หมายถึง การมองไปข้างหน้า ส่วน Retrospective นั้นหมายถึงการมองย้อนหลัง มีผู้ใช้คำคู่นี้สองความหมาย ด้วยกัน

ความหมายที่หนึ่งที่มักใช้บ่อย คือการมองไปข้างหน้าเมื่อเทียบกับเวลา ณ การเริ่มศึกษาของผู้วิจัย เช่น ผมเริ่มศึกษาในปีนี้ (2009) การศึกษาใดๆ ไม่ว่าจะเป็น case control, cohort ที่นั่งรอเก็บข้อมูลตั้งแต่ปีนี้ (2009) ไปถึงปีในอนาคต (2010 2011…) นั้นผมก็อาจจะเรียกว่าเป็น prospective ได้

ในขณะเดียวกัน การศึกษาที่ไปย้อนดูบันทึกต่างๆ เวชระเบียน ที่เขียนขึ้นมาเมื่อปีที่ผ่านๆ มา (2008 2007 …) ก็จะเรียกว่าเป็น retrospective

แต่มีอีกหลายคนใช้ความหมายที่สองคือ prospective ในแง่ว่าเป็นการดู exposure ก่อน outcome (นั่นก็คือเป็นเป็น cohort นั่นเอง) และ retrospective ในแง่ว่าการดู outcome ก่อน exposure (ซึ่งก็คือ case-control) อย่างไรก็ตามคนที่ใช้ความหมายที่สองนี้มีอยู่น้อยนิดครับ คิดว่าส่วนใหญ่จะหมายถึงความหมายที่หนึ่งซะมากกว่า

มาสรุปทบทวนกันดีไหมครับ ว่าเรารู้ study design แบบไหนกันบ้างแล้วครับ ลองดูเลยครับ

เป็นไงครับ เข้าใจเพิ่มขึ้นบ้างหรือเปล่า ยังไงก็ลองสอบถามกันได้นะครับถ้างง

Intention To Treat, ARR, AR, OR

2009-01-25T21:35:00.000+07:00

วันนี้มีน้องที่สนใจระบาดวิทยา อีเมลมาถามเกี่ยวกับคำต่างๆ ก็เลยขอเอามาตอบในบล็อกด้วยเลยละกันนะครับ เพื่อเป็นประโยชน์ต่อคนอื่นๆ

สวัสดีคะ พี่ปวิน

พอดีว่าหนูได้ค้นหาข้อมูลเกี่ยวกับระบาดวิทยาอยู่ค่ะ แล้วค้นไปค้นมาก้อไปเจอบล็อกของพี่เข้าแล้วลองอ่านดูก็เข้าใจง่ายคะ และหนูก็มีเรียนวิชาพวกนี้ด้วย และก็มีการบ้านคืออาจารย์ให้ประเมินวรรณกรรมค่ะ อ่านบล็อกที่พี่เขียนแล้วได้แนวทางในการประเมินหลายอย่างคะ แต่ว่าศัพท์เฉพาะบางตัวหนูก็ไม่ค่อยรู้อะคะ หนูอยากหาหนังสือที่เป็นภาษาไทยมาอ่านอะคะ แต่ค้นหาแล้วมันไม่เจออะคะ พี่พอจะรู้บ้างไหมคะว่าจะหาอ่านจากไหน เพราะอาจารย์สอนหนูก็พอรู้เรื่องบ้างแต่มันคร่าว ๆ อะคะ แล้วหนูก็ลืม ก็เลยอยากอ่านที่มันละเอียดจริง ๆ ตามที่พี่อธิบายไว้ในบล็อกเป็นอะไรที่หนูเข้าใจมากๆ เพราะพี่ใช้ภาษาง่ายๆ

พี่คะ อย่าง intention to treat มันหมายถึงยังไงคะ แล้วพวกค่าทางสถิติพวกARR ,relative risk, oddratio อะไรพวกนี้ค่ะมันหมายถึงอะไรบ้างคะ พี่พอจะมีการคำนวณหรืออธิบายที่เป็นภาษาไทยบ้างไหมคะ แล้วก็ข้อมูลเกี่ยวกับวิธีการทดลองอะคะ เช่น rct metaanalysis systemic review มันเป็นอย่างไร แตกต่างกันอย่างไรบ้างคะ

คือหนูต้องประเมินวรรณกรรมส่งอาจารย์หนูไม่รู้จะเริ่มเขียนยังงัยดี เขียนได้แต่ pico แต่ทำส่งอาจารย์ต้องมีการวิเคราะห์ด้วยค่ะ ถ้าพี่มีเนื้อหาเกี่ยวกับการอ่านวรรณกรรมที่เป็นภาษาไทยช่วยส่งให้หนูหน่อยได้ไหมคะ

ก่อนอื่นต้องขอขอบคุณมากนะครับที่อ่านบล็อกของผม ถึงแม้ว่าจะเป็นบล็อกเล็กๆ แต่ก็จะพยายามหาคำตอบมาให้ทุกๆ คนนะครับ ผมว่าอย่างน้อยอาจารย์น่าจะดีใจ ที่คุณพยายามหาคำถามและคำอธิบายแน่ๆ

สำหรับหนังสือที่ผมแนะนำ ผมไม่เคยอ่านหนังสือระบาดภาษาไทยเสียเท่าไหร่ แต่ได้อ่านหนังสือภาษาอังกฤษ User’s Guide to Medical Literature ของ Gordon Gyatt เล่มเล็กๆ เท่าฝ่ามือ (เล่มนี้) หรือจะอ่านจากเว็บไซต์นี้ก็ได้เหมือนกัน ซึ่งการประเมินวรรณกรรม ก็ทำตามหัวข้อในนั้นละครับ (เหมือนกันกับที่ผมเคยเขียนคือ Validity, Result, Application) ภาษาอ่านง่ายมากครับ และมีคำอธิบายเกี่ยวกับคำศัพท์พวกนี้ไว้เกือบหมดเลยทีเดียว อย่างไรก็ตามผมจะลองตอบคำถามที่ถามมาเป็นข้อๆ นะครับ

1. Intention To Treat คืออะไร

นึกสภาพ เวลาเราแบ่งคนไข้ในการศึกษาเป็นสองกลุ่มนะครับ กลุ่มนึงกินยาจริง อีกกลุ่มให้กิน placebo แน่นอนว่าเพื่อให้การทดลองนี้มันถูกต้อง เราก็ต้องสุ่ม (randomize) ให้แต่ละคนว่าเขาจะไปอยู่กลุ่มไหนใช่ไหมครับ (จะด้วยวิธีจับสลาก, ให้คอมพิวเตอร์รันให้ หรือโยนหัวก้อยก็แล้วแต่ -- มีคนทำจริงๆ นะ แบ่งคนไข้ด้วยการโยนหัวก้อยเนี่ย) ที่เราต้องพยายามสุ่มให้คนไข้ไปทั้งสองกลุ่มเพราะเรากลัวว่ามันจะมีลักษณะบางอย่าง ที่ทำให้คนที่กินยา แตกต่างจากคนที่กิน placebo เช่นถ้าเราไม่สุ่ม คนที่อารมณ์ดีหมอคุยด้วยแล้วรู้สึกดี หมอก็อาจจะจับเขาไปอยู่กลุ่มยา อีกคนนึงอารมณ์เสีย บ่นเยอะ จับไปอยู่กลุ่ม placebo เป็นต้น อันนี้คือเรื่องของการ randomization เพื่อให้แต่ละคนที่เข้าการทดลอง มีโอกาสไปอยู่กลุ่มที่ได้ยา = 0.5 (50%) และมีโอกาสไปอยู่กลุ่มที่ได้ placebo = 0.5 เท่าๆ กัน

แต่ในความเป็นจริง คนกลุ่มที่ได้ยากลับไปบ้านเขาอาจจะไปแลกยากับคนไข้ที่เป็นกลุ่ม placebo ก็ได้ หรือที่เลวร้ายกว่านั้นคนไข้ที่ได้ยาอาจเบื่อ ไม่อยากกินยาเลยก็ได้ (ซึ่งถ้าคิดแล้วมันก็คือไม่ได้กินอะไร ก็คล้ายๆ กับการกิน placebo) พอทีนี้วิธีการคำนวณเมื่อการทดลองจบมันก็จะมีสองแบบ

แบบแรก คิดตามสิ่งที่ทำลงไปจริงๆ คือเอาคนที่ยอมรับว่ากินยา อยู่ในกลุ่มกินยา เอาคนที่ได้กินยาแต่ดันไม่กิน ไปอยู่กลุ่ม placebo อันนี้เราเรียกว่าวิเคราะห์แบบ per protocol

แบบที่สอง คิดตามสิ่งที่เราตั้งใจจะให้เขาทำตั้งแต่แรก ก็คือไม่ว่าคุณจะเอายากลับไปกินหรือไม่กิน เราก็จะถือว่าคุณอยู่ในกลุ่มยา เรียกว่าแบบ intention-to-treat

ข้อที่ดีกว่าเป็นอย่างมากของแบบที่สองนี้คือว่ามันยังรักษาความที่มันเกลี่ย ลักษณะที่เรา random ไว้ตั้งแต่แรกไว้ด้วยครับ ดังนั้นหากไม่มี intention to treat แล้วจริงๆ ก็ไม่รู้ว่าจะ randomize ไปทำไม ทำให้ขาดความน่าเชื่อถือไปเป็นอย่างมากครับ ซึ่งโดยส่วนใหญ่เดี๋ยวนี้ผู้วิจัยก็รู้กันและจะทำการวิเคราะห์แบบ intention-to-treat อยู่แล้ว ยกเว้นผู้วิจัยกลุ่มเล็กๆ ที่ยังไม่เคยรู้จัก EBM ครับ

ถ้าอยากลองอ่านเพิ่มเติมเรื่อง Intention-to-treat ลองอ่านได้จาก Article นี้ ใน CMAJ ครับ

2. ARR, RR, OR หมายถึงอะไร

อันนี้ต้องย้อนมาถึงตารางที่นักระบาดใช้อยู่บ่อยๆ นั่นคือตารางขนาดสองด้านด้านละสองช่อง (2x2 contingency table).. อย่าเพิ่งยี้นะครับ.. ตารางนี้มีไว้เพื่อให้เราเห็นภาพชัดขึ้นของคนไข้ทั้งหมดเมื่อแยกสองแบบ เช่นผมทำการศึกษาเกี่ยวกับคนไข้ ที่นอนกรน เมื่อเทียบกับความอ้วน ได้ผลออกมาคือ

สังเกตว่า ตารางนี้จริงๆ มันมีแถว “ทั้งหมด” ด้วย แต่จริงๆ ในแถว “ทั้งหมด” นั้นมันก็คำนวณมาจากสี่ช่อง (2x2) นั่นแหละครับไม่ต้องกังวล ถ้ามีสี่ช่องก็จะหาช่องที่เหลือได้หมด

ถ้ามีคนถามว่า ถ้าเป็นคนอ้วน โอกาสนอนกรนจะเป็นเท่าไหร่ ก็ให้ลองคิดแบบนี้ คือปิดเอาคนที่ไม่อ้วนออกไป เอาแต่คนอ้วนไว้ นั่นก็คือจะเหลือเพียงแถวแรก

ก็ตอบเขาได้ง่ายนิดเดียวว่า คนอ้วน มีโอกาสนอนกรน 30 ใน 40 (30/40 = 3/4 = 0.75) ใช่ไหมครับ แต่ถ้าอย่างนี้แล้วเราอาจพูดอีกอย่างได้ว่า โอกาสเสี่ยงของคนอ้วนที่จะนอนกรน = 0.75 ได้เหมือนกัน (The risk of snoring in obese patients is 0.75.) นั่นคือคำแรก คำว่า “Risk”

งั้นเราลองมาหาอีกดีกว่า ถ้าเขาถามว่าคนที่ไม่อ้วน โอกาสนอนกรนจะเป็นเท่าไหร่ (What’s the risk of snoring in non-obese patients?) ทำแบบเดียวกัน (ลองคิดเองก่อนด้วยนะครับ)

เฉลย ก็คือ 20/60 = 0.33 นั่นเองครับ

สรุปว่า Risk = จำนวนที่เป็นโรค / จำนวนคนทั้งหมด

ต่อมาก็คือคำว่า “Relative Risk” (หรือ Risk Ratio ซึ่งเป็นคำที่มีความหมายเดียวกัน) อันนี้เพิ่มมาอีกเพียงนิดเดียว คือเป็นการเปรียบเทียบระหว่างคนสองกลุ่ม ในที่นี้ก็คือคนอ้วน กับคนไม่อ้วนนั่นเอง ถ้าผมถามว่าคนอ้วนนี้มีโอกาสนอนกรนเป็นกี่เท่าของคนไม่อ้วน ก็เหมือนกันกับว่า

(โอกาสกรนของคนอ้วน) = (? เท่า) x (โอกาสกรนของคนไม่อ้วน)

แทนค่าตามสมการ ก็จะได้เป็น

0.75 = (? เท่า) x 0.33

หรือจำนวนเท่านี่ก็คือ = 0.75/0.33 = 2.27 นั่นเองครับ เย่ๆ นี่ไง Relative Risk ถ้าพูดก็คือ คนอ้วนมีโอกาสกรนเป็น 2.27 เท่าของคนไม่อ้วน (Relative risk of snoring in obese patient is 2.27. หรือ Obese patients’ risk of snore is 2.27 times of that non-obese patients’.) คำว่า Relative คือเมื่อเทียบเคียงกันเป็นสัดส่วนนั่นเอง กลายเป็นสมการได้คือ

Relative Risk = Risk (A) / Risk (B)

ผ่านไปสองคำ มึนหรือยังครับ? มีต่อนิดนึง

Absolute Risk Reduction (ARR) (หรือ Risk Difference (RD) ซึ่งเป็นคำที่มีความหมายเดียวกัน) ก็คล้ายกันครับ ในที่นี้ก็คือจะมองว่า Risk ของคนอ้วนนั้นมากกว่าคนไม่อ้วนเท่าไหร่ แต่ไม่เอาเป็นเท่า เอาค่าจริงๆ (ค่า Absolute) มาเลย นั่นก็คือ Risk คนอ้วน – Risk คนไม่อ้วน = 0.75 – 0.33 = 0.42 นั่นเองครับ

Absolute Risk Reduction = Risk (A) – Risk (B)

ข้อดีของอันนี้คือเอามาคิดเป็น Number needed to treat (NNT) ได้ครับ คือ

Number Needed to Treat = 1/Absolute Risk Reduction

ในที่นี้คือ = 1/0.42 = 2.38 มันหมายความว่าไง หมายความว่าถ้าเราเปลี่ยนจากคนอ้วนให้เป็นคนไม่อ้วนได้ทุกๆ 2.38 คนเราจะลดการนอนกรนได้ 1 คน -- แต่ส่วนมากเขาจะใช้ในเรื่องการกินยามากกว่าเพราะเรามักจะเปลี่ยนลักษณะเฉพาะเช่นความอ้วนของคนลำบาก

คำสุดท้ายคือคำว่า Odds Ratio ซึ่งต้องมาทำความเข้าใจกันใหม่ตั้งแต่แรกนะครับ

วิธีการคิดของ Odds นั้นไม่เหมือน Risk ครับ ของ Risk นั้นเราเอาคนที่กรน หารด้วยคนทั้งหมดใช่ไหมครับ แต่สำหรับ Odds นั้นเราเอาเป็นแต้มต่อกันครับ นั่นคือ

Odds การกรนของคนอ้วน = คนอ้วนที่กรน / คนอ้วนที่ไม่กรน = 30/10

ลองทำดูสำหรับคนไม่อ้วนนะครับได้ Odds การกรนของคนไม่อ้วนเท่าไหร่

เฉลย คือ 20/40 ครับ

ทีนี้ก็ง่ายแล้วคือ Odds ratio ก็คือการเปรียบเทียบระหว่างคนสองกลุ่มคล้าย Relative Risk นั่นเอง! เอา Odds ของคนอ้วน / Odds คนไม่อ้วนเลยครับ

Odds ratio = Odds (A) / Odds (B)

= (30/10) / (20/40)

= 6

เมื่อกลับข้างกันเรียบร้อยจะสังเกตได้ว่า มันก็คือการคูณไขว้แนวทแยง แล้วหารกันนั้นเอง!(30*40 / 20*10) ซึ่งหลายคนชอบใช้สูตรนี้ แต่ผมว่าจริงๆ ถ้าเข้าใจได้แบบที่เขียนไว้ก็ไม่น่ามีปัญหา

ถามว่าแปลผลอย่างไร จะบอกว่าแปลผลเป็นแบบเดียวกันกับ Relative Risk ได้เลยครับ คือคนอ้วนมีโอกาสกรนเป็น 6 เท่าของคนไม่อ้วน

จะเห็นได้ว่ามันค่ามันต่างจาก Relative Risk พอควร เพราะตัวอย่างที่ผมให้ดูนี้คนที่นอนกรนมันเย๊อะๆๆ ครับ ถ้าผมลองให้ตารางใหม่ดู จากตารางนี้ลองคิด RR และ OR ดูก่อนเฉลยนะครับ

เฉลย

Relative Risk = Risk (อ้วน) / Risk (ไม่อ้วน) = (10/510) / (5/605) = 2.37

Odds Ratio = Odds (อ้วน) / Odds (ไม่อ้วน) = (10/500) / (5/600) = 2.4

เห็นไหมครับ พอการนอนกรนเป็นสิ่งที่ไม่ค่อยมีคนเป็น (ภาษาระบาดเรียกว่า prevalence มันน้อย) แล้ว OR กับ RR เกือบเท่ากันเลย! การใช้ Odds Ratio นี้จึงนิยมในเหตุการณ์ที่เราไม่รู้ว่าจริงๆ แล้วในช่อง “ทั้งหมด” นั้นเป็นซักเท่าไหร่กันแน่ แต่เรารู้ว่าไอ้ช่อง ไม่เป็นโรคนั้นมันเยอะๆ เช่นการศึกษาแบบ Case Control เป็นต้นครับ

3. RCT, Metaanalysis, Systemic review คืออะไร

อันนี้ต้องรู้เกี่ยวกับว่า งานวิจัยที่ทำแต่ละอย่างคืออะไรครับ การศึกษาทางระบาด แบ่งเป็นสองประเภทใหญ่ๆ คือ Observational study และ Experimental Study

Observation คือการศึกษาแบบที่ผู้วิจัยไม่ได้ไปวุ่นวายอะไรกับคนไข้เลย แค่ถามคำถามคนไข้ เก็บข้อมูล เก็บเลือด ฯลฯ จากคนไข้เท่านั้น
Experimental คือเป็นการศึกษาที่ผู้วิจัยลงไม้ลงมือ ให้ยาคนไข้กิน ทำการผ่าตัดกับคนไข้นั่นเองครับ

ซึ่งจริงๆ แล้ว Observational นั้นแบ่งอีกย่อยๆ เป็น Cross sectional, Cohort และ Case-Control แต่เดี่ยววันนี้จะมึนซะก่อน ผมขอตอบที่คำถามตรงๆ เลยดีกว่า

การศึกษาแบบ Experimental นั้นส่วนใหญ่หมายถึง Randomized Controlled Trial นั้นคือเป็น การศึกษา (Trial) ที่มีกลุ่มทดลองและกลุ่มควบคุม (Controlled) โดยที่การจัดกลุ่มผู้ถูกวิจัยนั้นเป็นไปในแบบสุ่ม (Randomized) นั่นเอง บางคนก็เลยเรียกย่อว่า RCT จริงๆ แล้วยังมี Trial ที่ไม่ได้มีกลุ่มควบคุม หรือไม่ได้ random อีกครับ

สำหรับบางครั้งแล้วการศึกษาในเรื่องเดียวกันก็อาจจะมีหลายๆ สถาบันเป็นคนทำ เช่นทำที่สหรัฐ ทำในไทย ทำที่ญี่ปุ่น ทีนี้ถ้าเป็นเรื่องเดียวกัน การเอามาสรุปรวมกันอย่างมีหลักการ เราจะเรียกการสรุปนี้ว่า “Systematic Review” ครับ (ที่น้องเขียนมานั้นไม่ถูกนะครับ ไม่มี systemic review มีแต่ systematic review ครับ)

เมื่อมีการมาสรุปรวมกันแล้วก็จะต้องมีการใช้หลักทางสถิติเพื่อรวมเจ้า Relative Risk หรือ Odds Ratio จากหลายๆ study มารวมกัน หลักการนี้เรียกว่า meta-analysis นั่นเองครับ

จะเห็นได้ว่างานวิจัยที่เป็นการรวมกันส่วนใหญ๋จะทำทั้งเอามารวมรวมอย่างเป็นระบบ (Systematic Review) และวิเคราะห์แบบ Meta-analysis ไปเลยครับ

มึนหรือยังครับ วันนี้เอาแค่นี้ก่อนละกันนะครับ ถ้าสงสัยกรุณา comment หรืออีเมลมาถามได้นะครับ ขอให้โชคดีครับ

Box Plot

2009-01-02T18:31:00.002+07:00

วันนี้ขอเสนอเรื่องแนวสถิติง่ายๆ บ้างละกันนะครับ บางท่านอาจทราบแล้ว แต่ผมเชื่อว่าอีกหลายท่านยังไม่ทราบ นั่นคือเรื่องเกี่ยวกับกราฟที่เรียกว่า Boxplot...

BoxPlot คืออะไร BoxPlot นั้นคือกราฟชนิดหนึ่ง คิดค้นขึ้นเมื่อปี 1977 โดยนักสถิติชาวอังกฤษชื่อ N A Sheldon

ถามว่ามันแตกต่างยังไงกับการพล็อตกราฟธรรมดาๆ คือกราฟธรรมดาสมมติว่าผมมีข้อมูลของระยะเวลาของคนที่เสียเวลาไปกับแชคผ่านอินเทอร์เน็ตใน 1 วันเป็นดังนี้

หลายคนอาจจะไม่คิดอะไร แหม ง่ายๆ ก็เอามาพล็อตเป็นกราฟแท่ง หรือไม่ก็กราฟจุดๆ สิ ก็จะออกมาเป็นแบบนี้ครับ

ถามว่าใช้ได้หรือไม่ ก็ต้องตอบว่าใช้ได้ แต่การแสดงกราฟแบบนี้ จะไม่บอกอะไรเราเลย คนดูแล้วก็จะเออ แต่ละคนใช้เวลาในเน็ตไปแบบนี้ๆ นะ ไม่รู้จะจับจุดอะไรจากกราฟนี้ดี เนื่องจากเราไม่ได้สรุปอะไรให้เขาเลย

การสรุปข้อมูลจากสิ่งที่เรามีอยู่ เราควรจะสรุปให้เขารู้อย่างน้อยๆ สองอย่าง ว่า

ส่วนใหญ่คนที่เรามีอยู่น่ะมันอยู่ตรงไหนกัน อันนี้คงนึกออกว่ามันก็คือ "ค่ากลางของข้อมูล" ซึ่งอาจจะเป็น Mean หรือ Median ก็ได้ แต่ถ้าเราใช้ Mean มันจะไม่เหมาะสมสำหรับข้อมูลที่ไม่เบ้ ในขณะที่ถ้าเราใช้ Median มันจะใช้ได้ทั้งตอนที่เบ้ และตอนที่ไม่เบ้ (เพราะ Median มันเท่ากับ Mean ถ้าข้อมูลมันไม่เบ้)
บอกว่าข้อมูลที่กระจายอออกไปจากตรงกลางนี้น่ะ มันกระจายออกไปด้านข้างซักประมาณไหนกัน (ศัพท์ทางสถิติเขาใช้คำว่า Dispersion ครับ) ซึ่งมีหลายวิธี เช่น บอกเป็น ค่าต่ำสุด-ค่าสูงสุด (พิสัยหรือ Range), บอกเป็น Standard Deviation

สำหรับ Box Plot นี้เราจะได้บอกทั้งสองอย่าง นอกจากนี้ยังบอกถึงค่าที่มันกระโดดจากกลุ่ม (ศัพท์สถิติเรียกว่า Outliers หรือพวกนอกคอก) ได้เป็นของแถมด้วยครับ เราลองมาดูกันเลยดีกว่าว่าถ้าผมเอาข้อมูลชุดดังกล่าวมาปรับปรุงเป็นแบบนี้ครับ

หลายคนอาจจะงง ว่ามันหมายถึงอะไร ลองดูวิธีการพล็อตของเขาก่อนนะครับ

ก่อนอื่นเขาก็จะเอาข้อมูลทั้งหมดมาเรียงจากน้อยที่สุดไปหามากที่สุด
ลากสี่เหลี่ยมตรงกลาง โดยให้จุดกลางของสี่เหลี่ยมนั้นคือ Median คือข้อมูลอันดับที่ 50 ของเรานั้นอยู่ตรงนั้นครับ
ส่วนด้านบนและด้านล่างของสี่เหลี่ยมนั้นก็คือข้อมูลลำดับที่ 25 (25th percentile หรือถ้าแบ่งข้อมูลเป็นสี่ส่วนก็คือ 1st Quatile นั่นเอง) และ 75 (3rd Quatile) ตามลำดับ
หลังจากลากรั้ว (fence) ที่เกิดขึ้นเพื่อจะบอกว่าข้อมูลไหนจะอยู่ในคอกหรือนอกคอก โดยรั้วที่เกิดขึ้นนั้นไม่ใช่เส้นขีดๆ ที่อยู่ในกราฟตอนสุดท้ายนะครับ แต่เป็นรั้วที่มองไม่เห็น ซึ่งลากขึ้นเหนือจาก Q3 เป็นความยาว = 1.5 เท่าของ Q3-Q1
จากนั้นให้ลากหนวด (whisker) จากสี่เหลี่ยมไปหาจุดที่มากที่สุดที่ยังอยู่ในรั้ว
ทำเช่นเดียวกันกับจุดที่น้อยที่สุดที่ยังอยู่ในรั้ว
จุดนอกรั้วก็ปล่อยไว้ตามเดิม

เราสามารถสรุปได้คร่าวๆ ตามนี้ครับ:

ก็ลองแปลความหมายกันดูนะครับ บางคนเพื่อให้เข้าใจง่ายก็อาจจะเหมือนเรามอง Histogram จากด้านบนก็เป็นไปได้

ถ้ายังสงสัยอะไร ลองไปอ่านเพิ่มเติมได้ที่ Wikipedia หัวข้อ Box Plot นะครับมีเขียนไว้ละเอียดดี

Sample of Appraising an RCT - 1

2008-12-07T16:53:00.001+07:00

พอดีวันนี้มีคนถามมาถึงเรื่องการอ่าน RCT ฉบับหนึ่ง (จริงๆ ผมแอบสงสัยว่ามีคนอ่านบล็อกผมด้วยแฮะ :P) ก็เลยขออนุญาตมาลอง Appraise ดูกันในนี้เลยนะครับ

Paper ดังกล่าวคือ Hsia J, Heiss G, Ren H, Allison M, Dolan NC, Greenland P, et al. Calcium/vitamin D supplementation and cardiovascular events. Circulation. 2007 Feb 20;115(7):846-54. สามารถเข้าได้ที่เว็บไซต์ของ Circulation (คลิ๊กที่นี่ก็ได้) นะครับ

ก่อนอื่นเลยผมขออ่านเฉพาะ Abstract ก่อนเพื่อดูแนวคิดของ Paper ก่อนที่จะอ่านต่อไป เราควรได้ไอเดียคร่าวๆ ว่าใคร ทำอะไร ที่ไหน เกิดผลอะไร อย่างไร คล้ายๆ กับการอ่านเรื่องย่อของหนังก่อนเดินเข้าโรงน่ะครับ

โดยทั่วไปแล้วเวลาทำการศึกษาวิจัย ก็จะต้องมีคำถามหลักที่งานวิจัยทำขึ้นเพื่อตอบอยู่เสมอ เราจะต้องพยายามคิดให้ได้ว่า งานวิจัยที่เรากำลังอ่านนี้ เขาตั้งใจจะตอบคำถามอะไร ส่วนหนึ่งเราก็จะได้รู้ด้วยว่าคำถามของเขา กับคำถามของเรา (หรืออีกนัยนึงคือคำถามของคนไข้นั่นแหละ) มันคล้ายกันไหม น่าจะอ่านต่อไปหรือเปล่า

อย่างใน Abstract นี้ถ้าเราอ่านแล้วจับใจความจาก Background ก็จะได้คำถามประมาณนี้นะครับ

"ผู้หญิงอายุ 50-79 ที่ได้ Ca + Vit D จะมี CV Event แตกต่างจากผู้ที่ไม่ได้ หรือไม่"

(ของคุณผู้อ่านบล็อกอาจไม่จำเป็นจะต้องเหมือนกันเป๊ะๆ ก็ได้นะครับ แต่น่าจะคล้ายๆ กันนี้)

ทีนี้บางคนงง ไม่รู้จะสร้างคำถามยังไง หลายๆ ที่เลยแนะนำให้แตกคำถามออกเป็น 4-5 ส่วน โดยใช้หลักซึ่งจำได้ง่าย (หรือเปล่า?) ว่า PICO หรือ PICOT กล่าวคือ

P = Patient คนไข้ของเรา
I = Intervention สิ่งที่เราตั้งใจจะดู
C = Comparison สิ่งที่เรายึดเพื่อจะเปรียบเทียบด้วย
O = Outcome เราสนใจวัดผลยังไง
T = Time ภายในเวลาเท่าไหร่ (อันนี้บางคนอาจจะละไว้ในฐานที่เข้าใจ ก็ได้ครับ ก็เหลือแค่ PICO)

ถ้าผมเอาคำถามผมมาแตกใหม่ตาม PICO มันก็จะได้ประมาณนี้

P: Postmenopausal women, 50-79 years of age, at 40 clinical sites (ตรงนี้จะละเอียดแค่ไหนก็ได้ครับ ยิ่งละเอียดก็ยิ่งดี แต่มันก็อาจจะยิ่งไม่ตรงกับคำถามของเราเข้าไปเรื่อยๆ ซึ่งก็ดี เราจะได้เห็นความแตกต่างว่าเราจะเอาคำตอบเขามาใช้กับคำถามเราได้หรือเปล่า)
I: Calcium 500 mg + Vit D supplement (200 IU twice daily)
C: Placebo
O: CV Event: MI/Coronary heart disease death, Stroke
T: 7 years of follow-up

หลังจากนั้นเราก็อาจลองสร้าง Diagram คร่าวๆ ว่ามันเกิดอะไรขึ้นในการศึกษานี้ จากเฉพาะการอ่าน Abstract

จะสังเกตเห็นว่า ผมยังไม่ได้เข้าไปอ่านข้างในเลยนะครับ ดังนั้น ตอนหลังเราอาจเพิ่มเติม Diagram นี้ก็ได้

เรามาลองแปลผลดูก่อน โดยเฉพาะสำหรับท่านที่งงว่า เอ๊ะ Hazard Ratio นี่มันคืออะไร

Hazard Ratio เวลาแปลผลนั้นอยากให้คิดเหมือนกันกับ Odds Ratio ครับ เพียงแต่ว่า การที่จะเป็น Hazard Ratio ได้นั้น เขาเอา "เวลา" เข้ามาคิดด้วย อย่างในที่นี้ ก็คือในเวลา 7 ปีนั้นครับ นั่นคือ ที่ว่า HR=1.04 ก็หมายความว่า คนที่ได้ Ca+VitD มีโอกาสเป็น 1.04 เท่าที่จะเกิด MI เมื่อเทียบกับคนที่ได้ Placebo นั่นเองครับ

สังเกตว่าในกรณีนี้ คนที่ได้ Ca+VitD มันเป็น MI ซะมากกว่าคนปกติซะอีก อย่างไรก็ตาม ค่านี้เราไม่ควรจะนำมาพิจารณาเพียงค่าเดียว แบบที่ผมเคยบอกไว้ใน post เก่าๆ ครับ เราควรจะนำ 95% Confident Interval มาคิดด้วย นั่นก็คือ มันอาจเป็นไปได้ที่:

คนที่ได้ Ca+VitD มีโอกาสเป็น 0.92 เท่าที่จะเกิด MI ....
คนที่ได้ Ca+VitD มีโอกาสเป็น 0.93 เท่าที่จะเกิด MI ...
คนที่ได้ Ca+VitD มีโอกาสเป็น 0.94 เท่าที่จะเกิด MI ...
.
.
คนที่ได้ Ca+VitD มีโอกาสเป็น 1.00 เท่าที่จะเกิด MI ...
.
.
คนที่ได้ Ca+VitD มีโอกาสเป็น 1.16 เท่าที่จะเกิด MI ...
คนที่ได้ Ca+VitD มีโอกาสเป็น 1.17 เท่าที่จะเกิด MI ...
คนที่ได้ Ca+VitD มีโอกาสเป็น 1.18 เท่าที่จะเกิด MI ...

สังเกตว่าถ้ามันมีค่า <1 หมายความว่า คนที่กินยา เขาเกิด MI น้อยกว่า ในขณะที่ อีกข้างหนึ่งที่ >1 หมายความว่า คนที่กินยา เขาเกิด MI มากกว่า ซึ่งแสดงว่า มันขัดแย้งกันเอง ทำให้เราสรุปได้ว่า มันน่าจะไม่เกี่ยวข้องกัน

ในทำนองเดียวกัน เราสามารถแปลแบบนี้กับ Stroke ได้ ลองแปลดูซิครับ (อย่าเพิ่งอ่านบรรทัดต่อไปจนกว่าจะแปลเองได้นะ)

ถ้าผมแปล ก็จะแปลว่า คนที่ได้ Ca+VitD มีโอกาสเป็น 0.95 เท่าที่จะเกิด Stroke เมื่อเทียบกับคนที่ได้ Placebo โดยเจ้าจำนวนเท่าเนี่ย มันอาจจะเป็นได้ทั้ง 0.82 เท่า (หมายความว่ากินยาแล้วเป็นน้อยกว่า) ถึง 1.10 เท่า (หมายความว่ากินยาแล้วดันเป็นมากกว่า) นั่นเองครับ

เดี๋ยวตอนหน้าจะมาต่อการ Appraise ข้างใน Paper นะครับ

(ถ้าอ่านแล้วสงสัย สามารถเมล์มาได้นะครับ pawinpawin@gmail.com หรือจะทิ้ง Comment ไว้ก็ได้ครับ ขอบคุณครับ)

Guideline for Appraisal of Therapy (Clinical Trials, RCTs)

2008-09-24T20:07:00.001+07:00

Adapted from User's guide to the Medical Literature
Guyatt G, Rennie D, Meade M, Cook D. Users' Guides to the Medical Literature: Essentials of Evidence-Based Clinical Practice. 2nd ed. McGraw-Hill Professional; 2008.

วันนี้ผมจะพูดเรื่องของการอ่าน paper เกี่ยวกับ therapy ซึ่งเป็นสิ่งที่อ่านได้ไม่ยากนัก และพบได้บ่อยครับ จะพยายามเขียนให้เป็นภาษาที่เข้าใจง่ายมากที่สุดที่จะทำได้นะครับ

หลักการ Appraisal เบื้องต้นที่ผมคิดไว้นะครับ

อ่านเฉพาะ Introduction, Material & Method, Result ก็เพียงพอ ระหว่างอ่านไป อาจเขียนเป็น diagram ง่ายๆที่เราเข้าใจเองก็ได้
หลังจากนั้นพยายามสรุปผลเอาเองก่อน แล้วเทียบกับที่ผู้วิจัยสรุปไว้ตรง Discussion
พยายามคิดเห็นขัดแย้งให้ได้มากที่สุด (จะได้ไม่หลงเชื่อที่เขา Discuss ไว้ก่อน) แต่บางครั้งก็อาจจะไม่รู้ว่าจะคิดแย้งอย่างไรเนื่องจากอาจจะดีอยู่แล้วหรือซ่อนความจริงได้เนียนมาก
ถ้าเป็นไปได้ควรไปหาความเห็นของคนอื่นเพื่อมาคิดแย้งกับความเห็นของเรา เช่น

จาก Editorials ของ Journal ฉบับนั้นๆ
จากเพื่อนฝูง ในวงการเดียวกัน หรือจาก Expert ใน Field ที่เรารู้จัก
จาก Secondary Journal เช่น ACP Journal Club, Evidence-Based Medicine Journal ของ BMJ อันนี้อาจจะต้องรอนิดหน่อย และอาจมีเฉพาะ Paper ใหญ่ๆ และสำคัญ แต่คนที่เอามาสรุปพวกนี้มักติดต่อคนที่ทำวิจัยเมื่อมีข้อสงสัยที่ไม่ได้ตีพิมพ์ใน Journal จึงทำให้เราอาจทราบถึงความจริงอื่นที่ไม่ได้ตีพิมพ์ใน paper นั้นๆ ได้
บางวารสารจะมี Letters to the editor หรือ Rapid Responses จากคนอื่นๆ ที่อ่านแบบเดียวกับเรา

การ Appraisal นั้นมีหลักการอยู่สามข้อครับ คือ Validity, Result และ Application

Validity หรือความถูกต้อง คือข้อสรุปที่ได้จากการศึกษานั้นๆ ทำตามขั้นตอนที่ถูกต้อง จนได้มาซึ่งข้อสรุปที่ถูกต้องหรือไม่ ถ้าเป็นไปได้พยายามจำสิ่งที่ต้องพิจารณาต่อไปนี้ก่อนจะไปอ่าน จะได้อ่านแล้วจับได้ถูกว่าเป็นอย่างไร (คือจำ Guideline แต่ละข้อไว้ด้วยน่ะครับ)

1. กลุ่ม Intervention กับกลุ่ม Control เริ่มด้วยความเสี่ยงที่จะเป็นหรือจะหายเท่าๆ กันหรือไม่ ดูได้จาก

1.1.
มีการ Randomize คนไข้หรือไม่ ซึ่งต้องระวังเล็กน้อย ไม่ใช่ดูแต่คำว่า Randomize เนื่องจากวิธีการ Randomize ที่ดี ควรทำให้ทุกๆ คนที่เข้ามาอยู่ในการศึกษามีโอกาสที่จะได้รับ Treatment เท่าๆ กัน ที่ต้องทำเช่นนี้เพื่อเป็นการ "เกลี่ย" ลักษณะที่ไม่เหมือนกันในสองกลุ่ม เช่น เพศ อายุ ลักษณะพื้นฐานต่างๆ วิธีการ Randomize จึงเป็นสิ่งที่สำคัญ หากเป็นการ Randomize แต่ตามใจผู้ศึกษา (เช่นคนไข้เลขคู่ เอาไปอยู่กลุ่ม Treatment คนไข้เลขคี่เอาไปอยู่กลุ่ม Control) จะทำให้ไม่เกิดการ "เกลี่ย" ที่แท้จริงนี้ได้

1.2.
การ Randomization ที่กระทำโดยปกปิด (conceal) หรือไม่ เนื่องจากหากไม่ปกปิด ก็อาจทำให้ไม่เกิดการ Randomization ที่แท้จริงได้ ตัวอย่างที่คลาสสิก ก็คือการเทียบระหว่าง Open & Laparoscopic appendectomy เมื่อมีคนไข้มาตอนกลางคืน ถ้าไม่ปกปิด ผู้ร่วมวิจัยที่ขี้เกียจทำ Laparoscopic appendectomy ก็อาจโยนสลากที่จับได้ทิ้ง แล้วจับใหม่จนกว่าจะได้ Open เป็นต้น

1.3.
คนสองกลุ่มนี้เหมือนกันในข้อมูลพื้นฐานหรือไม่ อันนี้มักอ่านได้จาก Table ของ Baseline Characteristic ซึ่งมักจะอยู่เป็น Table 1 เป็นการสะท้อนให้เห็นว่าการ Randomization นั้นเกิดการ "เกลี่ย" จริงหรือไม่ บางคนอาจติดใจกับการที่ต้องมีค่าทางสถิติเช่น p-value มาอยู่ในตาราง แต่แท้จริงแล้วการที่เราพอจะดูว่ามัน "เกลี่ย" ได้จริงหรือไม่อาจไม่จำเป็นต้องเป็นค่า p-value ที่มีนัยสำคัญเสมอไป เอาแค่ดูแล้วมันใกล้เคียงกันก็เพียงพอ (สังเกตได้จาก Journal เก่าๆ มักแสดง p-value แต่ Journal ใหม่ๆ จะเลิกแสดงไปแล้ว)

2. นอกจาก Intervention ที่เราสนใจแล้ว ทั้งกลุ่ม Control และ Treatment ได้รับการรักษาแบบเดียวกันหรือไม่

อันนี้ดูได้จากว่ามีการ Blind มากแค่ไหน ถ้ายิ่ง Blind มากก็ยิ่งป้องกันความลำเอียง (Bias) ได้มากเท่านั้น คนที่ต้องพิจารณามีอยู่ 5 กลุ่มคือ Patient, Clinician, Data collector, Outcome adjudicator, Analyst

สิ่งที่น่าสนใจคือ paper ส่วนใหญ่มักเสนอตัวเองว่าเป็น double-blind ซึ่งคำนี้เป็นคำที่ลำบากในการแปลความหมายเนื่องจากไม่รู้ว่าที่ blind 2 คนนั้นเป็นใครบ้างใน 5 กลุ่มข้างต้น แนะนำให้อ่านแล้วทำความเข้าใจมากกว่าว่ากลุ่มใดบ้างที่ blind แต่โดยมากแล้วคำว่า double blind มักหมายถึง blind patient และ clinician โดยการ blind ส่วนใหญ่ที่เกี่ยวกับยามักใช้เป็นยาหลอก หรือ placebo

สิ่งที่น่าสนใจถัดมาคือการศึกษาที่ดูแล้วไม่สามารถ blind ได้แน่ๆ เช่นการศึกษาทางศัลยกรรม แบ่งกลุ่มผ่าตัด และไม่ผ่าตัด อันนี้อาจจะ blind ลำบาก ทางแก้คือดูว่าเขาพยายาม blind แค่ไหน เช่น พยายามเอาผ้ามาพันไม่ให้คนที่มาวัด outcome เห็นว่าผ่าหรือไม่ผ่า

นอกจากนี้แล้วเรายังสามารถดูผลของการ blind ได้จากการดูว่ามันเกิด co-intervention หรือสิ่งที่ให้ไปพร้อมๆ กับ intervention ที่แตกต่างกันระหว่างสองกลุ่มหรือไม่ เช่นกลุ่มที่ได้ยา A ได้รับคำแนะนำอย่างดี ส่วนกลุ่ม placebo ไม่ได้รับคำแนะนำอะไรเลย ในกรณีนี้หากผลที่ได้ออกมาแตกต่างกัน มันอาจจะเกิดจาก "คำแนะนำ" ไม่ใช่จาก "ยา A" ก็ได้

3. เมื่อจบการศึกษาแล้ว ทั้งสองกลุ่ม (Treatment, Control) ยังเท่าเทียมกันในแง่ต่างๆ อีกหรือไม่

3.1.
Follow up ได้ครบหรือไม่ หากกลุ่มใดกลุ่มหนึ่ง Follow up ได้น้อยกว่าอีกกลุ่ม หรือได้น้อยทั้งสองกลุ่ม ก็อาจจะแปลผลได้ลำบาก เนื่องจากไม่รู้ว่าคนที่หายไปนั้นเกิดเหตุการณ์อะไรขึ้นกันแน่ การที่จะบอกว่า Follow up ได้เท่าไหร่ถึงจะเรียกว่าครบเพียงพอนั้นไม่มีกำหนดชัดเจน อาจลองคิดดูจากว่าถ้าคนที่หายไปตายหรือเกิดผลเสียทั้งหมด จะส่งผลกระทบต่อตัวเลขเสียเท่าใด อย่างไรก็ดี ถ้า Loss Follow up <5% ก็มักไม่เกิดปัญหา

3.2.
การศึกษานั้นหยุดก่อนที่ตั้งใจจะหยุดหรือไม่ เนื่องจากบางการศึกษาอาจมีความจำเป็นหลายด้านที่ต้องหยุดก่อนที่กำหนดเวลาการศึกษานั้นจะเป็นจริง อันนี้อาจมีปัญหาได้หากผลการศึกษานั้นเป็นแบบหนึ่งในตอนแรก และกลับข้างเป็นอีกแบบในตอนหลัง หากเราหยุดตรงกลางก็อาจให้ข้อสรุปที่ผิดไปจากความเป็นจริงได้

3.3.
การวิเคราะห์ข้อมุลเป็นแบบ Intention-To-Treat หรือไม่ บางการศึกษาใช้การวิเคราะห์อีกแบบที่เรียกว่า Per-Protocol คือเอาข้อมูลตามความเป็นจริงเช่น นาย ข. ได้รับยา A แต่ดันไม่กินเลย ก็จะวิเคราะห์โดยจัด นาย ข อยู่ในกลุ่มที่ไม่กินแทน อันนี้ส่งผลเป็นอย่างมากต่อการ Randomization ทำให้สิ่งที่เราอุตส่าห์เกลี่ยจากการ Randomization นั้นเปลี่ยนไปโดยสิ้นเชิง ดังนั้นการวิเคราะห์แบบนี้จึงไม่ดี อย่างไรก็ตามส่วนใหญ่ในช่วงหลังมักจะเป็น Intention-To-Treat (แต่หากไม่ได้เขียนต้องตั้งข้อสงสัยว่าอาจเป็นแบบ Per-Protocol)

บางคนอาจสงสัยเรื่องของ คำว่า Internal Validity/External Validity คำนี้เป็นคำที่นักวิจัยใช้ครับ กล่าวคือ Internal Validity หมายถึงว่า "ถูกต้อง"ในระดับของตัวอย่าง (sample) ที่นำมาศึกษานั้นๆครับ ส่วน External Validity หมายถึง "ถูกต้อง"ในระดับของกลุ่มประชากรเป้าหมายทั่วๆ ไปครับ (target population) สำหรับในการ appraisal นั้นคำนึงถึงเรื่องของ Internal Validity มากกว่าเนื่องจากจะเอาส่วนของ External Validity ไปอยู่ในหัวข้อของ Application ครับ

บางคนพยายามจะ "ให้คะแนน" ความ Valid แต่ละข้อ และแต่ละวิธีก็มีการให้คะแนนแตกต่างกันไปแล้วแต่แต่ละคน เช่น บางคนอาจจะคิดว่าเรื่องของการ Randomization มันสำคัญมาก แต่อีกคนอาจคิดว่าเรื่องของ Blinding สำคัญกว่า เรื่องนี้ไม่มีข้อสรุปที่ชัดเจน ทำให้จริงๆ แล้วเราไม่สามารถบอกได้ว่า paper แต่ละอันมีค่าของความ "Validity" เท่าไหร่ นิยมให้ตามความรู้สึกของผู้ appraise มากกว่า (เช่น ถ้ารู้สึกว่าโอ้โห มันจับผิดไม่ได้เลย ก็อาจให้ 80-90% หรือถ้ามันห่วยจนไม่มีซักอย่างก็อาจให้ 30-40% ก็เป็นไปได้)

Result หรือผลที่ได้ จะต้องดูว่าผลที่ได้นั้น ใหญ่แค่ไหน (Large) และ แม่นยำแค่ไหน (Precise)

สูตรคำนวณที่อาจต้องใช้คือ Number Needed to Treat (NNT) = 100/Risk Reduction (เป็น %)

เช่น Risk ในการลดอาการของยา A = 10 คน ใน 200 คน = 10/200 = 5%

Risk ในการลดอาการของ Placebo = 5 คนใน 200 คน = 5/200 = 2.5%

ดังนั้น Risk Reduction = 5% - 2.5% = 2.5%

และ Number Needed to Treat (NNT) = 100/2.5 = 40

หมายความว่า เราต้องรักษาคนไข้จำนวน 40 คนจึงจะลดอาการได้ 1 คน

ซึ่งขึ้นอยู่กับว่าการศึกษานั้นๆ เป็นการศึกษาแบบไหนครับ บางการศึกษาก็คำนวณได้ บางทีก็คำนวณไม่ได้

สำหรับเรื่องของ Precise นั้นให้ดูจากค่าของ 95% Confident Interval (95%CI) ซึ่งเป็นตัวบอกว่า "ค่าจริง" ที่เราทำได้ เรามั่นใจ 95% ว่ามันน่าจะอยู่ในช่วงนั้นๆ เช่น คำนวณ Odds Ratio (OR) ว่ายา A ดีกว่า placebo ในแง่หายจากอาการได้ 2.03 โดยที่ 95%CI อยู่ระหว่าง 1.0-3.5 แสดงว่า เรามั่นใจ 95% ว่าค่าจริงๆ ของ OR จะอยู่ในช่วง 1.0-3.5 วิธีที่จะดูว่ามันส่งผลอย่างไร ก็ให้ดูว่าในช่วงนั้นๆ เรารับได้แค่ไหน

เช่น การแปลผลของ OR ดังกล่าว หมายถึง คนที่ใช้ยา A มีโอกาสหายจากอาการเป็น 2.03 เท่าของคนที่ใช้ placebo ซึ่งอันนี้เป็นการแปลของจุดที่คำนวณได้ (Point Estimate) คือ 2.03 แต่เราก็ต้องแปลความหมายของ 95%CI ด้วยว่าจริงๆ แล้วโอกาสที่บอกว่า 2.03 เท่านั้นน่ะ ความเป็นจริงมันก็เป็นได้ตั้งแต่ 1.0 เท่า ถึง 3.5 เท่านะ (สังเกตว่าถ้าพูดว่า โอกาสเป็น 1 เท่าของคนที่ได้ placebo จะแปลว่า "เท่ากัน" แสดงว่ามันก็อาจจะไม่ได้ช่วยอะไรเลยก็ได้ บางคนอาจเรียกสถานการณ์นี้ว่า "คร่อม 1" อย่างไรก็ดีแนะนำให้ลองแปลผลดูจะดีกว่าจำตัวเลขว่า คร่อม 1 คร่อม 0)

สำหรับเรื่องของ 95%CI นั้นยังมีอีกเรื่องหนึ่งคือ การคำนวณ 95%CI มักจะสัมพันธ์ไปกับจำนวนของกลุ่มตัวอย่าง (sample size หรือสัญลักษณ์ n) กล่าวคือ ยิ่งกลุ่มตัวอย่างยิ่งใหญ่เท่าไหร่ ค่าที่เราได้ก็จะยิ่งมั่นใจมากขึ้นเท่านั้น (ตาม common sense ธรรมดาๆ)

บางการศึกษาจะรายงานผลออกมามีค่า p-value ด้วยซึ่งตรงจุดนี้จริงๆ แล้วไม่จำเป็นต้องให้ความสนใจมากนัก เนื่องจากจะสัมพันธ์ไปกับค่า 95%CI ที่ได้เสมอ

Application หรือการนำผลที่ได้ไปใช้ที่ต้องดูคือ

1. คนไข้เราเหมือนคนไข้ในการศึกษาหรือเปล่า อันนี้อาจดูจากว่า จริงๆ แล้วคนไข้เราสามารถเข้าการศึกษานี้ได้ไหม อาจดูจาก inclusion/exclusion ของการศึกษา ปัญหาหลักคือก็มักจะมีคนแย้งว่าการศึกษานี้ทำในต่างประเทศอาจเอามาใช้กับคนไทยไม่ได้ อันนี้เป็นเรื่องที่เถียงกันยังไงก็ไม่จบ อย่างไรก็ตาม หากไม่อยากเถียงก็อาจหาเหตุผลมาแสดงในมุมย้อนกลับก็ได้ว่าเพราะเหตุอันใดคนไข้เราถึงจะไม่สามารถใช้ผลจากการศึกษานี้ได้

2. มีการพิจารณาถึง outcome ที่คนไข้สนใจจริงๆ หรือไม่ (Patient-Oriented Outcome) บางการศึกษาสนใจแค่ระดับของฮอร์โมน ระดับของน้ำตาล ซึ่งอาจไม่เป็นสิ่งที่คนไข้สนใจจริงๆ เช่น ความตาย ความพิการ ก็ได้ (เรียก outcome ที่ไม่สนใจคนไข้นี้ว่า surrogate outcome) นอกจากนี้ยังต้องระวัง outcome ที่เป็นแบบรวมๆ (composite outcome) เช่น รวมระหว่างความตาย+พิการ+ระดับน้ำตาลลด อันนี้ต้องพิจารณาว่ามันควรจะไปด้วยกันหรือไม่ ตามตัวอย่างนี้ outcome บางอย่างอาจจะไป "ฉุด" ให้ outcome อื่นนั้น significant ก็ได้ เช่น จริงๆ แล้วมันทำให้ระดับน้ำตาลลดมากๆ แต่ไม่ได้เกี่ยวกับการตายเสียเท่าไหร่ แต่พอมารวมกันก็ฉุดให้ดูเหมือนลดการตายไปด้วยเป็นต้น

3. ผลที่ได้นี้คุ้มกับผลเสียหรือไม่ อันนี้อาจจะต้องพิจารณาถึงเรื่องของ side effect ของการรักษา, เรื่องของค่าใช้จ่ายของการรักษา ซึ่งใน paper อาจไม่มีอาจต้องไปหาเพิ่มเติม อาจชั่งระหว่าง Number Needed to Treat กับผลเสียก็ได้หากมีข้อมูล

ไว้คราวหน้าผมจะลอง Appraise บางอันให้ดูเป็นตัวอย่างนะครับ

Tips for good discussion lecture

2008-08-07T19:52:00.004+07:00

เมื่อสองอาทิตย์ที่แล้วได้มีโอกาสฟัง Professor Gordon จาก McMaster University มาบรรยายเรื่องการสอน EBM ครับ แกแนะนำวิธีการสอนกลุ่มย่อยของ EBM ให้ประสบผลสำเร็จดังนี้ครับ

To have good discussion lecture on EBM, Prof. Gordon from McMaster University have some tips:

Class participation: try to get everybody to involve in the topic
พยายามให้ทุกคนมีส่วนรวม
Divide the tasks into smaller groups and check the smaller group whether they are struggling
แบ่งงานเป็นกลุ่มย่อยๆ และสังเกตว่ากลุ่มที่แบ่งไปนั้นมีปัญหาในการทำงานที่มอบหมายหรือไม่
Have lots of example (simple and easy example)
ยกตัวอย่างบ่อยๆ และควรเป็นตัวอย่างที่เข้าใจง่าย
Comparison between things: to make something more clearly, we should contrast them with others.
พยายามใช้การเปรียบเทียบเพื่อให้เห็นได้ชัด
Voting: let attendant have their own thoughts.
ให้ทุกคนมีส่วนร่วมว่าเห็นด้วยหรือไม่เห็นด้วยด้วยการโหวต
Keep everything simple
พยายามทำอะไรให้ง่ายเข้าไว้
Outline & structure of topic speaking
พยายามแสดงให้เห็นว่าวันนี้เราจะพูดอะไรบ้าง
Repeated summary when finishes
สรุปเมื่อจบ
Move people!
พยายามให้ผู้คนมีการเคลื่อนไหว (ขยับ) จะได้ไม่น่าเบื่อ
Humor
พยายามสอดแทรกความตลก
Voice (Vary voice tone, use the higher voice when speaking important points)
พยายามใช้เสียงดังเพื่อเน้นจุดที่สำคัญ
Always use a whiteboard
พยายามเขียนกระดาน
Review last session before begin a new session
ก่อนจะเริ่มชั่วโมงใหม่ให้สรุปสิ่งที่เรียนมาในชั่วโมงที่แล้ว

ทำไม Evidence-Based Practice ถึงไม่เป็นที่แพร่หลายในแพทย์ทั่วไปในเมืองไทย

2008-07-24T21:54:00.005+07:00

ทำไม Evidence-Based Practice ถึงไม่เป็นที่แพร่หลายในแพทย์ทั่วไปในเมืองไทย

ทุกวันนี้การที่เราจะทำอะไร ก็จะต้องมีหลักฐานหรือเหตุผลมารองรับการตัดสินใจอยู่เสมอ ในทางการแพทย์ก็เช่นเดียวกัน แพทย์สมัยใหม่ ควรที่จะมีหลักฐานหรือเหตุผลมารองรับการตัดสินใจนั้นๆ ผมจะไม่พูดถึงสำหรับการอธิบายให้ผู้ป่วยเข้าใจถึงหลักฐาน แต่จะพูดในมุมมองของแพทย์ทั่วไป (ผมเพิ่งจบมาได้ไม่กี่ปี และมีโอกาสได้ทดลองใช้ EBM บ้างตอนอยู่โรงพยาบาลชุมชนในต่างจังหวัด) ปัญหาที่ผมพบก็คือ

1. เวลา: แพทย์คงไม่สามารถที่จะมีเวลาไปค้นหาความรู้ที่เป็นหลักฐานรองรับมาได้อย่างเพียงพอ เนื่องจากในการตรวจผู้ป่วยของประเทศไทยนั้น ยังต้องตรวจผู้ป่วยเป็นจำนวนมากต่อวันอยู่ (บางคนตรวจผู้ป่วยนอกเกือบ 100 รายต่อ 8 ชม. นั่นคือรายละประมาณ 5 นาที นี่ยังไม่นับเวลาพักเที่ยงและเวลาที่ต้องไปดูผู้ป่วยในซึ่งเสียเวลามาก)

นอกจากนี้เมื่อแพทย์เลิกงาน ก็หวังที่จะได้พักผ่อนเช่นวิชาชีพอื่น มีเวลาไปทำในสิ่งที่บันเทิงใจ เช่น อ่านหนังสือ ดูภาพยนตร์ ฟังเพลง เล่นกีฬาบ้าง ยิ่งทำให้ไม่มีเวลาเข้าไปใหญ่

หากจะถามว่าภายใน 5 นาทีนั้น ไม่มีเวลาสำหรับหาข้อมูลอย่างมีหลักฐานเลยหรือ ผมมีความคิดว่า มันเป็นไปได้เหมือนกัน แต่ลำบาก เนื่องจากภายใน 5 นาทีนี้ ต้อง ซักประวัติ, ตรวจร่างกาย, นึกถึงโรคที่จะเป็นไปได้, สั่งการรักษา, อธิบกายการรักษา ซึ่งผมคิดว่ามันยากมากในการหาข้อมูลทั้งหมด แพทย์หลายท่านใช้วิธีหาข้อมูลจากหนังสือ หรือ PDA หรือจากอินเทอร์เน็ต แต่ข้อมูลที่หาได้ใน 5 นาทีนี้ ท่านคิดหรือว่ามันจะเชื่อถือได้ 100%.. มันก็เป็นเพียงข้อมูลที่คนอื่นเป็นคนรวบรวม ไม่ใช่แพทย์คนนั้นตัดสินใจสำหรับผู้ป่วยคนนั้นๆ เสียหน่อย

นอกจากนั้นแต่ละคนไข้ ยังมีคำถามที่น่าสนใจหลายคำถาม และแพทย์ส่วนใหญ่ก็ไม่รู้ว่าคำถามที่สำคัญในสถานการณ์นั้นๆ คืออะไร ยิ่งทำให้ค้นหาได้ลำบากมากขึ้น เพราะกว่าจะคิดคำถามได้ คนไข้ก็ออกันเต็มห้องตรวจแล้ว

2. เครื่องมือในการหาความรู้: แพทย์ส่วนใหญ่ในเมืองไทย ไม่ค่อยมีเครื่องมือในการหาข้อมูลทางความรู้เท่าใดนัก บางโรงพยาบาลไม่สามารถใช้อินเทอร์เน็ตระหว่างตรวจคนไข้ได้ แพทย์จบใหม่ไม่มีเงินสำหรับแหล่งความรู้ราคาแพงสำหรับเมืองนอก (เช่น UpToDate, Evidence-Based Journals)

นอกจากนี้ แพทย์ไทย ยังมีปัญหาเกี่ยวกับการอ่านภาษาอังกฤษ (เนื่องจากภาษาอังกฤษ ไม่ได้เป็นภาษาหลักที่ใช้ในการสื่อสาร) ต้องมีการแปลความจากข้อมูลของต่างประเทศที่เป็นภาษาอังกฤษ มาเป็นภาษาไทยอีกครั้ง บางครั้งเกิดความเข้าใจผิด และเกิดการท้อ ไม่อยากอ่านหรือค้นคว้าต่อ

หลักฐานทั้งหลายที่มีอยู่ในเมืองไทย ก็มักไม่อยู่ในที่ๆ สามารถหาได้ง่ายแบบ PubMed และหากจะหาได้ ก็ต้องอาศัยความยากลำบากในการติดต่อห้องสมุด แสดงให้เห็นว่าเมืองไทย ยังไม่มีระบบจัดการด้านความรู้ทางการแพทย์ที่ดีพอ (ถ้ามีจริง อย่างน้อยก็ขาดการประชาสัมพันธ์เป็นอย่างมาก แม้แต่ผมยังไม่รู้เลย)

3. วัฒนธรรมของคนไทย: คนไทยส่วนมากมีความขี้เกียจค้นคว้า รู้แต่สิ่งที่ตนเองเคยปฏิบัติ ไม่ไขว่คว้าหาความรู้ใหม่ๆ อันนี้อาจหมายถึงคนที่จบไปได้สักพักแล้วเกิดอาการ "หมดไฟ"

นอกจานี้วัฒนธรรมการเคารพระหว่างรุ่นพี่รุ่นน้อง และความเชื่อที่ว่ารุ่นพี่จะต้องถูกเสมอ ยังบั่นทอนการปฏิบัติตามหลักฐาน เนื่องจากรุ่นน้องเมื่อหาข้อมูลที่มีเหตุผลมาโต้แย้ง รุ่นพี่ ก็มักจะไม่สนใจ ถือว่ารุ่นน้องจะต้องปฏิบัติตามตนเองอย่างไร้เหตุผล เชื่อแต่ตนเองเป็นหลัก

4. ความรู้ของคนไข้: ความรู้ความเข้าใจของคนไข้ ก็เป็นส่วนหนึ่งที่ทำให้เมื่อค้นหาหลักฐานมาใช้แล้ว เราไม่สามารถจะอธิบายคนไข้ให้เข้าใจและตัดสินใจได้ ผมมีประสบการณ์ในการอธิบายคนไข้คนหนึ่งให้เขาตัดสินใจเองเป็นเวลานาน แต่ผลสุดท้ายคำถามที่เขาตั้งกลับมาคือ "จะทำอย่างไรก็ได้ สุดแล้วแต่หมอเถอะ

บางส่วนที่ผมยกตัวอย่างไปนี้ผมคิดว่าสามารถที่จะแก้ไขได้ แต่การที่จะแก้ไขด้วยคนเพียงกลุ่มเดียว คงลำบาก และจะต้องแก้ไขทั้งระบบ อย่างค่อยเป็นค่อยไป เพื่อลดความขัดแย้งด้วย

Why Evidence-Based Practice is not working in Thailand.

Nowadays when we are practicing modern medicine, we have got to give our reasons for everything. From my point of view (once being a general practitioner in a small 30-bed rural hospital in Thailand), to be reasonable for decisions and using EBM in Thailand, there are several problems:

1. Time: Thai doctors don't always have enough time to search for evidence. Doctors in small hospital have to see a large number of patients per day. Some even have to see 100 patients in 8 hr (which is 5 minutes/case), this does not even include doing rounds, servicing the in-patients department, and lunch.

Also, after doctors finished their work, they are tired and wanted to do something interesting to amuse themselves such as reading books, watching movies, listening to music, playing sports, etc. This cuts the time more.

And actually, the time is not even really 5 minutes because doctors have to take histories, do physical exams, differential diagnoses, order medications and explain the treatment to the patient. If you are curious whether this 5-minute-per-patient is enough to search for evidence or not, I am going to tell you that actually 5-minute-searching is enough, but you get what you pay for. Some doctors use secondary data such as from textbooks, from PDAs or from the Internet. The data from these sources are from other points of view (experts' points of view) and may not be applicable to our patients.

Also, for each patient we see, there are lots of questions. Many doctors don't know what the important question is. This requires more and more time on searching.

2. Tools and resources: many doctors in Thailand do not have tools to access the best evidence available. Some hospitals don't even provide internet access while you are taking care of a patient. Also, newly-graduated medical students usually don't have enough money for international high-quality evidences such as UpToDate and BMJ's Evidence-Based Medicine.

In addition, there is a language barrier: Thais are not good at English - even doctors who read lots of English textbooks. English is not in everyday use. There always has to be some kind of translation. And doctors are not good at translating, we get confused easily. This further discourages them to search and use the evidence.

Another reason is that there are not enough accessible Thai evidences. To reach for Thai medical research abstracts, one has to go to a medical school's library. That seems like Thailand's medical authorities have to do something to improve our knowledge management system. (Even if there really are some search websites, it seems like there are not enough public relations – I, for one, don't know any of them.)

3. Thai culture: Thai people usually don't care about getting more knowledge. Thais usually rely on old beliefs, and never violate them. This also happens when someone graduated for such a long time.

Also there is a culture of respecting one's elders. Young doctors usually have to do what the older doctors say. This leads to the failure of practicing EBM. When young doctors have reasons against something, old-established doctors just ignore them. They only believe in themselves.

4. Patient knowledge: Thai patients seem to be not well-educated enough. I had this problem myself in the past: I was once asked for an answer to a very good clinical question by the patient. I answered them thoroughly about benefits and risks, but after a long time of talking, I asked what the decisions of the patient and the relatives were. They just simply said "Doctor, please choose for us."

Some of these problems can be managed easily, but I think to manage these problems we have to do it in a more sophisticated and collaborative system. And the change should be gradual to lessen the effect of protest.

ยินดีต้อนรับครับ

2008-06-05T21:35:00.000+07:00

สวัสดีครับ ผมชื่อ ปวิน นำธวัช ครับ เป็นนักศึกษา Ph.D Clinical Epidemiology ครับ ตอนนี้เรียนอยู่ที่คณะแพทยศาสตร์ รพ. รามาธิบดีครับ เว็บบล็อกนี้ผมจะเก็บเกี่ยวกับสิ่งต่างๆ ที่ผมได้เรียนรู้ใน course นี้นะครับ ท่านใดที่สนใจสามารถติดต่อผมได้ทางอีเมลล์ที่ pawinpawin@gmail.com ครับ (ข้อมูลเกี่ยวกับตัวผม ดูเพิ่มเติมได้ที่เว็บไซต์ของผมนะครับ)