เป็นสาเหตุของผลลัพธ์จริงป่าว

Causation
Bias and Confounding
in Epidemiology
Causation ความเป็นเหตุเป็นผลกันฐานทีมันก็ไม่สอดคล้องกัน

ไม่ได้มีความสัมพันธ์เป็นเหตุแต่เป็นเหตุเป็นผลกัน
 Causation in epidemiology
การศึกษาทางระบาดวิทยา
วัตถุประสงค์ของระบาดวิทยา

• การหาสาเหตุของปัญหาสุ ขภาพต่างๆ
• การให้ขอ้ สรุ ปเชิงสาเหตุวา่ ปัจจัยใดเป็ นสาเหตุของการเกิดโรค

ความสั มพันธ์ ทางสถิติ ระหว่ างตัวแปรต่ างๆ เป็ นจุดเริ่มต้ นในการหาสาเหตุของโรค

ต้องไปพิจารณากันอีกทีนึง

วินิจฉัยแยกความสั มพันธ์ ระหว่ างตัวแปรว่ าเป็ นความสั มพันธ์ ทางเหตุและผลต่ อกันหรอ อมม่
 เกณฑ์ การพิจารณาความสั มพันธ์ เชิงสาเหตุ
(criteria for causation)
ในอดีตเคยศึกษา

1. สมมติฐานของค๊ อค (KOCH’S POSTULATE)

2. เกณฑ์ ของฮิลล์ (HILL’S CRITERIA)
 KOCH’S POSTULATE
ตอนแรกมีสมุมติฐานแบบนี้ ต่อมาพิสูจน์ให้เห็นว่า…เป็นผลจากเชื้อก่อโรคงี้

• ค.ศ. 1800-1900 การปรับเปลีย่ นจาก โรคเกิดจากลมฟ้าอากาศ

(miasma theory) เป็ น โรคเกิดจากเชอ้อโรค (germ theory)
• Robert Koch มด้ รวมรวมและพิสูจน์ ให้ เห็นว่ าจุลนิ ทรีย์เป็ น
สาเหตุให้ เกิดโรคในคนและสั ตว์
- Bacillus anthracis → anthrax
- Tubercle tuberculosis → TB
 KOCH’S POSTULATE

หลักการพิสูจน์ โรคหรอ อสมมติฐานของค๊ อค (Koch’s postulates)

1. ต้องพบจุลินทรี ยใ์ นสัตว์หรื อสิ่ งมีชีวติ ที่ป่วยเป็ นโรค
2. สามารถแยกจุลินทรี ยอ์ อกจากสิ่ งมีชีวิตนั้นและเพาะเลี้ยงเชื้อได้
3. เมื่อนาเชื้อที่เพาะเลี้ยงมาฉี ดเข้าสู่ สิ่งมีชีวิต เชื้อจะสามารถทาให้เกิดโรคได้
4. เมื่อเกิดโรคขึ้น จะต้องสามารถแยกเชื้อได้ และเป็ นเชื้อชนิดเดียวกัน
KOCH’S POSTULATE
1 เป็นโรคก็ดึงเชื้อมา
2 เอาเชื้อไปเพาะ ฉีดเข้าหนฟูตัวที่3 หนูตาย
 ล

HILL’S CRITERIA

พิจารณาสาเหตุเชิงความสัมพันธ์ 9 ข้อ

Sir Austin Bradford Hill

ฮิ
 HILL’S CRITERIA
1. Strength of association
2. Consistency
เกณฑ์ ในการพิจารณาความสั มพันธ์ 3. Specificity
ว่ าเป็ นเพียงแค่ ความสั มพันธ์ 4. Temporality
หรอ อมีความสั มพันธ์ กนั ในเชิงสาเหตุและผล 5. Biological gradient
6. Biological plausibility
7. Coherence
8. Experiment
9. Analogy
 1. Strength of association

Strength มากๆ

ผูท้ ี่สูบบุหรี่ มีความเสี่ ยงต่อโรคมะเร็งปอดมากกว่าผูท้ ี่ไม่สูบบุหรี่ มากกว่า 20 เท่า

ความสัมพันธ์ระหว่าง Exposure กับ Event
ความสัมพันธ์ระหว่าง Cause และ Effect
 1. Strength of association

เกณฑ์ ของฮิลล์ ข้อจำกัด ข้ อโต้ แย้ง

• ขนาดความสัมพันธ์สูง ก็มีโอกาสสู งว่าของ
สองสิ่ งที่พิจารณานั้นจะเป็ นสาเหตุกนั ได้
• ขนาดความสัมพันธ์สูง ก็มีโอกาสที่
ความสัมพันธ์น้ นั จะเกิดจากผลของ
confounding หรื อ bias น้อยลง
• ขนาดความสัมพันธ์ที่ต่าก็สามารถ
เป็ นความสัมพันธ์เชิงสาเหตุได้
เช่นกัน
 2. Consistency
ความมั่นคง ความแน่นอนของความสัมพันธ์

สัมพันธ์กัน หมายถึง ยิ่งสูบ ยิ่งตายงี้

จำนวนคนที่สูบบุหรี่

คนที่ตายจากมะเร็งปอด

Time - Place - Method - Whoever เมื่อเวลา คน วิธีการทำเปลี่ยน ผลก็เปลี่ยน

แม้มีโรคร่วม
สรุปได้ว่าบุหรี่ทำให้เกิดการเสียชีวิต

การสู บบุหรี่ กบั มะเร็งปอด


เกณฑ์ ของฮิลล์
• ในความสัมพันธ์ที่พบนั้น ไม่วา่ จะทาการศึกษา • ในพื้นที่ที่แตกต่างกัน หรื อในประชากรที่
กี่ครั้ง ในช่วงเวลาที่ต่างกัน สถานที่ต่างกัน
วิธีการที่ต่างกัน ใครเป็ นคนทา ทาในประชากร
แบบนี้แหละถือว่าสัมพันธ์กัน
กลุ่มไหน ก็จะพบความสัมพันธ์กนั ทุกครั้ง
หากมีลกั ษณะเช่นนี้ ถือว่าสนับสนุนความเป็ น
สาเหตุกนั
2. Consistency
ข้ อโต้ แย้ง
แตกต่างกัน ไม่มีปัจจัยเสริ มที่เหมาะสมให้
เกิดโรค การศึกษาอาจจะไม่พบ
ความสัมพันธ์ได้ เนื่องจากการเกิดโรคเป็ น
สิ่ งที่เกิดจากหลายปัจจัย
• การศึกษาเรื่ องใดขาด consistency ไม่ใช่จุด
ที่จะบอกว่าปัจจัยที่ศึกษาไม่ใช่ปัจจัยที่เป็ น
สาเหตุ
 3. Specificity

สัมผัสปัจจัยนี้แล้วจะเป็นโรคนี้เสมอ

one-to-one relationship
 3. Specificity
โรคนี้ อาจไม่ใช่เพราะสาเหตุนี้อย่างเดียวก็ได้ (แบบค่าสถิติเยอะๆ เราถือว่าสัมพันธ์กันงี้)
อาจมีปัจจัยอื่นเข้ามาด้วยก็ได้
อย่าพึ่งไปตัดสาเหตุอื่น อาจมีส่วนก็ได้ที่ทำให้เกิด

เกณฑ์ ของฮิลล์ ข้ อโต้ แย้ ง

• หากสัมผัสปัจจัยนี้แล้วจะป่ วยเป็ นโรค • โรคชนิดหนึ่งนั้นอาจจะเกิดจากหลายสาเหตุ
นี้เสมอ หรื อหากป่ วยเป็ นโรคนี้แล้วจะ หรื อปัจจัยนั้นอาจจะก่อให้เกิดโรคหลายโรค
พบว่ามีการสัมผัสปัจจัยนี้เสมอ เกณฑ์ ก็ได้
ความจาเพาะนี้จะเป็ นจริ งอย่างแน่นอน • อาจพบคนที่เป็ นโรคมะเร็งปอดโดยที่ไม่เคย
สู บบุหรี่ และการสู บบุหรี่ กเ็ ป็ นสาเหตุของ
หลายโรค ไม่ได้เฉพาะมะเร็งปอด
 4. Temporality

เป็นการเรียงลำดับเหตุการณ์ ลำดับความสัมพันธ์

“เหตุ” ต้องมาก่อน “ผล”

 4. Temporality
เกณฑ์ ของฮิลล์
• คนจะต้องสัมผัสปั จจัยก่อนแล้วจึงค่อยป่ วยเป็ นโรคเสมอ
• การสู บบุหรี่ กบั มะเร็งปอด จะต้องสู บบุหรี่ ก่อนแล้วจึงค่อยป่ วยเป็ นมะเร็ งปอดในภายหลัง
เราตั้งเกณฑ์ให้แน่นอนตั้งแต่แรก ให้เป็นเหตุเป็นผลกันจริงๆ

การออกกาลังกายสม่าเสมอกับการเกิดโรคหลอดเลออดหัวใจ
ถ้าเราออกแบบงานวิจัยไม่ดี คนที่เราเข้ามาเป็นโรคก่อนแล้วอะ!!

Prevent

Long Induction time

5. Biological gradient
ความเข้มข้นของความสัมพันธ์

Dose-response relationship

Exposure  & Event 

 5. Biological gradient
เกณฑ์ ของฮิลล์ ข้ อโต้ แย้ ง
• เมื่อระดับของการได้รับปัจจัยเปลี่ยนไป • การเพิ่มขึ้นของปัจจัยอื่นที่ไม่ใช่สาเหตุที่อาจจะ
ความเสี่ ยงของการเกิดโรคเปลี่ยนแปลง เกิดขึ้นพร้อมๆ กันกับปั จจัยสาเหตุ
ตาม จะช่วยสนับสนุนการให้ขอ้ สรุ ปเชิง • การได้รับปัจจัยมาถึงระดับหนึ่ง (THRESHOLD)
สาเหตุ : ถ้าได้รับปัจจัยในปริ มาณน้อยๆ จะเป็ นผลดีต่อ
ร่ างกาย แต่ถา้ ได้รับในปริ มาณมากจึงจะก่อโรค
ขึ้น เช่น แร่ ธาตุที่จาเป็ นต่อร่ างกาย ถ้าได้รับพอดี
เป็ นผลดี แต่ถา้ ได้รับมากเกินไปทาให้ป่วยได้
ไม่ใช้แบบนั้นเสมอไป…
ในมุมมองนึง ถ้าเรารับเหมาะสมจะดี
แต่ถ้าสูงไปก็ไม่ดีละ กราฟตกได้ ทำให้เกิดโรคได้
 6. Biological plausibility
ความเป็นไปได้ทางชีวะ

Prevent
ไม่ใช่ว่าไวท์ดี มันเป็นแอลกอฮอล์

การดื่มไวน์ปริ มาณน้อยๆทุกวันจะช่วยป้องกันโรคหลอดเลือดหัวใจ

Alcohol → เพิ่ม HDL


เกณฑ์ ของฮิลล์
• ความสัมพันธ์มีเหตุผลหรื อ
กลไกทางชีววิทยาที่สามารถ
อธิบายได้วา่ การสัมผัสปัจจัยนั้น
ก่อให้เกิดโรคได้อย่างไร เป็ น
การสนับสนุนความสัมพันธ์เชิง
สาเหตุ
6. Biological plausibility
ข้ อโต้ แย้ ง
• ถ้าความรู ้ทางด้านชีววิทยาในปัจจุบนั ยังอาจไม่เพียงพอ ก็
จะยังไม่มีการค้นพบความรู ้ที่จะมาอธิบายกลไกการเกิด
โรคที่พบได้ ซึ่งอาจทาให้พิจารณาผิดไปว่าของสองสิ่ งที่
สัมพันธ์กนั นั้นไม่เป็ นสาเหตุกนั เพราะคิดว่าไม่มีความ
เป็ นไปได้เลยในทางกลไกชีวภาพที่จะเกิดขึ้น
• John snow การระบาดของอหิวาตกโรค น่าจะเกิดจาก
การดื่มน้ าที่ปนเปื้ อน ซึ่งเกิดขึ้นในยุคที่เชื่อว่าโรคเกิดจาก
สภาวะอากาศ ขณะนั้นยังไม่รู้จกั เชื้อ Vibrio cholerae
ข้อมูลไม่ได้หยุดแค่นั้น ต้องมีการศึกษาเพิ่ม ค้นพบความรู้ใหม่ๆ เพื่อพิสูจน์
เช่น ยังเชื่อความรู้ตอนนั้นไม่ได้ ต้องศึกษาเพิ่ม
 7. Coherence

ความสอดคล้องของความสัมพันธ์ เป็นความตรงไปตรงมา

ผู้ชายสู บบุหรี่มากกว่ าผู้หญิง พบโรคมะเร็งปอดในผู้ชายมากกว่ าผู้หญิง


เกณฑ์ ของฮิลล์
• ลักษณะของความสัมพันธ์ที่พบนั้น ไม่
ขัดแย้งกับความรู ้พ้นื ฐานเกี่ยวกับโรคหรื อ
ธรรมชาติของโรคที่มีอยู่ หรื อไม่ลบล้าง
ข้อเท็จจริ งของโรคที่มีมาก่อนหน้านั้น จะ
ช่วยในการให้ขอ้ สรุ ปเชิงสาเหตุ
7. Coherence
ข้ อโต้ แย้ ง
• ความรู ้ใหม่เกิดขึ้นตลอดเวลา เกณฑ์ขอ้ นี้
จะทาให้เราไม่สามารถค้นพบสิ่ งใหม่ๆ
หรื อแปลกแยกจากที่ใช้อยูใ่ นปั จจุบนั
8. Experiment
 8. Experiment
เช่น เราไม่สามารถทำ RCT ได้ทุกการศึกษานะ มีข้อจำกัดอะไรหลายๆอย่างๆ

เกณฑ์ ของฮิลล์ ข้ อโต้ แย้ ง

• การมีการศึกษาเชิงทดลองที่ดี ที่แสดงถึง • เราไม่สามารถทาการศึกษาเชิงทดลองได้
ความสัมพันธ์ระหว่างปัจจัยและโรคช่วย ในทุกการศึกษา
สนับสนุนการให้ขอ้ สรุ ปความสัมพันธ์เชิง • การไม่มีขอ้ มูลการศึกษาเชิงทดลอง
สาเหตุได้เป็ นอย่างดี สนับสนุน ไม่ใช่ขอ้ อ้างในการสรุ ปว่า
ความสัมพันธ์น้ นั ๆไม่ใช่ความสัมพันธ์เชิง
สาเหตุ
 9. Analogy

ความเชื่อมโยงกัน เหมือนกัน

สมมติฐานตั้งต้นมันมียานะที่ทำให้ทารกผิดปกติ
ทาลิโดไมด์ ทำให้เกิดความผิดปกติของทารก
เขาเลยคิดว่ายาอื่นๆก็อาจทำให้ทารกผิดปกติได้เหมือนกัน
ถ้าเราเชื่อฮิวอะ เราก็ไม่อาจพบสิ่งใหม่ๆได้เลย
พอเราพิสูจน์มันก็ไม่ใช่ยาทุกตัวที่เกิดอะ
 9. Analogy

เกณฑ์ ของฮิลล์ ข้ อโต้ แย้ ง

• การมีตวั อย่างความสัมพันธ์ในลักษณะ • การที่ตอ้ งสรุ ปตามที่มีอยูเ่ ดิมเท่านั้น
เดียวกันหรื อคล้ายคลึงกันมาก่อน จะ ทาให้เราไม่สามารถค้นพบสิ่ งใหม่ๆ
ช่วยสนับสนุนว่าความสัมพันธ์ที่พบ หรื อแปลกแยกจากที่ใช้อยูใ่ นปั จจุบนั
ใหม่น่าจะเป็ นความสัมพันธ์เชิงสาเหตุ
เช่นเดียวกัน
 Conclusion
• เป็ นเกณฑ์แบบที่ไม่ได้เด็ดขาดตายตัว บางข้ออาจมีขอ้ โต้แย้งหรื ออาจไม่เป็ นไป
ตามเกณฑ์ได้
• ความสัมพันธ์มีลกั ษณะครบถ้วนตามเกณฑ์ทุกข้อ ไม่ใช่เหตุผลยืนยันว่าเป็ น
สาเหตุกนั เสมอไป
• ควรประเมินเกณฑ์ในแต่ละข้อแล้วดูภาพรวม ถ้ามีขอ้ ที่ไม่เป็ นไปตามเกณฑ์อาจ
ต้องหาคาอธิบายเพิม่ เติมว่าเป็ นเพราะเหตุใด
• โรคเกิดจากหลายปัจจัย ตัวแปรรบกวน ทาให้อาจไม่เป็ นไปตามเกณฑ์กไ็ ด้
3 if เรา เ าใจ จะ เ น เห
า
• การวิเคราะห์อย่างถี่ถว้ นโดยปราศจากอคติตามแนวทางนี้ ก็จะทาให้สามารถ เ นผล น จ งๆ

ประเมินตัดสิ นออกมาได้วา่ ปัจจัยที่พิจารณานั้นเป็ นสาเหตุการเกิดโรคหรื อไม่

รู้
กั
ป็
ข้
ป็
ว่
ริ
ตุ
 Bias and
Confounding
 Error in epidemiology
ความคลาดเคลื่อนที่เกิดขึ้น

Precise but not valid Neither precise nor valid Valid and precise
ความเที่ยง ทำทุกครั้งได้ค่าเดียวกันทุกครั้ง ไม่ถูกต้อง ไม่เที่ยง พิสูจน์ได้ไง ว่ามันสัมพันธ์กัน เป็นเหตุเป็นผลกัน
แต่ถูกไหม? อันนี้ไม่ถูก เพราะถูกต้องอยู่ตรงกลาง ต้องกำจัดปัจจัยรบกวน
 Error in epidemiology
ดูเรื่องความเที่ยง

Lack of random error Lack of systematic error

: Precision ดูจากค่ากระจาย : Validity เป็นความถูกต้อง
ทดสอบกี่ครั้งก็ได้ค่าความจริงเหมือนกันทุกครั้ง แบ่งออกเป็น 2 ตัว

มี 2 ส่วน
 Random error OR Chance

• Individual biological variation : ความแตกต่างทางชีวภาพ

• Sampling error : การสุ่ มตัวอย่าง ไม่ได้ทาในประชากรทั้งหมด
เรื่องการสุ่มตัวอย่าง

• Measurement error : การวัดผลที่คลาดเคลื่อนจากค่าจริ ง

เบี่ยงเบน ความแปรปรวน ไปจากค่าจริง เพราะสุ่มตัวอย่างมา ไม่ได้เป็นประชากรจริงๆ
Random error OR Chance
ค่าเฉลี่ยไม่เปลี่ยน แต่ กราฟจะกระจาย กระจายมากมีผลต่อความแปรปรวน

ค่าตรงกัน

Random error doesn’t affect the average,

เบี่ยงเบนน้อย
only the variability around the average
Random error OR Chance
แก้โดย เพิ่มsample signs ค่าพวกนี้จะลดลง

มีผลต่อความแปรปรวนมันสูง ค่าการกระจายไม่ดี
 Systematic error OR Bias
➢ ความคลาดเคลื่อนที่เกิดจากขั้นตอนและวิธีการศึกษา เช่น
• การเลือกประชากร
• การเก็บข้อมูล
➢ ทาให้การแปลผลความสัมพันธ์ระหว่าง Exposure และ
Outcome คลาดเคลื่อนจากความเป็ นจริ ง
Systematic error OR Change
ถ้ามี ค่ามันจะเบี่ยงเบนจากค่าความเป็นจริง

ค่าที่ได้ต่างกัน กราฟเบี่ยงเบนไป

ค่าเฉลี่ยมันคนละค่าละ จะต่างกันในแรนดอม error

Systematic error does effect the average,

call as bias
 Validity
ดู 2 อย่าง

• Internal validity ผลจากประชากรที่เราศึกษา

- result from the study show real relationship in the study population

• External validity เราไม่สามารถทำได้ทุกคน มันเยอะไป เราต้องให้กลุ่มตัวอย่างเป็นตัวแทนที่เราต้องการศึกษา

เป็นตัวแทนที่เราต้องการได้

- result from the study population reflect the relationship among

external population
 Validity
Generalizability
Generalizability

Truth in Truth in
the study real life
สิ่งที่เราต้องการจะแสดงให้เห็นในกลุ่มประชากร

Internal validity เป็นผลที่เราศึกษาจริงๆ ไม่ใช่จากตัวแปรอื่น External validity

 Random error Systematic error
ข้อสรุป

• Result in low precision • Result in low validity ไม่ใช่ค่าแท้จริง

→ not precise but true ไม่มีเที่ยงแต่ถูกต้อง → not true

• Decrease with increase sample size • Not decrease with increasing
• Can be quantified by confidence interval sample size ลดsample signs ไม่ลด errors
 Type of Bias

1. อคติที่เกิดขึ้นในขั้นตอนการคัดเลือกกลุ่มตัวอย่าง :
Selection bias เป็นกลุ่มใหญ่

2. อคติที่เกิดจากการได้ขอ้ มูลไม่ถูกต้อง :
Information bias
 Selection bias
ต้องเลือกให้ดีเพื่อเป็นตัวแทนที่ดี
• เลือก study population, study group, control group ไม่เหมาะสมจะเ ด บobserve

• Study group และ control group ไม่ได้มาจากประชากรฐานเดียวกัน

• Study group และ control group ไม่เป็ นตัวแทนของประชากรที่ศึกษา
• เกิดขึ้นได้มากกับ observational study
กั
กิ
 Type of selection bias

1. Sample selection bias

2. Self selection bias
3. Loss to follow up bias
4. Referral bias
5. Prevalence – incidence bias
 1. Sample selection bias

• การสุ่ มหรื อกระบวนการสุ่ มไม่ถูกต้อง

• ไม่เป็ นตัวแทนที่ดีของประชากร

สุ่มมาได้แต่คนสีแดงทั้งหมด
 2. Self selection bias
Inclusion, Exclusion

• ผูท้ ี่สมัครใจเข้าร่ วมวิจยั ต่างจากผูท้ ี่ไม่สมัครใจเข้าร่ วม

• กลุ่มตัวอย่างจึงไม่ได้เป็ นตัวแทนของประชากรทั้งหมด

• The decision may be related both to exposure and to

change in health
• Study effects of jogging on CHD
• Have certain level of good health to jog
 3. Loss to follow up bias ผลคาดเคลื่อนแน่นอน !

RR = 1 ; ม น น?

• เกิดจากการที่กลุ่มตัวอย่าง
ออกจากการศึกษาก่อน
กาหนด
• ทาให้การศึกษาไม่ได้เป็ น
ตัวแทนของประชากร
ทั้งหมด
สั
พั
ธ์
กั
 4. Referral bias
• เกิดจากการส่ งต่อผูป้ ่ วยไปสถานพยาบาลในระดับที่สูงกว่า
• ผูป้ ่ วยที่ถูกส่ งต่อ แตกต่างจากผูป้ ่ วยผูท้ ี่ไม่ได้ถูกส่ งต่อ
กลุ่ม 2 กลุ่มไม่เหมือนกันละ

• ไม่ใช่ตวั แทนที่แท้จริ ง

การศึกษาประสิ ทธิภาพของยาใหม่ ในการป้องกัน

การกาเริ บของ MI ในโรงพยาบาลเฉพาะทางด้าน
โรคหัวใจ โอกาสที่จะได้รับผูป้ ่ วยที่ส่งต่อจาก
โรงพยาบาลอื่นสู ง และผูป้ ่ วยจะมีความเสี่ ยงของ
การกาเริ บของ MI สู งกว่าผูป้ ่ วยทัว่ ไป
 5. Prevalence – incidence bias
เลือกค่อนข้างต้องระวัง เพราะเขาเป็นโรคยุแล้ว

• Neyman bias or survival bias โรคติดเชื้อ หรือ เบาหวาน เราต้องเลือกดีๆจะเอาโรคไหน

เลือกกลุ่มให้ถูก ส่วนใหญ่เลือก incident case
• ความรุ นแรงของโรคทาให้ผปู ้ ่ วยเสี ยชีวิต
• CASE ที่มีอยูเ่ ป็ นผูท้ ี่มีความรุ นแรงของโรคต่า
• ค่าความสัมพันธ์จึงถูกเบี่ยงเบนให้นอ้ ยกว่าความเป็ นจริ ง
 Information bias
• มักเกิดจากความผิดพลาดในการรวบรวมข้อมูล เช่น เครื่องมือแปรผลไม่ถูกต้อง

- การกาหนดนิยามไม่ชดั เจน
- คาถามในแบบสอบถามไม่ชดั เจน
- อคติจากตัวผูต้ อบคาถาม/ผูถ้ าม
- ขั้นตอนในการวัดตัวแปรต่างๆ
• ส่ งผลให้การจัดกลุ่มของการสัมผัส ปัจจัยเสี่ ยง การเป็ นโรค ผิดไปจาก
ความเป็ นจริ ง
• อาจเรี ยกอีกชื่อหนึ่งว่า misclassification bias
 Type of information bias

Misclassification bias
1. Non-differential misclassification
2. Differential misclassification
- Recall bias
- Detective bias
 ไม่มีทิศทางเกิดได้แบบแรนดอม

Non-differential misclassification
มันปนกันหมดถ้าเกณฑ์เราไม่ดี เช่น
เรามีแบบประเมิน คือ คนไข้เครียดมากเครียดน้อย ทำให้เราไม่เห็นภาพชัดเจนเรื่องระดับ มันเป็นเครื่องมือ : แบบสอบถามที่ไม่ดี

• Random misclassification ทำให้หาความแตกต่างในกลุ่มไม่ได้

• เกิดได้ท้ งั กลุ่มที่สัมผัส และไม่ได้สัมผัส exposure

• ส่ งผลให้ผลพบความแตกต่างได้ยากขึ้น (bias toward null)

การใช้แบบสอบถามประเมินความเครี ยด อาจไม่สามารถวินิจฉัยผูม้ ีโรค

เครี ยดได้ท้งั หมด และอาจ overdiagnosis บางคน
 Differential misclassification
อีกชื่อ
• Systematic misclassification
• ความผิดพลาดในการแบ่งกลุ่มผูเ้ ข้าร่ วมแบบมีทิศทาง

Recall bias Detective bias

• กลุ่มผูป้ ่ วยและกลุ่มควบคุมมีความจา • ผูว้ จิ ยั ทราบว่าผูเ้ ข้าร่ วมวิจยั ได้รับปัจจัย
เกี่ยวกับเหตุการณ์คลาดเคลื่อน เสี่ ยงจึงพยายามถามหรื อตรวจหาการเป็ น
• ผูท้ ี่สมั ผัสปัจจัยเสี่ ยง มักจะจาเหตุการณ์ โรคมากกว่ามากกว่ากลุ่มที่ไม่ได้สมั ผัส
ได้ดีกว่าผูท้ ี่ไม่เกิดเหตุการณ์ ปัจจัยเสี่ ยง
 Confounding
Confounder : ตัวแปรกวน
ตัวแปรที่ส่งผลกระทบต่อความสัมพันธ์ระหว่างสิ่ งที่สนใจและผลลัพธ์ที่ทาการศึกษา
 Criteria for confounder
การพิจารณาตัวแปรใดเป็ นตัวแปรกวน ต้องมี
คุณลักษณะดังนี้
2 1
1. เป็ นปั จจัยที่ทาให้เกิดผล ผล อOutcome เรา

2. มีความสัมพันธ์กบั ปัจจัยเสี่ ยงที่ศึกษา ผล อexposure / ธง 3

3. ไม่เป็ นผลลัพธ์ตรงกลาง (intermediate step) ของ
ความสัมพันธ์ของปัจจัยเสี่ ยงและผลลัพธ์
EX. ใน คน
BMI อนแ เรา ไ ไ เอา คน ออก
ง น ค. ม น น

Obesity → hypercholesterolemia → CHD

ค. ม น ตรงกลาง ( เ นผล
ตรงกลาง) ผล ระห างoutcome บ exposure
อง เอา ออก ?ใ เห อ
แ BMI

เพราะเรา องการ

ใน คน วน
แ BMI เป็ น confounder หรอ อมม่
มี
มี
อ่
สั
มี
มั
ธิ
พั
มี
ต้
กั
ดู
ต้
อ้
ม่
ซึ่
ป็
ต่
ด้
ต่
ห้
ค่
สั
ลื
พั
ว่
ต่
ต่
ดู
ธ์
กั
 Confounding
EX,
เ ยง
คนที่กินเหล้า สูบบุหรี่ CHDเห อน น อง ด น ใด น งออก า อง ก. เน ย
ว

Hypothesis : Alcohol consumption and CHD EX. 1891092 ว ทน ใ ผล เรา เ ดCHD

Possible confounder : Smoking แ ค. จ อาจ

ง แ Alcohol อ างเ ยว ไ

:: อง excluse
ทใเด
ออกไป

Alcohol เ ยง
CHD
consumption

Smoking
รู้อั
ต้
ถ้
นึ
อั
อั
ติ
ต้
มั
ก็
ที่
สี่
สี่
กิ
กี
ำ
ริ
ค่
ย่
ต่
ำ
ต้
ห้
ด้
มื
กิ
ห้
ดี
กั
ตั
 อิทธิพลของตัวแปรกวน
1. Decreasing effect
2. Increasing effect
3. Opposite effect

True RR =2.0
Measured RR = 1.2 (toward the null)
Measured RR = 4.0 (away the null)
Measured RR = 0.5 (Switch over)
 Example
Hypothesis : Type A behavior is associated with risk of CHD
Possible confounder : Smoke
Cohort study
506 with CHD
at baseline
178 new cases
3154 men
1307 type A
1129 no CHD
2648 enrolled
79 new cases
1341 type B
8.5 years 1262 no CHD
 Example

Disease Non disease Total

Expose (type Al 178 1129 1307
Non - Expose (type B) 79 1262 1341
เอาเด็กมาทั้งหมด ไม่ถามว่าใครสูบไม่สูบบุหรี่

𝟏𝟕𝟖/𝟏𝟑𝟎𝟕
RR = = 2.31 ; ค. ม น

𝟕𝟗/𝟏𝟑𝟒𝟏
สั
มี
พั
ธ์
 Example
เง ฉพาะละแ ง typeA,
B

Smoking เอา เฉพาะคน

บห

Disease Non disease Total

Expose 168 880 1048
Non - Expose 34 177 211

𝟏𝟔𝟖/𝟏𝟎𝟒𝟖 แต่พอแบ่งแยกย่อยละ
RR = = 0.99 ~เ าใก ๆ แทน ไ ค. ม น

𝟑𝟒/𝟐𝟏𝟏
ถึ
สู
สั
ม่
บ่
มี
ข้
บุ
พั
รี่
ธ์
ล้
 Example
Non smoking

Disease Non disease Total

Expose 10 249 259
Non - Expose 45 1085 1130

𝟏𝟎/𝟐𝟓𝟗
RR = = 0.97 ~เ าใก

𝟒𝟓/𝟏𝟏𝟑𝟎 เ า!ไ แตก าง น

:: smoking อ conforder เ น วแปร ดวช

เพราะ CHD มันต่างกัน

ตั
คื
กั
ป็
อ้
ม่
ข้
ต่
ล้
 How to control bias and confounder
Selection bias
Design level
- Random sampling สามารป้องกันการเกิด sample selection bias
- Sampling protocol สามารป้องกันการเกิด self selection bias
- Random allocation สามารป้องกันการเกิด self selection bias และ referral bias
- Incidence case สามารป้องกันการเกิด prevalence – incidence bias
How to control bias and confounder
Information bias

Design level
- Blinding
- Standard data collection form
- Define objective exposure and outcome
ต้องประเมินเครื่องมือ แบบสำรวจอะ สามารถระบุความเป็นจริงได้มากน้อยแค่ไหน
 How to control bias and confounder
Confounder
• Design Level
- Random allocation เลือกกลุ่มตัวอย่างให้เหมาะสม ให้เหมือนกันที่สุด

- Restriction for potential confounders

- Matching
• Analytical Level แบ่งกลุ่ม แบ่งชั้น ให้มันลดปัจจัย
เลือกสถิติให้เหมาะสมเพื่อการคำนวณที่ออกมา

- Stratification
- Mathematical