Error หรือความคลาดเคลื่อนในงานวิจัย

Error หรือความคลาดเคลื่อนในงานวิจัย พบได้บ่อย ๆ สาเหตุถ้าจะแบ่งเป็นกลุ่มใหญ่ มักจะนึกถึงได้เป็นสองกลุ่มคือ Random error(chance) และ Systematic error(Bias) ซึ่งการเกิดความ คลาดเคลื่อนโดย chance เป็นสิ่งที่ป้องกันได้ยาก แต่ก็สามารถทำให้ลดลงได้, ส่วนความคลาดเคลื่อนโดย Bias อาจสามารถป้องกันได้โดยการออกแบบงานวิจัย หรือ methodology ที่ดี สองข้อนี้ส่วนใหญ่เราจะนึกถึงก่อน แต่ในความเป็นจริงแล้วยังมีอีกสองปัจจัยที่สำคัญ ก็คือ ตัวกวน(Confounder) และ ปฏิสัมพันธ์ระหว่างตัวแปรที่นำมาศึกษา(Interaction)

ดังนั้นเมื่อเราเห็นผลงานวิจัยให้นึกถึง Key words "CBCI" นำมามองว่าผลลัพธ์จากงานวิจัยนั้นน่าเชื่อถือเพียงใด
ดังนั้นเราต้องมองปัจจัยสำคัญ 4 อย่าง ดังนี้ ว่างานวิจัยที่เรากำลังหยิบมาใช้นั้นมีผลจากสิ่งเหล่านี้หรือไม่ มากน้อยเพียงใด

C : Chance ?
B : Bias ?
C : Confounding ?
i : Interaction ?

mnemonics "CBCI" นี้ก็จะช่วยเราให้นึกถึงและพิจารณาว่างานวิจัยนั้น ๆ น่าเชื่อถือมากน้อยเพียงใด

1.Random Error(Chance):

มักเกิดจาก Small sample size, high variation in sample ที่เลือกมา,One time measurement (การวัดครั้งเดียว), การวัดที่เชื่อถือไม่ได้หรือไม่มี callibration ที่ดี(Unreliable measurement), มีหลายตัววัดที่ต้องเก็บพร้อม ๆ กัน หรือเก็บมากเกินความจำเป็น(too many measurements), รวมถึงการวัดที่ไม่มีมาตรฐาน(non standard measurement)

การป้องกัน:
1. กำหนดจำนวน Sample size ที่มีขนาดใหญ่พอ ที่จะให้ผลที่มีความสำคัญทางนัยสำคัญทางสถิติหรือทางคลินิก
2. การวัดควรให้ได้มาตรฐาน ถูกต้อง เที่ยงตรง
3. การมี standard protocol ในการวัดหากผู้ป่วยในงานวิจัยเป็นกลุ่มที่มี variation ค่อนข้างมาก
4. การเก็บข้อมูลควรให้สอดคล้องตรงกับ Prognostic factors ที่ต้องการเก็บ
5. ควรเลือกกลุ่มผู้ป่วยที่มีความเป็น Homogenous กัน มากกว่ามี variation มาก ๆ ในกลุ่มศึกษา
6. ควรเลือก วางแผน ขั้นตอน รวมถึงการออกแบบงานวิจัยที่ดี

2.Systematic Error(Bias) :

ว่าด้วย อคติ(bias) ในงานวิจัย เวลาเราตีความหรืออ่านบทความวิชาการ อย่างเป็นระบบแล้วถ้าให้ดี ก็ควรจะตั้งมั่นว่างานวิจัยนั้นมีโอกาสเป็นไปได้หรือไม่ ? ไว้ก่อน โดยคำนึงถึงข้อจำกัดหลาย ๆ ข้อในการดำเนินงานวิจัย และที่สำคัญ ก็คือ Bias นั้นเอง เพราะหากงานวิจัยนั้นรายงานผลออกมาโดยมีอคติ หรือ ความลำเอียง " bias " มากจนเรายอมรับไม่ได้นั้น นั่นถึงผลที่ตีความออกมาอาจไม่สามารถนำไปใช้ในผู้ป่วยจริง หรือ สถาณการณ์จริงได้เลย เพราะเราจะขาดความมั่นใจในการนำผลนั้นไปใช้



คำว่า Bias นั้นคำในภาษาอังกฤษนั้นอธิบายได้ดีว่า " Bias is a systemic tendency of any factors that associated with design, conduct, anaylysis and interpretation of the results of study to make the estimate of effect deviate from it trues value "

ตัวอย่างของ Bias ที่พบบ่อยได้แก่ :

1. Selection Bias
2.Berkson Bias( admission bias, hospital admission bias)
3.Ascertainment Bias
4.Health worker effect
5.Volunteer Bias
6.Non-Response Bias
7.Information Bias( eg. observer bias, Recall bias, reporting bias)
8.Ecological Bias
9.Confounding Bias
10.Spectrum Bias
11.Post Hoc Analysis Bias
12.Sub-Group Analysis Bias
13.Publication Bias

ซึ่งมีมากมาย ที่ยกมาเป็นเพียงตัวอย่างที่เราคำนึงถึงบ่อย ๆ คราวนี้หลายคนคงมองว่ามันเยอะขนาดนี้เราจะป้องกันไม่ให้มันเกิดขึ้นได้อย่างไร เพราะถ้าไม่สามารถตอบได้การดำเนินงานวิจัยนั้น ๆ คงไม่มีประโยชน์

3.Confounder :


4.Interaction :

.....(ยังมีต่อ)

หัวใจสำคัญ 3 ข้อ ที่ต้องคำนึงถึงในการทำ Random Allocation ในการศึกษาแบบ RCT

หัวใจสำคัญ ที่ต้องคำนึงถึงในการทำ Random Allocation ในการศึกษาแบบ RCT นั้นมีที่เราต้องเน้นหลัก สามข้อ ที่ถือว่า ต้องคำนึงถึงหรือเป็นหัวใจสำคัญ

๑) อคติ หรือไบแอส(potential bias) ในการเลือกผู้ป่วยเข้ามาในการศึกษาอย่างไม่มีอคคติ หรือความลำเอียงในการเลือกเข้ามานั่นเอง นั่นหมายถึงถ้าเราทำการ allocate ผู้ป่วยเข้ามาอย่างไม่มีความลำเอียง และเป็นธรรม ส่งผลให้เกิดการกระจายตัวของตัวอย่างที่จะทำการศึกษาอย่างเท่าเทียมกันในทั้งสองกลุ่ม (equally chance) คือ กลุ่มที่ได้รับการรักษา และกลุ่มที่ควบคุม จะส่งผลให้ผลลัพธ์ที่ได้จากการศึกษานั้นมีความน่าเชื่อถือมากที่สุด

๒) Baseline characterisitic (ข้อมูลพื้นฐาน) ของผู้ป่วยทั้งสองกลุ่มนั้นก็มีความสำคัญอย่างมาก ซึ่งบางครั้งแพทย์หรือนักวิจัยหลาย ๆ คน ลืมนึกถึงไป หากข้อมูลของ baseline characteristic ของกลุ่มตัวอย่างที่ศึกษามีความใกล้เคีบงกันมาก หรือไม่มีความแตกต่างอย่างมีนัยสำคัญแล้ว จะเป็นการช่วยลดตัวกวนไปในตัวนั่นเอง(potential confounders) ดังนั้นถ้าเรามองให้ดี ๆ จะเห็นว่าการทำ randomization หรือ random allocation นั้นจะเป็นตัวช่วยกระจายให้ตัวกวนในกลุ่มประชากรที่ศึกษากระจายตัวไปอย่างเท่าเทียมกัน โดยเฉพาะหากขนาดของตัวอย่างการศึกษาที่มีขนาดพอเพียง

๓) Sample Size ขนาดของกลุ่มตัวอย่างที่ศึกษา ต้องมีขนาดพอเพียงที่จะทำให้เกิดความแตกต่างอย่างมีนัยสำคัญ มีโอกาสมากที่สุดต่อการให้ผลลัพธ์ที่มีความถูกต้องเที่ยงตรง เสียก่อนที่จะนำมาทำการ allocation ผู้ป่วย ออกเป็นสองกลุ่ม

อาจารย์นายแพทย์ ศักดา อาจองค์, พบ, บธบ.
SAKDA ARJ-ONG, MD, BBA, MS.ICT
PHD program of clinical epidemiology,
Pediatrist, Pediatric Cardiologist & Intervention Ped.Cardiology
Family physicians, Emergency physicians.
Certificates in Pediatric Emergency Medicine,
Emergency Medicine, Ramathibodi Hospital, Mahidol University

เหตุผลว่าทำไม ผลการรักษาที่วัดหรือจัดเก็บในงานวิจัย ถึงได้ผลดีเกินคาด

การวิจัยในการให้การรักษาผู้ป่วยนั้นบางครั้งพบว่ายิ่งเก็บผลลัพธ์ไปเรื่อย กลับรู้สึกว่าผลการรักษษ เอ ! ทำไมถึงดีขึ้นเรื่อย ๆ มีเหตุผลหลายข้อชวนให้คิดถึงดังนี้ครับ

๑) เป็นผลจากการรักษาที่ให้ผลดีจริง ๆ อันนี้มีโอกาสเกิดได้ครับถ้ายาหรือ intervention ที่เรานำมาใช้ในการรักษาให้ผลที่ดีขึ้นจริง ๆ เช่น ยาลดความดันตัวใหม่ทำให้ความดันลดลง การนำขบวนกาารรักษาชนิดใหม่มาใช้ส่งผลให้อัตราการตายในกลุ่มคนไข้ที่เราสนใจลดลง
๒) เป็นผลที่เกิดขึ้นจากการวัดซ้ำหลาย ๆ ครั้ง ซึ่งมักเกิดขึ้น เราเรียกว่า regression to the mean โดยจะสังเกตว่าค่าที่วัดได้หลัง ๆ จะดี หรือให้ค่าต่ำลง
๓) เป็นผลจาก natural history ของโรคเองที่ต้องดีขึ้น เช่น viral diarrhea มีการใช้ยาบางกลุ่มมาใช้ในการรักษาแต่อย่าลืมว่าการดำเนินอาการของโรคอาจดีขึ้นได้เองและแตกต่างกันไปในแต่ละคนโดยที่ไม่ได้เป็นผลจากยาโดยตรง
๔) เป็นผลมาจาก Hawthorne effect เป็นการที่รู้สึกดีขึ้นเองโดยไม่ได้เป็นผลจากยาหรือ intervention ในการรักษาแต่เป็นผลอ้อม ๆ ที่ผู้ป่วยรู้สึกดีขึ้นจากการที่ได้รับการดูแลทางการแพทย์
๕) เป็นผลจากยาหลอก หรือ placebo effect ยาหลอกก็ทำให้รู้สึกว่าได้รับกาารรักษา บางครั้งการวัดผลที่เป็นแบบ subjective measurement ผู้ป่วยจะให้คะแนนว่าดีขึ้นเพราะความรู้สึกว่าได้รับการรักษาทั้งที่จริง ๆ แล้ว ยาไม่ช่วยอะไรเลย


อาจารย์นายแพทย์ ศักดา อาจองค์, พบ, บธบ.
SAKDA ARJ-ONG, MD, BBA, MS.ICT
PHD program of clinical epidemiology,
Pediatrist, Pediatric Cardiologist & Intervention Ped.Cardiology
Family physicians, Emergency physicians.
Certificates in Pediatric Emergency Medicine,
Emergency Medicine, Ramathibodi Hospital, Mahidol University

T ใน PICOT ความหมายในความหมาย ?

สำหรับ PICOT :
P : Patient/Population
I : Intervention (eg. Drug, interventions, treatment or behavioral modification etc..)
C : Comparative
O : Outcome of Interest
T : Time & Method
สำหรับ T:Time เพิ่มเติมนะครับ หลังจากไปค้นเพิ่มเติม มา update กัน Time อาจหมายถึง Time ในการวัด outcome of interest ก็ได้ครับ เช่น เราต้องการวัด interest outcome ของการเกิดโรคที่ 2, 4 และ 6 เดือน โดย outcome ที่ได้จะเป็นอะไรก็ได้(dichotomous outcome หรือ continuous outcome ก็ได้) หรือจะระบุว่าเป็น end of interest outcome ก็ได้ เช่นต้องการศึกษาอัตราการตายที่เมื่อการดำเนินโรคผ่านไป 5 ปี โดยสนใจ dead และ survive ก็ได้ครับ ส่วน expert บางท่านหรือบาง paper ก็ให้ใช้ระยะเวลาของการศึกษาก็ได้ เช่นกัน ไม่ผิดครับ(เหมือนในตัวอย่าง) อ่านไปอ่าน มาผมคิดว่าน่าจะใส่ให้ละเอียดทั้งสองอันเลยน่าจะชัดเจนกว่าครับ ชัวร์ดี

อาจารย์นายแพทย์ ศักดา อาจองค์, พบ, บธบ.
SAKDA ARJ-ONG, MD, BBA
PHD program of clinical epidemiology,
Pediatrist, Pediatric Cardiologist & Intervention Ped.Cardiology
Family physicians, Emergency physicians.
Emergency Medicine, Ramathibodi Hospital, Mahidol University

บทนำ...จริงจริง

เล่าถึงที่มาที่ไปของ Web Blog นี้ก็เพราะได้มีเวลาหลังจากเสร็จงานยุ่ง ๆ ถึงได้มีโอกาสได้คุยกับ Pawin's Blog ว่าน่าจะช่วยกันสร้างชุมชนของคนที่สนใจใน Clinical Epidemiology เพื่อมาแลกเปลี่ยนเรียนรู้กัน เพราะว่า Blog/Website ที่เป็นเชิง Clinical ของแพทย์หรือบุคลากรทางสาธารณสุขเรานั้นยังมีค่อนข้างน้อย เพื่อที่ จะได้ช่วยกันขยายความเข้าใจในวงกว้างได้มากขึ้น จะได้มากหรือน้อยแค่ไหน ขึ้นกับแรงและเวลาแล้วล่ะครับ....:)



อาจารย์นายแพทย์ ศักดา อาจองค์, พบ, บธบ.
SAKDA ARJ-ONG, MD, BBA
PHD program of clinical epidemiology,
Pediatrist, Pediatric Cardiologist & Intervention Ped.Cardiology
Family physicians, Emergency physicians.
Emergency Medicine, Ramathibodi Hospital, Mahidol University