Skip to content
กลับไปยังผลการค้นหา

ระเบียบวิธีวิจัยแบบ Case-Control

ผู้เสนอ
Jerome L. Schlesselman, Brian MacMahon, Thomas Pugh
ปี
1950s-1970s
ประเภท
Research Design
กลุ่มวิธี
observational design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การศึกษาแบบ case-control เป็นการระบุตัวบุคคลที่มีโรคหรือผลลัพธ์ (cases) และกลุ่มเปรียบเทียบที่ไม่มีผลลัพธ์ (controls) จากนั้นจึงวัดการสัมผัสปัจจัยย้อนหลัง การศึกษาแบบ case-control พัฒนาขึ้นในช่วงทศวรรษ 1950–1970 โดยนักระบาดวิทยา เช่น Schlesselman และ MacMahon มีประสิทธิภาพเป็นพิเศษสำหรับโรคหายาก เนื่องจากเป็นการสุ่มตัวอย่าง cases ที่มีผลลัพธ์จำนวนมาก ทำให้ไม่จำเป็นต้องมีกลุ่มประชากรขนาดใหญ่ การศึกษาประเภทนี้เป็นหลักสำคัญของการระบาดวิทยาทางคลินิก การวิจัยเชิงสังเกต และการสอบสวนการระบาดของโรค

แนวคิดเบื้องหลังวิธีการ

การศึกษาแบบ case-control ทำงานย้อนหลัง: เริ่มต้นจากผู้ป่วย จากนั้นถามว่า 'คุณสัมผัสอะไรมาก่อนที่จะป่วย?' เปรียบเทียบกับกลุ่มควบคุมที่ไม่มีโรค หากกลุ่ม cases มีแนวโน้มที่จะรายงานการสัมผัสปัจจัยในอดีตมากกว่ากลุ่ม controls อย่างมีนัยสำคัญ การสัมผัสปัจจัยนั้นก็มีแนวโน้มที่จะเป็นปัจจัยเสี่ยง สถิติสำคัญคือ อัตราส่วนของโอกาส (Odds Ratio หรือ OR) ซึ่งสามารถคำนวณได้จากการสุ่มตัวอย่างแบบ case-control เพียงอย่างเดียว ความท้าทายหลักคือ อคติจากการจำ (recall bias) (กลุ่ม cases อาจจำการสัมผัสปัจจัยแตกต่างจากกลุ่ม controls) และอคติจากการเลือก (selection bias) (วิธีการเลือกกลุ่ม controls ส่งผลต่อผลลัพธ์) สำหรับโรคหายาก การศึกษาแบบ case-control มีประสิทธิภาพมากกว่าการศึกษาแบบ cohort มาก: คุณจะลงทะเบียน cases 100 ราย และ controls 100 ราย แทนที่จะติดตามผู้ที่ไม่มีโรค 100,000 คนเป็นเวลาหลายปี

ประวัติศาสตร์

ระเบียบวิธี case-control เกิดขึ้นในทศวรรษ 1950 เมื่อนักระบาดวิทยาพยายามศึกษาโรคหายากอย่างมีประสิทธิภาพ หนังสือของ Jerome Schlesselman (1982) ได้วางรากฐานทางสถิติอย่างเป็นทางการ การออกแบบ case-control พิสูจน์แล้วว่ามีความสำคัญในการสร้างความเชื่อมโยงเชิงสาเหตุ: การศึกษา case-control แบบคลาสสิกของยาธาลิโดไมด์และความพิการแต่กำเนิด (ทศวรรษ 1960) และการสูบบุหรี่กับมะเร็งปอด (Doll & Hill) เป็นตัวอย่างที่แสดงให้เห็นถึงพลังของการออกแบบนี้ในการตรวจจับการสัมผัสปัจจัยได้อย่างรวดเร็ว การศึกษาแบบ nested case-control (การเลือก controls จากภายในกลุ่มประชากร) และการออกแบบ case-control แบบจับคู่ได้พัฒนาขึ้นเพื่อเพิ่มความแม่นยำ ปัจจุบัน การศึกษาแบบ case-control ยังคงเป็นพื้นฐานในการระบาดวิทยา โดยเฉพาะอย่างยิ่งสำหรับการสอบสวนการระบาด, อันตรายจากการทำงาน และเหตุการณ์ไม่พึงประสงค์ที่หายาก

ควรใช้เมื่อใด

ใช้การศึกษาแบบ case-control เมื่อ: (1) โรคหรือผลลัพธ์หายาก (เช่น มะเร็งหายาก, ความพิการแต่กำเนิด) ทำให้การศึกษาแบบ cohort มีค่าใช้จ่ายสูงเกินไป, (2) มีระยะเวลาแฝงนานระหว่างการสัมผัสปัจจัยและผลลัพธ์ (หลายปีถึงหลายทศวรรษ), (3) ศึกษาการสัมผัสปัจจัยหลายอย่างสำหรับผลลัพธ์เดียว, (4) ดำเนินการสอบสวนการระบาดหรือโรคระบาด (เปรียบเทียบผู้ที่สัมผัสปัจจัยกับผู้ที่ไม่สัมผัสปัจจัย), (5) สร้างสมมติฐานจากข้อมูลที่มีอยู่ (เวชระเบียน, ทะเบียนโรค), (6) มีทรัพยากรจำกัด (การศึกษาแบบ case-control ถูกกว่าและเร็วกว่าแบบ cohort), (7) ศึกษาการสัมผัสปัจจัยในอดีตที่ไม่สามารถติดตามผลได้

ข้อจำกัดและข้อควรพิจารณา

  • อคติจากการจำ: Cases ที่มีประสบการณ์กับผลลัพธ์ อาจจำการสัมผัสปัจจัยในอดีตแตกต่างจาก controls หาก cases รายงานการสัมผัสปัจจัยเกินจริงหรือน้อยเกินไป OR จะมีอคติ
  • อคติจากการเลือก: วิธีการเลือก controls ส่งผลกระทบอย่างมากต่อ OR Controls ต้องมาจากประชากรต้นทางเดียวกันที่ก่อให้เกิด cases; การใช้ controls ที่เข้ารับการรักษาในโรงพยาบาลเมื่อ cases มาจากชุมชนจะนำไปสู่อคติ
  • ความคลุมเครือทางเวลา: การวัดการสัมผัสปัจจัยย้อนหลังอาจบดบังความเป็นเหตุเป็นผล การสัมผัสปัจจัยเกิดขึ้นก่อนผลลัพธ์ หรือผลลัพธ์มีอิทธิพลต่อการจำการสัมผัสปัจจัย?
  • ไม่สามารถคำนวณอุบัติการณ์: ตัวอย่างแบบ case-control มีการเน้นผลลัพธ์ ดังนั้นคุณจึงไม่สามารถประมาณอุบัติการณ์ของโรคหรือความเสี่ยงสัมบูรณ์ได้โดยตรง OR เป็นมาตรวัดความสัมพันธ์เดียวที่สามารถประมาณค่าได้
  • การจำแนกการสัมผัสปัจจัยผิดพลาด: การประเมินการสัมผัสปัจจัยย้อนหลัง (โดยเฉพาะอย่างยิ่งสำหรับการสัมผัสปัจจัยที่ห่างไกล) มีแนวโน้มที่จะเกิดข้อผิดพลาด ทำให้ OR มีอคติเข้าใกล้ค่าว่าง

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ประสิทธิภาพสำหรับผลลัพธ์ที่หายาก: การสุ่มตัวอย่างที่เน้นผลลัพธ์ทำให้การศึกษาแบบ case-control มีประสิทธิภาพมากกว่าการศึกษาแบบ cohort สำหรับโรคหายาก การศึกษาโรคมะเร็งหายากอาจลงทะเบียน cases 300 ราย และ controls 300 ราย แทนที่จะเป็น 100,000 คนที่ติดตามผลเป็นเวลาหลายปี
  • ความเร็วและค่าใช้จ่าย: การเก็บข้อมูลย้อนหลังทำได้เร็วกว่าและถูกกว่าการติดตามผลไปข้างหน้า
  • การสัมผัสปัจจัยหลายอย่าง: การศึกษาแบบ case-control เพียงครั้งเดียวสามารถตรวจสอบการสัมผัสปัจจัยหลายอย่างพร้อมกัน เพื่อระบุปัจจัยเสี่ยงใหม่ ๆ
  • ทะเบียนโรคที่จัดตั้งขึ้น: โรคหลายชนิดมีทะเบียน (มะเร็ง, ความพิการแต่กำเนิด) ซึ่งช่วยให้เข้าถึง cases ที่มีลักษณะเฉพาะได้ง่าย
  • ระยะเวลาแฝง: การศึกษาแบบ case-control จัดการกับระยะเวลาการฟักตัว-แฝงนานระหว่างการสัมผัสปัจจัยและการวินิจฉัยผลลัพธ์ได้อย่างเป็นธรรมชาติ

การประยุกต์ใช้

  • การสอบสวนการระบาด: ในระหว่างการระบาดของโรคที่เกิดจากอาหาร ให้ระบุ cases (ผู้ป่วย) และ controls (ผู้ที่สัมผัสปัจจัยแต่ไม่ป่วย) เปรียบเทียบอาหารที่บริโภค และระบุแหล่งที่มา
  • ระบาดวิทยาความพิการแต่กำเนิด: ลงทะเบียนทารกที่มีความผิดปกติแต่กำเนิดเป็น cases เลือก controls จากประชากร ถามมารดาเกี่ยวกับการใช้ยา, การติดเชื้อ หรือการสัมผัสปัจจัยระหว่างตั้งครรภ์
  • อาชีวอนามัย: คนงานที่เป็นมะเร็งเยื่อหุ้มปอด (ผลลัพธ์หายาก) เป็น cases; controls คือคนงานที่ไม่มีโรคที่เกี่ยวข้องกับแร่ใยหิน; ประเมินการสัมผัสแร่ใยหินย้อนหลังจากบันทึกการจ้างงาน
  • ผลข้างเคียงของยา: ผู้ป่วยที่เข้ารับการรักษาในโรงพยาบาลด้วยภาวะตับวาย (cases) ถูกเปรียบเทียบกับ controls ที่เข้ารับการรักษาในโรงพยาบาล (ไม่มีภาวะตับวาย); ประวัติการใช้ยาจะถูกทบทวนเพื่อระบุยาที่เป็นพิษต่อตับ
  • สาเหตุของโรคมะเร็ง: ผู้ป่วยมะเร็งที่ได้รับการวินิจฉัยใหม่ (cases) ถูกจับคู่ความถี่กับ controls ที่ไม่มีมะเร็งตามอายุ/เพศ; รวบรวมประวัติการรับประทานอาหาร, การสูบบุหรี่ และประวัติการเจริญพันธุ์เพื่อระบุปัจจัยเสี่ยง

วิธีการทำงาน

วิธีการทำงาน

1

กำหนด cases: บุคคลที่มีผลลัพธ์ที่สนใจ (เช่น เบาหวาน, กล้ามเนื้อหัวใจตาย, ความผิดปกติแต่กำเนิด) Cases อาจเป็นผู้ที่ได้รับการวินิจฉัยใหม่ (incident) หรือทุกคนที่เป็นโรคในช่วงเวลาที่กำหนด (prevalent) กำหนด cases ให้ชัดเจน: เกณฑ์การวินิจฉัย, วันที่วินิจฉัย, สถานะของโรคที่ยืนยันโดยเวชระเบียน เลือก controls จากประชากรต้นทางที่ก่อให้เกิด cases—controls เป็นตัวแทนของการกระจายการสัมผัสปัจจัยในประชากรที่ก่อให้เกิด cases Controls ต้องไม่มีโรค (อย่างน้อยก็สำหรับผลลัพธ์ที่เฉพาะเจาะจง) การจับคู่ (Matching): controls สามารถจับคู่แบบ 1:1 หรือ 1:k กับ cases ตามอายุ, เพศ, เชื้อชาติ หรือปัจจัยรบกวนอื่น ๆ การจับคู่ช่วยเพิ่มอำนาจการทดสอบ แต่ต้องมีการปรับทางสถิติ (McNemar สำหรับคู่ที่จับคู่) อีกทางเลือกหนึ่งคือ ใช้ controls ที่ไม่ได้จับคู่และปรับปัจจัยรบกวนในการวิเคราะห์ถดถอย วัดการสัมผัสปัจจัยในอดีตจากเวชระเบียน, การสัมภาษณ์, แบบสอบถาม หรือตัวอย่างทางชีวภาพที่เก็บไว้ สำหรับการสัมผัสปัจจัยในอดีต (อดีตอันไกลโพ้น) ให้ใช้เวชระเบียนหรือประวัติการทำงาน; สำหรับการสัมผัสปัจจัยล่าสุด การสัมภาษณ์เป็นไปได้

สูตร
Identify cases (with outcome) and controls (without outcome); measure prior exposure retrospectively from medical records, interviews, or surveys; match controls to cases on age, sex, or other variables if needed.
2

สร้างตารางความถี่ 2×2: แถว = สถานะการสัมผัสปัจจัย (ใช่/ไม่ใช่), คอลัมน์ = สถานะ case/control คำนวณอัตราส่วนของโอกาส (Odds Ratio): OR = (a × d) / (b × c) โดยที่ a = cases ที่สัมผัสปัจจัย, b = cases ที่ไม่สัมผัสปัจจัย, c = controls ที่สัมผัสปัจจัย, d = controls ที่ไม่สัมผัสปัจจัย คำนวณช่วงความเชื่อมั่น 95% โดยใช้มาตราส่วนลอการิทึม สำหรับข้อมูลที่จับคู่ (n คู่ที่จับคู่) ใช้การทดสอบ McNemar: χ² = ((b − c)²) / (b + c) ซึ่งทดสอบว่าคู่ที่ไม่สอดคล้องกันมีความสมดุลหรือไม่ สำหรับข้อมูลที่ไม่ได้จับคู่ ให้ใช้การถดถอยโลจิสติกส์เพื่อปรับปัจจัยรบกวนและคำนวณ OR ที่ปรับแล้ว รายงาน OR ที่ปรับแล้วพร้อมช่วงความเชื่อมั่นและค่า p-value ตรวจสอบปฏิสัมพันธ์ระหว่างการสัมผัสปัจจัยและปัจจัยรบกวน

สูตร
Tabulate 2×2 table (exposure × outcome); compute Odds Ratio (OR) = (a×d)/(b×c); apply McNemar's test for matched data or logistic regression for unmatched data with confounders.
3

OR = 1: ไม่มีความสัมพันธ์ระหว่างการสัมผัสปัจจัยและผลลัพธ์ OR > 1: การสัมผัสปัจจัยสัมพันธ์กับโอกาสที่เพิ่มขึ้นของการเกิดผลลัพธ์ (ปัจจัยเสี่ยง) OR < 1: การสัมผัสปัจจัยสัมพันธ์กับโอกาสที่ลดลง (ปัจจัยป้องกัน) ตัวอย่างเช่น OR = 3 หมายความว่าโอกาสของการสัมผัสปัจจัยในกลุ่ม cases เป็น 3 เท่าของโอกาสในกลุ่ม controls เมื่อโรคหายาก (ความชุก <10%) OR จะประมาณค่าความเสี่ยงสัมพัทธ์ (Relative Risk) เมื่อโรคเป็นเรื่องปกติ OR จะประเมินผลกระทบสูงเกินไป ช่วงความเชื่อมั่นที่ไม่รวม 1.0 บ่งชี้ถึงนัยสำคัญทางสถิติ ความเป็นเหตุเป็นผลต้องอาศัยมากกว่าความสัมพันธ์ทางสถิติ: พิจารณาความแข็งแกร่ง (OR >2–3), ความสอดคล้องในการศึกษาต่าง ๆ, การตอบสนองตามขนาด, ความสมเหตุสมผลทางเวลา และกลไกทางชีวภาพ ประเมินคำอธิบายทางเลือก: อคติจากการเลือก, อคติจากการจำ หรือปัจจัยรบกวนที่ไม่ได้วัด อาจอธิบายความสัมพันธ์ที่สังเกตได้หรือไม่?

สูตร
Interpret OR: OR=1 no association, OR>1 increased odds of exposure in cases, OR<1 decreased odds. In rare outcomes, OR approximates Relative Risk. Consider recall bias, selection bias, and unmeasured confounding.

ข้อผิดพลาดที่พบบ่อย

  • การเลือก controls ที่ไม่ดี: Controls ที่เลือกจากผู้ป่วยในโรงพยาบาล (เมื่อ cases เป็น cases ในชุมชน) หรือ controls ที่มีโรคที่เกี่ยวข้องจะเกิดอคติจากการเลือก Controls ควรไม่มีโรคและเป็นตัวแทนของประชากรต้นทาง
  • การละเลยการจับคู่ในการวิเคราะห์: หาก cases และ controls ถูกจับคู่ตามอายุ/เพศ การถดถอยโลจิสติกส์มาตรฐานไม่เหมาะสม; ให้ใช้การถดถอยโลจิสติกส์แบบมีเงื่อนไข หรือการทดสอบ McNemar สำหรับการวิเคราะห์แบบจับคู่
  • อคติจากการจำที่แตกต่างกัน: Cases อาจจำการสัมผัสปัจจัยได้ละเอียดกว่า หรือบิดเบือนมากกว่า controls ลดอคติโดยใช้บันทึกที่เป็นวัตถุประสงค์ (เช่น เวชระเบียน, บันทึกการจ้างงาน) แทนการสำรวจการจำ
  • การเลือก controls ภายหลัง: การปรับการเลือก controls หลังจากเห็นข้อมูล (เช่น การเลือก controls เพิ่มเติมเพื่อปรับสมดุลตัวแปรควบคุมเฉพาะ) จะนำไปสู่อคติ กำหนดเกณฑ์ controls ล่วงหน้า
  • อคติจากความชุก-อุบัติการณ์: หาก cases ที่มีความชุก (cases ของโรคทั้งหมดในประชากร) แทนที่จะเป็น cases ที่มีอุบัติการณ์ (ที่ได้รับการวินิจฉัยใหม่) ถูกลงทะเบียน ผู้รอดชีวิตจากโรคร้ายแรงอาจมีจำนวนมาก ทำให้ OR บิดเบือน

คำถามที่พบบ่อย

เมื่อใดที่อัตราส่วนของโอกาส (Odds Ratio) เป็นค่าประมาณที่ดีสำหรับความเสี่ยงสัมพัทธ์ (Relative Risk)?

อัตราส่วนของโอกาส (OR) จะประมาณค่าความเสี่ยงสัมพัทธ์ (RR) ได้ดีเมื่อโรคหายากในประชากร (โดยทั่วไปความชุก <10%) ที่ความชุกต่ำ โอกาสของการเกิดโรค ≈ ความเสี่ยงของการเกิดโรค ดังนั้น OR ≈ RR เมื่อความชุก >10% OR จะประเมินผลกระทบสูงเกินไปเมื่อเทียบกับ RR ตัวอย่างเช่น หาก RR = 2, OR อาจเป็น 2.5 หรือสูงกว่าที่ความชุกสูงขึ้น ควรชี้แจงเสมอว่าการศึกษาแบบ case-control ให้ค่า OR ไม่ใช่ RR หากการตีความทางคลินิกต้องการ RR คุณต้องแปลง OR โดยใช้ความเสี่ยงพื้นฐาน (ความชุกของโรคในประชากรต้นทาง)

การศึกษาแบบ nested case-control คืออะไร และทำไมถึงใช้?

การศึกษาแบบ nested case-control เลือก cases และ controls จากภายในกลุ่มประชากรที่ติดตามไปข้างหน้า สมาชิก cases ทั้งหมดจะถูกระบุจากกลุ่มประชากรเมื่อเกิดผลลัพธ์; controls จะถูกสุ่มตัวอย่างจากผู้ที่ไม่มีโรคในกลุ่มประชากร โดยมักจะจับคู่กับ cases ตามอายุและเพศ การศึกษาแบบ nested case-control รวมจุดแข็งของการศึกษาแบบ cohort และ case-control เข้าด้วยกัน: มีลำดับเวลาและข้อมูลอุบัติการณ์ (เช่นเดียวกับการศึกษาแบบ cohort) แต่มีค่าใช้จ่ายต่ำกว่า เนื่องจากมีการวัดการสัมผัสปัจจัยที่มีราคาแพง (เช่น ตัวบ่งชี้ทางชีวภาพ, การทดสอบทางพันธุกรรม) เฉพาะในกลุ่มย่อยของ cases และ controls เท่านั้น อัตราส่วนของโอกาสจากการศึกษาแบบ nested case-control จะประมาณค่าความเสี่ยงสัมพัทธ์ของการศึกษาแบบ cohort แม้ว่าโรคจะไม่หายากก็ตาม

ฉันจะเลือกระหว่าง controls แบบจับคู่และไม่จับคู่ได้อย่างไร?

Controls แบบจับคู่ (จับคู่ 1:1 กับ cases ตามอายุ, เพศ ฯลฯ) ช่วยเพิ่มความแม่นยำและลดปัจจัยรบกวนจากตัวแปรที่จับคู่ อย่างไรก็ตาม การจับคู่มีค่าใช้จ่ายทางสถิติสูง: คุณต้องใช้การถดถอยโลจิสติกส์แบบมีเงื่อนไข และคุณไม่สามารถประมาณผลกระทบอิสระของตัวแปรที่จับคู่ได้ Controls ที่ไม่ได้จับคู่ช่วยให้สามารถปรับปัจจัยรบกวนหลายอย่างในการถดถอยโลจิสติกส์ และอาจคุ้มค่ากว่า การจับคู่มีประโยชน์มากที่สุดสำหรับปัจจัยรบกวนที่แข็งแกร่ง (อายุ, เพศ, ปีปฏิทิน) และเมื่อหา controls ได้ยาก หากมีปัจจัยรบกวนที่อาจเกิดขึ้นจำนวนมาก ให้พิจารณาการออกแบบที่ไม่จับคู่พร้อมการปรับด้วยการถดถอย

ฉันจะแยกความแตกต่างระหว่างอคติจากการเลือกและอคติจากข้อมูลในการศึกษาแบบ case-control ได้อย่างไร?

อคติจากการเลือกเกิดขึ้นจากวิธีการเลือก cases และ controls หาก cases และ controls มาจากประชากรต้นทางที่แตกต่างกัน (เช่น cases ที่เข้ารับการรักษาในโรงพยาบาลเทียบกับ controls ในชุมชน) OR จะมีอคติ อคติจากข้อมูล (การจำแนกผิดพลาด) เกิดขึ้นจากข้อผิดพลาดในการวัดการสัมผัสปัจจัยหรือผลลัพธ์ อคติจากการจำเป็นประเภทหนึ่งของอคติจากข้อมูล: cases ที่มีอาการป่วยร้ายแรงอาจจำการสัมผัสปัจจัยในอดีตแตกต่างจาก controls อคติทั้งสองประเภทส่งผลต่อ OR แต่ในลักษณะที่แตกต่างกัน เพื่อลดอคติจากการเลือก ให้แน่ใจว่า cases และ controls มาจากประชากรต้นทางเดียวกัน เพื่อลดอคติจากข้อมูล ให้ใช้บันทึกที่เป็นวัตถุประสงค์ (เวชระเบียน, ตัวบ่งชี้ทางชีวภาพ) แทนการสำรวจการจำ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Schlesselman, J. J. (1982). Case-Control Studies: Design, Conduct, Analysis. Oxford University Press.

    ISBN: 978-0195027815
    คัดลอกแล้ว
  2. Rothman, K. J., Lash, T. L., & Greenland, S. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755657
    คัดลอกแล้ว
  3. Greenland, S., & Thomas, D. C. (1990). On the need for the rare disease assumption in case-control studies. American Journal of Epidemiology, 132(2), 374–375.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว