การวิเคราะห์ความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์ — การวัดปริมาณความสัมพันธ์ระหว่างระดับการสัมผัสกับความเสี่ยงของผลลัพธ์
- ผู้เสนอ
- Paracelsus (conceptual foundation); formalized by John Snow and later Bradford Hill
- ปี
- Conceptual roots 16th century; modern epidemiological application mid-20th century
- ประเภท
- Quantitative analytical method
- กลุ่มวิธี
- Clinical / epidemiology
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์ความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์ (Dose-response analysis) เป็นการวัดปริมาณความสัมพันธ์ระหว่างขนาดของการสัมผัส (สิ่งกระตุ้น) กับความน่าจะเป็นหรืออัตราของการเกิดผลลัพธ์ (การตอบสนอง) ถือเป็นกลยุทธ์การวิเคราะห์หลักในระบาดวิทยาและพิษวิทยา ซึ่งให้หลักฐานว่าการสัมผัสที่เพิ่มขึ้นอย่างเป็นระบบจะเพิ่มขึ้น — หรือลดลง — ความเสี่ยงของโรค การไล่ระดับของความสัมพันธ์ระหว่างสิ่งกระตุ้นกับการตอบสนองที่แสดงให้เห็นเป็นหนึ่งในเกณฑ์คลาสสิกของ Bradford Hill ที่สนับสนุนการอนุมานเชิงสาเหตุ
แนวคิดเบื้องหลังวิธีการ
ลองนึกถึงการวิเคราะห์ความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์ว่าเป็นการถามว่า: การสัมผัสมากขึ้นหมายถึงอันตรายมากขึ้นหรือไม่? หากคนงานที่สัมผัสสารเคมีในระดับสูงมีอัตราการเกิดโรคปอดสูงขึ้นเรื่อยๆ เมื่อเทียบกับผู้ที่สัมผัสในระดับต่ำกว่า การไล่ระดับนั้นเป็นทั้งการวัดความเสี่ยงและข้อโต้แย้งสำหรับความเป็นสาเหตุ วิธีการนี้ก้าวข้ามการเปรียบเทียบแบบง่ายๆ ระหว่างกลุ่มที่สัมผัสกับกลุ่มที่ไม่สัมผัส เพื่อสร้างแผนที่เส้นโค้งความสัมพันธ์ระหว่างการสัมผัสกับความเสี่ยงทั้งหมด — ซึ่งอาจเป็นเส้นตรง มีจุดตัด (threshold) รูปตัวยู (U-shaped) หรืออิ่มตัว (saturating) — ทำให้หน่วยงานกำกับดูแล แพทย์ และนักวิจัยมีภาพเชิงปริมาณว่าความเสี่ยงเปลี่ยนแปลงไปอย่างไรตลอดช่วงของการสัมผัส
ประวัติศาสตร์
หลักการที่ว่าปริมาณทำให้เกิดพิษ (the dose makes the poison) ถูกกล่าวถึงโดย Paracelsus ในศตวรรษที่สิบหก การประยุกต์ใช้อย่างเป็นทางการในระบาดวิทยาเริ่มต้นด้วยการตรวจสอบโรคอหิวาตกโรคของ John Snow ในปี 1854 ซึ่งวัดปริมาณความเสี่ยงตามระยะทางจากปั๊มน้ำ Broad Street วิธีการนี้ถูกกำหนดขึ้นในช่วงกลางศตวรรษที่ยี่สิบผ่านงานของ Bradford Hill ผู้ซึ่งรวมการไล่ระดับของความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์เป็นหนึ่งในเก้าเกณฑ์ของเขาในปี 1965 สำหรับการอนุมานเชิงสาเหตุในระบาดวิทยา การจำลองความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์แบบถดถอยเชิงปริมาณกลายเป็นมาตรฐานด้วยการเพิ่มขึ้นของ logistic และ Cox regression ในทศวรรษที่ 1970 และ 1980 และการจำลองเส้นโค้งความสัมพันธ์ระหว่างการสัมผัสกับผลลัพธ์แบบ spline ที่ยืดหยุ่นได้แพร่หลายตั้งแต่ทศวรรษที่ 1990 เป็นต้นไป
ควรใช้เมื่อใด
ใช้การวิเคราะห์ความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์เมื่อใดก็ตามที่สามารถวัดปริมาณการสัมผัสในระดับอันดับหรือระดับต่อเนื่องได้ และคำถามคือการสัมผัสที่สูงขึ้นแปลเป็นความเสี่ยงที่มากขึ้น (หรือน้อยลง) หรือไม่ ถือเป็นแนวปฏิบัติมาตรฐานในระบาดวิทยาอาชีวอนามัย สุขภาพสิ่งแวดล้อม ระบาดวิทยาเภสัชกรรม และระบาดวิทยาโภชนาการ นอกจากนี้ยังเป็นองค์ประกอบสำคัญของการรวมข้อมูลสรุปจากการศึกษาต่างๆ ในการวิเคราะห์อภิมาน (meta-analysis) ไม่ควรนำไปใช้เมื่อการสัมผัสเป็นแบบทวิภาค (binary) โดยธรรมชาติและไม่มีระดับที่แตกต่างกันอย่างมีความหมาย (เช่น การผ่าตัดเทียบกับการไม่ผ่าตัด) เมื่อหมวดหมู่การสัมผัสมีน้อยเกินไป (น้อยกว่าสามระดับอันดับ) ที่จะจำลองแนวโน้ม หรือเมื่อการวัดการสัมผัสไม่แม่นยำจนการจัดหมวดหมู่ไม่น่าเชื่อถือ — ในกรณีเหล่านั้น การเปรียบเทียบแบบสองกลุ่มอย่างง่ายจะเหมาะสมกว่า
ข้อจำกัดและข้อควรพิจารณา
- ต้องการการวัดการสัมผัสที่แม่นยำและละเอียด การจำแนกประเภทผิดพลาดจะทำให้การประมาณค่าความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์เอนเอียงไปทางค่าศูนย์
- การจัดหมวดหมู่การสัมผัสแบบต่อเนื่องจะสร้างจุดตัดตามอำเภอใจและอาจสร้างหรือบดบังความสัมพันธ์ที่ไม่เป็นเชิงเส้น
- ต้องควบคุมปัจจัยกวน (confounding) ที่แต่ละระดับการสัมผัสแยกกัน ทำให้กลยุทธ์การปรับแก้มีความซับซ้อนมากขึ้น
- จำนวนผู้เข้าร่วมการศึกษาน้อยในหมวดหมู่การสัมผัสสุดขั้วลดความแม่นยำและอาจต้องรวมหมวดหมู่เข้าด้วยกัน
- อคติในการตีพิมพ์และการรายงานหมวดหมู่สิ่งกระตุ้นอย่างเลือกสรรอาจทำให้เส้นโค้งความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ที่รวมกันในการวิเคราะห์อภิมานบิดเบือนไป
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ให้หลักฐานสำหรับแนวโน้มเชิงสาเหตุ เสริมสร้างการอนุมานเชิงสาเหตุให้เหนือกว่าการเปรียบเทียบระหว่างกลุ่มที่สัมผัสกับกลุ่มที่ไม่สัมผัสเพียงกลุ่มเดียว
- ประมาณค่าความเสี่ยงที่ระดับการสัมผัสหลายระดับ ช่วยให้สามารถกำหนดมาตรฐานกฎระเบียบและระบุเกณฑ์ทางคลินิกได้
- เข้ากันได้กับการออกแบบการศึกษาเชิงสังเกตส่วนใหญ่ (cohort, case-control, cross-sectional) และกับการวิเคราะห์อภิมานของข้อมูลสรุป
- การจำลองแบบที่ยืดหยุ่น (splines, polynomials) รองรับความสัมพันธ์ที่ไม่เป็นเชิงเส้นและมีจุดตัด
- สนับสนุนการประเมินความเสี่ยงเชิงปริมาณและการสร้างแบบจำลองผลกระทบต่อสุขภาพ
การประยุกต์ใช้
- สุขภาพอาชีวอนามัย: การวัดปริมาณความเสี่ยงมะเร็งปอดตามหมวดหมู่ของการสัมผัสแอสเบสทอสหรือซิลิกาสะสม
- ระบาดวิทยาเภสัชกรรม: การเชื่อมโยงปริมาณสแตตินสะสมกับการลดลงของอัตราการเกิดเหตุการณ์หัวใจและหลอดเลือด
- ระบาดวิทยาสิ่งแวดล้อม: การสร้างแบบจำลองความสัมพันธ์ระหว่างความเข้มข้นของฝุ่นละอองละเอียดในบรรยากาศ (PM2.5) กับอัตราการเสียชีวิตทั้งหมด
- ระบาดวิทยาโภชนาการ: การอธิบายความสัมพันธ์รูปตัวยูระหว่างการบริโภคแอลกอฮอล์กับความเสี่ยงโรคหัวใจและหลอดเลือด
- พิษวิทยา: การกำหนดปริมาณมาตรฐาน (benchmark doses) และความเข้มข้นอ้างอิงที่ปลอดภัยสำหรับการประเมินความเสี่ยงตามกฎระเบียบ
- การวิเคราะห์อภิมาน (Meta-analysis): การรวมอัตราส่วนความเสี่ยงตามปริมาณสิ่งกระตุ้นจากหลายการศึกษากลุ่มตัวอย่างเพื่อหาเส้นโค้งความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์โดยสรุป
วิธีการทำงาน
วิธีการทำงาน
ตัวแปรการสัมผัสถูกกำหนดและวัดในระดับอันดับ (ordinal) หรือระดับต่อเนื่อง (continuous): ปริมาณสะสม ความเข้มข้นเฉลี่ย ระยะเวลา หรือความเข้มข้นสูงสุด การประเมินการสัมผัสที่ชัดเจนและสามารถทำซ้ำได้มีความสำคัญอย่างยิ่ง เนื่องจากการจำแนกประเภทการสัมผัสผิดพลาด — โดยเฉพาะการจำแนกประเภทที่ไม่แตกต่างกัน (non-differential misclassification) — จะทำให้การประมาณค่าความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์เอนเอียงไปทางค่าศูนย์ (null)
การสัมผัสจะถูกจัดกลุ่มเป็นหมวดหมู่อันดับ (เช่น ควอร์ไทล์ หรือจุดตัดที่มีความหมายทางคลินิก) สำหรับการวิเคราะห์แนวโน้มแบบจำแนกประเภท หรือถูกจำลองเป็นตัวแปรต่อเนื่องโดยใช้ regression splines, polynomials, หรือ fractional polynomials วิธีการแบบจำแนกประเภทมีความโปร่งใสมากกว่าและต้องการสมมติฐานน้อยกว่า การจำลองแบบต่อเนื่องจะจับรูปร่างของเส้นโค้งทั้งหมดและหลีกเลี่ยงการจัดกลุ่มตามอำเภอใจ
สำหรับแต่ละระดับหรือส่วนเพิ่มของการสัมผัส จะมีการประมาณค่ามาตรวัดผลกระทบ (effect measure) เทียบกับกลุ่มอ้างอิง (โดยปกติคือกลุ่มที่สัมผัสน้อยที่สุดหรือไม่สัมผัสเลย) ในการศึกษากลุ่มตัวอย่าง (cohort studies) โดยทั่วไปคืออัตราส่วนความเสี่ยง (relative risk) หรืออัตราส่วนอันตราย (hazard ratio); ในการศึกษาแบบกรณี-ควบคุม (case-control studies) คืออัตราส่วนของโอกาส (odds ratio) อาจใช้ Poisson regression, Cox regression, หรือ logistic regression ขึ้นอยู่กับประเภทของผลลัพธ์ การจำลองแบบ polynomial หรือ spline ของ log-risk ตามปริมาณสิ่งกระตุ้นจะสร้างเส้นโค้งความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์: ln(RR) = β₀ + β₁d + β₂d²
สูตร
ln(RR) = \beta_0 + \beta_1 d + \beta_2 d^2
มีการทดสอบแนวโน้มเชิงเส้นอย่างเป็นทางการโดยการกำหนดค่ามัธยฐานหรือจุดกึ่งกลางของแต่ละหมวดหมู่การสัมผัสเป็นคะแนนต่อเนื่องและนำเข้าสู่แบบจำลองการถดถอย (regression model) ค่า p ที่มีนัยสำคัญ (หรือในการวิเคราะห์อภิมาน (meta-analysis) คือค่าสัมประสิทธิ์แนวโน้มที่รวมกัน) ยืนยันว่าความสัมพันธ์เปลี่ยนแปลงไปในทิศทางที่สอดคล้องกันตลอดระดับการสัมผัส
นอกเหนือจากการทดสอบแนวโน้มเชิงเส้นแล้ว จะมีการประเมินรูปแบบการทำงานของความสัมพันธ์ Restricted cubic splines หรือ fractional polynomial models ช่วยให้สามารถตรวจจับรูปแบบที่ไม่เป็นเชิงเส้น เช่น จุดตัด (ไม่มีผลกระทบต่ำกว่าปริมาณที่กำหนด) การอิ่มตัว (ระดับผลกระทบคงที่ที่ปริมาณสูง) หรือรูปตัวยู (การสัมผัสทั้งระดับต่ำและสูงสัมพันธ์กับความเสี่ยงที่เพิ่มขึ้น) รูปร่างที่เลือกมีนัยสำคัญโดยตรงต่อการประเมินความเสี่ยงและเกณฑ์มาตรฐานของหน่วยงานกำกับดูแล
ข้อผิดพลาดที่พบบ่อย
- การเลือกหมวดหมู่การสัมผัสหลังจากตรวจสอบข้อมูล — การจัดหมวดหมู่ตามข้อมูลจะทำให้ความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ที่ปรากฏเกินจริงและให้ค่า p ที่มองโลกในแง่ดีเกินไป ควรหมวดหมู่ถูกกำหนดไว้ล่วงหน้า
- การละเลยความสัมพันธ์ที่ไม่เป็นเชิงเส้น — การใช้การทดสอบแนวโน้มเชิงเส้นโดยปริยายโดยไม่ตรวจสอบรูปแบบการทำงานอาจพลาดความสัมพันธ์ที่มีจุดตัดหรือรูปตัวยูซึ่งมีความสำคัญทางวิทยาศาสตร์และทางปฏิบัติ
- การใช้กลุ่มที่สัมผัสสูงสุดเป็นกลุ่มอ้างอิง — ถูกต้องเฉพาะเมื่อเป็นกลุ่มที่ใหญ่ที่สุดเท่านั้น กลุ่มที่ไม่สัมผัสหรือสัมผัสน้อยที่สุดเป็นกลุ่มอ้างอิงตามธรรมเนียมปฏิบัติ เนื่องจากช่วยเพิ่มกำลังทางสถิติและการตีความได้สูงสุด
- การกวนปัจจัยระหว่างความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์กับผลกระทบของคนงานที่แข็งแรง (healthy-worker effect) หรือผู้ใช้ที่แข็งแรง (healthy-user effect) — ผู้ที่เลือกเข้าร่วมกลุ่มที่มีการสัมผัสสูงอาจแตกต่างจากกลุ่มที่มีการสัมผัสต่ำอย่างเป็นระบบในลักษณะที่ทำให้แนวโน้มที่ประมาณค่าได้เอนเอียง
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างการทดสอบแนวโน้มเชิงเส้นกับแบบจำลองความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์แบบเต็มรูปแบบ?
การทดสอบแนวโน้มเชิงเส้นจะยุบความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ให้เป็นค่าสัมประสิทธิ์ความชันเดียวและทดสอบว่าความชันนั้นแตกต่างจากศูนย์หรือไม่ เป็นการสรุปแต่สมมติฐานความเป็นเชิงเส้นและไม่สามารถตรวจจับรูปแบบที่มีจุดตัดหรือรูปตัวยูได้ แบบจำลองความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์แบบเต็มรูปแบบ — โดยใช้ splines หรือ polynomials — จะประมาณค่าเส้นโค้งความสัมพันธ์ระหว่างการสัมผัสกับความเสี่ยงทั้งหมด เผยให้เห็นว่าความสัมพันธ์เป็นเชิงเส้น ไม่เป็นเชิงเส้น หรือขึ้นอยู่กับจุดตัดหรือไม่ ทั้งสองแนวทางเสริมกันและควรรายงานร่วมกันเสมอ
สามารถใช้การวิเคราะห์ความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์กับข้อมูลแบบกรณี-ควบคุมได้หรือไม่?
ได้ ในการศึกษาแบบกรณี-ควบคุม หมวดหมู่การสัมผัสจะถูกกำหนดสำหรับทั้งกรณีและกลุ่มควบคุม และจะประมาณค่าอัตราส่วนของโอกาส (odds ratios) สำหรับแต่ละระดับการสัมผัสเทียบกับกลุ่มอ้างอิงโดยใช้ logistic regression แบบมีเงื่อนไขหรือไม่ไม่มีเงื่อนไข จากนั้นคะแนนการสัมผัสอันดับจะถูกนำเข้าเป็นตัวแปรต่อเนื่องในแบบจำลองเพื่อทดสอบแนวโน้ม การตีความจะคล้ายคลึงกับการวิเคราะห์การศึกษาแบบกลุ่มตัวอย่าง แต่ odds ratio จะประมาณค่า relative risk ได้ก็ต่อเมื่อผลลัพธ์นั้นหายาก
ฉันจะรวมข้อมูลความสัมพันธ์ระหว่างขนาดของสิ่งกระตุ้นกับความเสี่ยงของผลลัพธ์จากหลายการศึกษาในการวิเคราะห์อภิมานได้อย่างไร?
วิธีการของ Greenland และ Longnecker (1992) เป็นแนวทางมาตรฐาน วิธีการนี้จะสร้างเมทริกซ์ความแปรปรวนร่วม (covariance matrix) ของ log relative risks ในแต่ละหมวดหมู่การสัมผัสจากแต่ละการศึกษา จากนั้นใช้ generalized least squares เพื่อปรับแบบจำลองแนวโน้มความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ร่วมกัน วิธีนี้ต้องการให้การศึกษาแต่ละรายการรายงานจำนวนกรณีและเวลาต่อคน (หรือกลุ่มควบคุม) ต่อหมวดหมู่การสัมผัส พร้อมกับการประมาณค่าผลกระทบที่ปรับแก้แล้ว — ข้อมูลที่บางครั้งขาดหายไปจากรายงานที่เผยแพร่
เมื่อใดที่ฉันควรใช้ restricted cubic splines แทน polynomial regression?
โดยทั่วไป Restricted cubic splines (หรือที่เรียกว่า natural splines) จะดีกว่า polynomials เนื่องจากสามารถปรับแบบจำลองได้อย่างยืดหยุ่นภายในช่วงของการสัมผัส ในขณะที่ถูกจำกัดให้เป็นเชิงเส้นที่ปลายสุด ซึ่งหลีกเลี่ยงการประมาณค่าที่ผิดปกติเกินกว่าข้อมูล Polynomials อาจสร้างเส้นโค้งที่ไม่สมจริงที่ปลายสุด สำหรับการวิเคราะห์ความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ส่วนใหญ่ในระบาดวิทยา การใช้ knots สามถึงห้าตัวที่ตำแหน่งควอร์ไทล์ของการกระจายการสัมผัสจะให้ความสมดุลที่ดีระหว่างความยืดหยุ่นและความประหยัด
การไล่ระดับของความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์พิสูจน์ความเป็นสาเหตุหรือไม่?
ไม่ การไล่ระดับของความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์เป็นหนึ่งในเกณฑ์ของ Bradford Hill ที่เสริมสร้างข้อโต้แย้งเชิงสาเหตุ แต่ก็ไม่ใช่ทั้งสิ่งที่จำเป็นหรือเพียงพอในตัวเอง ปัจจัยกวน (confounding) การเกิดสาเหตุย้อนกลับ (reverse causation) และการจำแนกประเภทการสัมผัสผิดพลาด ล้วนสามารถสร้างหรือบดบังการไล่ระดับได้ หลักฐานความสัมพันธ์ระหว่างสิ่งกระตุ้นกับผลลัพธ์ต้องได้รับการตีความควบคู่ไปกับลำดับเวลา (temporality) ความสอดคล้องกันในการศึกษาต่างๆ ความเป็นไปได้ทางชีววิทยา (biological plausibility) และเกณฑ์เชิงสาเหตุอื่นๆ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.
ISBN: 978-0781755641คัดลอกแล้วGreenland, S., & Longnecker, M. P. (1992). Methods for trend estimation from summarized dose-response data, with applications to meta-analysis. American Journal of Epidemiology, 135(11), 1301–1309.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว