Skip to content
กลับไปยังผลการค้นหา

การศึกษากลุ่มตัวอย่างแบบไปข้างหน้า — การออกแบบการสังเกตการณ์ตามระยะเวลา

ผู้เสนอ
Richard Doll and Austin Bradford Hill (landmark application, 1951-1954); cohort methodology formalised by modern epidemiology textbooks
ปี
1950s (systematic application); conceptual roots earlier
ประเภท
Observational longitudinal study design
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การศึกษากลุ่มตัวอย่างแบบไปข้างหน้า (Prospective Cohort Study) คือการรวบรวมกลุ่มผู้เข้าร่วมวิจัยที่ปราศจากผลลัพธ์ที่สนใจ ณ จุดเริ่มต้น ทำการวัดปัจจัยเสี่ยงที่พวกเขาได้รับ แล้วติดตามพวกเขาไปในอนาคตเพื่อบันทึกว่าใครเกิดผลลัพธ์นั้นขึ้น การเก็บข้อมูลปัจจัยเสี่ยงก่อนที่ผลลัพธ์จะเกิดขึ้น ทำให้สามารถสร้างลำดับเวลาที่ชัดเจนซึ่งสนับสนุนการอนุมานเชิงสาเหตุได้ — ซึ่งเป็นข้อได้เปรียบที่สำคัญเหนือกว่าการออกแบบเชิงย้อนหลัง (retrospective designs) ถือเป็นวิธีการสังเกตการณ์ที่เป็นแกนหลักในการระบาดวิทยาและการวิจัยทางคลินิก

แนวคิดเบื้องหลังวิธีการ

ลองนึกถึงการวิจัยกลุ่มตัวอย่างแบบไปข้างหน้าเสมือนการทดลองตามธรรมชาติระยะยาว: คุณคัดเลือกประชากรกลุ่มหนึ่ง บันทึกอย่างละเอียดถึงสิ่งที่พวกเขาได้รับในปัจจุบัน — อาหาร ยา อันตรายจากการทำงาน ปัจจัยด้านวิถีชีวิต — แล้วเฝ้าดูว่าจะเกิดอะไรขึ้นในอีกหลายเดือนหรือหลายปีข้างหน้า เนื่องจากคุณได้บันทึกปัจจัยเสี่ยงก่อนที่ใครจะป่วย คุณจึงทราบว่าปัจจัยเสี่ยงนั้นเกิดขึ้นก่อนโรค ไม่ใช่ในทางกลับกัน การศึกษาแพทย์อังกฤษของ Doll และ Hill ซึ่งติดตามแพทย์ชาย 34,000 คนตั้งแต่ปี 1951 เป็นต้นมา และได้สร้างความเชื่อมโยงระหว่างการสูบบุหรี่กับมะเร็งปอด เป็นตัวอย่างคลาสสิกของตรรกะนี้ ข้อแลกเปลี่ยนคือเวลา เงิน และความอดทนในการรอให้ผลลัพธ์ปรากฏ

ประวัติศาสตร์

แนวทางกลุ่มตัวอย่างเริ่มปรากฏในระบาดวิทยาในช่วงต้นศตวรรษที่ยี่สิบ แต่รูปแบบสมัยใหม่ได้รับการตกผลึกโดยการศึกษาแพทย์อังกฤษของ Richard Doll และ Austin Bradford Hill ซึ่งเริ่มในปี 1951 โดยติดตามพฤติกรรมการสูบบุหรี่และอัตราการเสียชีวิตในแพทย์ชาย 34,440 คนไปข้างหน้า และให้หลักฐานที่ชัดเจนครั้งแรกที่เชื่อมโยงการสูบบุหรี่กับมะเร็งปอด การศึกษาหัวใจ Framingham (Framingham Heart Study) ซึ่งเริ่มในปี 1948 ในรัฐแมสซาชูเซตส์ ได้สร้างระบาดวิทยาของปัจจัยเสี่ยงต่อโรคหัวใจและหลอดเลือดผ่านการเฝ้าระวังกลุ่มตัวอย่างประชากรแบบไปข้างหน้าอย่างต่อเนื่องไปพร้อมๆ กัน แนวทางการรายงาน STROBE ที่ตีพิมพ์ในปี 2007 ได้กำหนดมาตรฐานวิธีการสำหรับการศึกษากลุ่มตัวอย่างให้เป็นรูปธรรม และตอกย้ำการออกแบบนี้ในฐานะวิธีการสังเกตการณ์มาตรฐานทองคำสำหรับการวิจัยเชิงสาเหตุ (aetiological research)

ควรใช้เมื่อใด

ใช้การออกแบบกลุ่มตัวอย่างแบบไปข้างหน้าเมื่อคุณต้องการสร้างความสัมพันธ์เชิงเวลา (temporal relationship) ระหว่างปัจจัยเสี่ยงที่สามารถปรับเปลี่ยนได้หรือไม่สามารถปรับเปลี่ยนได้กับผลลัพธ์ด้านสุขภาพที่ตามมา โดยเฉพาะอย่างยิ่งสำหรับปัจจัยเสี่ยงที่หายากซึ่งมีผลลัพธ์ที่เป็นไปได้หลายอย่าง หรือเมื่อข้อจำกัดทางจริยธรรมหรือการปฏิบัติไม่อนุญาตให้มีการสุ่มตัวอย่าง (randomisation) เหมาะอย่างยิ่งสำหรับการศึกษาอุบัติการณ์ของโรค การพยากรณ์โรค และประวัติธรรมชาติของโรคต่างๆ อย่าใช้เมื่อผลลัพธ์หายากมาก (การศึกษากรณี-ควบคุมมีประสิทธิภาพมากกว่า) เมื่อการติดตามผลจะกินเวลาหลายสิบปีสำหรับคำถามที่ต้องการคำตอบอย่างเร่งด่วน (พิจารณาการออกแบบแบบซ้อน (nested) หรือแบบย้อนหลัง (retrospective)) หรือเมื่อไม่สามารถวัดปัจจัยเสี่ยงได้อย่างน่าเชื่อถือ ณ จุดเริ่มต้น เป็นการสังเกตการณ์ — การมีปัจจัยกวนที่ตกค้าง (residual confounding) เป็นภัยคุกคามเสมอ และการอ้างสิทธิ์เชิงสาเหตุต้องอาศัยการให้เหตุผลอย่างรอบคอบ

ข้อจำกัดและข้อควรพิจารณา

  • ไม่มีประสิทธิภาพสำหรับผลลัพธ์ที่หายาก — จำเป็นต้องใช้กลุ่มตัวอย่างขนาดใหญ่มากหรือระยะเวลาติดตามผลที่ยาวนานมาก ทำให้การออกแบบมีราคาแพงและมีความต้องการด้านการจัดการสูง
  • การสูญเสียผู้เข้าร่วมวิจัยจากการติดตามผลคุกคามความเที่ยงตรงภายใน (internal validity) หากการหลุดออกไปเกี่ยวข้องกับทั้งปัจจัยเสี่ยงและผลลัพธ์ (การตัดออกที่มีข้อมูล - informative censoring)
  • สถานะปัจจัยเสี่ยงอาจเปลี่ยนแปลงระหว่างการติดตามผล ทำให้การกำหนดเวลาของกลุ่มที่ได้รับปัจจัยเสี่ยงซับซ้อน และต้องใช้วิธีการตัวแปรที่เปลี่ยนแปลงตามเวลา (time-varying covariate methods)
  • ไม่สามารถกำจัดปัจจัยกวนที่ตกค้างจากตัวแปรที่ไม่ได้วัดได้ — การสุ่มตัวอย่างเป็นเพียงการออกแบบเดียวที่สามารถทำได้
  • โรคที่มีระยะฟักตัวยาวนานอาจต้องใช้เวลาติดตามผลหลายสิบปี เพิ่มต้นทุนและการสูญเสียผู้เข้าร่วมวิจัย

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • สร้างลำดับเวลาที่ชัดเจนของปัจจัยเสี่ยงก่อนผลลัพธ์ ซึ่งเป็นเกณฑ์เชิงสาเหตุที่แข็งแกร่งที่สุดที่มีให้กับการวิจัยเชิงสังเกตการณ์
  • ข้อมูลปัจจัยเสี่ยงถูกรวบรวมไปข้างหน้า ลดความเอนเอียงจากการจำ (recall bias) เมื่อเทียบกับการออกแบบเชิงย้อนหลัง
  • สามารถศึกษาผลลัพธ์หลายอย่างสำหรับปัจจัยเสี่ยงเดียวพร้อมกันได้ เพิ่มผลตอบแทนทางวิทยาศาสตร์ให้สูงสุด
  • สามารถคำนวณอัตราอุบัติการณ์และความเสี่ยงสัมบูรณ์ได้โดยตรง ทำให้สามารถสื่อสารความเสี่ยงที่มีความสำคัญทางคลินิกได้
  • เหมาะสมอย่างยิ่งสำหรับการศึกษาปัจจัยเสี่ยงที่หายากในประชากรทั่วไปหรือประชากรตามอาชีพ

การประยุกต์ใช้

  • การพิสูจน์ว่าการสูบบุหรี่เป็นสาเหตุของมะเร็งปอดและโรคหัวใจและหลอดเลือด (การศึกษาแพทย์อังกฤษ, 1954-2004)
  • การระบุปัจจัยเสี่ยงหลักที่ปรับเปลี่ยนได้ต่อโรคหัวใจและหลอดเลือด รวมถึงความดันโลหิตสูง คอเลสเตอรอลสูง และการขาดการออกกำลังกาย (การศึกษาหัวใจ Framingham)
  • การวัดผลกระทบระยะยาวต่อสุขภาพจากการสัมผัสกับสารเคมีในที่ทำงาน เช่น แร่ใยหิน ฝุ่นซิลิกา และรังสี ในกลุ่มคนงาน
  • การติดตามประวัติธรรมชาติของโรคเรื้อรังตั้งแต่การสัมผัสปัจจัยเสี่ยงหรือการวินิจฉัยโรค ผ่านเหตุการณ์สำคัญทางคลินิก รวมถึง HIV/AIDS เบาหวานชนิดที่ 2 และโรคไตเรื้อรัง
  • การประเมินประสิทธิผลในโลกแห่งความเป็นจริงของวัคซีน ยา และการปรับเปลี่ยนวิถีชีวิตในประชากรที่ไม่ครอบคลุมในการทดลองแบบสุ่ม
  • การตรวจสอบปัจจัยเสี่ยงระหว่างตั้งครรภ์และช่วงต้นของชีวิต และความสัมพันธ์กับผลลัพธ์ด้านพัฒนาการ ระบบประสาทและสมอง หรือเมแทบอลิซึมในอีกหลายทศวรรษต่อมาในการศึกษาประชากรแรกเกิด (birth cohort studies)

วิธีการทำงาน

วิธีการทำงาน

1

ระบุประชากรเป้าหมายและคัดเลือกกลุ่มตัวอย่างที่เข้าเกณฑ์คุณสมบัติ — ที่สำคัญที่สุดคือ ผู้เข้าร่วมวิจัยทุกคนต้องปราศจากผลลัพธ์ที่สนใจ ณ จุดเริ่มต้นของการศึกษา กลุ่มตัวอย่างอาจเป็นกลุ่มตัวอย่างประชากรทั่วไป (เช่น Framingham Heart Study) หรือกลุ่มประชากรที่กำหนดตามอาชีพ ความเสี่ยงต่อโรค หรือกลุ่มผู้ป่วย ขนาดกลุ่มตัวอย่างจะถูกกำหนดโดยอัตราอุบัติการณ์ที่คาดการณ์ไว้และอัตราความเสี่ยงสัมพัทธ์ขั้นต่ำที่สามารถตรวจจับได้

2

ณ จุดเริ่มต้น ประเมินสถานะปัจจัยเสี่ยงของผู้เข้าร่วมวิจัยแต่ละคนโดยใช้แบบสอบถาม การวัดทางคลินิก ตัวบ่งชี้ทางชีวภาพ หรือการเชื่อมโยงทะเบียน ปัจจัยเสี่ยงอาจเป็นแบบทวิภาค (ได้รับปัจจัยเสี่ยงเทียบกับไม่ได้รับ) หรือแบบไล่ระดับ; ปัจจัยเสี่ยงหลายอย่างและปัจจัยกวน (confounders) ที่อาจเกิดขึ้นจะถูกวัดพร้อมกัน คุณภาพและความสมบูรณ์ของข้อมูลปัจจัยเสี่ยง ณ จุดเริ่มต้นมีความสำคัญอย่างยิ่ง เนื่องจากไม่สามารถเรียกคืนได้ในภายหลัง

3

ติดตามผู้เข้าร่วมวิจัยไปข้างหน้าในช่วงเวลาที่กำหนดไว้ล่วงหน้า วิธีการติดตามผลแบบเชิงรุก (active follow-up) ได้แก่ การนัดหมายที่คลินิก การส่งแบบสอบถามเป็นระยะ การติดต่อทางโทรศัพท์ และเซ็นเซอร์ที่สวมใส่ได้ การติดตามผลแบบไม่เชิงรุก (passive follow-up) ใช้ฐานข้อมูลของหน่วยงาน ทะเบียนการเสียชีวิตของประเทศ หรือบันทึกของบริษัทประกัน การสูญเสียผู้เข้าร่วมวิจัยจากการติดตามผล (loss to follow-up) ต้องลดให้เหลือน้อยที่สุดและติดตามอย่างใกล้ชิด เนื่องจากหากการหลุดออกไปมีความแตกต่างกัน (differential dropout) อาจก่อให้เกิดความเอนเอียงได้

4

ผลลัพธ์ที่เกิดขึ้นใหม่ (incident outcome) — โดยทั่วไปคือการวินิจฉัยโรค การเสียชีวิต การข้ามเกณฑ์ตัวบ่งชี้ทางชีวภาพ หรือเหตุการณ์ทางคลินิก — จะถูกตรวจสอบอย่างเป็นระบบ โดยในอุดมคติคือโดยคณะกรรมการตัดสินที่ปิดบังข้อมูล (blinded adjudicators) โดยใช้เกณฑ์ที่กำหนดไว้ล่วงหน้า ข้อมูลเวลาจนเกิดเหตุการณ์ (วันที่เกิดผลลัพธ์หรือการตัดออกจากการติดตาม) จะถูกบันทึกสำหรับผู้เข้าร่วมวิจัยแต่ละคน ทำให้สามารถวิเคราะห์การรอดชีวิต (survival analysis) หรืออัตราการเกิดอันตราย (hazard analysis) นอกเหนือจากการเปรียบเทียบอุบัติการณ์แบบง่ายๆ ได้

5

มาตรวัดหลักคืออัตราความเสี่ยงสัมพัทธ์ (relative risk) ที่เปรียบเทียบอุบัติการณ์ของผลลัพธ์ระหว่างกลุ่มที่ได้รับปัจจัยเสี่ยงและไม่ได้รับปัจจัยเสี่ยง: RR = (a/(a+b)) / (c/(c+d)) เมื่อระยะเวลาการติดตามแตกต่างกัน จะใช้อัตราอุบัติการณ์สัมพัทธ์ (incidence rate ratio) หรืออัตราอันตรายสัมพัทธ์ (hazard ratio) จากการถดถอยสัดส่วนอันตรายของ Cox (Cox proportional hazards regression) การควบคุมปัจจัยกวนจะทำได้โดยการปรับค่าด้วยตัวแปรหลายตัว (multivariable adjustment) การให้คะแนนแนวโน้ม (propensity scoring) หรือการวิเคราะห์แบบแบ่งชั้น (stratified analysis)

สูตร
RR = (a/(a+b)) / (c/(c+d))

ข้อผิดพลาดที่พบบ่อย

  • การวางแผนขนาดกลุ่มตัวอย่างไม่เพียงพอ — การไม่คำนวณอำนาจการทดสอบ (power) สำหรับอัตราอุบัติการณ์ที่คาดการณ์ไว้และอัตราความเสี่ยงสัมพัทธ์เป้าหมาย จะทำให้การศึกษามีอำนาจการทดสอบต่ำเกินไปจนไม่สามารถตรวจจับความสัมพันธ์ที่มีความสำคัญทางคลินิกได้
  • การสูญเสียผู้เข้าร่วมวิจัยจากการติดตามผลที่แตกต่างกัน — หากผู้เข้าร่วมวิจัยที่ป่วยหรือมีความเสี่ยงสูงกว่าหลุดออกไปในอัตราที่แตกต่างกันระหว่างกลุ่มที่ได้รับปัจจัยเสี่ยงและไม่ได้รับปัจจัยเสี่ยง การประมาณค่าอัตราความเสี่ยงสัมพัทธ์จะมีความเอนเอียง ควรรายงานการวิเคราะห์ความไว (sensitivity analyses) เสมอ (เช่น ขอบเขตกรณีสุดขั้ว - extreme-case bounds)
  • การจำแนกประเภทปัจจัยเสี่ยงผิดพลาด ณ จุดเริ่มต้น — การวัดค่าเพียงครั้งเดียว ณ จุดเริ่มต้นอาจไม่สะท้อนถึงปัจจัยเสี่ยงตามปกติ ควรใช้การวัดซ้ำหรือตัวบ่งชี้ทางชีวภาพที่ได้รับการตรวจสอบแล้วหากเป็นไปได้
  • การละเลยผลกระทบจากอาสาสมัครสุขภาพดี (healthy-volunteer effect) — กลุ่มตัวอย่างที่รวบรวมจากอาสาสมัครจะคัดแยกผู้ป่วยที่ป่วยที่สุดออกไปอย่างเป็นระบบ ซึ่งจะประเมินความเสี่ยงของโรคในประชากรทั่วไปต่ำเกินไป
  • การกวนโดยข้อบ่งชี้ (confounding by indication) — เมื่อปัจจัยเสี่ยงเป็นการรักษาทางคลินิก ผู้ป่วยที่ป่วยหนักมีแนวโน้มที่จะได้รับการรักษานั้นมากกว่า ทำให้การเปรียบเทียบแบบหยาบมีความเอนเอียง ต้องใช้วิธีการให้คะแนนแนวโน้มหรือตัวแปรเครื่องมือ (instrumental variables)

คำถามที่พบบ่อย

การศึกษากลุ่มตัวอย่างแบบไปข้างหน้าแตกต่างจากการศึกษากลุ่มตัวอย่างแบบย้อนหลังอย่างไร

ในการศึกษากลุ่มตัวอย่างแบบไปข้างหน้า ผู้เข้าร่วมวิจัยจะถูกคัดเลือกก่อนที่ผลลัพธ์จะเกิดขึ้น และติดตามไปข้างหน้าตามเวลาจริง ข้อมูลปัจจัยเสี่ยงจะถูกรวบรวม ณ เวลาที่คัดเลือกหรือหลังจากนั้น ก่อนที่ใครจะเกิดผลลัพธ์ ในการศึกษากลุ่มตัวอย่างแบบย้อนหลัง ทั้งปัจจัยเสี่ยงและผลลัพธ์ได้เกิดขึ้นแล้วเมื่อนักวิจัยเริ่มดำเนินการ โดยกลุ่มตัวอย่างจะถูกสร้างขึ้นใหม่จากบันทึกในอดีต การออกแบบแบบไปข้างหน้าให้คุณภาพข้อมูลที่ดีกว่าและมี recall bias น้อยกว่า แต่ใช้เวลานานและมีค่าใช้จ่ายสูงกว่ามาก

การศึกษากลุ่มตัวอย่างแบบไปข้างหน้าสามารถพิสูจน์ความเป็นสาเหตุได้หรือไม่

สามารถให้หลักฐานที่สอดคล้องกับความเป็นสาเหตุได้อย่างแข็งแกร่ง — โดยเฉพาะอย่างยิ่งโดยการสร้างลำดับเวลาก่อนหลัง (temporal precedence) และความสัมพันธ์ตามขนาด (dose-response relationships) — แต่ไม่สามารถกำจัดปัจจัยกวนที่ตกค้างจากตัวแปรที่ไม่ได้วัดได้เหมือนกับการทดลองแบบสุ่มและมีกลุ่มควบคุม (randomised controlled trial) การอนุมานเชิงสาเหตุจากข้อมูลกลุ่มตัวอย่างต้องอาศัยการประยุกต์ใช้เกณฑ์ต่างๆ อย่างเป็นระบบ เช่น มุมมองของ Bradford Hill: ความแข็งแกร่ง ความสอดคล้อง ความจำเพาะเจาะจง ลำดับเวลา ความชันทางชีวภาพ ความสมเหตุสมผล ความสอดคล้องกัน การทดลอง และการเปรียบเทียบ

อัตราการสูญเสียผู้เข้าร่วมวิจัยจากการติดตามผลที่ยอมรับได้คือเท่าใด

ไม่มีเกณฑ์สากล แต่การรักษาผู้เข้าร่วมวิจัยไว้ได้มากกว่า 80% มักถูกอ้างว่าเป็นที่ยอมรับ และกลุ่มตัวอย่างคุณภาพสูงหลายกลุ่มสามารถรักษาไว้ได้มากกว่า 90% สิ่งที่สำคัญกว่าเปอร์เซ็นต์คือการที่การหลุดออกไปนั้นมีความแตกต่างกันหรือไม่ — หากการสูญเสียผู้เข้าร่วมวิจัยจากการติดตามผลไม่เกี่ยวข้องกับทั้งปัจจัยเสี่ยงและผลลัพธ์ ความเอนเอียงจะน้อยที่สุด แม้จะมีการสูญเสียปานกลาง ควรมีการวิเคราะห์ความไวเพื่อสำรวจผลกระทบที่อาจเกิดขึ้นจากข้อมูลผลลัพธ์ที่ขาดหายไปเสมอ

กลุ่มตัวอย่างของฉันต้องมีขนาดเท่าใด

ขนาดกลุ่มตัวอย่างขึ้นอยู่กับอุบัติการณ์พื้นฐานของผลลัพธ์ อัตราความเสี่ยงสัมพัทธ์ที่คาดการณ์ไว้ อำนาจการทดสอบที่ต้องการ (โดยทั่วไป 80-90%) ระดับนัยสำคัญ (โดยทั่วไป 0.05) และอัตราส่วนของผู้ที่ได้รับปัจจัยเสี่ยงต่อผู้ที่ไม่ได้รับปัจจัยเสี่ยง สำหรับผลลัพธ์ที่หายากซึ่งมีอุบัติการณ์ต่ำกว่า 1% โดยทั่วไปจำเป็นต้องมีผู้เข้าร่วมวิจัยหลายพันคน แม้แต่จะตรวจจับอัตราความเสี่ยงสัมพัทธ์ที่ค่อนข้างสูงได้ ควรปรึกษาการคำนวณอำนาจการทดสอบสำหรับการศึกษากลุ่มตัวอย่างโดยใช้อัตราอุบัติการณ์แทนสัดส่วนสำหรับผลลัพธ์ที่หายาก

เมื่อใดที่ฉันควรใช้การศึกษากรณี-ควบคุมแบบซ้อน (nested case-control) แทนการวิเคราะห์กลุ่มตัวอย่างทั้งหมด

การออกแบบกรณี-ควบคุมแบบซ้อนภายในกลุ่มตัวอย่างจะดีกว่าเมื่อการวัดปัจจัยเสี่ยงมีราคาแพงมาก (เช่น การตรวจวิเคราะห์ตัวบ่งชี้ทางชีวภาพที่เก็บไว้) หรือเมื่อผลลัพธ์หายาก เนื่องจากจะเลือกเฉพาะกลุ่มตัวอย่างที่ไม่ใช่กรณีมาเป็นกลุ่มควบคุม แทนที่จะวัดทุกคน ช่วยรักษาข้อได้เปรียบเชิงสาเหตุของการออกแบบแบบไปข้างหน้าส่วนใหญ่ไว้ได้ในต้นทุนที่ต่ำกว่าอย่างมาก และเทียบเท่ากับการวิเคราะห์กลุ่มตัวอย่างทั้งหมดเมื่อกลุ่มควบคุมถูกสุ่มโดยใช้วิธีการสุ่มตามความหนาแน่นของอุบัติการณ์ (incidence-density sampling)

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.

    ISBN: 978-0781755641
    คัดลอกแล้ว
  2. Doll, R., & Hill, A. B. (1954). The mortality of doctors in relation to their smoking habits. British Medical Journal, 1(4877), 1451-1455.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว