ရှုပ်ထွေးစေသောအကြောင်းရင်း (Confounding)
ရှုပ်ထွေးစေသောအကြောင်းရင်း (Confounding) ဆိုတာ ဘာလဲ?
သုတေသနမှာ ကျွန်တော်တို့လေ့လာချင်တဲ့ ထိတွေ့မှု (exposure) နဲ့ ရလဒ် (outcome) ဆက်စပ်မှုကို ရှုပ်ထွေးအောင်လုပ်တဲ့ တတိယ အချက်တစ်ခုပါ။ ဥပမာ ပြောရရင်၊ ကော်ဖီသောက်တာက နှလုံးရောဂါဖြစ်စေတယ်လို့ လေ့လာတယ်ဆိုပါစို့။ ဒါပေမယ့် ဆေးလိပ်သောက်တတ်တဲ့သူတွေက ကော်ဖီလည်း များများသောက်တယ်ဆိုရင်၊ ဆေးလိပ်သောက်တာက နှလုံးရောဂါဖြစ်နိုင်ခြေကို တိုးစေတယ်။ ဒီမှာ ဆေးလိပ်သောက်တာက confounder ဖြစ်သွားပြီး ကော်ဖီနဲ့ နှလုံးရောဂါဆက်စပ်မှုကို ပုံပျက်စေပါတယ်။
ဒီလိုမျိုး confounder က လေ့လာနေတဲ့ ဆက်စပ်မှုကို မမှန်ကန်အောင် လုပ်နိုင်ပါတယ်။ ဥပမာ၊ တကယ်ဆို ကော်ဖီက နှလုံးရောဂါဖြစ်နိုင်ခြေ သိပ်မထိခိုက်ဘူးဆိုရင်တောင်၊ confounder ကြောင့် ဖြစ်နိုင်ခြေ ပိုများနေသလို (positive confounding) ဒါမှမဟုတ် ပိုနည်းနေသလို (negative confounding) ထင်ရှားသွားနိုင်ပါတယ်။
Confounder ဖြစ်ဖို့ ဘယ်လိုအချက်တွေ ပြည့်စုံရမလဲ?
confounder ဖြစ်ဖို့ အချက် ၃ ချက်နဲ့ ကိုက်ညီရမယ်။
1. ရလဒ်ကို လွတ်လွတ်လပ်လပ် ခန့်မှန်းနိုင်ရမယ်။ ဆိုလိုတာက confounder က ထိတွေ့မှုမရှိတဲ့သူတွေမှာတောင် ရလဒ် (ဥပမာ ရောဂါ) ဖြစ်နိုင်ခြေကို ထိခိုက်စေနိုင်ရမယ်။ ဥပမာ၊ ဆေးလိပ်သောက်တာက ကော်ဖီသောက်တာမရှိတဲ့သူတွေမှာတောင် နှလုံးရောဂါဖြစ်နိုင်ခြေကို တိုးပါတယ်။
2. ထိတွေ့မှုနဲ့ ဆက်စပ်နေရမယ်။ ဆေးလိပ်သောက်သူတွေက ကော်ဖီပိုသောက်တယ်ဆိုရင် ဒီအချက်ကိုက်ညီပါတယ်။
3. ထိတွေ့မှုနဲ့ ရလဒ်ကြား ကြားခံမဖြစ်ရဘူး။ ဆိုလိုတာက confounder က ထိတွေ့မှုကြောင့် ဖြစ်လာတဲ့ အရာမဖြစ်ရဘူး။ ဥပမာ၊ ကော်ဖီသောက်တာကြောင့် ဆေးလိပ်သောက်တာမျိုးဆို ဒါက confounder မဟုတ်ဘူး။
ဘယ်အချက်တွေက Confounder ဖြစ်နိုင်မလဲ?
ဒါကိုသိဖို့ နည်းလမ်းတချို့ရှိပါတယ်။
1. ကိုယ်လုပ်မဲ့သုတေသနနယ်ပယ်ကို ကောင်းကောင်းသိထားခြင်းပါ။ ဥပမာ၊ ဆီးချိုရောဂါလေ့လာ နေတယ်ဆိုရင် အသက်၊ ကိုယ်အလေးချိန်၊ လှုပ်ရှားမှုနည်းတာမျိုးတွေက confounder ဖြစ်နိုင်တယ် ဆိုတာ သိထားရပါမယ်။
2. စာပေပြန်လည်သုံးသပ်မှု (literature review) လုပ်ပါ။ တခြားသုတေသနတွေက ဘယ်အချက်တွေက confounder ဖြစ်တတ်လဲဆိုတာ ပြထားပြီးသားဆိုတော့ အဲဒါကို အရင်ကြည့်ပါ။
3. “သမိုင်းဝင်” confounder တွေကို သတိထားပါ။ အသက်၊ ကျား/မ၊ လူမျိုး၊ ဆိုရှယ်အဆင့်အတန်းမျိုးတွေက သုတေသနတော်တော်များများမှာ confounder ဖြစ်တတ်ပါတယ်။
Confounding ကို ဘယ်လိုထိန်းချုပ်မလဲ?
Confounding ကို ထိန်းချုပ်ဖို့ နည်းလမ်း ၂ မျိုးရှိပါတယ်။ ဒီဇိုင်းအဆင့် နဲ့ ခွဲခြမ်းစိတ်ဖြာမှုအဆင့်။
၁။ ဒီဇိုင်းအဆင့်မှာ ထိန်းချုပ်တာ
– ကျပန်းခွဲဝေခြင်း (Randomization): လူတွေကို ကျပန်းနည်းနဲ့ အုပ်စုခွဲလိုက်ရင် confounder တွေကို အုပ်စုနှစ်ခုမှာ တူညီအောင် ဖြန့်ဝေပေးနိုင်တယ်။ ဒါက RCTs (Randomized Controlled Trials) မှာ သုံးတယ်။ အားသာချက်ကတော့ မသိရှိသေးတဲ့ confounder တွေကိုပါ ထိန်းချုပ်နိုင်တာ။ ဒါပေမယ့် လူဦးရေနည်းရင် သိပ်မထိရောက်ပါဘူး။
– ကန့်သတ်ခြင်း (Restriction): ဥပမာ၊ အသက်က confounder ဆိုရင် လေ့လာမှုကို ၃၀-၄၀ နှစ်အတွင်းသူတွေကိုပဲ ကန့်သတ်လိုက်တာ။ ဒါက ရိုးရှင်းပေမယ့် လူဦးရေကို ကန့်သတ်လိုက်တာမို့ ရလဒ်ကို ယေဘုယျအားဖြင့် သုံးလို့မရပါ (generalizability နည်းသွားတယ်)။
– တွဲဖက်ခြင်း (Matching): ထိတွေ့မှုရှိတဲ့သူတွေနဲ့ မရှိတဲ့သူတွေကို confounder (ဥပမာ အသက်) အတူတူဖြစ်အောင် တွဲပေးတာ။ ဒါက ထိရောက်ပေမယ့် တွဲဖက်ဖို့ လူရှာရတာ ခက်ခဲပါတယ်၊ အချိန်ကုန်ပါတယ်။
၂။ ခွဲခြမ်းစိတ်ဖြာမှုအဆင့်မှာ ထိန်းချုပ်တာ
– အလွှာလိုက်ခွဲခြမ်းစိတ်ဖြာခြင်း (Stratified Analysis): လူတွေကို confounder အလိုက် အုပ်စုခွဲပြီး ဆက်စပ်မှုကို သီးခြားစီ တွက်ကြည့်တာပါ။ ဥပမာ၊ ဆေးလိပ်သောက်သူတွေနဲ့ မသောက်သူတွေကို ခွဲပြီး ကော်ဖီနဲ့ နှလုံးရောဂါဆက်စပ်မှုကို ကြည့်တာပါ။ ဒီမှာ crude RR (မညှိမနှိုင်းရသေး) နဲ့ adjusted RR (ညှိပြီး) ကွာခြားရင် confounding ရှိတယ်လို့ ယူဆပါတယ်။
– ဘက်ပေါင်းစုံတွဲဖက်မှု (Multivariate Regression): ဒါက ကွန်ပျူတာသုံးပြီး ထိတွေ့မှု၊ ရလဒ်နဲ့ confounder တွေကို တစ်ပြိုင်နက် ထိန်းချုပ်တဲ့ နည်းလမ်းပါ။ ဒါက confounder များများရှိရင် အဆင်ပြေပါတယ်။ ဒါပေမယ့် နားလည်ရခက်ပါတယ်၊ အချက်အလက်တွေကလည်း ပုံစံနဲ့ကိုက်ညီဖို့ လိုပါတယ်။
ကျန်ရှိနေသေးတဲ့ Confounding (Residual Confounding)
အကုန်ထိန်းချုပ်ပြီးတာတောင်မှ တချို့ confounder တွေ ကျန်နေတတ်ပါတယ်။ ဒါက ဘာကြောင့်လဲဆိုတော့:
– Confounder အချက်အလက်တချို့ မစုဆောင်းမိတာ။
– Confounder ကို ကျယ်ပြန့်စွာ အမျိုးအစားခွဲထားလို့ (ဥပမာ၊ အသက်ကို ၂၀-၆၀ နှစ်လို့ ကျယ်ကျယ်ခွဲထားရင်)။
– Confounder ကို မမှန်ကန်စွာ ခွဲခြားမိတာ (misclassification)။
ကြားခံဖြစ်ခြင်း (Mediation) နဲ့ confounding က မတူပါဘူး
Confounding နဲ့ mediation ကို မရောထွေးပါနဲ့။ Mediation ဆိုတာ ထိတွေ့မှုက ရလဒ်ကို ဖြစ်စေတဲ့ လမ်းကြောင်းထဲက ကြားခံအဆင့်တစ်ခုပဲ။ ဥပမာ၊ ကော်ဖီသောက်တာက သွေးဖိအားမြင့်တက်စေပြီး သွေးဖိအားမြင့်တာက နှလုံးရောဂါဖြစ်စေတယ်ဆိုရင် သွေးဖိအားက mediator ဖြစ်သွားတယ်။ ဒါကို သိဖို့ causal mediation analysis လုပ်ရပါတယ်။
အကျဉ်းချုပ်အားဖြင့်
Confounding ဆိုတာ သုတေသနမှာ ရလဒ်ကို ပုံပျက်စေတတ်တဲ့ အဓိက ပြဿနာတစ်ခုဖြစ်ပါတယ်။ ဒါကို ထိန်းချုပ်ဖို့ ဒီဇိုင်းအဆင့်မှာလည်းကောင်း၊ ခွဲခြမ်းစိတ်ဖြာမှုအဆင့်မှာလည်းကောင်း နည်းလမ်းတွေ သုံးလို့ရပါတယ်။ ဒါပေမယ့် ဘယ်နည်းလမ်းမဆို ကိုယ်လုပ်မဲ့သုတေသနနယ်ပယ်ကို ကောင်းကောင်း သိထားဖို့၊ စာပေတွေကို သေချာပြန်လည်သုံးသပ်ဖို့ လိုပါတယ်။ ဒါဆို သုတေသနရလဒ်က ပိုမှန်ကန် လာပါမယ်။
နပေတိုး
Discover more from naywinaung
Subscribe to get the latest posts sent to your email.
