“ဘက်လိုက်မှု (Bias)” အကြောင်း

ရောဂါဗေဒဆိုင်ရာ လေ့လာမှုတွေမှာ ဘက်လိုက်မှု (Bias) ဆိုတာက တကယ်တော့ စနစ်ကျတဲ့ အမှား (systematic error) တစ်မျိုးပါ။ ဒီအမှားက လေ့လာမှုရဲ့ ဒီဇိုင်း (design) ဒါမှမဟုတ် ဆောင်ရွက်ပုံ (conduct) ထဲမှာ ဖြစ်ပေါ်လာပြီး အကြောင်းအရာတွေကြားက ဆက်စပ်မှုကို မှန်ကန်စွာ ခန့်မှန်းနိုင်စွမ်းကို ထိခိုက်စေနိုင်ပါတယ်။

လေ့လာမှုတစ်ခုမှာ ဆက်စပ်မှုတစ်ခုကို တွေ့ရတဲ့အခါ၊ အဲဒီဆက်စပ်မှုက အကြောင်းအရာရဲ့ သဘာဝအမှန် (true association) ကြောင့်လား၊ မဟုတ်ရင် ကျပန်းအမှား (random errors) ကြောင့်လား၊ ဒါမှမဟုတ် စနစ်ကျတဲ့အမှား (systematic errors) ခေါ် ဘက်လိုက်မှု (bias) ကြောင့်လား ဆိုတာကို စဉ်းစားရပါတယ်။ Random error ဆိုတာ Chance ကြောင့်ဖြစ်တာဖြစ်ပြီး၊ systematic error ကတော့ မှတ်မိနိုင်တဲ့ အမှားရင်းမြစ်ကြောင့် ဖြစ်ပေါ်လာတာပါ။

ဘက်လိုက်မှု (Bias) ဖြစ်ပေါ်လာနိုင်တဲ့ အရင်းအမြစ်များ

လေ့လာသူ (investigator) ကြောင့် ဖြစ်နိုင်ပါတယ်။

 လေ့လာမှုမှာ ပါဝင်သူ (study participants) တွေကြောင့်လည်း ဖြစ်နိုင်ပါတယ်။

 လေ့လာမှု စီစဉ်တဲ့ပုံစံ (design) ဒါမှမဟုတ် ဆောင်ရွက်ပုံ (conduct) မှာလည်း ဖြစ်နိုင်ပါတယ်。

 ဘက်လိုက်မှုဟာ experimental, cohort, case-control, cross-sectional, ecological studies တွေအပါအဝင် လေ့လာမှုအမျိုးအစား အားလုံးမှာ ဖြစ်ပေါ်နိုင်ပါတယ်။

လေ့လာမှု အနည်းငယ်သာ ဘက်လိုက်မှု ကင်းစင်တာကို တွေ့ရပါတယ်။

ဘက်လိုက်မှု (Bias) ရဲ့ သက်ရောက်မှုများ

ဘက်လိုက်မှုရှိလာရင် လေ့လာတွေ့ရှိရတဲ့ ဆက်စပ်မှုဟာ မမှန်ကန်တော့ပါဘူး။

တကယ်တမ်းမှာ ဆက်စပ်မှုမရှိဘဲ ဆက်စပ်မှုရှိသယောင် ဖန်တီးနိုင်ပါတယ်။

ဒါမှမဟုတ် တကယ်ရှိနေတဲ့ ဆက်စပ်မှုကို ဖုံးကွယ်ထားနိုင်ပါတယ်။

ဘက်လိုက်မှုဟာ မှန်ကန်တဲ့ဆက်စပ်မှုကို လျော့နည်းအောင် ခန့်မှန်းမိစေနိုင်ပါတယ် (underestimate)။ ဒီလိုဆိုရင် “null ဘက်ကို ရောက်သွားတဲ့ ဘက်လိုက်မှု (bias towards the null)” လို့ ခေါ်ပါတယ်။

ဒါမှမဟုတ် မှန်ကန်တဲ့ဆက်စပ်မှုကို ပိုများအောင် ခန့်မှန်းမိစေနိုင်ပါတယ် (overestimate)။ ဒီလိုဆိုရင် “null နဲ့ ဝေးရာကို ရောက်သွားတဲ့ ဘက်လိုက်မှု (bias away from the null)” လို့ ခေါ်ပါတယ်။

ဘက်လိုက်မှု (Bias) အမျိုးအစားများ

အဓိကအားဖြင့် ဘက်လိုက်မှု နှစ်မျိုးရှိပါတယ်။

1.  ရွေးချယ်မှု ဘက်လိုက်မှု (Selection Bias)

2.  အချက်အလက် ဘက်လိုက်မှု (Information Bias)

3.  Confounding ဆိုတာလည်း အမှားတစ်ခုဖြစ်ပြီး၊ ဒါပေမဲ့ သူကတော့ analysis မှာ ပြင်ဆင်လို့ရပါတယ်။

 ၁။ ရွေးချယ်မှု ဘက်လိုက်မှု (Selection Bias)

 ဒါကတော့ “ဘယ်သူတွေက သင့်လေ့လာမှုထဲကို ပါဝင်လာသလဲ” ဆိုတာနဲ့ သက်ဆိုင်ပါတယ်။

လေ့လာမှုအတွက် ပါဝင်သူတွေကို ရွေးချယ်တဲ့လုပ်ငန်းစဉ် (recruitment) ဒါမှမဟုတ် လေ့လာမှုအတွင်း ပါဝင်သူတွေကို ဆက်လက်ထိန်းသိမ်းထားရှိတဲ့ လုပ်ငန်းစဉ် (retaining subjects) မှာ ဖြစ်ပေါ်နိုင်ပါတယ်။

ရွေးချယ်မှု ဘက်လိုက်မှုကြောင့် လေ့လာမှုမှာ တွေ့ရှိရတဲ့ ဆက်စပ်မှုဟာ သင်လေ့လာချင်တဲ့ မူရင်းလူဦးရေ (source population) ကနေ ရရှိမယ့် ဆက်စပ်မှုနဲ့ ကွာခြားသွားစေပါတယ်။

အမျိုးအစားများ:

မသင့်လျော်သော ထိန်းချုပ်အုပ်စု ရွေးချယ်မှု (Inappropriate Control Selection / Control-Selection Bias): Controls တွေကို exposed ဖြစ်မဖြစ်နဲ့ ဆက်နွယ်နေတဲ့ နည်းလမ်းနဲ့ ရွေးချယ်မိတာမျိုးပါ။ ဥပမာ- စျေးကွက်ရှာဖွေရေးအတွက် ရုံးတက်ချိန်မှာ အိမ်မှာ ရှိနေတဲ့သူတွေကို ကောက်တဲ့ survey ဆိုရင် အလုပ်လက်မဲ့ ဒါမှမဟုတ် အငြိမ်းစားယူပြီးသား လူတွေ ပိုပါဝင်နိုင်ပါတယ်။ ဒါက သူတို့ရဲ့ socioeconomic status (SES) နဲ့ ဆက်စပ်နေတာမို့ ဘက်လိုက်မှု ဖြစ်နိုင်ပါတယ်။

ပါဝင်မှု မတူညီခြင်း (Differential Participation): လေ့လာမှုမှာ ပါဝင်လိုစိတ် (willingness) ဒါမှမဟုတ် ပါဝင်နိုင်စွမ်း (ability) ဟာ exposure နဲ့ disease status နှစ်ခုစလုံးနဲ့ ဆက်စပ်နေတဲ့အခါ ဖြစ်ပေါ်ပါတယ်။ ဥပမာ- ကိုယ်ဝန်ဆောင်စဉ် စိတ်ကျရောဂါဆေးသောက်ပြီး မွေးရာပါချို့ယွင်းချက်ရှိတဲ့ ကလေးအမေတွေက လေ့လာမှုမှာ ပိုပြီး ပါဝင်ဖို့ ဆန္ဒရှိနိုင်ပါတယ်။

ဆက်လက်လိုက်ပါမှု မတူညီခြင်း (Differential Loss to Follow-up): လေ့လာမှုပါဝင်သူတွေဟာ သူတို့ရဲ့ exposure နဲ့ disease နှစ်ခုစလုံးနဲ့ ဆက်နွယ်နေတဲ့ အကြောင်းအရာတွေကြောင့် လေ့လာမှုကနေ ထွက်ခွာသွားတဲ့အခါ ဖြစ်ပေါ်ပါတယ်။ ဥပမာ- အလုပ်ခွင်မှာ ဓာတုပစ္စည်းနဲ့ ထိတွေ့ဖူးတဲ့ အလုပ်သမားတွေထဲက နှလုံးရောဂါဖြစ်တဲ့သူတွေက အလုပ်ကနေ ထွက်သွားနိုင်တာ မျိုးပေါ့။

ရွေးချယ်မှု ဘက်လိုက်မှုကို ရှောင်ရှားခြင်း:

ရွေးချယ်မှု ဘက်လိုက်မှု ဖြစ်ပြီးသွားရင် ပြင်ဆင်ဖို့ ခက်ခဲပါတယ်။

ဒါကြောင့် သေသေချာချာ လေ့လာမှု ဒီဇိုင်းဆွဲခြင်းနဲ့ ဆောင်ရွက်ခြင်း (careful study design and conduct) အားဖြင့် ရှောင်ရှားရမှာပါ။

Cases တွေနဲ့ controls တွေအတွက် တူညီတဲ့ ရွေးချယ်မှု စံနှုန်းတွေ (identical selection criteria) ကို အသုံးပြုရပါမယ်။

 လေ့လာမှုအုပ်စုအားလုံးမှာ ပါဝင်မှုနှုန်း မြင့်မားအောင် ထိန်းသိမ်းထားခြင်း (high participation rates)ဆောင်ရွက်ရပါမယ်။

 လေ့လာမှုအတွင်း ဆက်လက်လိုက်ပါမှုနှုန်းကို မြင့်မားအောင် ထိန်းသိမ်းခြင်း (maintaining high follow-up rates) လုပ်ရပါမယ်။

 ၂။ အချက်အလက် ဘက်လိုက်မှု (Information Bias)

ဒါကတော့ “သင့်လေ့လာမှုထဲကို ဝင်လာတဲ့ အချက်အလက်တွေရဲ့ အရည်အသွေး (quality of information)” နဲ့ သက်ဆိုင်ပါတယ်။

ပါဝင်သူတွေကို exposed ဒါမှမဟုတ် unexposed၊ diseased ဒါမှမဟုတ် not diseased စသည်ဖြင့် မှားယွင်းစွာ ခွဲခြားသတ်မှတ်မိတဲ့အခါ ဖြစ်ပေါ်ပါတယ်။

အမျိုးအစားများ:

ပြန်အမှတ်ရမှု ဘက်လိုက်မှု (Recall Bias): ရောဂါရှိသူတွေက ရောဂါမရှိသူတွေထက် သူတို့ရဲ့ exposure ကို မတူညီစွာ ပြန်အမှတ်ရခြင်း (ပိုမိုသတိရခြင်း သို့မဟုတ် ပိုမိုမေ့လျော့ခြင်း) ကြောင့် ဖြစ်ပေါ်နိုင်ပါတယ်။ ဥပမာ- မွေးရာပါချို့ယွင်းချက်ရှိတဲ့ ကလေးအမေတွေက ကိုယ်ဝန်ဆောင်စဉ် သူတို့သောက်ခဲ့တဲ့ ဆေးဝါးတွေအကြောင်းကို ပိုပြီး အတိအကျ မှတ်မိနိုင်တာမျိုးပေါ့။

တွေ့ဆုံမေးမြန်းသူ ဘက်လိုက်မှု (Interviewer Bias): တွေ့ဆုံမေးမြန်းသူတွေက ပါဝင်သူရဲ့ အခြေအနေ (case or control) ကို သိနေတာကြောင့် အချက်အလက်တွေကို တောင်းဆိုရာ၊ မှတ်တမ်းတင်ရာ ဒါမှမဟုတ် အဓိပ္ပာယ်ဖွင့်ဆိုရာမှာ စနစ်တကျ မတူညီစွာ လုပ်ဆောင်မိတာမျိုးပါ။ ဥပမာ- မွေးရာပါချို့ယွင်းချက်ရှိတဲ့ ကလေးအမေတွေကို မေးတဲ့အခါ အင်တာဗျူးလုပ်သူက ဆေးသောက်ခဲ့ဖူးလားဆိုတာကို ပိုပြီး စူးစမ်းမေးမြန်းနိုင်တာမျိုး။

တိုင်းတာမှု အမှား (Measurement Error / Misclassification): ဒါက အတွေ့ရအများဆုံး ဘက်လိုက်မှုပုံစံဖြစ်ပြီး လေ့လာမှုပါဝင်သူတွေကို မှားယွင်းတဲ့ exposure ဒါမှမဟုတ် disease category ထဲကို ထည့်သွင်းမိတာပါ။

Differential Misclassification: အမှားဟာ exposure နဲ့ disease status နှစ်ခုစလုံးနဲ့ ဆက်စပ်နေပြီး ဘက်လိုက်မှုက null ဘက်ကိုလည်း ရောက်နိုင်သလို null နဲ့ ဝေးရာကိုလည်း ရောက်နိုင်ပါတယ်။

Non-differential Misclassification: အမှားဟာ exposure နဲ့ disease status နှစ်ခုစလုံးနဲ့ မဆက်စပ်ဘဲ ကျပန်းဖြစ်နေတာမျိုးပါ။ ဒီအမှားမျိုးကတော့ အမြဲတမ်း null ဘက်ကိုသာ ဘက်လိုက်စေပါတယ် (true association ကို အမြဲတမ်း လျှော့တွက်မိစေပါတယ်)။

အချက်အလက် ဘက်လိုက်မှုကို ရှောင်ရှားခြင်း:

အချက်အလက် ဘက်လိုက်မှု ဖြစ်ပြီးသွားရင် ပြင်ဆင်ဖို့ ခက်ခဲပါတယ်။

ဒါကြောင့် သေသေချာချာ လေ့လာမှု ဒီဇိုင်းဆွဲခြင်းနဲ့ ဆောင်ရွက်ခြင်း (careful study design and conduct) အားဖြင့် ရှောင်ရှားရမှာပါ။

နှိုင်းယှဉ်နိုင်တဲ့ ပြန်အမှတ်ရမှု (comparable recall) ကို မြှင့်တင်ဖို့ ဖျားနာနေတဲ့ controls တွေကို အသုံးပြုတာ။

စံသတ်မှတ်ထားပြီး အပိတ်မေးခွန်းများ (standardized, closed-ended questionnaires) ကို အသုံးပြုခြင်း။

မူလတည်းက ရှိနေပြီးသား အချက်အလက်များ (pre-existing data) ဥပမာ- ဆေးမှတ်တမ်းများ၊ အလုပ်အကိုင် မှတ်တမ်းများကို အသုံးပြုခြင်း။

နှစ်ဖက်စလုံး မသိအောင် ဖုံးကွယ်ထားခြင်း (Blinding / Masking) ဥပမာ- တွေ့ဆုံမေးမြန်းသူ (interviewers) တွေက ပါဝင်သူရဲ့ အခြေအနေကို မသိအောင် လုပ်ဆောင်ခြင်း။

အရည်အသွေးမြင့်မားတဲ့ သင်တန်းတွေ (rigorous training) ကို တွေ့ဆုံမေးမြန်းသူတွေကို ပေးခြင်း။

အချက်အလက်များ၏ တိကျမှန်ကန်မှုကို မြှင့်တင်ရန် အချက်အလက်ရင်းမြစ်များစွာ (multiple sources) ကို အသုံးပြု၍ အချက်အလက်များကို အတည်ပြုခြင်း (validation)။

ဒေါက်တာ John Smith ဆိုတဲ့ ရောဂါဗေဒပညာရှင်တစ်ဦးက ပြောခဲ့ဖူးပါတယ် – “Attributable risk (AR) ဟာ မူဝါဒချမှတ်သူတွေနဲ့ ပြည်သူ့ကျန်းမာရေး ကျွမ်းကျင်သူတွေအတွက် အဖိုးတန်တဲ့ ကိရိယာတစ်ခုပါ၊ ဒါပေမယ့် လေ့လာမှုဒီဇိုင်းနဲ့ အချက်အလက် အရည်အသွေးတွေကို ထည့်သွင်းစဉ်းစားပြီး ဂရုတစိုက် အဓိပ္ပာယ်ဖွင့်ဆိုရပါမယ်” လို့ပါ။ ဒီစကားက ဘက်လိုက်မှုနဲ့ ပတ်သက်ပြီးလည်း အမြဲသတိရသင့်တဲ့ အချက်ပါပဲ။ ဘာလို့လဲဆိုတော့ လေ့လာမှုတစ်ခုက ဘက်လိုက်မှု ကင်းစင်မှသာ ယုံကြည်စိတ်ချရတဲ့ ရလဒ်တွေ ထွက်ပေါ်လာမှာ ဖြစ်လို့ပါ။

ဒီရှင်းလင်းချက်က ဘက်လိုက်မှု (Bias) အကြောင်းကို နားလည်ဖို့ ကူညီပေးမယ်လို့ မျှော်လင့်ပါတယ်။

နပေတိုး