Leon Gordis ၏ Epidemiology

Leon Gordis ၏ Epidemiology အကြောင်း ဖတ်မိသမျှ

စာအုပ်က Epidemiology လို့ခေါ်တဲ့ ဘာသာရပ်အကြောင်းပါ။ Epidemiology ဆိုတာကတော့ လူဦးရေတွေထဲမှာ ရောဂါတွေ ဘယ်လိုပျံ့နှံ့နေလဲ၊ ဒီပျံ့နှံ့မှုကို လွှမ်းမိုးတဲ့အချက်တွေက ဘာတွေလဲဆိုတာကို လေ့လာတာ ဖြစ်ပါတယ်။ လူတိုင်း ရောဂါမဖြစ်ကြပါဘူး။ အချို့သူတွေမှာပဲ ရောဂါဖြစ်တတ်တာကို လေ့လာပြီး ဘယ်လိုဝိသေသလက္ခဏာတွေက ရောဂါကိုဖြစ်စေနိုင်လဲ ဒါမှမဟုတ် ကာကွယ်ပေးနိုင်လဲဆိုတာကို ရှာဖွေတာပါ။

ဒီစာအုပ်မှာ အဓိကအားဖြင့် အပိုင်း ၃ ပိုင်း ခွဲထားတာ တွေ့ရပါတယ်။
အပိုင်း ၁: ရောဂါနဲ့ ကျန်းမာရေး ကြားဝင်ဆောင်ရွက်မှုတွေကို Epidemiology နည်းလမ်းနဲ့ ချဉ်းကပ်ခြင်း (The Epidemiologic Approach to Disease and Intervention)
ဒီအပိုင်းမှာတော့ Epidemiology ရဲ့ အခြေခံသဘောတရားတွေကို ရှင်းပြထားပါတယ်။

•ကာကွယ်ခြင်း (Prevention): ရောဂါတွေကို ဘယ်လိုကာကွယ်နိုင်လဲဆိုတာကို အမျိုးအစား ၃ မျိုးခွဲပြီး ရှင်းပြထားပါတယ်။
◦Primary prevention: ရောဂါ လုံးဝမဖြစ်အောင် ကြိုတင်ကာကွယ်တာပါ (ဥပမာ- ကာကွယ်ဆေးထိုးတာ၊ ရောဂါဖြစ်စေနိုင်တဲ့အရာတွေကို ရှောင်ရှားတာ)။ ဒါကတော့ အကောင်းဆုံးပန်းတိုင်ပါ။
◦Secondary prevention: ရောဂါဖြစ်ပြီဆိုရင်တောင် စောစောစီးစီးသိအောင် လုပ်ပြီး ပြင်းထန်မှုနဲ့ နောက်ဆက်တွဲပြဿနာတွေကို လျှော့ချတာပါ (ဥပမာ- ကင်ဆာစစ်ဆေးတာ)။
◦Tertiary prevention: ရောဂါရဲ့သက်ရောက်မှုကို လျှော့ချတာပါ (ဥပမာ- လေဖြတ်တဲ့လူကို ပြန်လည်သန်စွမ်းအောင် ကုသတာ)။

•ရောဂါကူးစက်ပျံ့နှံ့မှု လှုပ်ရှားပုံ (The Dynamics of Disease Transmission): ရောဂါတွေ ဘယ်လိုဖြစ်ပွား ကူးစက်တတ်လဲဆိုတာ ရှင်းပြထားပါတယ်။
◦Endemic, Epidemic, Pandemic: ရောဂါတွေ ပုံမှန်ရှိနေတာ (Endemic)၊ ပုံမှန်ထက် ပိုပြီးအများကြီးဖြစ်ပွားတာ (Epidemic)၊ တစ်ကမ္ဘာလုံးအနှံ့ဖြစ်တာ (Pandemic) ဆိုပြီး ခွဲခြားထားပါတယ်။
◦Common-vehicle exposure: လူအများကြီး တူညီတဲ့ အရင်းအမြစ်တစ်ခုခု (ဥပမာ- အစားအစာ) ကနေ ရောဂါကူးစက်ခံရတာကို ဆိုလိုပါတယ်။
◦Herd immunity: လူအများစုက ကာကွယ်ဆေးထိုးထားရင် ဒါမှမဟုတ် ရောဂါဖြစ်ဖူးပြီးရင် ကျန်တဲ့ ကာကွယ်ဆေးမထိုးရသေးတဲ့လူတွေကိုပါ ရောဂါမကူးစက်အောင် ကာကွယ်နိုင်တာပါ (ဥပမာ- ပိုလီယိုကာကွယ်ဆေး)။
◦Iceberg concept: ရောဂါဖြစ်ပြီဆိုရင် ဆေးခန်းပြတာတို့၊ ဆေးရုံတက်ရတာတို့လို မြင်သာတဲ့ လက္ခဏာတွေ (clinical illness) က ရေခဲတောင်ရဲ့ ထိပ်ဖျားလေးလိုပဲ ရှိပြီး လက္ခဏာမပြတဲ့ ရောဂါပိုးကူးစက်မှုတွေ (infections without clinical illness) က ရေခဲတောင်ရဲ့ ရေအောက်ပိုင်းလို မမြင်ရဘဲ အများကြီးရှိတယ်ဆိုတဲ့ သဘောတရားပါ။

•ရောဂါဖြစ်ပွားမှု (The Occurrence of Disease):

◦Incidence (ရောဂါအသစ်ဖြစ်နှုန်း): သတ်မှတ်ထားတဲ့ ကာလတစ်ခုအတွင်းမှာ လူဦးရေအချိုးအစား ဘယ်လောက်မှာ ရောဂါအသစ်တွေ ဖြစ်ပွားလဲဆိုတာကို တိုင်းတာတာပါ။ ရောဂါရဲ့ အကြောင်းရင်း (etiology) ကို လေ့လာရာမှာ အရေးကြီးပါတယ်။
◦Prevalence (ရောဂါရှိနှုန်း): သတ်မှတ်ထားတဲ့ အချိန်တစ်ခု ဒါမှမဟုတ် ကာလတစ်ခုအတွင်းမှာ လူဦးရေအချိုးအစား ဘယ်လောက်မှာ ရောဂါရှိနေလဲဆိုတာကို တိုင်းတာတာပါ။ ကျန်းမာရေးဝန်ဆောင်မှုတွေ စီစဉ်ရာမှာ အသုံးဝင်ပါတယ်။ Incidence နဲ့ Duration (ရောဂါဖြစ်နေကြာချိန်) ကို မြှောက်ရင် Prevalence ရပါတယ်။
•သေဆုံးမှုနဲ့ ရောဂါသက်ရောက်မှု တိုင်းတာမှုများ (Mortality and Other Measures of Disease Impact):
◦Case-fatality: ရောဂါဖြစ်တဲ့သူတွေထဲက ဘယ်လောက်သေဆုံးလဲဆိုတဲ့ အချိုးပါ။ ရောဂါရဲ့ ပြင်းထန်မှုကို ပြပါတယ်။ Mortality rate နဲ့ မတူပါဘူး။
◦Mortality rate (သေဆုံးနှုန်း): သတ်မှတ်ကာလတစ်ခုအတွင်းမှာ လူဦးရေအချိုးအစား ဘယ်လောက် သေဆုံးလဲဆိုတာပါ။ Case-fatality နဲ့ မတူဘဲ denominator မှာ ရောဂါရှိတဲ့သူရော မရှိသေးတဲ့သူရော အကုန်ပါဝင်ပါတယ်။ အသက်အပိုင်းအခြားအလိုက် သေဆုံးနှုန်းတွေ နှိုင်းယှဉ်တာ (age-specific mortality rates)၊ ဒါမှမဟုတ် လူဦးရေဖွဲ့စည်းပုံ မတူတာတွေကို နှိုင်းယှဉ်ဖို့ အသက်ကို ညှိပြီး သေဆုံးနှုန်းတွက်တာ (age-adjusted mortality rates) စသဖြင့် တွက်ချက်နိုင်ပါတယ်။
◦Years of Potential Life Lost (YPLL): သတ်မှတ်ထားတဲ့အသက် (ဥပမာ- ၇၅ နှစ်) မရောက်မီမှာ သေဆုံးသွားတဲ့အတွက် ဆုံးရှုံးသွားတဲ့သက်တမ်းနှစ်တွေကို ပေါင်းပြီး ရောဂါရဲ့ သက်ရောက်မှုကို တိုင်းတာတာပါ။
◦Standardized Mortality Ratio (SMR): လူဦးရေအုပ်စုတစ်ခု (ဥပမာ- မိုင်းလုပ်သား) ရဲ့ သေဆုံးနှုန်းကို ရည်ညွှန်းလူဦးရေအုပ်စု (ဥပမာ- အသက်တူ အမျိုးသားများ) ရဲ့ သေဆုံးနှုန်းနဲ့ နှိုင်းယှဉ်တာပါ။ SMR 100 ဆိုရင် ရည်ညွှန်းအုပ်စုနဲ့ သေဆုံးမှု အတူတူပါပဲ။ 100 ကျော်ရင် သေဆုံးမှုပိုများပြီး 100 အောက်ဆိုရင် ပိုနည်းပါတယ်။

•ရောဂါရှာဖွေခြင်းနဲ့ စစ်ဆေးခြင်းများရဲ့ မှန်ကန်မှုနဲ့ ယုံကြည်စိတ်ချရမှု (Assessing the Validity and Reliability of Diagnostic and Screening Tests):

◦Validity (မှန်ကန်မှု): ရောဂါရှိသူနဲ့ မရှိသူကို ဘယ်လောက်ခွဲခြားနိုင်လဲဆိုတာပါ။
▪Sensitivity (ရောဂါရှိသူကို မှန်မှန်ကန်ကန် ရှာဖွေနိုင်မှု): ရောဂါရှိသူအားလုံးထဲက test က positive ပြတဲ့သူ အချိုးအစားပါ။
▪Specificity (ရောဂါမရှိသူကို မှန်မှန်ကန်ကန် ရှာဖွေနိုင်မှု): ရောဂါမရှိသူအားလုံးထဲက test က negative ပြတဲ့သူ အချိုးအစားပါ။
▪Predictive value (ခန့်မှန်းတန်ဖိုး): test positive ပြတဲ့သူတွေထဲမှာ တကယ်ရောဂါရှိတဲ့သူ ဘယ်လောက်ရှိလဲ (Positive predictive value) ဒါမှမဟုတ် test negative ပြတဲ့သူတွေထဲမှာ တကယ်ရောဂါမရှိတဲ့သူ ဘယ်လောက်ရှိလဲ (Negative predictive value) ဆိုတာပါ။ ရောဂါရဲ့ prevalence (ရှိနှုန်း) ပေါ်မှာ မူတည်ပါတယ်။

◦Reliability (ယုံကြည်စိတ်ချရမှု): test တစ်ခုကို ထပ်ခါထပ်ခါလုပ်ရင် ရလဒ်အတူတူရနိုင်မှုပါ။ Observer တွေကြားမှာ သဘောတူညီမှု (percent agreement) ဒါမှမဟုတ် အခွင့်အရေးသက်သက်ကြောင့်ဖြစ်တဲ့ သဘောတူညီမှုထက် ဘယ်လောက်ပိုကောင်းလဲဆိုတာကို တိုင်းတာတဲ့ Kappa statistic တို့နဲ့ တိုင်းတာနိုင်ပါတယ်။

•ရောဂါရဲ့ သဘာဝဖြစ်စဉ် (Natural History of Disease): ရောဂါတစ်ခု စဖြစ်တာကနေ အဆုံးသတ်အထိ ဘယ်လိုဖြစ်စဉ်အတိုင်း သွားလဲဆိုတာပါ။ Prognosis (ရောဂါဖြစ်လာပုံ) ကို ဘယ်လိုဖော်ပြလဲဆိုတာ ရှင်းပြထားပါတယ်။ (ဥပမာ- 5-နှစ်အသက်ရှင်နှုန်း၊ Median survival time)။ Screening လုပ်ရင် ဖြစ်တတ်တဲ့ bias တွေ (ဥပမာ- Lead time bias) ကိုလည်း ရှင်းပြထားပါတယ်။

•ကာကွယ်ခြင်းနဲ့ ကုသခြင်း အကဲဖြတ်ခြင်း (Assessing Preventive and Therapeutic Measures): Randomized Trials: ကုသမှုအသစ်တွေ၊ ကာကွယ်မှုအသစ်တွေရဲ့ ထိရောက်မှုကို ဘယ်လိုလေ့လာလဲဆိုတာပါ။ Randomized trial (RCT) ကို လေ့လာမှုပုံစံတွေထဲမှာ အကောင်းဆုံး (gold standard) လို့ သတ်မှတ်ပါတယ်။
◦Randomization: လေ့လာမှုမှာ ပါဝင်တဲ့သူတွေကို အသစ်ကုသတဲ့အုပ်စုနဲ့ လက်ရှိကုသတဲ့အုပ်စု (control group) တွေကို ကျပန်းခွဲခြားတာပါ။ ဒါမှ bias တွေ မဖြစ်စေဘဲ အုပ်စုတွေ တူညီအောင် လုပ်နိုင်ပါတယ်။
◦Masking (Blinding): လေ့လာမှုမှာပါဝင်တဲ့သူတွေ၊ လေ့လာသူတွေ ဘယ်အုပ်စုမှာ ပါဝင်လဲဆိုတာ မသိအောင်လုပ်တာပါ။ Subjective ဖြစ်တဲ့ ရလဒ်တွေကို တိုင်းတာရာမှာ အရေးကြီးပါတယ်။
◦Placebo: ဆေးအစစ်နဲ့ ပုံစံတူပြီး ဘာအာနိသင်မှမရှိတဲ့ အတုအယောင်ဆေးကို သုံးတာပါ။ ဆေးရဲ့ အာနိသင်အစစ်နဲ့ ဘေးထွက်ဆိုးကျိုးတွေကို သိနိုင်ဖို့ အရေးကြီးပါတယ်။
◦Sample size: လေ့လာမှုတစ်ခုအတွက် ဘယ်လောက်များတဲ့လူဦးရေ လိုအပ်လဲဆိုတာကို တွက်ချက်တာပါ။ α (Type I error ဖြစ်နိုင်ခြေ) နဲ့ β (Type II error ဖြစ်နိုင်ခြေ) တို့ပေါ်မူတည်ပြီး တွက်ပါတယ်။ Power (1-β) ဆိုတာက တကယ်ခြားနားမှုရှိရင် အဲဒီခြားနားမှုကို ရှာတွေ့နိုင်စွမ်းပါ။
◦Efficacy: Randomized trial ကနေ ရတဲ့ ရလဒ်ကို Efficacy လို့ခေါ်ပြီး အကောင်းဆုံးအခြေအနေ (ideal conditions) မှာ ကုသမှုက ဘယ်လောက်ကောင်းလဲဆိုတာ ပြပါတယ်။
◦Generalizability: လေ့လာမှုရဲ့ ရလဒ်ကို လေ့လာမှုမှာပါဝင်တဲ့လူဦးရေအပြင် တခြားလူဦးရေတွေအထိ ဘယ်လောက်အထိ အကျိုးသက်ရောက်မှုရှိနိုင်လဲဆိုတာပါ။

အပိုင်း ၂: ရောဂါအကြောင်းရင်းများကို ရှာဖွေရန် Epidemiology ကို အသုံးပြုခြင်း (Using Epidemiology to Identify the Causes of Disease)

ဒီအပိုင်းမှာတော့ ရောဂါရဲ့ အကြောင်းရင်း (etiology) နဲ့ ရောဂါဖြစ်စေနိုင်တဲ့ အန္တရာယ်အချက်တွေ (risk factors) ကို ရှာဖွေဖို့အတွက် လေ့လာမှုပုံစံ အမျိုးမျိုးကို ရှင်းပြထားပါတယ်။ ဒါတွေကို Observational studies လို့ ခေါ်ပါတယ်။

•Cohort Studies: လေ့လာမှုမစခင်မှာ exposure ရှိတဲ့လူအုပ်စု (exposed group) နဲ့ exposure မရှိတဲ့လူအုပ်စု (nonexposed group) ကို ရွေးချယ်ပြီး သတ်မှတ်ထားတဲ့ ကာလတစ်ခုအထိ လေ့လာကာ ရောဂါဖြစ်ပွားနှုန်း (incidence) ကို နှိုင်းယှဉ်တာပါ။ Exposure တစ်ခုရဲ့ ရောဂါအမျိုးမျိုးပေါ် သက်ရောက်မှုကို လေ့လာရာမှာ အသုံးဝင်ပါတယ်။ Calendar time အပေါ်မူတည်ပြီး Prospective (ရှေ့သို့) ဒါမှမဟုတ် Retrospective (နောက်သို့)ဆိုပြီး နှစ်မျိုးရှိပါတယ်။

•Case-Control Studies: ရောဂါရှိတဲ့လူအုပ်စု (cases) နဲ့ ရောဂါမရှိတဲ့လူအုပ်စု (controls) ကို အရင်ရွေးချယ်ပြီး သူတို့ရဲ့ အတိတ်က exposure တွေကို နှိုင်းယှဉ်တာပါ။ ရောဂါတစ်ခုရဲ့ exposure အမျိုးမျိုးနဲ့ ဆက်စပ်မှုကို လေ့လာရာမှာ အသုံးဝင်ပါတယ်။ ရောဂါဖြစ်ပွားမှု ရှားပါးတဲ့အခါမျိုးမှာ Cohort study ထက် ပိုပြီး သင့်တော်ပါတယ်။

•Risk ကို ခန့်မှန်းခြင်း (Estimating Risk): Exposure တစ်ခုနဲ့ ရောဂါဆက်စပ်မှုကို ဘယ်လိုအရေအတွက်နဲ့ ဖော်ပြလဲဆိုတာပါ။

◦Absolute risk: Exposure ရှိတဲ့အုပ်စုမှာ ရောဂါဖြစ်နိုင်ခြေ။
◦Relative risk (နှိုင်းယှဉ်အန္တရာယ်): Exposed group မှာ ရောဂါဖြစ်နှုန်းကို Nonexposed group မှာ ရောဂါဖြစ်နှုန်းနဲ့ အချိုးချတာပါ။ Relative risk 1 ထက်ကြီးရင် exposure က ရောဂါဖြစ်စေနိုင်တယ်၊ 1 ထက်ငယ်ရင် ကာကွယ်ပေးနိုင်တယ်၊ 1 နဲ့ညီရင် ဆက်စပ်မှုမရှိဘူးလို့ ဆိုလိုပါတယ်။ Association ရဲ့ ခွန်အား (strength) ကို ပြပါတယ်။
◦Odds ratio (OR): Exposure ရှိတဲ့သူ ရောဂါဖြစ်နိုင်တဲ့ odds နဲ့ Exposure မရှိတဲ့သူ ရောဂါဖြစ်နိုင်တဲ့ odds ရဲ့ အချိုးပါ။ Case-control study တွေမှာ Relative risk ရဲ့ ခန့်မှန်းတန်ဖိုးအနေနဲ့ အသုံးပြုနိုင်ပါတယ် (ရောဂါရှားပါးတဲ့အခါမျိုးမှာ)။
◦Attributable risk (AR): Exposure ကြောင့် ဖြစ်တဲ့ ရောဂါအရေအတွက် ဒါမှမဟုတ် ရောဂါဖြစ်နှုန်းအချိုးပါ။ Exposed group မှာ Exposure ကြောင့် ဖြစ်တဲ့ ရောဂါအချိုး (AR for exposed group)၊ ဒါမှမဟုတ် စုစုပေါင်းလူဦးရေ (exposed + nonexposed) မှာ Exposure ကြောင့် ဖြစ်တဲ့ ရောဂါအချိုး (Population attributable risk – PAR) ဆိုပြီး တွက်ချက်နိုင်ပါတယ်။ Prevention လုပ်ရင် ဘယ်လောက်အထိ ရောဂါကို လျှော့ချနိုင်မလဲဆိုတဲ့ အလားအလာကို ပြပါတယ်။

•Association ကနေ Causation သို့ (From Association to Causation): Observed association တစ်ခုက ရောဂါအကြောင်းရင်း (causal) ဟုတ် မဟုတ် ဘယ်လိုဆုံးဖြတ်လဲဆိုတာပါ။
◦Types of associations: အမှန် (real) လား၊ အတုအယောင် (spurious) လား၊ Causal လား၊ Confounding (တတိယအချက်တစ်ခုကြောင့် ဆက်စပ်မှုဖြစ်တာ) လားဆိုတာ ခွဲခြားရပါမယ်။
◦Types of causal relationships: Necessary and sufficient (လိုလဲလိုတယ်၊ လုံလဲလုံလောက်တယ်)၊ Necessary but not sufficient (လိုတယ်၊ ဒါပေမဲ့ မလုံလောက်ဘူး)၊ Sufficient but not necessary (လုံလောက်တယ်၊ ဒါပေမဲ့ မလိုဘူး)၊ Neither sufficient nor necessary (လိုလဲမလိုဘူး၊ လုံလဲမလုံလောက်ဘူး) ဆိုပြီး အမျိုးမျိုးရှိပါတယ်။
◦Guidelines for judging causality: Temporal relationship (အချိန်ရှေ့နောက်ကျတာ)၊ Strength of association (ဆက်စပ်မှု ခွန်အား)၊ Dose-response relationship (exposure များလေ ရောဂါဖြစ်နိုင်ခြေ များလေ) စတဲ့ အချက် ၉ ချက်ကို Surgeon General ရဲ့ အကြံပြုချက်တွေအပေါ် အခြေခံပြီး ရှင်းပြထားပါတယ်။ သို့သော် ဒီအချက်အားလုံး ရှိနေမှလဲ causal လို့ပြောနိုင်တာ မဟုတ်ဘဲ အလုံးစုံ သက်သေအထောက်အထားတွေကို ကြည့်ပြီး ဆုံးဖြတ်ရပါတယ်။
◦Bias: လေ့လာမှု ဒီဇိုင်းဆွဲတာ၊ လုပ်ဆောင်တာ၊ ဒါမှမဟုတ် ခွဲခြမ်းစိတ်ဖြာရာမှာ စနစ်တကျမှားယွင်းမှု (systematic error) ဖြစ်ပြီး exposure ရဲ့ ရောဂါပေါ်သက်ရောက်မှု ခန့်မှန်းခြေကို လွဲမှားစေတာပါ။ Selection bias (လေ့လာမှုအတွက် လူရွေးရာမှာ ဖြစ်တဲ့ bias)၊ Information bias (အချက်အလက်စုဆောင်းရာမှာ ဖြစ်တဲ့ bias) စသဖြင့် အမျိုးမျိုးရှိပါတယ်။
◦Confounding: တတိယအချက် (confounder) ကြောင့် exposure နဲ့ disease ကြားမှာ ဆက်စပ်မှု မြင်ရတာပါ။ ဒီ confounder က ရောဂါဖြစ်စေနိုင်တဲ့ အချက်လဲဖြစ်ရမယ်၊ exposure နဲ့လဲ ဆက်စပ်နေရပါမယ်။ Stratification (အလွှာလိုက်ခွဲခြားပြီး လေ့လာတာ)၊ Matching (case နဲ့ control တွေကို အချက်အလက်တူအောင် တွဲဖက်တာ) စတဲ့နည်းလမ်းတွေနဲ့ ကိုင်တွယ်ဖြေရှင်းနိုင်ပါတယ်။
◦Interaction: risk factor နှစ်ခု ဒါမှမဟုတ် နှစ်ခုထက်ပိုတဲ့အချက်တွေ ရှိနေတဲ့အခါ ရောဂါဖြစ်နှုန်းက သူတို့ တစ်ခုချင်းစီရဲ့ သက်ရောက်မှု ပေါင်းလဒ် ဒါမှမဟုတ် မြှောက်လဒ်ထက် ကွဲပြားနေတာပါ။ Additive model (ပေါင်းလဒ်) နဲ့ Multiplicative model (မြှောက်လဒ်) တို့ကို ရှင်းပြထားပါတယ်။

•မျိုးရိုးဗီဇနဲ့ ပတ်ဝန်းကျင်အချက်များ (Identifying Genetic and Environmental Factors in Disease Causation): ရောဂါဖြစ်ပွားရာမှာ မျိုးရိုးဗီဇနဲ့ ပတ်ဝန်းကျင်အချက်တွေ ဘယ်လိုပါဝင်နေလဲဆိုတာ လေ့လာတာပါ။ Nature (မျိုးရိုးဗီဇ) နဲ့ Nurture (ပတ်ဝန်းကျင်) ဘယ်ဟာပိုအရေးကြီးလဲဆိုတဲ့ မေးခွန်းကို ရှာဖွေပါတယ်။ Family studies (မိသားစုလိုက်လေ့လာတာ)၊ Twin studies (အမွှာပူးလေ့လာတာ)၊ Adoption studies (မွေးစားထားတဲ့သူတွေ လေ့လာတာ)၊ Migrant studies (ပြောင်းရွှေ့နေထိုင်သူတွေ လေ့လာတာ) စတဲ့ လေ့လာမှုပုံစံတွေအကြောင်း ရှင်းပြထားပါတယ်။ Molecular biology နည်းလမ်းတွေ (DNA analysis) ကို အသုံးပြုပြီး မျိုးရိုးဗီဇအဆင့်မှာပါ လေ့လာနိုင်တယ်လို့ ဆိုထားပါတယ်။

အပိုင်း ၃: အကဲဖြတ်ခြင်းနဲ့ မူဝါဒချမှတ်ခြင်းများတွင် Epidemiology ကို အသုံးချခြင်း (Applying Epidemiology to Evaluation and Policy)

ဒီအပိုင်းကတော့ Epidemiology ရဲ့ လက်တွေ့အသုံးချမှုတွေကို အဓိကထားပါတယ်။
•ကျန်းမာရေးဝန်ဆောင်မှုများ အကဲဖြတ်ခြင်း (Using Epidemiology to Evaluate Health Services): ဆေးရုံတွေ၊ ဆေးခန်းတွေ၊ ဒါမှမဟုတ် ကျန်းမာရေးအစီအစဉ်တွေက ဘယ်လောက် ထိရောက်မှုရှိလဲဆိုတာကို ဘယ်လိုတိုင်းတာမလဲဆိုတာပါ။
◦Process vs Outcome: ဝန်ဆောင်မှုပေးပုံ (Process) ကောင်းမကောင်း လေ့လာတာနဲ့ ဝန်ဆောင်မှုပေးပြီးနောက် ရလဒ် (Outcome) ကောင်းမကောင်း လေ့လာတာ မတူပါဘူး။
◦Efficacy, Effectiveness, Efficiency: အကောင်းဆုံးအခြေအနေမှာ အလုပ်ဖြစ်လား (Efficacy)၊ လက်တွေ့အခြေအနေမှာ အလုပ်ဖြစ်လား (Effectiveness)၊ ကုန်ကျစရိတ်နဲ့ တန်ရဲ့လား (Efficiency) ဆိုတာ မေးခွန်းတွေပါ။
◦Study designs: randomized trials၊ non-randomized studies စတဲ့ လေ့လာမှုပုံစံတွေကို သုံးပြီး အကဲဖြတ်နိုင်ပါတယ်။ Non-randomized study တွေမှာ ဖြစ်တတ်တဲ့ bias တွေ (ဥပမာ- အုပ်စုတွေ အစကတည်းက မတူညီတာ) ကိုလည်း ထည့်သွင်းစဉ်းစားရပါမယ်။

•Screening Programs များ အကဲဖြတ်ခြင်း (The Epidemiologic Approach to Evaluating Screening Programs): ရောဂါစောစောသိဖို့အတွက် လုပ်တဲ့ screening program တွေက တကယ် ရောဂါဖြစ်နှုန်း ဒါမှမဟုတ် သေဆုံးနှုန်းကို လျှော့ချပေးရဲ့လားဆိုတာ ဘယ်လိုလေ့လာမလဲဆိုတာပါ။
◦Challenges: Screening program တွေကို အကဲဖြတ်တဲ့အခါ ဖြစ်တတ်တဲ့ bias တွေ ရှိပါတယ်။ Lead time bias (ရောဂါစောစောသိရုံနဲ့ အသက်ပိုရှည်တယ် ထင်ရတာ)၊ Length-biased sampling (ရောဂါဖြစ်နေကြာချိန်ရှည်တဲ့သူတွေကို screening က ပိုပြီးတွေ့နိုင်တာကြောင့် prognosis ပိုကောင်းတယ် ထင်ရတာ)၊ Overdiagnosis bias (ရောဂါတကယ်မရှိဘဲ ရှိတယ်လို့ မှားပြီး စစ်ဆေးမိတာကြောင့် survival rate ပိုမြင့်သွားတယ် ထင်ရတာ) စတာတွေပါ။
◦Study designs: Randomized trials (ဥပမာ- HIP study) နဲ့ non-randomized studies တို့ကို သုံးနိုင်ပါတယ်။
◦Cost-benefit analysis: screening program တွေရဲ့ ကုန်ကျစရိတ် (ငွေကြေး၊ စိတ်ပိုင်းဆိုင်ရာ) နဲ့ အကျိုးကျေးဇူးကို နှိုင်းယှဉ်သုံးသပ်တာပါ။

•Epidemiology နှင့် ပြည်သူ့ကျန်းမာရေး မူဝါဒ (Epidemiology and Public Policy): Epidemiology ရလဒ်တွေကို အခြေခံပြီး ကျန်းမာရေး မူဝါဒတွေ ဘယ်လိုချမှတ်လဲဆိုတာပါ။
◦Prevention Strategies: ရောဂါဖြစ်နိုင်ခြေများတဲ့အုပ်စု (high-risk group) ကို ပစ်မှတ်ထားမလား ဒါမှမဟုတ် လူဦးရေအားလုံး (general population) ကို ပစ်မှတ်ထားမလားဆိုတဲ့ ချဉ်းကပ်မှု နှစ်မျိုးကို နှိုင်းယှဉ်ထားပါတယ်။
◦Risk assessment: Exposure တွေကို ဘယ်လိုတိုင်းတာမလဲ၊ လေ့လာမှုအမျိုးမျိုးရဲ့ ရလဒ်တွေကို ဘယ်လိုပေါင်းစည်းမလဲ (Meta-analysis) ဆိုတာ ပါပါတယ်။
◦Uncertainty: Epidemiology လေ့လာမှုတွေကနေ ရတဲ့ရလဒ်တွေမှာ မသေချာမှု (uncertainty) တွေ ဘယ်ကနေ လာနိုင်လဲ၊ ဒီမသေချာမှုတွေက မူဝါဒချမှတ်ရာမှာ ဘယ်လိုသက်ရောက်မှု ရှိလဲဆိုတာ ရှင်းပြထားပါတယ်။ Anecdotal evidence တွေက မူဝါဒချမှတ်သူတွေကို ဘယ်လို လွှမ်းမိုးနိုင်လဲဆိုတာကိုလည်း ဖော်ပြထားပါတယ်။

•ကျင့်ဝတ်နဲ့ လုပ်ငန်းပိုင်းဆိုင်ရာ ကိစ္စရပ်များ (Ethical and Professional Issues in Epidemiology): Epidemiology လေ့လာမှုတွေ လုပ်ဆောင်တဲ့အခါ လိုက်နာရမယ့် ကျင့်ဝတ်တွေနဲ့ ပညာရှင်တွေ ရင်ဆိုင်ရနိုင်တဲ့ ကိစ္စရပ်တွေပါ။
◦Individual vs Community: လူတစ်ဦးချင်းစီရဲ့ ကိုယ်ရေးကိုယ်တာလုံခြုံမှုနဲ့ လူ့အဖွဲ့အစည်းရဲ့ ကျန်းမာရေးအတွက် လိုအပ်ချက်ကြား ဟန်ချက်ညီအောင် ဘယ်လိုလုပ်မလဲဆိုတာ အရေးကြီးပါတယ်။ Medical record တွေသုံးတဲ့အခါ Privacy, Confidentiality (လျှို့ဝှက်ထားမှု) စတဲ့ ကိစ္စတွေပါ။ HIPAA (Health Insurance Portability and Accountability Act) လို ဥပဒေတွေအကြောင်းလည်း ပါပါတယ်။
◦Conflict of interest: လေ့လာသူ ဒါမှမဟုတ် လေ့လာမှုကို ထောက်ပံ့သူတွေရဲ့ ကိုယ်ကျိုးစီးပွားက လေ့လာမှုရလဒ်တွေကို ဘယ်လို bias ဖြစ်စေနိုင်လဲဆိုတာ ရှင်းပြထားပါတယ်။
◦Interpreting findings: Epidemiology ရလဒ်တွေကို လူအများစုက ဘယ်လို နားလည်မှု လွဲနိုင်လဲ၊ လေ့လာမှုတစ်ခုတည်းရဲ့ ရလဒ်ကို ဘယ်လိုအရေးပါမှု သတ်မှတ်မလဲ၊ confirmation ဘယ်လောက်လိုမလဲဆိုတဲ့ ကိစ္စတွေ ပါပါတယ်။ ပညာရှင်တွေက မသေချာမှုကို လက်ခံနိုင်ပေမယ့် မူဝါဒချမှတ်သူတွေက လက်ရှိအချက်အလက်တွေပေါ် အခြေခံပြီး ဆုံးဖြတ်ရတာကိုလည်း ဖော်ပြထားပါတယ်။

ခြုံငုံပြီးပြောရရင် ဒီစာအုပ်က Epidemiology ရဲ့ အခြေခံအကျဆုံး သဘောတရားတွေ၊ ရောဂါတွေကို ဘယ်လိုတိုင်းတာ လေ့လာမလဲ၊ ရောဂါအကြောင်းရင်းတွေ ဘယ်လိုရှာဖွေမလဲ၊ ကျန်းမာရေးဝန်ဆောင်မှုတွေနဲ့ ကာကွယ်ရေး အစီအစဉ်တွေ ဘယ်လို အကဲဖြတ်မလဲ၊ ရလဒ်တွေကို မူဝါဒချမှတ်ရာမှာ ဘယ်လို အသုံးချမလဲ၊ လုပ်ဆောင်တဲ့အခါ ဘယ်လို ကျင့်ဝတ်တွေကို လိုက်နာမလဲ စတဲ့ အကြောင်းအရာ အစုံအလင်ကို ရှင်းပြထားတာ ဖြစ်ပါတယ်ခင်ဗျာ။
‌

ဒေါက်တာနေဝင်းအောင်