Mare Nostrum

Clinical Epidemiology & Study Design

Properties2
tags
aliasesClinical Epidemiology & Study Design

13 min read

Clinical Epidemiology & Study Design

Source: บรรยาย PMK Board Review — Clinical Epidemiology and Clinical Practice Guideline | สืบค้น: 28 มิ.ย. 2568 | เพิ่มเติมจาก SNC10 General Cardiology & Stat extraction (Part 3 + Part 6): 28 ก.ค. 2569

หน้านี้ครอบคลุม study design, bias/confounding, diagnostic test statistics, magnitude of effect, hypothesis testing, meta-analysis appraisal — เป็น toolkit สำหรับอ่าน/ตีความ clinical trial และ systematic review ในชีวิตจริง (board exam + journal club)

🚨 STRICT AVOIDANCE / RED FLAGS

  • Cohort ≠ Prospective, Case-Control ≠ Retrospective — สับสนกันบ่อยที่สุด ทำให้อ่าน abstract ผิดว่า design เป็นอะไร
  • “Failure to prove superiority” ≠ “proven non-inferior” — สองอย่างนี้คนละโจทย์ทางสถิติคนละแบบ — ห้ามสรุปเองว่ายา non-inferior เพราะ P value ของ superiority ไม่ถึง 0.05
  • Immortal time bias / verification bias / spectrum bias เป็น bias ที่ซ่อนมาก โดยเฉพาะใน observational drug studies (เช่น SGLT2i mortality studies) — อ่าน methods section เสมอก่อนเชื่อ effect size
  • Subgroup analysis ที่ post-hoc/ไม่ significant interaction test — ห้ามนำมาอ้างเป็น practice-changing evidence โดยไม่ระบุว่าเป็น exploratory/hypothesis-generating
  • I² thresholds และ Egger’s test ไม่ใช่ rigid cutoff — funnel plot asymmetry ไม่ได้แปลว่าเป็น publication bias เสมอ (small-study effect ก็ทำให้ asymmetric ได้)

🧬 Etiology & Molecular Pathophysiology

(นำไปใช้ section นี้เป็น Fundamentals) — Clinical epidemiology คือเครื่องมือในการตีความถูกต้องของ evidence โดยใช้หลัก biostatistics + study design เพื่อตอบคำถามทางคลินิก

🩺 Clinical Phenotypes & Advanced Nuances

Study Design

ประเภทนิยาม
RCTExperimental study + มี randomization
Non-RCTExperimental study, ไม่มี randomization
Quasi-RCTExperimental, randomization ไม่สมบูรณ์ (เช่น แบ่งตามวันเกิด/HN คู่-คี่)
CohortObservational, เริ่มจาก Exposure → Outcome
Case-ControlObservational, เริ่มจาก Outcome → Exposure (ใช้สำหรับ rare disease)
Cross-sectionalดู Exposure + Outcome พร้อมกันในเวลาเดียว
Descriptiveไม่มีกลุ่ม control (single group observation)

ข้อผิดพลาดที่บ่อย: Cohort ≠ Prospective, Case-Control ≠ Retrospective — คำว่า prospective/retrospective หมายถึงทิศทางการเก็บข้อมูล ไม่ใช่ study design

2×2 Factorial Design: เมื่อต้องการตอบ 2 คำถามในการทดลองเดียว — แบ่งกลุ่ม 4 แบบ (เช่น chlorhexidine vs povidone × scrub vs no-scrub)

Flow แยก design (จาก lecture): มี assigned exposure? → ไม่มี = observational → มี comparison group? ไม่มี = descriptive (เช่น heat wave, outbreak report, single-arm Zika follow-up — ถึงพาเปอร์จะเขียน “prospective cohort” ก็ถือเป็น descriptive ถ้าไม่มี control); มี comparison = analytic → ดูทิศทาง exposure↔outcome

Allocation concealment: หลัง randomize แล้ว ถ้าผู้วิจัยรู้ว่าคนไข้จะได้ A หรือ B → เกิด selection bias → ต้องซ่อนกลุ่มใน sealed opaque envelope (ต่างจาก blinding ที่ปิดระหว่าง intervention)

🩻 Advanced Diagnostics & Formal Criteria

2×2 Table — Measures of Association

Disease (+)Disease (−)
Exposedab
Not exposedcd
ตัวชี้วัดสูตรใช้ใน
-----------------------
Relative Risk (RR)[a/(a+b)] ÷ [c/(c+d)]Cohort study
Odds Ratio (OR)(a×d) ÷ (b×c)Case-Control study
Attributable Risk[a/(a+b)] − [c/(c+d)]Cohort, ผลต่างของ risk

Incidence = อุบัติการณ์ (new cases/population at risk/time) • Prevalence = ความชุก (all cases/population)

Diagnostic Test Statistics

ตัวชี้วัดความหมายสูตร
Sensitivity (Sens)ใน True disease → test (+) กี่%a/(a+c)
Specificity (Spec)ใน No disease → test (−) กี่%d/(b+d)
PPVถ้า test (+) → มีโรคจริงกี่%a/(a+b)
NPVถ้า test (−) → ไม่มีโรคจริงกี่%d/(c+d)
Accuracytest ถูกทั้งหมด(a+d)/N

สำคัญ: PPV และ NPV เปลี่ยนตาม Prevalence — Sens/Spec คงที— ที่ Prevalence ต่ำ PPV จะต่ำมากแม้ Sens/Spec สูง

Trick: เขียน 2x2 table: สมมติ N = 1,000 → คำนวณจำนวน disease จาก prevalence → fill a, b, c, d จาก Sens/Spec

SPIN / SNOUT Rule

  • SPIN: SPecificity high + Positive → rule IN (Confirm disease)
  • SNOUT: SNsensitivity high + Negative → rule OUT (Exclude disease)

ตัวอย่าง: Urine dipstick proteinuria (Sens 95%) — Negative → rule out proteinuria | PSA ที่ Spec 95%, cut-off 5 ng/mL → Positive → rule in prostate cancer

Likelihood Ratio

  • +LR = Sens ÷ (1 − Spec) — ถ้า test (+) ขลายโอกาสเป็นโรคกี่เท่า
  • −LR = (1 − Sens) ÷ Spec — ถ้า test (−) ความน่าจะเป็นโรคลดลงกี่เท่า

ROC Curve (AUC)

  • แกน x = 1−Spec, แกน y = Sens — จุดที่ดีที่สุด: Sens + Spec สูงสุด (มุมซ้ายบน)
  • AUC = 0.5 (ไม่มีคุณค่า) → 0.7 (acceptable) → 0.9+ (excellent)
  • การเลือก cut-off ขึ้นกับวัตถุประสงค์: screening → เน้น Sens; confirmatory → เน้น Spec

💊 Management & Pharmacodynamics

Biostatistics — การเลือกสถิติ

ข้อมูลDistribution2 กลุ่มมากกว่า 2 กลุ่ม
Continuous (BP, Hb)NormalUnpaired t-testANOVA
ContinuousNon-normalMann-Whitney UKruskal-Wallis
Categorical (proportion)—Chi-squareChi-square
Paired data (before-after)NormalPaired t-testRepeated ANOVA

Non-inferiority Trial

  • เป้าหมาย: แสดงว่ายาใหม่ ไม่แย่กว่ายาเดิม เกินกว่า non-inferiority margin
  • Non-inferior margin: ขีดนี้ CI กระทบ margin → non-inferior NOT shown
  • ถ้า CI อยู่เหนือ 0 ด้วย → non-inferior AND superior

Error Types

ประเภทความหมายกำหนดไว้ที่
Type I Error (α)False Positive — ยาไม่ได้ผล แต่บอกว่าได้ผล (อันตรายที่สุด)< 5% (0.05)
Type II Error (β)False Negative — ยาได้ผล แต่บอกว่าไม่ได้ผล (ยอมรับได้มากกว่า)< 20%
Power (1−β)โอกาสหาผลว่ายาได้ผลจริง≥ 80%

Confidence Interval — สิ่งที่เครื่องไม่ควรคร่อม

  • Continuous data (Mean difference): CI ไม่คร่อม 0 → significant
  • Ratio data (RR, OR, HR): CI ไม่คร่อม 1 → significant

Number Needed to Treat / Harm

สำคัญ: ถ้า rate เป็น % → ต้องหารด้วย 100 ก่อน | ปัดขึ้นเสมอเพราะนับเป็นคน

Relative Risk Reduction (RRR) = [Control rate − Treatment rate] ÷ Control rate — ดูเสมอนเป็นตัวเลขเยอะเกินจริง — ใช้ ARR ในการตัดสินใจดีกว่า

Forest Plot / Meta-analysis

  • Square size ∝ N (ใหญ่ → weight มาก)
  • Whiskers = 95% CI (N น้อย → CI กว้าง)
  • Diamond = pooled estimate — ถ้าไม่คร่อม 1 (RR) → significant
  • Publication bias: small studies ที่ได้ผลบวกได้รับตีพิมพ์มากกว่า negative studies — ดูด้วย Funnel plot

Clinical Practice Guideline (CPG) — หลักการสร้างที่ดี

  1. ใช้ Systematic Review (ไม่ใช้แค่ expert opinion)
  2. สร้างโดย multidisciplinary team (รวม patient และ third party)
  3. Grade evidence + Grade recommendation (GRADE system)
  4. ทำ External Review ก่อนตีพิมพ์
  5. Update อย่างสม่ำเสมอ
  6. Declare COI — ต้อง transparent
  7. เครื่องมือประเมินคุณภาพ: AGREE statement

📚 Landmark Trials & Literature

เครื่องมือความหมาย
CONSORTมาตรฐานการรายงาน RCT
STROBEมาตรฐานการรายงาน Observational study
PRISMAมาตรฐานการรายงาน Systematic review / Meta-analysis
AGREEประเมินคุณภาพ CPG

🖼️ Visual Reference

🧩 Additional Study Designs (Supplementary)

  • Nested case-control — ทำภายใน cohort ที่มีอยู่แล้ว: ติดตามจนเกิดโรค แล้วย้อนกลับไปดู exposure, เลือก control จาก cohort เดียวกัน — ข้อดีคือลด recall bias เทียบกับ case-control ทั่วไป (exposure มักถูกเก็บไว้ล่วงหน้าแล้ว)
  • Historical control — เปรียบเทียบกับข้อมูลอดีต มีข้อจำกัด 2 แบบ: time-period effect (การรักษา/แนวทางเปลี่ยนไปตามเวลา ทำให้ prognosis เปลี่ยน) และ cohort effect (ลักษณะผู้ป่วยกลุ่มเก่า-ใหม่ต่างกัน)
  • Cross-over trial (randomized) — ผู้ป่วยได้รับทั้ง 2 treatment สลับกัน ต้องมี washout period เพียงพอเพื่อป้องกัน carry-over effect (ผลของยาตัวแรกตกค้างมาปนกับตัวหลัง)
  • Quasi-experimental design — ไม่ randomize เนื่องจากข้อจำกัดทางจริยธรรม/logistics (เช่น เปรียบเทียบเทคนิคผ่าตัด 2 แบบ) — เสี่ยง selection bias และ confounding สูง
  • PROBE (Prospective Randomized Open-label Blinded Endpoint) (✅ verified) — randomize แบบเปิดเผย (ผู้ป่วย/แพทย์รู้ว่าได้ยาอะไร) แต่ endpoint ถูกตัดสินโดยคณะกรรมการที่ blind ต่อ treatment allocation — ต้องการ endpoint ที่ชัดเจน/hard เพื่อลดผลกระทบจากการไม่ blind; ข้อดี: ต้นทุนต่ำ ใกล้เคียง real-world practice
  • PCT (Pragmatic Clinical Trial) — ใช้ real-world data + propensity score matching เป้าหมายเพื่อ ปรับปรุงเวชปฏิบัติ ไม่ใช่พิสูจน์ cause-effect

RCT vs PCT — เปรียบเทียบ:

RCTPCT
เป้าหมายหา cause/effectปรับปรุง practice/policy
DesignPlacebo, protocol เข้มงวดReal-world treatment, protocol ยืดหยุ่น
ผู้เข้าร่วมคัดเลือกเข้มงวดเป็นตัวแทนประชากรจริงมากกว่า
การวัดผลนอกเหนือ routine careเก็บง่ายในเวชปฏิบัติ
ผลลัพธ์มักไม่ตรงกับเวชปฏิบัติจริงนำไปใช้ตัดสินใจได้จริง

🧠 Causality, Confounding & Bias

Nocebo effect vs placebo effect — nocebo คือผลเสียจากความคาดหวังทางลบ (ตรงข้ามกับ placebo) ตัวอย่างคลาสสิก: ORBITA trial — PCI ใน stable angina ไม่ลด symptom เมื่อเทียบกับ sham-PCI (blinded) มากกว่าที่คาดจากการศึกษาแบบไม่ blind ก่อนหน้า

Association (correlation) — บวก/ลบ, อาจไม่ใช่ของจริง (artifactual — เกิดจาก chance, uncontrolled factors, bias, hypothesis ผิด)

Association tree: Statistical association → Causal (direct/indirect) หรือ Non-causal (secondary/confounded) → หรือ Non-statistical (by chance)

Bradford Hill Criteria for Causality (✅ verified — 9 criteria ดั้งเดิม, Hill 1965): Strength (ความแรงของ association) · Consistency (พบซ้ำในหลายการศึกษา/ประชากร) · Specificity · Temporality (exposure ต้องมาก่อน outcome เสมอ — เป็นเกณฑ์เดียวที่ จำเป็น) · Biological gradient (dose-response) · Plausibility (มี mechanism ที่สมเหตุสมผล) · Coherence (สอดคล้องกับความรู้ที่มีอยู่) · Experiment (การทดลอง/removal ของ exposure ลด disease) · Analogy — ตัวอย่างจาก source (LDL-atherosclerosis): plausible mechanism, strong graded relationship, risk factor precedes disease, independent of other factors, consistent across studies, coherent, supported by genetics (Mendelian randomization), risk-factor reduction → ลด disease risk

Confounder — คุณสมบัติที่ต้องมีครบ: (1) เป็น prognostic factor ของ outcome (2) กระจายไม่เท่ากันระหว่างกลุ่ม (3) ต้องไม่อยู่ในทางเดินเชิงสาเหตุ (causal pathway) ระหว่าง exposure-outcome — confounding by indication เป็นรูปแบบที่พบบ่อยในการศึกษาที่ไม่ randomize (ผู้ป่วยที่ป่วยหนักกว่ามักได้รับยา/หัตถการมากกว่า ทำให้ดูเหมือนยานั้นสัมพันธ์กับ outcome แย่กว่า)

  • Confounder ≠ Effect modifier: confounder ต้องไม่ถูกกระทบโดย exposure เอง ส่วน effect modifier คือปัจจัยที่ผล (effect) ของ exposure แตกต่างกันตามระดับของมัน (ไม่ใช่ bias ต้อง report แยก ไม่ใช่ adjust ทิ้ง)
  • การกำจัดผล confounder: ขั้น design — randomization, matching, restriction; ขั้น analysis — stratified analysis (Mantel-Haenszel), multiple regression (linear/logistic/Poisson/Cox), propensity score, instrumental variable analysis

Bias ในการศึกษาวินิจฉัย (Diagnostic test bias) (✅ verified):

  • Verification bias (work-up bias) — ผล test เบื้องต้นมีผลต่อการตัดสินใจส่ง gold-standard test ยืนยัน (มักเกิดเมื่อผลลบ — ไม่ค่อยส่งตรวจต่อเพราะ invasive/แพง) → ทำให้ sensitivity ลดลง, specificity เพิ่มขึ้น
  • Spectrum bias — ความรุนแรงของโรคต่างกันระหว่างกลุ่มที่ทดสอบ (เช่น case-control design มักทำให้ทั้ง sensitivity และ specificity สูงเกินจริงเทียบกับ real-world spectrum ของผู้ป่วย)
  • Immortal time bias (✅ verified — ตัวอย่าง SGLT2i): ช่วงเวลาที่ผู้ป่วย “รอด” ก่อนได้ยา ถูกนับเป็นเวลาที่ได้ยา (แต่ในความจริงจะตายก่อนได้ยาไม่ได้) ทำให้กลุ่มที่ได้ยาดูเหมือน mortality ต่ำกว่าจริง — พบใน SGLT2i observational mortality studies ที่ immortal time (ช่วงตั้งแต่เริ่มยาลดน้ำตาลตัวแรกจนถึง SGLT2i) ถูกตัดออกจากกลุ่มเปรียบเทียบ ทำให้ mortality กลุ่มควบคุมดูสูงเกินจริง — แก้ไขด้วย time-dependent Cox regression (SGLT2i เป็น time-varying exposure)
  • Misclassified vs excluded immortal time: misclassified = จัดกลุ่ม person-time ผิด (misclassification bias); excluded = ตัด person-time ออกทั้งหมด (selection bias) — ทั้งคู่ทำให้ overestimate ผลของยา

📊 Diagnostic Test Statistics — Post-Test Probability & Agreement

Likelihood ratio ดีกว่า sens/spec เดี่ยวๆ เพราะรองรับผล multi-level ได้ (ไม่ใช่แค่ positive/negative)

การคำนวณ post-test probability: pretest odds = Pr/(1−Pr); post-test odds = pretest odds × LR; post-test probability = odds/(1+odds)

ตัวอย่าง: pretest probability 20% → pretest odds = 0.25; ถ้า LR+ = 6.0 → post-test odds = 1.5 → post-test probability = 60%

Agreement analysis (✅ verified):

ประเภทข้อมูลเครื่องมือ
Categorical (2 หมวด)Cohen’s Kappa, McNemar’s test
Numerical (paired)Paired t-test, Bland-Altman plot, Intraclass Correlation Coefficient (ICC)
Association เชิงเส้น (parametric)Pearson correlation (−1 ถึง +1)
  • Cohen’s Kappa วัด agreement ระหว่างผู้ประเมิน 2 คนสำหรับข้อมูล nominal โดยหักลบ chance agreement ออกแล้ว (ในการทำ systematic review เกณฑ์ kappa ≥0.7 ระหว่างผู้ทำ study selection ถือว่ายอมรับได้)
  • Bland-Altman ใช้ประเมิน agreement ของการวัดต่อเนื่อง (ไม่ใช้ correlation coefficient เพราะ correlation วัดความสัมพันธ์ ไม่ใช่ความสอดคล้อง/interchangeability) — พล็อต mean of differences ± limits of agreement
  • ICC ใช้ประเมิน intra-/inter-rater reliability สำหรับข้อมูลต่อเนื่อง

⏳ Survival Analysis

  • ใช้กับ binary outcome เท่านั้น (event เกิดหรือไม่เกิด) ที่มีมิติเวลาเข้ามาเกี่ยวข้อง (time-to-event)
  • Kaplan-Meier curve (✅ verified) — non-parametric estimate ของ survival probability ตามเวลา กราฟจะ “ตก” เป็นขั้นบันไดทุกครั้งที่มี event เกิดขึ้น
  • Log-rank test (✅ verified) — ใช้เปรียบเทียบ Kaplan-Meier curve ระหว่าง ≥2 กลุ่มว่าต่างกันอย่างมีนัยสำคัญหรือไม่ (เทียบเท่า Mantel-Haenszel สำหรับ survival data)
  • Sensitivity analysis สำหรับ loss-to-follow-up: ทดสอบ worst-case scenario (สมมติผู้ที่ขาดหายไปทั้งหมดมี event หรือไม่มี event) เพื่อดูว่าผลสรุปยังคงเดิมหรือไม่

🔬 Subgroup Analysis — หลักการอ่าน/ทำอย่างเข้มงวด

  • Null hypothesis ของ subgroup analysis = ไม่มีความแตกต่างของ treatment effect ระหว่าง subgroup
  • P for interaction: เกณฑ์ที่ใช้มักหลวมกว่าปกติเพราะ interaction test มี power ต่ำ — ใช้ P<0.10 แทน 0.05 เป็น threshold ของนัยสำคัญ (P<0.10 บ่งชี้ความเป็นไปได้ที่จะมี subgroup difference จริง ต้องศึกษาต่อ)
  • Bonferroni correction สำหรับ multiple subgroups (✅ verified concept): ปรับ significance threshold เป็น α/จำนวน pre-specified subgroups (เช่น 3 subgroups → 0.05/3 ≈ 0.017)
  • Subgroup ต้องsignificant ในการวิเคราะห์หลัก (overall) ก่อน จึงจะพิจารณา subgroup ต่อได้
  • แนวทางที่ดีสำหรับ subgroup analysis: (1) ตั้งสมมติฐานล่วงหน้า (pre-specified) (2) จำกัดเฉพาะ subgroup ที่มี biological plausibility (3) จำกัดเฉพาะเมื่อ overall treatment effect มีนัยสำคัญ (4) ต้องมี significant treatment×subgroup interaction test (5) ปรับสำหรับ multiple comparisons (6) รายงานเป็น exploratory เท่านั้น (7) หลีกเลี่ยงการ over-interpret

📐 Magnitude of Treatment Effect (เพิ่มเติม)

  • Relative Risk Reduction (RRR) = [a/(a+b) − c/(c+d)] / [c/(c+d)] — ดูตัวเลขใหญ่เกินจริงเสมอ เทียบกับ ARR จึงควรใช้ ARR/NNT ประกอบการตัดสินใจทางคลินิก
  • Odds Ratio vs Relative Risk: OR อยู่ห่างจาก 1 มากกว่า RR เสมอในชุดข้อมูลเดียวกัน (ไม่ว่า OR จะมากกว่าหรือน้อยกว่า 1); OR ≈ RR เมื่อโรคพบน้อย (a<<c และ b<<d, “rare disease assumption”)
  • Hazard Ratio (HR) — ประมาณ risk/odds เฉลี่ยตลอดช่วงเวลา ผ่าน Cox regression: ความน่าจะเป็นที่ผู้ป่วยคนหนึ่ง ณ เวลา t จะเกิด event ที่เวลานั้น (event-free survival) — ข้อจำกัด: ขึ้นกับ number-at-risk, วัดเฉพาะ event แรกเท่านั้น (ไม่ใช่ recurrent event); relative hazard reduction = 1 − HR

🧮 Meta-Analysis Appraisal — Fixed vs Random Effects & Heterogeneity

Fixed-effect model: สมมติว่ามี single true effect เดียว ไม่มี heterogeneity ระหว่างการศึกษา — ใช้ได้เมื่อ study เหมือนกันในเชิงหน้าที่ (functionally identical)

Random-effect model: ยอมรับ between-study variation — true effect ต่างกันในแต่ละการศึกษา ให้ผลที่ realistic/conservative กว่า

FixedRandom
การศึกษาที่รวมชุดที่มีอยู่ทั้งหมดสุ่มตัวอย่างจากประชากรทฤษฎี
True effectค่าเดียวต่างกันในแต่ละการศึกษา
VarianceWithin-studyWithin + between-study
ความหมายของ pooled estimateTrue effect เดียวค่าเฉลี่ยของ true effect ที่ต่างกัน
CIอาจแคบกว่าอาจกว้างกว่า
ความไวต่อ publication biasต่ำกว่าสูงกว่า

การอ่าน meta-analysis:

  • Search/selection strategy: ความครบถ้วนของ database, language restriction, unpublished data (grey literature), GIGO (garbage in garbage out)
  • Publication/reporting bias types: publication bias, time-lag bias, multiple/duplicate publication bias, location bias, citation bias, language bias, outcome-reporting bias
  • Study selection kappa ระหว่างผู้ทบทวน: ยอมรับที่ ≥0.7
  • Egger’s test (✅ verified) — linear regression test หา funnel plot asymmetry, แนะนำเมื่อมี ≥10 studies ขึ้นไป; ไม่ significant ≠ ไม่มี publication bias แน่นอน เป็นเพียงหลักฐานสนับสนุน ไม่ใช่ definitive proof — funnel asymmetry อาจเกิดจาก small-study effect (การศึกษาเล็กมักได้ effect size สูงกว่าจริง) ไม่ใช่แค่ publication bias เท่านั้น
  • Heterogeneity:
    • Cochran’s Q test — ขึ้นกับจำนวน study (power ต่ำเมื่อ study น้อย) จึงใช้ P<0.10 แทน 0.05 เป็น threshold ของนัยสำคัญ
    • I² index (✅ verified — Cochrane Handbook) — ไม่ขึ้นกับจำนวน study: แนวทางทั่วไป 0–40% = อาจไม่สำคัญ, 30–60% = moderate, 50–90% = substantial, 75–100% = considerable (ตัวเลขช่วงคาบเกี่ยวกันโดยตั้งใจ — ⚠️ Cochrane เตือนว่าไม่ควรใช้เป็น rigid cutoff ต้องพิจารณาบริบทประกอบ ทิศทาง/ขนาดผล และ Q-test p-value ร่วมด้วย) — random-effect model เหมาะกับ heterogeneity สูง, fixed-effect เหมาะเมื่อ heterogeneity ต่ำ
    • การจัดการ heterogeneity: ทบทวนลักษณะการศึกษาใหม่, พิจารณาไม่รวมผล (ทำเป็น systematic review อย่างเดียว), ตัดการศึกษาที่ risk of bias สูงออก, ทำ pre-specified subgrouping, ใช้ individual patient data (IPD) analysis, ใช้ random-effect model, ทำ meta-regression (เช่น ตามปีตีพิมพ์/ระยะเวลาติดตาม), ใช้ robust statistics (sensitivity analysis เทียบทั้ง fixed และ random ว่าผลไปทางเดียวกันหรือไม่)

⚖️ Non-Inferiority Trials — เพิ่มเติม

  • Failure to prove superiority ≠ non-inferiority claim — ต้องออกแบบ non-inferiority trial ตั้งแต่ต้น (pre-specified margin) จะสรุปย้อนหลังจาก negative superiority trial ไม่ได้
  • Treatment ใหม่ด้อยกว่าได้เล็กน้อย แต่ขนาดต้องไม่มีนัยสำคัญทางคลินิก (อยู่ภายใน pre-specified non-inferiority margin)
  • P สำหรับ non-inferiority เป็น one-tailed test ที่ <0.025 (✅ verified — เทียบเท่า two-sided 95% CI ปกติ) — ให้ critical value เดียวกับ two-sided alpha 0.05 ของ superiority trial
  • ≥50% ของ minimal clinically important treatment effect (เทียบกับ active control vs placebo ในอดีต) ต้องคงอยู่ (constancy assumption)
  • การวิเคราะห์: non-inferiority ต้องดูทั้ง ITT และ per-protocol (ทั้งคู่ต้องสอดคล้องกันจึงเชื่อมั่นได้ — เพราะ ITT อาจ anti-conservative ใน NI trial ต่างจาก superiority trial ที่ ITT อนุรักษ์นิยมกว่า); superiority trial ใช้ ITT เท่านั้น เป็นหลัก
  • FDA cardiovascular outcome cut-points สำหรับยาเบาหวานใหม่ (✅ verified — FDA 2008 guidance): upper bound ของ 95% CI ของ HR/RR สำหรับ MACE — <1.8 = ยอมรับได้สำหรับ pre-approval; <1.3 = ต้องแสดงให้ได้หลัง approval (มิฉะนั้นต้องทำ post-approval CV outcome trial เพิ่ม); ≥1.8 = ไม่ผ่านเกณฑ์ FDA approval; point estimate <1.0 = superior
  • Truncated RCT (หยุดก่อนกำหนดเพื่อ benefit) — ถือว่า valid เมื่อ: มี pre-specified formal stopping rule ตั้งแต่ต้น, จำนวนครั้งของ interim analysis น้อย + ใช้ P ที่เข้มงวดมาก (<0.001), มีจำนวน event สะสมมากเพียงพอก่อนหยุด (≥200-300 events), และผลไม่ “ดีเกินจริงจนน่าสงสัย” (not too good to be true)

🎯 High-Yield Recall

  • Design ผิดบ่อย: Cohort/Case-control ไม่ผูกกับ prospective/retrospective; PROBE = open-label + blinded endpoint committee; PCT ≠ RCT (real-world vs cause-effect)

  • Hill’s Criteria: Temporality เป็นเกณฑ์เดียวที่ จำเป็น (necessary) ส่วนที่เหลือเป็น supportive

  • Confounder ต้องไม่อยู่ใน causal pathway — ถ้าอยู่ใน pathway คือ mediator ไม่ใช่ confounder

  • Bias สำคัญ: verification bias (↓sens ↑spec), immortal time bias (SGLT2i mortality studies — แก้ด้วย time-dependent Cox)

  • Post-test probability: pretest odds × LR = post-test odds → เปลี่ยนกลับเป็น probability

  • Agreement: categorical→Kappa/McNemar; continuous→Bland-Altman/ICC (ไม่ใช้ Pearson correlation วัด agreement)

  • Survival: Kaplan-Meier + log-rank test; วัดเฉพาะ binary time-to-event outcome

  • Subgroup: null=ไม่ต่างกัน; P interaction <0.10 (ไม่ใช่ 0.05); Bonferroni = 0.05/n subgroups; ต้อง significant overall ก่อน

  • Non-inferiority: P one-tailed <0.025; ต้องดูทั้ง ITT+PP; FDA DM CV outcome: <1.8 pre-approval / <1.3 post-approval / ≥1.8 ไม่ผ่าน

  • Meta-analysis: Fixed=single true effect; Random=between-study variation (conservative กว่า); I² thresholds เป็น guide ไม่ใช่ rigid cutoff; Egger’s test ไม่ significant ไม่ตัด publication bias ทิ้งเสมอไป

  • HR วัด first event เท่านั้น; OR ห่างจาก 1 มากกว่า RR เสมอ, OR≈RR เมื่อโรคหายาก

  • 🔍 Verification status

    ✅ Searched & verified (28 ก.ค. 2026)

    • Bradford Hill’s 9 criteria for causality (Strength, Consistency, Specificity, Temporality, Biological gradient, Plausibility, Coherence, Experiment, Analogy) — Wikipedia (Bradford Hill criteria), StatsDirect, UMC
    • PROBE design (open-label randomization + independent blinded endpoint committee) — original Hansson/Hedner 1992 PubMed citation, Blood Pressure journal
    • Immortal time bias in SGLT2i observational mortality studies (survivor treatment selection bias, time-dependent Cox regression as correction) — PubMed (Suissa 2018 “Real or Bias?”), arXiv statistical methods review
    • Verification (work-up) bias ↓sensitivity/↑specificity + spectrum bias (case-control design inflates both) — Catalog of Bias, Wikipedia (Verification bias)
    • Egger’s test (regression test for funnel plot asymmetry, recommended ≥10 studies, intercept ≠0 = asymmetry, NOT definitive proof of publication bias — small-study effects confound interpretation) — AJE, numberanalytics.com, bookdown Doing Meta-Analysis in R
    • Cochrane I² categorization (0-40% not important, 30-60% moderate, 50-90% substantial, 75-100% considerable; NOT rigid cutoffs) — Cochrane Handbook 5.1 §9.5.2
    • Non-inferiority one-tailed α<0.025 (equivalent to two-sided 95% CI) — FDA Non-Inferiority Trial guidance (fda.gov/media/78504), PMC methodology reviews
    • FDA 2008 CV outcome trial guidance for diabetes drugs (upper 95% CI bound <1.8 pre-approval, <1.3 post-approval definitive) — AHA Circulation reviews, Diabetes Care Editors’ Forum
    • Kaplan-Meier curve + log-rank test (non-parametric survival estimate; compares ≥2 KM curves) — MedCalc, standard biostatistics references
    • Agreement analysis: Cohen’s Kappa (categorical), Bland-Altman (continuous, NOT correlation), ICC (continuous reliability) — Clinical Biostatistics bookdown, ResearchGate methodology reviews

    ⚠️ From standard biostatistics knowledge, not individually re-verified this session

    • Nested case-control, historical control (time-period/cohort effect), cross-over washout/carry-over — standard epidemiology methods teaching
    • Subgroup P-for-interaction <0.10 threshold + Bonferroni α/n concept — standard teaching, consistent with general subgroup-analysis methodology literature (exact 0.10 figure not individually re-verified this session)
    • ORBITA trial (sham-PCI, nocebo/placebo framing) — well-known trial, not re-verified in detail this session
    • Truncated RCT stopping-rule criteria (≥200-300 events, P<0.001 interim) — standard clinical trial methodology teaching, not individually re-verified

Graph View

Backlinks