อธิบายแบบจำลองการถดถอยในการวิจัยทางการแพทย์

เผยแพร่เมื่อ 20 มิถุนายน 2026 | อัปเดตล่าสุด10 สิงหาคม 2026

ผู้ประสานงานการทดลองเสร็จสิ้นการป้อนข้อมูลผู้ป่วยหลังผ่าตัด 400 ราย และต้องเผชิญกับคำถามเชิงปฏิบัติ ตัวแปรใดในสิบห้าตัวที่บันทึกไว้ในระยะเริ่มต้น สามารถทำนายได้อย่างแท้จริงว่าใครจะกลับเข้ารับการรักษาในโรงพยาบาลอีกครั้ง ใครจะเกิดภาวะแทรกซ้อน หรือใครจะมีชีวิตรอดได้ห้าปีหลังการวินิจฉัย? แบบจำลองการถดถอยในการวิจัยทางการแพทย์ให้คำตอบสำหรับคำถามนั้นโดยตรง แบบจำลองเหล่านี้ประมาณความสัมพันธ์ระหว่างตัวทำนายหนึ่งตัวหรือมากกว่านั้นกับผลลัพธ์ ในขณะที่คงตัวแปรทำนายอื่นๆ ไว้คงที่ ซึ่งเป็นการแยกสัญญาณที่แท้จริงออกจากสัญญาณรบกวนที่การเปรียบเทียบแบบสองกลุ่มอย่างง่ายๆ จะพลาดไปโดยสิ้นเชิง

แบบจำลองทั้งสี่ตระกูลนี้ครอบคลุมข้อมูลส่วนใหญ่ที่ปรากฏในวารสารทางการแพทย์ในปัจจุบัน และแต่ละตระกูลมีอยู่เพราะผลลัพธ์ประเภทต่างๆ ต้องการคณิตศาสตร์เฉพาะของตนเอง ความดันโลหิตและตัวเลขต่อเนื่องอื่นๆ ต้องการการถดถอยเชิงเส้น เหตุการณ์แบบใช่/ไม่ใช่ เช่น อัตราการเสียชีวิตภายใน 30 วัน ต้องการการถดถอยโลจิสติก การนับจำนวน เช่น จำนวนการหกล้มในบ้านพักคนชรา ต้องการการถดถอยปัวซงหรือการถดถอยทวินามเชิงลบ และผลลัพธ์แบบเวลาถึงเหตุการณ์ เช่น อัตราการรอดชีวิตโดยปราศจากการกลับมาเป็นซ้ำ ต้องการการถดถอยค็อกซ์ คู่มือนี้จะอธิบายทั้งสี่ตระกูล ครอบคลุมจำนวนตัวแปรทำนายที่ชุดข้อมูลสามารถรองรับได้จริง และปิดท้ายด้วยสิ่งที่ผู้ตรวจสอบคาดหวังว่าจะเห็นรายงานควบคู่ไปกับแบบจำลองแต่ละแบบ

แบบจำลองการถดถอยทำอะไรในงานวิจัยทางการแพทย์

แบบจำลองการถดถอยทุกแบบจะแบ่งตัวแปรออกเป็นสองส่วน คือ ผลลัพธ์และชุดของตัวแปรทำนาย นักวิจัยเรียกผลลัพธ์ว่าตัวแปรตาม ซึ่งเป็นสิ่งที่งานวิจัยต้องการอธิบายหรือทำนาย เช่น การกลับเข้ารับการรักษาในโรงพยาบาลหรือความดันโลหิตซิสโตลิก ส่วนอายุ กลุ่มการรักษา และค่าครีเอตินินเริ่มต้น จะกลายเป็นตัวแปรทำนาย หรือเรียกว่าตัวแปรอิสระหรือตัวแปรควบคุม ซึ่งเป็นปัจจัยที่อาจส่งผลต่อผลลัพธ์นั้น แบบจำลองจะประมาณค่าสัมประสิทธิ์สำหรับตัวแปรทำนายแต่ละตัว ซึ่งอธิบายความสัมพันธ์ระหว่างตัวแปรทำนายกับผลลัพธ์ ในขณะที่ตัวแปรทำนายอื่นๆ ในสมการจะคงที่

ส่วนสุดท้ายนี้เป็นเหตุผลทั้งหมดที่ทำให้นักวิจัยทางคลินิกเลือกใช้การวิเคราะห์การถดถอยแทนที่จะใช้การทดสอบ t หรือการทดสอบไคสแควร์แบบง่ายๆ การทดสอบ t สามารถแสดงให้เห็นว่ากลุ่มที่ได้รับการรักษาและกลุ่มควบคุมมีความแตกต่างกันในผลลัพธ์ แต่การทดสอบ t ไม่สามารถบอกได้ว่าความแตกต่างนั้นยังคงอยู่หรือไม่เมื่อพิจารณาปัจจัยต่างๆ เช่น อายุ เพศ ความรุนแรงของโรค และจำนวนโรคแทรกซ้อนพร้อมกัน การวิเคราะห์การถดถอยสามารถทำได้ ซึ่งเป็นเหตุผลว่าทำไมจึงเป็นพื้นฐานของการวิเคราะห์แบบปรับค่า การคำนวณความเสี่ยง และแบบจำลองการพยากรณ์ส่วนใหญ่ที่ตีพิมพ์ในวารสารทางการแพทย์ การเลือกใช้การทดสอบทางสถิติที่มีอยู่สำหรับคำถามวิจัยที่กำหนดเริ่มต้นด้วยการระบุประเภทของผลลัพธ์ และการจำแนกประเภทเดียวกันนั้นจะตัดสินว่าตระกูลการวิเคราะห์การถดถอยใดเหมาะสม

แบบจำลองการถดถอย 6 แบบที่ใช้ในการวิจัยทางการแพทย์โดยสังเขป

แบบจำลองทั้งหกด้านล่างนี้ครอบคลุมการวิเคราะห์การถดถอยส่วนใหญ่ที่ตีพิมพ์ในวารสารทางคลินิกและระบาดวิทยา โดยแต่ละแบบจะจับคู่กับประเภทของผลลัพธ์ที่เกี่ยวข้องและข้อสมมติฐานที่มักจะถูกละเมิดในทางปฏิบัติ

การถดถอยเชิงเส้นสำหรับผลลัพธ์ต่อเนื่อง

การวิเคราะห์การถดถอยเชิงเส้น (Linear regression) คือการหาความสัมพันธ์เชิงเส้นตรงระหว่างตัวแปรทำนายหนึ่งตัวหรือมากกว่ากับตัวแปรผลลัพธ์แบบต่อเนื่อง แต่ละสัมประสิทธิ์แสดงถึงการเปลี่ยนแปลงที่คาดหวังในตัวแปรผลลัพธ์เมื่อตัวแปรทำนายเพิ่มขึ้นหนึ่งหน่วย โดยคงตัวแปรอื่นๆ ในแบบจำลองไว้คงที่ ตัวอย่างเช่น สัมประสิทธิ์ 2.3 สำหรับอายุในแบบจำลองที่ทำนายความดันโลหิตซิสโตลิก หมายความว่าแบบจำลองคาดการณ์ว่าค่าความดันโลหิตจะสูงขึ้น 2.3 มิลลิเมตรปรอท สำหรับทุกๆ ปีที่เพิ่มขึ้นของอายุ โดยที่ตัวแปรอื่นๆ ที่รวมอยู่ในแบบจำลองนั้นคงที่

วิธีการนี้อาศัยข้อสมมติฐานสี่ประการ และแผนภาพแสดงค่าความคลาดเคลื่อนสามารถตรวจสอบข้อสมมติฐานทั้งหมดได้โดยตรง ตัวแปรทำนายและผลลัพธ์ต้องมีความสัมพันธ์เชิงเส้นตรงมากกว่าความสัมพันธ์แบบโค้ง การสังเกตการณ์ต้องเป็นอิสระต่อกัน ค่าความคลาดเคลื่อนต้องมีการกระจายตัวใกล้เคียงกับการกระจายแบบปกติ และการกระจายตัวของค่าความคลาดเคลื่อนต้องคงที่โดยประมาณตลอดช่วงของค่าที่คาดการณ์ไว้ การวิเคราะห์ในScientific Reports ปี 2020 ซึ่งสร้างขึ้นจากกลุ่มตัวอย่าง NIH Osteoarthritis Initiative แสดงให้เห็นว่าการถดถอยเชิงเส้นและการถดถอยเชิงลอจิสติกมักถูกใช้ควบคู่กันในการศึกษาเดียวกัน นักวิจัยได้ทดสอบตัวบ่งชี้ทางชีวภาพ 19 ตัวกับลักษณะทางรังสีวิทยาและทางคลินิกของโรคข้อเข่าเสื่อม และพบว่ามีเพียงสี่ตัวเท่านั้น ได้แก่ Coll2-1 NO2 ในซีรัม, CS846, COMP และ CTXII ในปัสสาวะ ที่ยังคงเป็นตัวทำนายอิสระเมื่อแบบจำลองปรับค่าตามปัจจัยเสี่ยงที่ทราบแล้ว จากโรคที่ส่งผลกระทบต่อผู้คนมากกว่า 500 ล้านคนทั่วโลก

การถดถอยโลจิสติกสำหรับผลลัพธ์แบบไบนารี

การวิเคราะห์การถดถอยโลจิสติกส์จัดการกับผลลัพธ์ที่มีสองสถานะที่เป็นไปได้ เช่น ภาวะแทรกซ้อนที่เกิดขึ้นหรือไม่เกิดขึ้น ผลการตรวจที่เป็นบวกหรือลบ ผู้ป่วยที่รอดชีวิตจนออกจากโรงพยาบาลหรือไม่ แทนที่จะสร้างแบบจำลองผลลัพธ์โดยตรง การวิเคราะห์นี้จะจำลองค่าลอการิทึมของอัตราต่อรองของเหตุการณ์เป็นฟังก์ชันเชิงเส้นของตัวแปรทำนาย ซึ่งจะทำให้ความน่าจะเป็นที่คาดการณ์ไว้มีค่าอยู่ระหว่าง 0 ถึง 1 ไม่ว่าค่าของตัวแปรทำนายจะสุดขั้วแค่ไหนก็ตาม การยกกำลังสัมประสิทธิ์จะแปลงเป็นอัตราส่วนอัตราต่อรอง ซึ่งเป็นวิธีมาตรฐานที่เอกสารทางการแพทย์ใช้รายงานผลการวิเคราะห์การถดถอยโลจิสติกส์

บทความวิจัยส่วนใหญ่ที่ตีพิมพ์เผยแพร่ มักมองว่าแบบจำลองโลจิสติกเป็นเรื่องปกติ เมื่อมันทำงานได้โดยไม่มีข้อผิดพลาด แต่การทำให้ถูกต้องนั้นต้องอาศัยความเอาใจใส่มากกว่านั้น การตรวจสอบในปี 2017 ในวารสารMedicineได้ทบทวนบทความ 316 บทความที่ตีพิมพ์ในวารสารทางคลินิกที่มีผลกระทบสูงของจีน 5 ฉบับ ระหว่างปี 2010 ถึง 2015 ซึ่งใช้การถดถอยโลจิสติกแบบหลายตัวแปร โดยให้คะแนนแต่ละบทความตามเกณฑ์การรายงานและระเบียบวิธีที่กำหนดไว้ 12 ข้อ ผลปรากฏว่าคะแนนโดยรวมต่ำ โดยค่ามัธยฐานอยู่ที่ 5 จาก 12 และ 85.1% ของบทความได้คะแนนต่ำกว่า 6 ซึ่งหมายความว่าแบบจำลองที่ตีพิมพ์ส่วนใหญ่ขาดในส่วนพื้นฐาน เช่น การรายงานวิธีการเลือกตัวแปร หรือการตรวจสอบว่าแบบจำลองนั้นเหมาะสมกับข้อมูลจริงหรือไม่กรณีศึกษาการถดถอยโลจิสติกที่ครอบคลุมการตีความอัตราส่วนความน่าจะเป็นและการประเมินเส้นโค้ง ROC จะเจาะลึกไปถึงวิธีการอ่านและตรวจสอบความถูกต้องของผลลัพธ์นี้เมื่อแบบจำลองได้รับการปรับให้เหมาะสมแล้ว และการจับคู่แบบจำลองโลจิสติกกับ การคำนวณความไว ความจำเพาะ และค่าการทำนายที่ถูกต้องจะเปลี่ยนชุดอัตราส่วนความน่าจะเป็นให้เป็นเครื่องมือวินิจฉัยหรือพยากรณ์โรคที่ใช้งานได้

การถดถอยแบบปัวซงและทวินามเชิงลบสำหรับผลลัพธ์เชิงนับ

การนับผลลัพธ์ เช่น จำนวนครั้งที่ผู้ป่วยหกล้มในหนึ่งปี จำนวนการติดเชื้อในโรงพยาบาลในหอผู้ป่วย จำนวนการไปห้องฉุกเฉินหลังออกจากโรงพยาบาล ไม่สามารถนำมาวิเคราะห์โดยใช้การถดถอยเชิงเส้นหรือการถดถอยโลจิสติกส์ได้อย่างเหมาะสม การถดถอยปัวซงจึงเป็นจุดเริ่มต้นมาตรฐาน โดยจำลองค่าลอการิทึมของจำนวนที่คาดการณ์ไว้เป็นฟังก์ชันของตัวแปรทำนาย และรายงานผลลัพธ์ในรูปของอัตราส่วนอัตราการเกิดเหตุการณ์ การถดถอยปัวซงมีข้อสมมติฐานหนึ่งที่มักไม่เป็นจริงในข้อมูลทางคลินิกจริง นั่นคือ ความแปรปรวนของจำนวนเท่ากับค่าเฉลี่ย ซึ่งเป็นคุณสมบัติที่เรียกว่าความเท่าเทียมกันของการกระจายตัว

ข้อมูลทางการแพทย์จริงมักมีการกระจายตัวเกินกว่าที่แบบจำลองปัวซงคาดการณ์ไว้ และการแสร้งทำเป็นว่าข้อมูลมีการกระจายตัวเท่ากันจะทำให้ค่าความคลาดเคลื่อนมาตรฐานมีขนาดเล็กเกินไป และค่า p-value ดูดีกว่าที่ควรจะเป็น การเปรียบเทียบที่ตีพิมพ์ในBMC Medical Research Methodology ในปี 2022 ได้ทดสอบแบบจำลองปัวซง แบบจำลองทวินามเชิงลบ และแบบจำลองปัวซงที่มีค่าศูนย์มากเกินไป กับข้อมูลระยะเวลาการพักรักษาตัวในโรงพยาบาลจากฐานข้อมูลการดูแลผู้ป่วยหนัก MIMIC แบบจำลองปัวซงธรรมดาและแบบจำลองปัวซงที่มีค่าศูนย์มากเกินไปนั้นไม่เหมาะสมกับข้อมูลระยะเวลาการพักรักษาตัวที่มีการกระจายตัวเกินกว่าที่คาดการณ์ไว้ ในขณะที่แบบจำลองทวินามเชิงลบให้ความเหมาะสมโดยรวมที่ดีที่สุดและหลีกเลี่ยงความสำคัญที่สูงเกินจริงซึ่งเกิดจากการบังคับใช้สมมติฐานการกระจายตัวเท่ากันกับข้อมูลที่ไม่เป็นไปตามสมมติฐานนั้น เมื่อตัวแปรนับคือผลลัพธ์ การตรวจสอบความแปรปรวนเทียบกับค่าเฉลี่ยก่อนที่จะเลือกใช้แบบจำลองปัวซงหรือแบบจำลองทวินามเชิงลบจึงเป็นสิ่งจำเป็น

การวิเคราะห์การถดถอยแบบ Cox Proportional Hazards สำหรับผลลัพธ์เวลาถึงเหตุการณ์

ผลลัพธ์ที่ขึ้นอยู่กับเวลาที่เกิดเหตุการณ์ จำเป็นต้องมีกลุ่มตัวชี้วัดที่สี่โดยเฉพาะ เนื่องจากเกี่ยวข้องกับข้อมูลสองส่วนพร้อมกัน คือ เหตุการณ์เกิดขึ้นหรือไม่ และใช้เวลานานเท่าใด นอกจากนี้ยังมีปัญหาที่ผู้ป่วยบางรายออกจากโครงการวิจัยก่อนที่เหตุการณ์จะเกิดขึ้นหรือก่อนที่การติดตามผลจะสิ้นสุดลง (การตัดข้อมูล) แบบจำลองการถดถอยแบบสัดส่วนความเสี่ยงของ Cox จะจำลองความเสี่ยง ซึ่งเป็นความเสี่ยงทันทีของเหตุการณ์ ณ เวลาใดเวลาหนึ่ง โดยเป็นฟังก์ชันของตัวแปรทำนาย โดยไม่จำเป็นต้องตั้งสมมติฐานเกี่ยวกับรูปร่างพื้นฐานของเส้นโค้งการอยู่รอดเอง ค่าสัมประสิทธิ์จะถูกรายงานเป็นอัตราส่วนความเสี่ยง และสมมติฐานหลักของแบบจำลองคือ อัตราส่วนของความเสี่ยงระหว่างสองกลุ่มใด ๆ จะคงที่ตลอดระยะเวลาการติดตามผลทั้งหมด

การทดลองระยะที่ 3 ที่ดำเนินการในโรงพยาบาล 33 แห่งในญี่ปุ่น แสดงให้เห็นว่าอัตราส่วนความเสี่ยงที่ได้จากแบบจำลอง Cox มีลักษณะอย่างไรในทางปฏิบัติ การทดลอง JASPAC-01 สุ่มผู้ป่วยมะเร็งตับอ่อนที่ได้รับการผ่าตัด 385 ราย ให้ได้รับการรักษาด้วยยา gemcitabine หรือ S-1 เสริม และแบบจำลอง Cox ประมาณอัตราส่วนความเสี่ยงต่อการเสียชีวิตสำหรับ S-1 เทียบกับ gemcitabine ที่ 0.57 โดยมีช่วงความเชื่อมั่น 95% อยู่ที่ 0.44 ถึง 0.72 นั่นหมายความว่าความเสี่ยงต่อการเสียชีวิต ณ จุดใดจุดหนึ่งระหว่างการติดตามผลลดลงประมาณ 43% สำหรับผู้ป่วยที่ได้รับ S-1 ซึ่งสอดคล้องกับอัตราการรอดชีวิตโดยรวม 5 ปีที่ 44.1% ในกลุ่ม S-1 เทียบกับ 24.4% ในกลุ่ม gemcitabine การสร้างแบบจำลองความเสี่ยงตามสัดส่วนของ Cox อย่างละเอียด รวมถึงวิธีการที่ฟังก์ชันความเสี่ยงและตัวแปรเสริมมีปฏิสัมพันธ์กันและพื้นฐานการวิเคราะห์การอยู่รอดสำหรับการวิจัยทางคลินิกล้วนสร้างขึ้นโดยตรงจากกลไกที่สรุปไว้ในที่นี้

การถดถอยเชิงลำดับและเชิงพหุนามสำหรับผลลัพธ์ที่มีมากกว่าสองหมวดหมู่

ผลลัพธ์บางอย่างไม่สามารถแยกได้อย่างชัดเจนเป็นใช่/ไม่ใช่ ความรุนแรงของอาการปวดที่ให้คะแนนเป็นไม่มีเลย เล็กน้อย ปานกลาง หรือรุนแรง เป็นข้อมูลเชิงลำดับ ซึ่งหมายความว่าหมวดหมู่ต่างๆ มีลำดับตามธรรมชาติ การตอบสนองต่อการรักษาที่จัดประเภทเป็นตอบสนองสมบูรณ์ ตอบสนองบางส่วน หรือไม่ตอบสนอง โดยไม่มีมาตราส่วนตัวเลข ก็เป็นข้อมูลเชิงลำดับเช่นกัน การตอบสนองต่อหนึ่งในสามตัวเลือกการรักษาที่ไม่เกี่ยวข้องกันโดยไม่มีการจัดอันดับโดยธรรมชาติ เป็นข้อมูลเชิงนาม ซึ่งจำเป็นต้องใช้การวิเคราะห์การถดถอยโลจิสติกแบบหลายตัวแปรมากกว่าแบบเชิงลำดับ

การวิเคราะห์การถดถอยโลจิสติกแบบลำดับขั้น ซึ่งมักใช้ในรูปแบบอัตราส่วนความน่าจะเป็นแบบสัดส่วน จะถือว่าความสัมพันธ์ระหว่างตัวทำนายแต่ละตัวกับโอกาสในการเลื่อนขึ้นไปยังหมวดหมู่ที่สูงขึ้นนั้นเหมือนกัน ไม่ว่าระดับเกณฑ์ใดจะถูกข้ามไป ซึ่งเป็นสมมติฐานที่ควรทดสอบมากกว่าที่จะยอมรับโดยอัตโนมัติ การวิเคราะห์การถดถอยโลจิสติกแบบหลายตัวเลือกจะตัดข้อกำหนดนั้นออกไป และประมาณค่าอัตราส่วนความน่าจะเป็นแยกต่างหากสำหรับแต่ละหมวดหมู่เทียบกับหมวดหมู่ที่เป็นตัวอ้างอิง โดยมีค่าใช้จ่ายคือต้องใช้กลุ่มตัวอย่างขนาดใหญ่ขึ้นเพื่อประมาณค่าพารามิเตอร์ทั้งหมดเหล่านั้นด้วยความแม่นยำ การแปลงผลลัพธ์แบบลำดับขั้นให้เป็นแบบไบนารีเพื่อหลีกเลี่ยงการเลือก เช่น ปานกลางหรือแย่ลง เทียบกับ เล็กน้อยหรือไม่เลย เป็นเรื่องปกติในทางปฏิบัติ แต่เป็นการทิ้งข้อมูลที่มาตราส่วนดั้งเดิมออกแบบมาเพื่อเก็บรวบรวมไว้

แบบจำลองการถดถอยของคุณรองรับตัวแปรทำนายได้กี่ตัว

ชุดข้อมูลไม่ได้รองรับตัวแปรทำนายจำนวนไม่จำกัด ไม่ว่าขนาดของกลุ่มตัวอย่างจะดูใหญ่แค่ไหนก็ตาม สำหรับแบบจำลองโลจิสติกและค็อกซ์ กฎทั่วไปที่ใช้กันมานานระบุว่าควรมีเหตุการณ์อย่างน้อย 10 เหตุการณ์ ไม่ใช่ 10 คน ต่อตัวแปรทำนายหนึ่งตัว โดยที่เหตุการณ์หมายถึงการเสียชีวิต ภาวะแทรกซ้อน หรือผลลัพธ์ใดๆ ก็ตาม กฎนี้มีที่มาจากการจำลองมอนเตคาร์โลในปี 1996 ซึ่งสร้างขึ้นจากการทดลองโรคหัวใจจริงในผู้ป่วย 673 ราย มีผู้เสียชีวิต 252 ราย และตัวแปรทำนายที่เป็นไปได้ 7 ตัว โดยมีอัตราส่วนเหตุการณ์ต่อตัวแปรเท่ากับ 36 สำหรับกลุ่มตัวอย่างทั้งหมด เมื่อทำการสุ่มตัวอย่างชุดข้อมูลนั้นใหม่โดยลดอัตราส่วนลงเหลือเพียง 2 เหตุการณ์ต่อตัวแปร นักวิจัยพบว่าเมื่อค่า EPV ต่ำกว่าประมาณ 10 ค่าสัมประสิทธิ์จะมีความเอนเอียงไปในทั้งสองทิศทาง ช่วงความเชื่อมั่นจะไม่ครอบคลุมค่าที่แท้จริงในอัตราที่ระบุไว้ และความสัมพันธ์ที่มีนัยสำคัญทางสถิติที่ชี้ไปในทิศทางที่ผิดจะปรากฏขึ้นบ่อยกว่าที่ควรจะเป็น

แนวทางสมัยใหม่ได้ก้าวข้ามการใช้เพียงอัตราส่วนเดียวไปโดยสิ้นเชิงแล้ว บทความวิธีการในปี 2019 ในวารสาร Statistics in Medicineได้เสนอเป้าหมายเชิงตัวเลขสี่ประการที่ขนาดตัวอย่างต้องผ่านให้ได้สำหรับแบบจำลองการทำนายผลลัพธ์ต่อเนื่อง โดยจำกัดการหดตัวของผลกระทบของตัวทำนายไม่ให้แย่ไปกว่า 0.9 เท่า รักษาช่องว่างระหว่างค่า R-squared ที่ปรากฏและค่า R-squared ที่ปรับตามการมองโลกในแง่ดีของแบบจำลองให้อยู่ต่ำกว่า 0.05 และรักษาค่าความคลาดเคลื่อนมาตรฐานให้อยู่ต่ำกว่า 10% สำหรับทั้งค่าเบี่ยงเบนมาตรฐานของส่วนเหลือและค่าเฉลี่ยผลลัพธ์ที่ทำนายได้ ในตัวอย่างการคำนวณการทำนายการทำงานของปอดในสตรีชาวแอฟริกันอเมริกันจากพารามิเตอร์ตัวทำนาย 25 ตัว การที่ตรงตามเกณฑ์ทั้งสี่ข้อนี้ต้องใช้กลุ่มตัวอย่างอย่างน้อย 918 คน ซึ่งคิดเป็นประมาณ 37 คนต่อพารามิเตอร์ตัวทำนาย ซึ่งสูงกว่าที่วิธีการคำนวณค่าประมาณผลลัพธ์แบบง่ายๆ (EPV) จะแนะนำไว้มาก การขยายตรรกะของเกณฑ์สี่ข้อเดียวกันนี้ครอบคลุมถึงผลลัพธ์แบบไบนารี เวลาถึงเหตุการณ์ และแบบหลายตัวเลือกด้วยเช่นกันการวิเคราะห์กำลังการทดสอบและการคำนวณขนาดตัวอย่างล่วงหน้าก่อนเริ่มเก็บข้อมูลเป็นวิธีเดียวที่จะทราบว่าการศึกษาที่วางแผนไว้จะอยู่ด้านใดของเกณฑ์เหล่านี้

ตรวจสอบว่าสมมติฐานของแบบจำลองการถดถอยของคุณถูกต้องหรือไม่

การสร้างแบบจำลองการถดถอยและการอ่านค่าสัมประสิทธิ์โดยไม่ตรวจสอบสมมติฐานที่อยู่เบื้องหลังนั้น เป็นหนึ่งในสาเหตุที่พบได้บ่อยที่สุดที่ทำให้การวิเคราะห์ที่ตีพิมพ์ผิดพลาด ภาวะความสัมพันธ์ร่วมระหว่างตัวแปร (Multicollinearity) ซึ่งตัวแปรทำนายสองตัวขึ้นไปมีข้อมูลที่ซ้ำซ้อนกัน จะทำให้ค่าความคลาดเคลื่อนมาตรฐานสูงขึ้น และทำให้ค่าสัมประสิทธิ์แต่ละตัวไม่เสถียร แม้ว่าแบบจำลองโดยรวมจะเหมาะสมดีก็ตาม ค่าสัมประสิทธิ์การขยายตัวของความแปรปรวน (Variance Inflation Factor) ที่สูงกว่า 5 หรือ 10 สำหรับตัวแปรทำนายใดๆ ก็ตาม มักจะเป็นสัญญาณเตือนให้พิจารณาตัวแปรใหม่วิธีการวิเคราะห์การถดถอยแบบหลายตัวแปรเพื่อควบคุมตัวแปรแทรกซ้อนในการศึกษาทางคลินิกนั้นขึ้นอยู่กับการตรวจสอบวินิจฉัยประเภทนี้ที่ต้องทำก่อนที่จะเชื่อถือผลลัพธ์ ไม่ใช่หลังจากนั้น

แบบจำลองแต่ละตระกูลมีวิธีการตรวจสอบเฉพาะของตนเอง นอกเหนือจากการตรวจสอบทั่วไป การถดถอยเชิงเส้นต้องการแผนภูมิแสดงค่าตกค้างเทียบกับค่าที่คาดการณ์ไว้ เพื่อตรวจจับความไม่เป็นเชิงเส้นและความแปรปรวนที่ไม่เท่ากัน รวมถึงแผนภูมิ QQ สำหรับสมมติฐานเรื่องการกระจายแบบปกติ การถดถอยโลจิสติกส์จะได้ประโยชน์จากการทดสอบ Hosmer-Lemeshow หรือแผนภูมิการสอบเทียบที่เปรียบเทียบความน่าจะเป็นที่คาดการณ์กับความน่าจะเป็นที่สังเกตได้ในแต่ละกลุ่มความเสี่ยง การถดถอย Cox มีการตรวจสอบเฉพาะที่ไม่สามารถละเว้นได้ คือ การทดสอบค่าตกค้างของ Schoenfeld เทียบกับเวลา เพื่อยืนยันว่าสมมติฐานเรื่องสัดส่วนความเสี่ยงนั้นเป็นจริง ไม่ใช่เพียงแค่สมมติ เพราะอัตราส่วนความเสี่ยงที่รายงานสำหรับตัวแปรที่ละเมิดสัดส่วนนั้นไม่ใช่ตัวเลขเดียว การจัดการกับข้อมูลที่ขาดหายไปในชุดข้อมูลก่อนที่จะเข้าสู่แบบจำลองการถดถอยมีความสำคัญไม่แพ้กัน เพราะการลบกรณีของผู้เข้าร่วมที่มีตัวทำนายที่ขาดหายไปอาจทำให้ค่าสัมประสิทธิ์ทุกตัวในแบบจำลองเกิดความคลาดเคลื่อน ไม่ใช่แค่เฉพาะค่าสัมประสิทธิ์สำหรับตัวแปรที่ไม่สมบูรณ์เท่านั้น การศึกษาที่มีโครงสร้างแบบกลุ่มหรือแบบซ้อนกัน เช่น ผู้ป่วยภายในโรงพยาบาล หรือการมาพบแพทย์ซ้ำในผู้ป่วยรายเดียวกัน จำเป็นต้องใช้แบบจำลองหลายระดับหรือแบบจำลองผลกระทบแบบผสมเนื่องจากวิธีการถดถอยมาตรฐานถือว่าการสังเกตแต่ละครั้งเป็นอิสระจากกัน

การรายงานแบบจำลองการถดถอยเพื่อให้ผู้ตรวจสอบและผู้อ่านสามารถเชื่อถือได้

ค่าสัมประสิทธิ์การถดถอยนั้นมีความหมายน้อยสำหรับผู้อ่านที่ไม่สามารถมองเห็นวิธีการสร้างแบบจำลองที่อยู่เบื้องหลังได้ แถลงการณ์ TRIPOD ซึ่งเผยแพร่พร้อมกันในปี 2015 ในวารสาร 11 ฉบับ รวมถึงThe BMJ , Annals of Internal MedicineและCirculationได้กำหนดรายการตรวจสอบ 22 ข้อ ครอบคลุมวิธีการเลือกตัวแปรทำนาย วิธีการจัดการข้อมูลที่ขาดหายไป วิธีการตรวจสอบความถูกต้องของแบบจำลอง และวิธีการวัดประสิทธิภาพของแบบจำลอง ซึ่งพัฒนาขึ้นจากการประชุมผู้เชี่ยวชาญด้านระเบียบวิธีวิจัยเป็นเวลาสามวัน และได้รับการปรับปรุงแก้ไขในหลายปีต่อมาโดยกลุ่มผู้บริหาร TRIPOD ที่กว้างขึ้น การปรับปรุงในปี 2024 ในชื่อ TRIPOD+AI ได้ขยายรายการตรวจสอบเดียวกันนี้ไปยังแบบจำลองการทำนายที่สร้างขึ้นด้วยวิธีการเรียนรู้ของเครื่องควบคู่ไปกับการถดถอยแบบดั้งเดิม

การรายงานตัวเลขคุณภาพจากการตรวจสอบการถดถอยโลจิสติกส์ของจีนที่กล่าวถึงก่อนหน้านี้ไม่ใช่เรื่องที่เกิดขึ้นเพียงครั้งเดียว งานวิจัยที่พัฒนาหรือตรวจสอบความถูกต้องของแบบจำลองการทำนายมักจะละเว้นวิธีการคัดกรองรายชื่อตัวแปรทำนายที่เป็นไปได้ ข้ามการรายงานจำนวนเหตุการณ์ที่สัมพันธ์กับจำนวนตัวแปร หรือนำเสนออัตราส่วนความเสี่ยงโดยไม่เคยกล่าวถึงว่าได้มีการทดสอบสมมติฐานความเสี่ยงตามสัดส่วนหรือไม่ ทั้งหมดนี้ไม่ใช่เรื่องแปลกทางสถิติ ช่องว่างนั้นเป็นเพียงนิสัยในการบันทึกข้อมูล และรายการตรวจสอบ TRIPOD มีอยู่เพื่อทำให้ผู้ตรวจสอบเห็นช่องว่างนี้ก่อนการตีพิมพ์ มากกว่าที่ผู้อ่านจะพยายามทำซ้ำผลลัพธ์หลังจากนั้นการรายงานนัยสำคัญทางสถิติและค่า pสมควรได้รับความโปร่งใสเช่นเดียวกัน เนื่องจากค่า p ของสัมประสิทธิ์การถดถอยมีความหมายแตกต่างกันไป ขึ้นอยู่กับจำนวนตัวแปรและการเปรียบเทียบอื่นๆ ที่ได้รับการทดสอบระหว่างทางไปสู่แบบจำลองสุดท้าย

ข้อผิดพลาดทั่วไปที่บั่นทอนความน่าเชื่อถือของแบบจำลองการถดถอยในการวิจัยทางการแพทย์

• การเลือกตัวแปรแบบอัตโนมัติทีละขั้นตอน การปล่อยให้ซอฟต์แวร์เพิ่มและลบตัวแปรทำนายตามเกณฑ์ค่า p จะทำให้ความสำคัญที่ปรากฏของตัวแปรทำนายที่เหลืออยู่สูงเกินจริง และสร้างช่วงความเชื่อมั่นที่ไม่ตรงกับความหมายที่ควรจะเป็น ตัวแปรทำนายควรอยู่ในแบบจำลองเพราะเหตุผลทางคลินิกหรือวรรณกรรมก่อนหน้าเลือกไว้ ไม่ใช่เพราะอัลกอริทึมแบบทีละขั้นตอนเก็บรักษาไว้
• ละเว้นเหตุการณ์ที่เกี่ยวข้องกับตัวแปรแต่ละตัวจนกว่าผู้ตรวจสอบจะสอบถามเข้ามา การนำแบบจำลองโลจิสติกที่มีตัวแปรทำนาย 12 ตัวมาใช้กับเหตุการณ์ 40 เหตุการณ์ จะได้ค่าสัมประสิทธิ์ที่ไม่น่าเชื่อถือไปกว่าการโยนเหรียญสำหรับตัวแปรทำนายหลายตัว ไม่ว่าขนาดของกลุ่มตัวอย่างโดยรวมจะดูใหญ่แค่ไหนในหน้าปกก็ตาม
• การรายงานอัตราส่วนความน่าจะเป็นราวกับว่าเป็นอัตราส่วนความเสี่ยง อัตราส่วนความน่าจะเป็นและอัตราส่วนความเสี่ยงจะเข้าใกล้กันก็ต่อเมื่อผลลัพธ์นั้นเกิดขึ้นได้ยาก โดยทั่วไปคือต่ำกว่า 10% หากสูงกว่านั้น อัตราส่วนความน่าจะเป็นจะประเมินความเสี่ยงที่เกี่ยวข้องสูงเกินจริงอย่างเป็นระบบ และผู้อ่านที่แปลงอัตราส่วนความน่าจะเป็นเป็นอัตราส่วนความเสี่ยงโดยตรงในใจจะประเมินผลกระทบสูงเกินไป
• การนำผลลัพธ์เชิงลำดับมาพิจารณาเสมือนเป็นผลลัพธ์เชิงต่อเนื่อง การใช้การถดถอยเชิงเส้นกับมาตรวัดอาการ 5 ระดับนั้น สมมติว่าระยะห่างระหว่าง "ไม่มี" กับ "เล็กน้อย" เท่ากับระยะห่างระหว่าง "ปานกลาง" กับ "รุนแรง" ซึ่งเป็นสมมติฐานที่การถดถอยเชิงลำดับไม่จำเป็นต้องใช้ และแทบจะไม่เป็นจริงเลย
• ไม่เคยทำการทดสอบสมมติฐานเรื่องสัดส่วนความเสี่ยงเลย อัตราส่วนความเสี่ยงที่รายงานโดยไม่มีการตรวจสอบค่าตกค้างของ Schoenfeld หรือการทดสอบที่เทียบเท่า อาจเป็นการหาค่าเฉลี่ยของผลกระทบที่เปลี่ยนแปลงไปอย่างมากตลอดช่วงเวลาติดตามผล ซึ่งตัวเลขที่รายงานเพียงตัวเดียวจะไม่สามารถเปิดเผยข้อมูลนี้ได้
• การขยายแบบจำลองที่เหมาะสมออกไปนอกเหนือขอบเขตของข้อมูลที่ใช้ในการสร้างแบบจำลองนั้น สมการถดถอยที่สร้างขึ้นจากผู้ป่วยอายุ 40 ถึง 75 ปี ไม่ได้ให้คำมั่นสัญญาใดๆ เกี่ยวกับผู้ป่วยอายุ 25 ปี หรือ 90 ปี ไม่ว่าความสัมพันธ์จะดูเป็นเส้นตรงเพียงใดภายในช่วงอายุที่ศึกษา

การหาหลักฐานเชิงสถิติเพื่อสนับสนุนแบบจำลองการถดถอยในการวิจัยทางการแพทย์

การวิเคราะห์การถดถอยบางอย่างเป็นเรื่องปกติ เช่น แบบจำลองโลจิสติกเดียวที่มีตัวแปรทำนายที่เลือกมาอย่างดี 5 ตัว และจำนวนเหตุการณ์ที่เพียงพอ แต่บางอย่างก็เกี่ยวข้องกับความเสี่ยงที่แข่งขันกัน ตัวแปรเสริมที่เปลี่ยนแปลงตามเวลา ข้อมูลแบบกลุ่ม หรือรายการตัวแปรทำนายที่ต้องตัดทอนก่อนที่จะสามารถสร้างแบบจำลองได้อย่างเหมาะสม นักสถิติของ Editverse สามารถจัดการกับงานวิเคราะห์ประเภทนี้ได้อย่างครบถ้วน ตั้งแต่การตรวจสอบว่าการวิเคราะห์ที่วางแผนไว้มีจำนวนเหตุการณ์ต่อตัวแปรเพียงพอหรือไม่ ไปจนถึงการเขียนรายงานผลลัพธ์ที่คณะกรรมการวิทยานิพนธ์หรือผู้ตรวจทานวารสารจะอ่านได้จริง

ประเด็นที่สำคัญ

• ✓ ประเภทของผลลัพธ์ ไม่ว่าจะเป็นแบบต่อเนื่อง ไบนารี การนับ หรือเวลาที่เกิดเหตุการณ์ จะเป็นตัวกำหนดว่าควรใช้ตระกูลการถดถอยแบบใด ก่อนที่จะมีการตัดสินใจอื่นใด
• ✓ จำนวนเหตุการณ์ 10 ครั้งต่อตัวแปรทำนายเป็นค่าต่ำสุดที่ควรตรวจสอบสำหรับแบบจำลองโลจิสติกและค็อกซ์ ไม่ใช่การรับประกันว่าแบบจำลองจะเสถียรเสมอไป
• ✓ ข้อมูลจำนวนนับที่มีการกระจายตัวมากเกินไป จำเป็นต้องใช้การถดถอยแบบทวินามเชิงลบ การบังคับใช้แบบจำลองปัวซงจะทำให้ความสำคัญทางสถิติสูงเกินจริง
• ✓ อัตราส่วนความเสี่ยงของแบบจำลอง Cox จะมีความหมายก็ต่อเมื่อสมมติฐานความเสี่ยงแบบสัดส่วนได้รับการทดสอบจริงแล้ว ไม่ใช่เพียงแค่การสันนิษฐาน
• ✓ การเลือกตัวแปรทำนายแบบอัตโนมัติทีละขั้นตอนทำให้ค่าความสำคัญสูงเกินจริง และควรเปลี่ยนไปใช้ตัวแปรทำนายที่เลือกจากพื้นฐานทางคลินิกแทน
• ✓ รายการตรวจสอบ TRIPOD ซึ่งปัจจุบันได้รับการขยายเพิ่มเติมด้วย TRIPOD+AI เป็นสิ่งที่ผู้ตรวจสอบใช้ตรวจสอบแบบจำลองการทำนายแบบอิงการถดถอยมากขึ้นเรื่อยๆ
• ✓ ปัญหาความสัมพันธ์เชิงเส้นหลายตัวแปร การจัดการข้อมูลที่ขาดหายไป และโครงสร้างข้อมูลแบบคลัสเตอร์ ล้วนต้องมีการตรวจสอบวินิจฉัยแยกต่างหากจากผลลัพธ์หลักของแบบจำลอง

อ้างอิง

1. Collins GS, Reitsma JB, Altman DG, Moons KGM. การรายงานอย่างโปร่งใสของแบบจำลองการทำนายแบบหลายตัวแปรสำหรับการพยากรณ์หรือการวินิจฉัยรายบุคคล (TRIPOD): คำแถลง TRIPOD BMJ 2015;350:ก7594. https://pubmed.ncbi.nlm.nih.gov/25569120/
2. Peduzzi P, Concato J, Kemper E, Holford TR, Feinstein AR. การศึกษาจำลองจำนวนเหตุการณ์ต่อตัวแปรในการวิเคราะห์การถดถอยโลจิสติก J Clin Epidemiol 1996;49(12):1373-1379. https://pubmed.ncbi.nlm.nih.gov/8970487/
3. van Smeden M, de Groot JAH, Moons KGM, Collins GS, Altman DG, Eijkemans MJC, Reitsma JB. ไม่มีเหตุผลสำหรับเกณฑ์ 1 ตัวแปรต่อ 10 เหตุการณ์สำหรับการวิเคราะห์การถดถอยโลจิสติกแบบไบนารี BMC Med Res Methodol 2016, 16 (1): 163 https://pubmed.ncbi.nlm.nih.gov/27881078/
4. Riley RD, Snell KIE, Ensor J, Burke DL, Harrell FE Jr, Moons KGM, Collins GS. ขนาดตัวอย่างขั้นต่ำสำหรับการพัฒนาแบบจำลองการทำนายแบบหลายตัวแปร: ตอนที่ 1 – ผลลัพธ์แบบต่อเนื่อง สถิติ Med 2019;38(7):1262-1275. https://pubmed.ncbi.nlm.nih.gov/30347470/
5. Liem Y, Judge A, Kirwan J, Ourradi K, Li Y, Sharif M. แบบจำลองการถดถอยโลจิสติกและเชิงเส้นหลายตัวแปรสำหรับการระบุตัวบ่งชี้ทางชีวภาพที่มีประโยชน์ทางคลินิกสำหรับโรคข้อเสื่อม Sci Rep. 2020, 10 (1): 11328 https://pubmed.ncbi.nlm.nih.gov/32647218/
6. Zhang YY, Zhou XB, Wang QZ, Zhu XY. คุณภาพการรายงานแบบจำลองการถดถอยโลจิสติกหลายตัวแปรในวารสารการแพทย์ทางคลินิกของจีน แพทยศาสตร์ (บัลติมอร์) 2017; 96 (21): e6972 https://pubmed.ncbi.nlm.nih.gov/28538397/
7. Fernandez GA, Vatcheva KP. การเปรียบเทียบวิธีการทางสถิติสำหรับการสร้างแบบจำลองข้อมูลเชิงนับ โดยประยุกต์ใช้กับระยะเวลาการพักรักษาตัวในโรงพยาบาล BMC Med Res Methodol 2022, 22 (1): 211 https://pubmed.ncbi.nlm.nih.gov/35927612/
8. Uesaka K, Boku N, Fukutomi A, Okamura Y, Konishi M และคณะ เคมีบำบัดแบบเสริมของ S-1 เทียบกับ gemcitabine สำหรับมะเร็งตับอ่อนที่ได้รับการแก้ไข: ระยะที่ 3, การทดลองแบบ open-label, แบบสุ่ม, แบบไม่ด้อยกว่า (JASPAC 01) มีดหมอ 2016;388(10041):248-257. https://pubmed.ncbi.nlm.nih.gov/27265347/