Health Economics: Cost

สืบเนื่องจากวันก่อนผมไปสัญญาว่าจะเขียนเกี่ยวกับ Health Economics บ้างคร่าวๆ วันนี้ก็เลยขอมารักษาสัญญาด้วยการเล่าเรื่องนี้เบื้องต้นในบล็อกละกันนะครับ

ส่วนตัวแล้วผมเป็นคนที่ไม่ได้เก่งด้านเศรษฐศาสตร์มาก่อนนะครับ แต่จากในหลักสูตรการเรียน Epidemiology ต้องมีการเรียนการสอนด้านนี้ด้วยก็เลยได้มีโอกาสรู้ในหลายๆ เรื่อง และจริงๆ แล้วมันก็เป็นเรื่องที่น่าสนใจทีเดียวเพราะผมเชื่อว่าถึงแม้ทุกอย่างจะซื้อด้วยเงินไม่ได้แต่เราต้องยอมรับว่าเงินเป็นสิ่งกลางในการเทียบเคียงค่าของหลายๆ อย่าง ไม่ว่าจะจับต้องได้หรือจับต้องไม่ได้ก็ตาม และในระดับประเทศแล้วการจัดสรรงบประมาณโดยเฉพาะด้านสาธารณสุขเป็นสิ่งที่สำคัญมากทีเดียวครับ

หลักง่ายๆ ของการวิเคราะห์เปรียบเทียบทางเศรษฐศาสตร์ (Economics Evaluation) นั่นก็เหมือนที่เราทำรายรับรายจ่ายนั่นละครับ เนื่องจากทรัพยากรของเรานั้นมีจำกัด (จำนวนเงินมีจำกัด จำนวนหมอมีจำกัด จำนวนยามีจำกัด ฯลฯ) เรามีทางเลือกในการพัฒนาอะไรหลายทาง แต่ถ้าเราเลือกจะพัฒนาด้านใดด้านหนึ่งแล้วเราจะสูญเสียโอกาสในการพัฒนาด้านอื่นๆ ไป

ดังนั้นเราจึงจำเป็นจะต้องมีการวิเคราะห์เพื่อเทียบเคียงว่า การที่เราเลือกจะทำอะไรลงไปซักอย่างนั้นจะได้ประโยชน์ตอบแทนกลับมาคุ้มค่าซักแค่ไหนกับทรัพยากรที่เราลงทุนลงไป การบริหารทรัพยากรที่มีอยู่อย่างจำกัดนี้เองเป็นที่มาของวิชาเศรษฐศาสตร์

Regression คืออะไร

พอดีมีหลายคนสงสัย ผมเลยจะลองเล่าเรื่องเกี่ยวกับสถิติให้ฟังอย่างง่ายๆ นะครับ (ถ้าต้องการใน Technical Detail อาจต้องลองหาหนังสือ Biostat นะครับ)

หลักการของการทำ Regression Analysis ก็เหมือนกันกับสถิติที่เราเรียนมาในชั้นมัธยมนั่นละครับ นึกสภาพตอนที่เรามีข้อมูลบนกราฟเป็นแกน x, y แล้วอาจารย์ให้หาสมการเส้นตรง y = m x + c ได้ไหมครับ นั่นละครับคือ model ทางคณิตศาสตร์อย่างง่ายแบบหนึ่ง

แต่โลกเรามันไม่ได้ง่ายเป็นกราฟเส้นตรงที่มีตัวแปรเดียวเสมอไปใช่ไหมครับ เช่นในการทำนายความยาวลำตัวของเด็กแรกเกิด เราอาจจะต้องมานั่งคิดว่ามีปัจจัยอะไรบ้างในการบอกส่วนสูง ในกรณีนี้แล้วเราจะถือว่า ความยาว เป็นตัวแปรตาม (Dependent variable) และปัจจัยต่างๆ เป็นตัวแปรต้น หรือตัวแปรที่ใช้ทำนาย (Independent variable หรือ predictor)

สมมติว่าผมให้ "ความสูงของแม่" และ "อายุครรภ์ (สัปดาห์)" เป็นปัจจัยที่น่าจะส่งผลต่อความยาวของเด็ก เบื้องต้นผมก็อาจจะกำหนดโมเดลออกมาเป็น

ความสูงของเด็ก = b1*ความสูงของแม่ + b2*อายุครรภ์ + c

หลังจากนั้นเราก็พยายามไปเก็บข้อมูลของเด็กต่างๆ มา และด้วยโปรแกรมสถิติ เราก็สามารถที่จะหาได้ครับว่า b1, b2, c คืออะไรบ้าง อันนี้ละครับคือสิ่งที่เราเรียกว่า Regression Analysis และจากการคำนวณเราก็สามารถที่จะนำไปสู่การสร้างสมการเพื่อทำนายความสูงของเด็กได้

แต่ในความเป็นจริงไม่ใช่ว่าทุกตัวแปรจะเป็นตัวแปรแบบตัวเลขหมดใช่ไหมครับ หลายๆ ครั้งที่ตัวแปรที่เราสนใจคือ "ตาย" กับ "ไม่ตาย", "เป็นโรค" กับ "ไม่เป็นโรค" นั่นเลยเป็นที่มาของ Logistic Regression ครับ โดยแทนที่ด้านซ้ายจะเป็นตัวแปร เราก็เปลี่ยนเป็นตัวแปรที่จะบ่งบอกถึงความน่าจะเป็นของโรคนั้นแทนครับ

อันนี้เป็นตัวอย่างง่ายๆ คร่าวๆ นะครับ ถ้าต้องการรู้ในรายละเอียด ถึงวิธีทำผมว่าคงจะต้องไป take course แล้วครับ :D

Descriptive and Cross-sectional Studies

ช่วงนี้ห่างหายการเขียนบล็อกไปนานเลยครับ เนื่องจากมีงานที่ต้องทำหลายอย่าง ยังไงถ้าว่างจะรีบมาเขียนให้อ่านกันอีกนะครับ

เมื่อวานผมได้มีโอกาสไปบรรยายให้ Resident ชั้นปีที่ 1 ของรามาธิบดีฟังเรื่อง Case Series, Descriptive, and Cross-Sectional Studies ฟัง ยังไงก็ขอเล่าสูกันฟังและแปะสไลด์ที่ได้นำเสนอไว้ในบล็อกนี้นะครับ

• Case Report และ Case Series คือการนำเสนอตัวอย่างเคสหนึ่งเคส หรือมากกว่าหนึ่งเคสที่น่าสนใจ ถามว่าน่าสนใจยังไงก็เช่น เกิดเคสที่ไม่เคยมีมาก่อน, เจอโรคในคนที่ไม่น่าจะเป็นโรคนี้ หรือเจอโรคในสถานที่ที่แปลกไปครับ ยกตัวอย่างก็เช่น มีคนรายงานเคสที่เป็นโรคหัวใจพร้อมๆ กับมีก้อนเส้นเลือดผิดปกติที่ผิวหนัง (hemangioma) พบว่าเมื่อให้ยา Propranolol โดยมีเป้าหมายในการรักษาโรคหัวใจแล้ว กลับทำให้ก้อนที่ผิวหนังมีขนาดลดลงไปด้วย สังเกตว่าเป็นแค่เคสเดียวหรือไม่กี่เคสเท่านั้น แต่สิ่งที่ได้ก็คือเราได้ "ไอเดีย" ในการวิจัยศึกษาต่อไปครับ นอกจากนี้แล้ว ยังเป็นการรายงานสิ่งที่อาจเป็นปัญหาสุขภาพ เช่น รายงานเคสไวรัส Hand Foot Mouth Disease ในกัมพูชา เป็นต้นครับ
• ต่อมาคือเรื่องของ Cross Sectional Study ครับ Cross Sectional Studies นั้นแบ่งได้ออกเป็นสองแบบย่อยๆ คืออาจจะเป็นทั้ง Descriptive หรือ Analytic ก็ได้
• Descriptive หมายถึงมีแต่อธิบายเฉยๆ ว่าได้ข้อมูลอย่างไรมาบ้าง เช่น กลุ่มที่ศึกษามีกี่คน ความดันเฉลี่ยเท่าไหร่ อายุเท่าไหร่บ้าง
• Analytic พวกนี้จะมีการเปรียบเทียบระหว่างกลุ่มคนย่อยๆ ในการศึกษาครับ โดยมากแล้วจะนำสถิติมาจับ และสังเกตได้จากการมี p-value ครับ
• สำหรับใน Analytic Cross Sectional Study มีการคำนวณสองแบบที่แสดงถึงความสัมพันธ์กันของ 2 factors ครับ นั่นคือ
• Prevalence Ratio ซึ่งมีค่า = Prevalence ของโรคในกลุ่มคนที่มี Exposure / Prevalence ของโรคในกลุ่มที่ไม่มี Exposure
• ยกตัวอย่างเช่น Prevalence OA knee ในคนอ้วนในการศึกษา = 0.8, Prevalence OA knee ในคนไม่อ้วนในการศึกษา = 0.4 Prevalence Ratio ก็เอาสองอันนี้จับหารกัน = 0.8/0.4
• แปลความหมายว่า Probability ของ OA knee เป็น 0.8/0.4 = 2 เท่าของคนที่อ้วนครับ
• Prevalence Odds Ratio = Probability ที่จะเกิดโรค / Probability ที่จะไม่เกิดโรค ครับ
• ถ้าเป็นตาราง 2x2 table ก็คือจับคูณไขว้ แล้วหารกันนั่นเองครับ (ดูในสไลด์ประกอบ)
• จริงๆ แล้วการแปลความหมายจะซับซ้อนกว่า แต่ถ้ากลุ่มโรคที่เราศึกษานั้นมี Prevalence ที่ต่ำมากๆๆ (Rare disease) สองค่านี้จะใกล้เคียงกันมากขึ้นเรื่อยๆ และสามารถใช้การแปลความหมายเหมือนกันได้ครับ (แต่อันนี้คำนวณง่ายกว่า)
• นอกเหนือจากการศึกษาเกี่ยวกับโรคแล้ว พวก Diagnostic Study ที่เปรียบเทียบเครื่องมือหนึ่ง กับอีกเครื่องมือหนึ่ง ก็ถือว่าเป็น Cross sectional study เหมือนกันครับ
• พวกนี้คือการศึกษาที่หา Sensitivity, Specificity, Accuracy, Predictive Value นั่นเองครับ
• ข้อดีของ Cross sectional study มีอะไรบ้าง
• อันดับแรก ง่ายครับ ทำไม่นาน ไม่ต้องการทุนที่จะไป follow up คนไข้เท่าการศึกษาแบบอื่นๆ ครับ
• อย่างถัดมา คือสามารถบอกถึงปัญหาคร่าวๆ ของชุมชน หรือประเทศได้ครับ ว่ามีมากน้อยแค่ไหน
• และยังสามารถศึกษาหลายๆ Risk Factor ไปพร้อมๆ กับหลายๆ Outcome ได้ในทีเดียวด้วยครับ
• ส่วนข้อเสียนั้นก็มีอยู่เหมือนกันครับ
• อย่างแรกคือโรคที่เป็นแล้วคนไข้อยู่นานๆ (chronic disease) พวกนี้เวลาเราไปศึกษา จะทำให้รู้สึกเหมือนกับว่าโรคนี้เป็นปัญหาอย่างมากต่อสังคม ไม่หายไปไหนสักที เพราะไปศึกษาทีไร ก็จะเจอแต่คนที่เป็นโรค (ทั้งที่จริงๆ แล้วก็เป็นคนเดิมๆ อาจไม่ได้มีคนใหม่ซึ่งเป็นสิ่งที่เราควรป้องกันหรือแก้ไข) อันนี้เรียกว่า Length biased sampling ครับ
• อย่างที่สองคือสิ่งที่ได้จาก Cross-sectional study คือ Prevalence ครับ ไม่ใช่ Incidence (ผมเคยเขียนเกี่ยวกับเรื่องนี้ไปแล้วในครั้งก่อนๆ ครับ) เพราะว่าเราไม่ได้ทำการ follow up คนไข้เลย
• ถัดมาคือการศึกษาแบบนี้ไม่มีสิ่งที่เราเรียกว่า Temporality ครับ คือไม่สามารถบอกได้ว่าอะไรเกิดก่อนเกิดหลัง เพราะเราตัดคนมาศึกษา ณ จุดเวลาหนึ่งๆ ดังนั้นเราอาจบอกไม่ได้ว่าคนอ้วน --> ทำให้เกิด OA หรือคนที่เป็น OA --> ทำให้อยู่เฉยๆ จนอ้วน ครับ เราบอกได้เพียงแค่ "ความสัมพันธ์" (association) ว่ามันพบไปด้วยกันนะ สองอย่างนี้ ครับ
• สุดท้ายคืออาจจะมีปัญหาเรื่องเกี่ยวกับการเกลี่ย confounding factor ในคนสองกลุ่มที่เราแบ่งครับ (ซึ่งก็แน่นอนเพราะเป็น observational study เราไม่สามารถเกลี่ยหรือสั่งให้คนอ้วนออกกำลังหรือไม่ออกกำลังได้ครับ)

แนะนำเว็บไซต์ Wiki Journal Club

ผมบังเอิญเปิดไปเจอแอพใน iPhone ที่ชื่อว่า Journal Club for iPhone ครับ แล้วก็ได้มีโอกาสลองตามไปดูในเว็บไซต์ที่มาของข้อมูล เลยมาแนะนำกันครับ

แอพสำหรับ iPhone อันนี้เป็นแอพที่ใช้ดูว่า Landmark Clinical Trials หรือ Trial ใหญ่ๆ นี่มีอะไรบ้าง หลายคนคงจะคุ้นหูกับ ALLHAT, COURAGE, ACCORD, ADVANCE ซึ่งเป็นการศึกษาใหญ่ๆ แต่คงจะมีไม่กี่คนที่จะรู้และจำทุกการศึกษาไปได้หมด (แม้แต่ชื่อเต็มมันก็ยังเข้าใจยากเลยครับ) แอพนี้ช่วยตอบโจทย์คร่าวๆ ได้ครับ

คณะผู้จัดทำซึ่งเป็น Resident Internal Medicine ได้ทำเว็บไซต์เบื้องหลังแอพนี้ คือ wikijournalclub.org ครับ โดยเว็บดังกล่าวจะเป็นลักษณะคล้ายกับ Wikipedia ซึ่งหมายความว่าใครๆ ก็ช่วยกันเขียนได้ โดยเว็บได้รวบรวม Trial ใหญ่ๆ ไว้เกือบหมด และที่เหนือไปกว่านั้นคือเว็บไซต์นี้ได้ทำการวิเคราะห์สกัดเอาข้อมูลหลักๆ ที่เราต้องการรู้สำหรับการทำ EBM คือ PICO (Patient - รวมทั้ง Inclusion/Exclusion ด้วย, Intervention, Comparison และ Outcome) ไว้ให้เรียบร้อยเลยครับ

นอกจากนี้แล้วเว็บไซต์ยังกล่าวสรุปให้ฟังด้วยว่า Clinical Question คืออะไร, ข้อสรุปคร่าวๆ ของ Trial ดังกล่าวคืออะไร และยังมีการวิจารณ์ในบาง Trial ด้วย

ยังไงลองเข้าไปดูกันนะครับ