Transcript ปัจจัย Case Control OR(95%CI)

แนวทางการนาเสนอข้ อมูลจากการวิเคราะห์
โดยใช้ Logistic Regression
(ตัวอย่ าง Case-control study กรณีมวี ตั ถุประสงค์ เพือ่ หาปัจจัยเสี่ ยง)
นาเสนอข้ อมูล Measure of association (มิใช่ ค่า Coefficient) ดังตารางหุ่นต่ อไปนี้
ปัจจัย
Case Control
(n=....)
1.
2.
3.
...
%
%
%
(n=....)
%
%
%
OR (95%CI)
(Unadjusted)
(Adjusted)
ตัวอย่ าง
การนาเสนอข้ อมูลจากการวิเคราะห์ โดยใช้ Logistic Regression
“...สมการการถดถอยลอจีสติค แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่ วย ด้วยโรคหัวใจโคโรนารี่ โดย
ควบคุมผลของอายุ และ เพศ เป็ น ดังนี้
Logit P(X) = 1.421 + 1.609SMK + 0.095SEX + 0.301AGE
ผูส้ ูบบุหรี่
มีความเสี่ ยงต่อการป่ วยด้วยโรคหัวใจโคโรนารี่ เป็ น 5 เท่าของผูไ้ ม่สูบบุหรี่ (95%CI.OR: 2.1
ถึง 11.7)
พบว่า เพศ และ อายุ มีความสัมพันธ์กบั การป่ วยด้วยโรคหัวใจโคโรนารี่ โดย ... (ตารางที่ 1)”
ตารางที่ 1 Adjusted Odds Ratio แสดงความสัมพันธ์ระหว่างการสูบบุหรี่ กับ การป่ วย ด้วยโรคหัวใจโคโรนารี่
ปัจจัย
1. การสู บบุหรี่
- สูบ
5(2.1 ถึง 11.7)
- ไม่สูบ
2. เพศ
- ชาย
ถึง 3.7)
- หญิง
(n = 150)
Case
(n = 150)
Control
OR(95%CI)(Adjusted)
(Unadjusted)
80.7%
30.0%
19.3%
70.0%
73.3%
63.3%
36.7%
33.7%
9.7(5.5 ถึง 17.3)
1.6(1.0 ถึง 2.7)
1.1(0.8
95% Confidence Interval
(95% CI. OR.)
บอก Precision ของ OR และ บอกว่ าปัจจัยนั้นเป็ น Significant risk factor หรือไม่
ตัวอย่ าง
Lower Limit Estimated OR. Upper Limit
การศึกษา ก.
การศึกษา ข.
การศึกษา ค.
0
1
ค่าความไม่แตกต่าง (Null value)
แปลความหมาย: แม้ทุกการศึกษา จะได้ค่า OR เท่ากัน
+a
 การศึกษา ข. มี Precision มากที่สุดน่าเชื่อถือ มากที่สุด
 ทั้ง ก. และ ข. บ่งชี้วา่ ปัจจัยที่ศึกษามีความสัมพันธ์กบั ตัวแปรตามอย่างมีนยั สาคัญทางสถิติ
 การศึกษา ค. มี Precision ต่าสุด และยังได้ขอ้ สรุ ปว่า ปัจจัยที่ศึกษามีความสัมพันธ์กบั ตัวแปรตาม อย่างไม่มี
นัยสาคัญทางสถิติ และยังทราบว่า การศึกษาครั้งนี้มีขนาดตัวอย่าง (Sample Size) ไม่เพียงพอ
สู ตรทัว่ ไป
100 (1  a )% CI .OR .  EXP L 
ค่าความคลาดเคลื่อน
การประมาณค่า
ค่าที่ใช้คานวณ OR.
กล่าวคือ EXP(L) = OR.
Za / 2

ค่าคะแนนมาตรฐาน Standard error
จากการแจกแจงปกติ
ของ L
เมื่อกาหนดให้ a = 0.05
เขียนสูตรได้ดงั นี้:-

95 % CI .OR .  EXP L  1 . 96
L
Var ( L )
Var ( L )

หามาได้จากการหาค่า OR. ดังนี้:-
จาก
OR.
แทนค่า [ bi(X1i - X0i)]
=
ดังนั้น
=
OR.
=
EXP[ bi(X1i - X0i)]
L
EXP(L)
การประมาณค่ าช่ วงเชื่อมั่น
กรณีไม่ มี Interaction term
ด้วย OR = EXP (b)
ดังนั้น 95% CI OR = Exp b  (1.96
ตัวอย่ าง :ผลจาก Computer print out ได้ดงั นี้
Variable1
Coefficient
SE
Chisq
p
Constant
-6.7727
1.1401 35.29
SMK
0.5976
0.3520 2.88
ECG
0.0322
0.0152 4.51
CHL
0.0087
0.0033 7.17
HPT
0.3695
0.2936 1.58
Var(b) )
ได้จาก Computer Print out
ORSMK = e0.5976 = 1.82
0.0000
95% CI ORSMK
0.0896
=
0.0337
e[0.5976+1.96(0.3520)]
0.0074
= e(-0.09,1.29)
0.2083
= 0.91, 3.63
ORSMK
= 1.82
95% CI. ORSMK = 0.91,
3.63
Lower Limit
0
Estimated OR.
1
2
Upper Limit
3
4
Null value
ช่ วงความเชื่อมั่นคร่ อมค่ า 1
Non Significant (ค่ า p-value มากกว่ า 0.05)
ใน print out ได้ ค่า p-value = 0.0896
ควรเขียนในรายงานเป็ น p-value = 0.09
การประมาณค่ าช่ วงความเชื่อมั่น กรณีมี Interaction
ผลจากคอมพิวเตอร์
Logistic Regression Model
ขั้นที่ 1. คานวณค่า OR.
Variable Coefficient SE Chisq
p
SMK
2.6809 3.1042 16.69
0.0000
จากสู ตรทัว่ ไป
ECG
0.0349 0.0161 4.69
0.0303
L และ
OR
=
e
CHL
-0.0065 0.3278 1.25
0.2635
95%CI  EXP L  ( 1.96
Var(L) ) 
HPT
1.0468 0.3316 9.96
0.0016
L = bSMK
+ bSMK*CHL
CHL
SMK*CHL
0.0029
0.7422
9.85
0.0417
(ในที่นี้ สนใจศึกษาเฉพาะผู้ที่มีระดับโคเลสเตอร์ รอล 200 มล. จึงระบุค่าของ CHL = 200)
Constant -4.0474 1.2549 10.40
OR. = EXP[2.6809 + (0.0029 x200)] = EXP(3.2609) = 26.1
0.0013
เมื่อ CHL = 200 , ORSMK = 26.1
OR.ที่ปรับค่าผลกระทบจากผลECG และ HPT เรี ยบร้อยแล้ว
ขั้นที่ 2. คานวณช่ วงความเชื่อมัน่ ของ OR.

95 % CI .OR . Exp L 1 . 96 Var ( L )
ผลจากคอมพิวเตอร์

Variance-Covariace Matrix
SMK
ECG
CHL
HPT SMKxCHL Constant
SMK
1.7619
ECG
0.2849
9.5361
CHL
-0.0140 -0.3278
0.0003
HPT
0.1468
0.3316
0.9631
0.1075
SMKxCHL
-11.014 -0.7422
1.9878 -0.6717
0.1101
Constant
0.4474
0.2549
0.4056
Var(L)
= var (bSMK) +0.9104
2(200)cov(bSMK1.3570
0.8673
,bSMKxCHL)+(200)2var(bSMKxCHL)
= 1.7619 + 2(200)(11.014) + (200)2(0.1101)= 0.1619
0.1619
95% CI ORSMK = EXP(3.2609 1.96 (
) = 11.85 , 57.37
เมื่อ CHL = 200 , ORSMK = 26.1 (95%CI.OR ; 11.85 ถึง
57.37)
ตัวอย่ างสู ตรสาหรับคานวณค่ า Var(L ) ในแต่ ละ Model
กรณี X1เป็ น Dichotomous (1,0)
Model: Logit P(X) = a + b1X1 + b2X2 + b3X1X2
เมือ่ L = b1X1 + b3(X1X2)
Var (L) = Var(b1) + (X2)2var(b3) + 2(X2)cov(b1,b3)
Model: Logit P(X) = a + b1X1 + b2X2 + b3X3 + b4X1X2 + b5X1X3
เมือ่ L = b1 X1 + b4X1X2 + b5X1X3
Var (L) = Var(b1) + (X2)2var(b4) + (X3)2var(b5) + 2X2cov(b1,b4)
+ 2X3cov(b1,b5) + 2X2X3Cov (b4,b5)
(ศึกษารายละเอียดใน Kleinbaum, 1994. หน้ า 141 - 144)