Trong nghiên cứu y học, có hai kẻ thù giấu mặt luôn chực chờ làm sai lệch kết quả của bạn: Sai lệch (Bias) - lỗi do chính chúng ta tạo ra trong quá trình thiết kế/thực hiện, và Nhiễu (Confounding) - bản chất phức tạp của các yếu tố sinh lý/bệnh lý đan xen vào nhau.
1. Sai lệch (Bias) và cách kiểm soát
Sai lệch (hay còn gọi là sai số hệ thống) là sự chệch hướng của kết quả nghiên cứu so với sự thật. Khác với sai số ngẫu nhiên (có thể khắc phục bằng cách tăng cỡ mẫu), sai lệch hệ thống KHÔNG THỂ sửa chữa bằng cách tăng cỡ mẫu hay dùng phần mềm thống kê. Nó phải được ngăn chặn ngay từ khâu thiết kế.
Có 2 nhóm sai lệch chính yếu tại bệnh viện:
a. Sai lệch chọn mẫu (Selection Bias)
Xảy ra khi nhóm bệnh nhân bạn đưa vào nghiên cứu không đại diện cho quần thể bạn muốn khảo sát, hoặc hai nhóm (Can thiệp - Chứng) không tương đồng ngay từ đầu.
Ví dụ kinh điển (Nghịch lý Berkson): Khảo sát tại bệnh viện thấy những người mắc bệnh hô hấp thường đi kèm bệnh tiêu hóa. Thực tế ở cộng đồng không phải vậy, nhưng vì bạn chỉ lấy mẫu ở bệnh viện (nơi tập trung những người bệnh nặng, mắc nhiều bệnh cùng lúc), nên bạn rút ra kết luận sai.
Sai lệch người tình nguyện (Volunteer bias): Những bệnh nhân chủ động đăng ký tham gia thử nghiệm thuốc thường là những người có ý thức tuân thủ điều trị rất tốt, dẫn đến hiệu quả thuốc có vẻ cao hơn thực tế.
Cách kiểm soát:
Xây dựng Tiêu chuẩn nhận vào / Loại trừ cực kỳ chặt chẽ và khách quan (đã học ở Bài 3).
Bốc thăm ngẫu nhiên (Randomization) để chia nhóm, đảm bảo mọi đặc điểm (biết và không biết) đều phân bố đều ở 2 nhóm.
Cố gắng lấy mẫu ở nhiều khoa/phòng hoặc nhiều cơ sở khác nhau nếu có thể.
b. Sai lệch thông tin / Đo lường (Information / Measurement Bias)
Xảy ra khi dữ liệu thu thập bị sai do công cụ đo lường, do người hỏi bệnh hoặc do chính bệnh nhân.
Sai lệch nhớ lại (Recall bias): Rất hay gặp trong thiết kế Bệnh - Chứng. Mẹ của những trẻ bị dị tật bẩm sinh (Nhóm bệnh) thường cố gắng lục lọi trí nhớ xem lúc mang thai mình có uống nhầm thuốc gì không, trong khi các bà mẹ sinh con khỏe mạnh (Nhóm chứng) thì thường quên đi các triệu chứng vặt. Dẫn đến sai lệch rằng nhóm có dị tật uống thuốc nhiều hơn.
Sai lệch người phỏng vấn (Interviewer bias): Khi bác sĩ biết bệnh nhân này đang dùng thuốc mới, bác sĩ có xu hướng hỏi kỹ hơn về các tác dụng phụ hoặc kỳ vọng cao hơn vào sự phục hồi của họ.
Cách kiểm soát:
Sử dụng các thang đo, máy móc chuẩn hóa, đã được hiệu chuẩn định kỳ (Bài 4).
Làm mù (Blinding): Kỹ thuật cực kỳ quan trọng. Làm mù người bệnh (không cho biết đang uống thuốc hay giả dược), làm mù bác sĩ đánh giá, và làm mù cả người phân tích số liệu.
Đào tạo kỹ năng phỏng vấn trung lập cho nhóm thu thập số liệu.
2. Yếu tố gây nhiễu (Confounding) và cách kiểm soát
Yếu tố gây nhiễu là một "kẻ thứ ba" làm chúng ta lầm tưởng có mối quan hệ nhân quả giữa Yếu tố nguy cơ (A) và Bệnh (B), nhưng thực chất cả A và B đều do kẻ thứ ba (C) chi phối.
Ví dụ thực tiễn: Nghiên cứu của bạn phát hiện: Những người thường xuyên mang bật lửa trong túi (A) có tỷ lệ mắc Ung thư phổi (B) rất cao. Kết luận: Bật lửa gây ung thư phổi? Sai! Yếu tố gây nhiễu ở đây là Hút thuốc lá (C). Người hút thuốc lá thì hay mang bật lửa, và hút thuốc lá gây ung thư phổi. Bật lửa hoàn toàn vô tội.
Để một biến số được coi là yếu tố gây nhiễu, nó phải thỏa mãn 3 điều kiện:
Có liên quan với yếu tố nguy cơ.
Là một nguyên nhân độc lập gây ra bệnh.
Không nằm trên chuỗi nhân quả từ yếu tố nguy cơ đến bệnh.
Các chiến lược kiểm soát yếu tố gây nhiễu:
Người làm nghiên cứu có thể thiết lập các hàng rào để loại bỏ nhiễu ở hai giai đoạn:
Giai đoạn 1: Trong lúc thiết kế nghiên cứu (Trước khi lấy số liệu)
Hạn chế (Restriction): Nếu nghi ngờ tuổi tác là yếu tố gây nhiễu, bạn chỉ chọn bệnh nhân trong một độ tuổi hẹp (ví dụ: chỉ lấy nam giới từ 40-50 tuổi). Nhược điểm: Khó tìm đủ bệnh nhân và kết quả không áp dụng được cho người ngoài 50 tuổi.
Bắt cặp (Matching): Thường dùng trong nghiên cứu Bệnh - Chứng. Cứ chọn 1 ca bệnh nhân nam, 45 tuổi, hút thuốc lá, bạn phải tìm 1 ca nhóm chứng y hệt (nam, 45 tuổi, hút thuốc lá). Việc này triệt tiêu hoàn toàn sự ảnh hưởng của giới tính, tuổi tác và thuốc lá.
Ngẫu nhiên hóa (Randomization): Đây là "vũ khí tối thượng" trong Thử nghiệm lâm sàng (RCT). Nó không chỉ phân bố đều các yếu tố nhiễu mà bạn đã biết, mà còn cân bằng luôn cả những yếu tố nhiễu mà y học hiện tại chưa biết đến.
Giai đoạn 2: Trong lúc phân tích số liệu (Khi đã lỡ lấy số liệu xong)
Phân tầng (Stratification): Chẻ nhỏ dữ liệu ra để phân tích. Ví dụ: Bạn tách riêng nhóm có hút thuốc và nhóm không hút thuốc ra thành 2 bảng, sau đó mới tính toán lại xem mang bật lửa có gây ung thư phổi trong từng nhóm không.
Mô hình hồi quy đa biến (Multivariable Regression): (Đã nhắc ở Bài 8). Đây là cách phổ biến nhất hiện nay. Bạn đưa Yếu tố nguy cơ chính (A) và tất cả các Yếu tố gây nhiễu (C1, C2, C3...) vào phần mềm SPSS hoặc R. Phần mềm sẽ dùng các thuật toán toán học để "giữ cố định" (adjust) các yếu tố nhiễu, từ đó trả về cho bạn giá trị thật sự của A đối với B.
Lời khuyên: Hãy vẽ một sơ đồ tư duy liệt kê TẤT CẢ các yếu tố có thể ảnh hưởng đến kết quả lâm sàng của bệnh nhân trước khi bạn lập Phiếu thu thập số liệu. Nếu bạn quên không thu thập dữ liệu về một yếu tố gây nhiễu (ví dụ quên hỏi tiền sử hút thuốc), bạn sẽ không có bất kỳ con số nào để đưa vào mô hình hồi quy lúc phân tích.
- Đăng nhập để gửi ý kiến
