เมื่อวันที่ 8 สิงหาคม 2564 สืบเนื่องจาก นพ.สันต์ ใจยอดศิลป์ ศัลยแพทย์หัวใจและผู้เชี่ยวชาญด้านเวชศาสตร์ครอบครัว ได้โพสต์เขียนบทความลงบนเฟซบุ๊กส่วนตัว ระบุว่าเมื่อวานนี้ ทีมผู้วิจัย (ชาวไทย) ซึ่งได้ทำวิจัยแบบสุ่มตัวอย่างแบ่งกลุ่มเปรียบเทียบ (RCT) ที่สรุปผลได้ว่าฟ้าทะลายโจรใช้รักษาโควิด19แล้วมีผลดีลดการเกิดปอดอักเสบได้ ได้ขอถอนนิพนธ์ต้นฉบับของตนเองที่รอตีพิมพ์กลับคืนจากคลังวารสารรอตีพิมพ์ (medRxiv) ด้วยเหตุผลว่ามีความผิดพลาดในการคำนวณค่านัยสำคัญของความแตกต่าง(p-value)จึงของดการเผยแพร่ไว้ก่อนเพื่อป้องกันการนำผลวิจัยไปใช้ด้วยสำคัญผิด          

เจาะลึกลงไปอีกหน่อยก็คือในงานวิจัยนั้นรายงานว่า

          กลุ่มผู้ใช้ฟ้าทลายโจร 29 คน เป็นปอดอักเสบ 0 คน
          กลุ่มที่ใช้ยาหลอก 28 เป็นปอดอักเสบ 3 คน
          คำนวณนัยสำคัญของความแตกต่างได้ p=<0.039 ซึ่งเป็นความแตกต่างที่มีนัยสำคัญ (ตัดกันที่ p=<0.05)
          แต่หากคำนวณอย่างถูกต้องแท้จริงแล้วค่านัยสำคัญจริงๆคือ p=0.1
          แปลไทยให้เป็นไทยก็คือจะต้องเปลี่ยนคำสรุปว่า “ยังสรุปไม่ได้ว่าการใช้ฟ้าทลายโจรลดปอดบวมได้แตกต่างจากใช้ยาหลอกหรือไม่”
          ท่านผู้อ่านอาจคิดแย้งว่า
          
“..อ้าว..ได้ไง ก็กลุ่มหนึ่งเป็นปอดบวมสามคนอีกกลุ่มหนึ่งไม่เป็นเลย ต่างกันเห็นๆจะมาสรุปว่าไม่ต่างกันได้อย่างไร”
          
หิ..หิ ใจเย็นๆครับคุณพี่ เรากำลังเล่นกับวิทยาศาสตร์ ซึ่งเป็นระบบความเชื่อที่ให้ความสำคัญกับโอกาสเป็นไปได้ (probability) และนัยสำคัญของความแตกต่าง (significantly difference) โดยกำหนดกฎกติกามารยาทร่วมกันขึ้นมาว่าหากค่า p ต่ำกว่า 0.05 ให้ถือว่าเป็นความแตกต่างที่มีนัยสำคัญ หากต่างกันอย่างไม่มีนัยสำคัญ ก็ถือเอาแบบสมมุติว่าคือไม่แตกต่างกัน เออ..งงแมะ
          
“..แล้วค่า p นี้มันได้มาอย่างไร เรื่องใหญ่ขนาดนี้ทำไมจึงคำนวณผิดได้”
          
หิ หิ ใจเย็นครับ ตอบว่าสมัยนี้ค่า p ได้มาจากการจิ้มค่าต่างๆที่ได้จากการวิจัยเข้าไปในคอม แล้วคอมก็คำนวณตามสูตรออกมาให้ หากได้ค่าผิดไม่ได้หมายความว่าคอมคำนวณผิดนะ แต่หมายความว่า..จิ้มผิด ซึ่งเรื่องแบบนี้เกิดขึ้นเป็นประจำ เดี๋ยวต้องขอถอนต้นฉบับกลับ เดี๋ยวต้องเขียนคำแก้ไขไปตีพิมพ์ต่อท้าย นี่เป็นวิถีชีวิตปกติของนักวิจัย
          
“..แล้วทำอย่างไรจะให้มันเกิดความแตกต่างอย่างมีนัยสำคัญขึ้นมาได้ละ”
          
ตอบว่าก็ต้องทำวิจัยใหม่โดยขยายกลุ่มตัวอย่างให้ใหญ่ขึ้น วิธีการรักษาที่ให้ผลแตกต่างกันหากทำวิจัยเปรียบเทียบโดยใช้กลุ่มตัวอย่างเล็กจะมองไม่เห็นความแตกต่างนั้น แต่หากกลุ่มตัวอย่างใหญ่ขึ้นก็จะเห็นความแตกต่างนั้นโดยง่าย เพราะค่า p-value ออกแบบไว้ชดเชยความเล็กของกลุ่มตัวอย่าง ยิ่งกลุ่มตัวอย่างเล็ก ยิ่งยากจะเห็นความแตกต่างผ่านค่า p-value แต่ในทางกลับกันหากใช้กลุ่มตัวอย่างใหญ่เว่อร์เกินความจำเป็นก็จะกลายเป็นความเซ่อทางการวิจัย คือเสียเงินเสียเวลาและเดือดร้อนอาสาสมัครมากโดยใช่เหตุ

ประเด็นไม่ใช่อยู่ที่ทำไมจิ้มคอมผิด แต่ประเด็นอยู่ที่มันจำเป็นต้องทำการวิจัยนี้ซ้ำใหม่ด้วยกลุ่มตัวอย่างที่ใหญ่ขึ้นกว่าเดิม เพราะตราบใดที่โควิด19ยังมีโดยวัคซีนยังไม่มา เรื่องนี้ก็จะยังคงเป็นเรื่องใหญ่ เป็นเรื่องคอขาดบาดตาย และเป็นเรื่องระดับชาติ เพราะฟ้าทลายโจรรักษาโควิดได้จริงหรือไม่เป็นเรื่องสำคัญ หากฟ้าทลายโจรรักษาโควิดได้จริง เราก็จะได้อาศัยฟ้าทลายโจรนำพาชาติให้พ้นภัย (หิ..หิ พูดเหมือนจอมพลตราไก่เลย)
          
ตัวหมอสันต์เองกำลังดูลาดเลาที่จะลุ้นให้เกิดงานวิจัยนี้ โดยกำลังพูดคุยหารือกับผอ.รพ.มวกเหล็ก ผอ.ศูนย์วิทยาศาสตร์การแพทย์เขต4(สระบุรี) และเซียนด้านการวิจัยทางการแพทย์ท่านหนึ่งในเมืองหลวง เรื่องสปอนเซอร์ที่จะดูแลค่าใช้จ่ายในการวิจัยนั้นไม่หนักใจ แต่เกรงใจที่ต้องไปรบกวนน้องๆที่หน้างานซึ่งทุกวันนี้งานรูตีนเขาก็อ๊วกรับประทานกันอยู่แล้ว จะพูดกับแต่ละคนทีนึงก็ต้องรอท่านกลับเข้าบ้านกันก่อน ซึ่งก็ไม่เคยต่ำกว่าสามทุ่ม แต่แม้จะเกรงใจก็คิดว่าจะเดินหน้าทำ เพราะหากไม่ทำ เราก็จะยักตื้นติดกึก ยักลึกติดกัก กันอยู่ตรงนี้ไปไหนต่อไม่ได้ ส่วนจะทำวิจัยครั้งนี้ได้สำเร็จหรือไม่ก็ต้องตามลุ้นกันต่อไป
          
ในระหว่างที่งานวิจัยใหม่นี้ยังไม่ออกมา ชาวไทยเราก็ต้องอาศัยข้อสรุปใหม่ล่าสุดที่ว่า “ยังไม่ทราบว่าฟ้าทลายโจรลดปอดบวมในคนไข้โควิด-19ได้แตกต่างจากยาหลอกหรือไม่” ไปพลางๆก่อนนะครับ และที่หมอสันต์เคยบอกว่าหลักฐานวิทยาศาสตร์สนับสนุนการใช้ฟ้าทลายโจรรักษาโควิดตอนนี้มีมากพอแล้วนั้น ก็ต้องถอนคำพูด และขอใช้คำพูดใหม่ว่า
          
“หลักฐานวิทยาศาสตร์สนับสนุนการใช้ฟ้าทลายโจรรักษาโควิดตอนนี้ยังมีไม่พอ ต้องรอการวิจัยซ้ำด้วยกลุ่มตัวอย่างที่ใหญ่ขึ้น”
          
นพ.สันต์ ใจยอดศิลป์
          
ปล. หลังเขียนบทความนี้ไม่กี่ชั่วโมง ผมก็ได้ทราบทางหลังไมค์อย่างไม่เป็นทางการว่าสถานการแพทย์แผนไทยประยุกต์(ซึ่งเป็นส่วนหนึ่งของคณะแพทยศาสตร์ศิริราชพยาบาล)กำลังจะทำงานวิจัยเดียวกันนี้อยู่พอดี ฮี่..ฮี่ สบายหมอสันต์เขาแล้ว ผมเปลี่ยนแผนเป็นนั่งรอดีกว่า

ต่อมาเพจ "ธีระวัฒน์ เหมะจุฑา Thiravat Hemachudha" ได้โพสต์ข้อความว่า 

เอานัยสำคัญทางสถิติ ลงขยะกันเถอะ (1)

ไทยรัฐ สุขภาพหรรษา
หมอดื้อ

บทความนี้ดัดแปลงมาจากบทความสั้น “Scientists rise up against statistical significance” นิตยสาร Nature, 2019 พาดหัวว่า นักวิทยาศาสตร์มากกว่า 800 คน อยากจะให้เลิกเอานัยสำคัญทางสถิติ (statistical significance) มาโม้ได้แล้ว

เริ่มเลยละกัน ลองมองกลับไปในการประชุม วิทยาศาสตร์ ครั้งสุดท้ายที่ได้ยินคนพูดว่า การศึกษานี้ไม่พบว่ามีความแตกต่าง นัยสำคัญทางสถิตินั้นเมื่อไหร่ และก็เหมือนกันที่ได้ยินบ่อยว่าการศึกษานี้มีความสำคัญหรือยานี้ได้ผล แต่หลักฐานที่ให้มาก็แค่ค่า p value นั้นที่น้อยกว่า 0.05 พวกเราคนฟังเองก็คล้อยตามกันไปว่าค่า p value โอเค การศึกษานี้ก็คงใช้ได้คงจะดี ปัญหาคือการที่ทำให้มันมีน้ำหนักมากเกินไป จนไม่ดูหลักฐานอื่นๆเลย

นักวิทยาศาสตร์ความรู้ก็เยอะควรจะอ่านหาหลักฐานจากจุดอื่นนอกจากสถิติ ทั้งๆที่เมื่อคนทั่วไปอ่าน ไม่ต้องดูสถิติก็ตัดสินได้แล้วนะว่า เฮ้ย...อันนี้มันดี มันสำคัญ หรืออันนี้มันไร้สาระ แต่ถึงจะรู้แบบนี้การแก้มันยากเพราะเรื่องสถิตินี้มันถูกฝังในหัวมาตั้งแต่เรียนแล้วละ จะทำยังไง ได้ล่ะ มีวิธีเสนอมาดังนี้

ก่อนอื่นเราต้องหยุดสรุปการศึกษาต่างๆ ว่ามีความสำคัญหรือไม่มีความสำคัญจากนัยสำคัญทางสถิติอย่างเดียว และไม่ควรเอาการศึกษาที่คล้ายกันมาเปรียบเทียบ แต่พอสถิติไม่เหมือนกันก็เลยกลายเป็นปัญหาว่าอันไหนถูกอันไหนผิด หรือที่เชื่อถือไม่ได้ทั้งคู่ต้องทำไหม ทำแบบนี้นะ การศึกษาที่ควรมีประโยชน์กลับโดนตีว่าผิด อันไหนมีอันตรายกลับบอกว่าไม่มีอันตราย มีตัวอย่างให้ดูด้วย เช่น การศึกษาผลข้างเคียงของยาแก้ปวด (NSAIDs)
พอนัยสำคัญทางสถิติมีตัวเลขเกิน p > 0.05 (p = 0.091) ก็เลยสรุปว่าการใช้ไม่เกี่ยวกับการเกิดหัวใจเต้นผิดปกติ (Atrial fibrillation) ซึ่งถูกนำมาโต้กับการศึกษาที่ออกมาก่อนหน้านี้ที่สรุปว่าเกี่ยว เพราะตัวเลขสถิติน้อยกว่า p < 0.05 เมื่อมาดูลึกๆในการศึกษาที่บอกว่าการใช้ยาไม่เกี่ยวกับการที่หัวใจเต้นผิดปกติ แท้จริงแล้วพบว่าความเสี่ยงของคนใช้ยามากกว่า ถึง 1.2 เท่า ซึ่งหมายถึงคนใช้ยามีความเสี่ยงเต้นผิดปกติมากกว่าคนไม่ใช้ยา 20% และ ช่วงความเชื่อมั่น (confidence interval) 95%นั้นอยู่ระหว่าง ความเสี่ยงลดลง 3% ถึงความเสี่ยงเพิ่มขึ้น 48% (-3% ถึง 48%) 

มาดูการศึกษาที่บอกว่ายาทำให้เกิดหัวใจเต้นผิดปกติบ้าง ก็พบว่า ความเสี่ยงของคนใช้ยาก็ 1.2 เท่าเหมือนกัน แต่การศึกษานี้มีความแม่นยำกว่าจึงได้ช่วงความเชื่อมั่นความเสี่ยงที่ไม่คาบ 0% (9% ถึง 33%) (p = 0.0003) มีตัวอย่างแบบที่กล่าวอีกไม่รู้เท่าไหร่
พอจะเห็นภาพรึยังครับว่าทำไมการสรุปโดยใช้นัยสำคัญทางสถิติอย่างเดียวมันฟังไม่ขึ้นเลย ทั้งๆที่มีสิทธิ์เพิ่มความเสี่ยงหัวใจเต้นผิดปกติได้มากถึง 48% แต่กลับนำแค่ค่า 
p value มาตัดสินว่าไม่มีความเกี่ยวกัน

ในปี 2016 กลุ่มสถิติอเมริกา (American Statistical Association) ออกมาแถลงเตือนการใช้สถิติในทางที่ผิดหรือไม่ไตร่ตรองให้ดีเสียก่อน และก็ขอให้เลิกพูดว่ามีนัยสำคัญทางสถิติหรือ “statistically significant” นั่นเอง 

ทาง Nature เองก็เห็นด้วยและควรจะหยุดใช้ได้แล้ว นอกจากนั้นนักวิทยาศาสตร์ นักสถิติชั้นนำมาอ่านที่เขียนและก็ได้ลงชื่อด้วยลายเซ็นมากถึง 250 ลายเซ็นในแค่วันแรก จากนั้นก็ได้ถึง 800 ลายเซ็นภายในหนึ่งอาทิตย์ ลายเซ็นของทุกคนล้วนเป็นนักวิทยาศาสตร์ที่มีความรู้ทางสถิติ
เคยใช้การวิเคราะห์ทางสถิติมาแล้วอย่างช่ำชอง มาจากทุกทวีปเลย ยกเว้นก็แค่แอนตาร์กติกาที่เดียวเท่านั้น ทั้งนี้ มีคนยกย่องสิ่งที่ริเริ่มกำลังทำว่าเป็นความจำเป็นสำหรับการศึกษาวิจัยที่จะมีคุณภาพดีขึ้น

เรายังไม่ได้จะไปไกลถึงขนาดที่บอกว่าให้เอาค่า p value ทิ้งขยะ ค่า p value เมื่อใช้ให้ถูกย่อมมีประโยชน์ เช่น การใช้ในการควบคุมคุณภาพสินค้า แต่ไม่ใช่เอามาเพื่อใช้สนับสนุนสมมติฐานที่อาจจะฟังไม่ขึ้น หรือว่าเอามาใช้เพราะหลักฐานสนับสนุนมันน้อยเลยเอามาคิดค่าสถิติหาหลักฐานเพิ่มซักหน่อย เพราะสมองเราสามารถคิดได้มากกว่าแค่ดูสถิติแน่นอน แต่เมื่อมีการเอาสถิติมาแบ่งแค่สองส่วน คือวิจัยนี้สำคัญ หรือไม่สำคัญทำให้เกิดการแตกแยกของการวิจัย ทั้งๆที่บางครั้งวิจัยทั้งสองอันเอามาอ่านด้วยกันอาจจะทำให้มีความหมายมากกว่าเดิมก็ได้

แต่จนถึงขณะนี้ความเชื่อถือในสถิติและการให้ความสำคัญของมันก็ยังติดมาจากสมัยโบราณ ทำให้นักวิจัย และบรรณาธิการนิตยสารก็ยังให้ความสำคัญกับผลการวิจัยที่มีนัยสำคัญทางสถิติมากกว่า ทำให้การศึกษาโดยรวมๆที่ถูกตีพิมพ์มีความบิดเบือน นอกจากนี้ การให้ความสำคัญกับสถิติมาก ทำให้นักวิทยาศาสตร์บางกลุ่มบิดเบือนผลอย่างแยบยลโดยการเลือกผลที่จะทำให้มีนัยสำคัญทางสถิติ จึงบิดเบือนความจริงกันเข้าไปใหญ่ หรือเวลาที่ไม่อยากให้มีผลเสียเช่นผลข้างเคียงจากยาก็พยายามเลือกให้ผลออกมาไม่มีนัยสำคัญทางสถิติ

ทั้งนี้ ก็มีการพยายามให้จดทะเบียนการวิจัยก่อนเริ่ม เพื่อจะได้ไม่เลือกผลทีหลัง และการผลักดันให้ตีพิมพ์ผลที่มีและไม่มีนัยสำคัญทางสถิติเพื่อลดความสำคัญของนัยสำคัญทางสถิติ แต่ก็ยังไม่พ้นการเบี่ยงเบนผลจากการที่ยังสามารถเลือกการวิเคราะห์ผลวิจัยได้ ฉะนั้น การใช้ค่า p value อย่างมีวิจารณญาณ
การเริ่มอ่านวิจัยอย่างจริงจังว่าภาพรวมมันบอกว่าอย่างไรจึงสำคัญที่สุด 

อีกเหตุผลที่ควรจะใช้ค่า p value ให้น้อยลงก็เพราะถึงจะเป็นการศึกษาเดียวกันเป๊ะ แต่ทำคนละเวลา ค่า p value ที่ออกมานั้นมันจะแตกต่างกันได้อย่างกว้างมากเลยทีเดียว ถ้ามันจะออกมาได้กว้างมากขนาดนี้เราจะใช้มันไปทำไม เราต้องเรียนรู้ที่จะศึกษาวิจัยโดยไม่ใช้ค่านี้ได้แล้วกระมัง แต่หันมาใช้ช่วงความเชื่อมั่น (confidence intervals) แทน

ทั้งนี้ ก็แนะนำให้เปลี่ยนชื่อมันไปเลยเป็น ช่วงความพอไปได้ (compatibility intervals) และอยากจะให้นักวิจัยเอาช่วงความเป็นไปได้นี่ละมาวิเคราะห์ดู กะดูว่าค่าที่ควรจะเป็นมันควรอยู่ตรงไหนในความเป็นจริงและบอกเหตุผลประกอบ เป็นอย่างไรบ้างการเปลี่ยนแปลงที่กำลังมา ต่อในตอนที่สองนะครับ.

เอานัยสำคัญทางสถิติ ลงขยะกันเถอะ (2)

ถ้าพรุ่งนี้ทุกคนเลิกใช้และเลิกพูดถึงนัยสำคัญทางสถิติ โลกจะเป็นอย่างไร ก็ต้องใช้สมองในการคิดมากขึ้นแน่นอน คิดเยอะขึ้นและดูหลักฐานให้ครบใช้สถิติให้น้อย เอาเวลามาคิดดีกว่า

ไทยรัฐ สุขภาพหรรษา
หมอดื้อ

ยังอยู่ในเรื่องของนัยสำคัญทางสถิติ (statistical significance) และช่วงความพอไปได้ (compatibility intervals) นะครับ ผมเองเบื่อมากแล้วที่จะมานั่งอ่านการใช้สถิติอย่างไม่มีองค์ประกอบ เบื่อที่จะอ่านว่าสถิตินั้นสนับสนุน ทั้งๆที่ใครอ่านดูทั้งหมดก็รู้แล้วว่ามันไม่น่าจะใช้นะ
เอาละ ช่วงความเป็นไปได้ ที่เสนอมานั้นจะใช้ยังไง มีสี่อย่างที่อยากจะเสนอ 

หนึ่งคือ เวลาพูดถึงช่วงความพอไปได้นั้น ถึงค่าทั้งหมดจะอยู่ในความคาดเดาแต่ไม่ได้หมาย ความว่าค่าที่อยู่นอกเหนือจากนี้จะไม่เกี่ยว มันก็ยังมีความเกี่ยวและยังเป็นไปได้ แต่แค่อาจจะไม่ได้มีความหมายมากเท่ากันเท่านั้นเอง

สองคือ ค่าที่ควรจะเป็นนั้นสำคัญเพื่อเป็นจุดเริ่มคำอธิบายและค่าใกล้ๆ กับค่านี้ก็มีความสำคัญเกือบเท่าเทียมกันเช่นตัวอย่างที่กล่าวตอนต้นว่า ความเสี่ยงหัวใจเต้นผิดปกติเพิ่ม 20% ค่าที่ควรจะเป็นก็คือ 20%

แต่มีความกว้างไปตั้งแต่ความเสี่ยงลด 3% ถึงเพิ่ม 48% วิธีแบบนี้นั้นจะช่วยไม่ให้เราเอาสถิติมาใช้อย่างผิดๆ และเอามาเป็นหลักฐานมั่วๆ

สามคือ ไม่เห็นจำเป็นที่จะต้องใช้ 0.05 หรือ 95% interval เลยเพราะตัวเลขนี้ไม่ได้มีหลักการอย่างใดแต่คนรุ่นก่อนเค้าคิดว่าก็เป็นตัวเลขที่ดีนะ แต่ตอนนั้นเค้าไม่ได้มีความรู้ทางด้านวิทยาศาสตร์ หรือความรู้ในพยาธิสรีรวิทยาที่จะมาช่วยวิเคราะห์อย่างตอนนี้สักหน่อย

สุดท้ายคือ ให้อ่อนน้อมในการวิเคราะห์ เพราะการทำนายผลนั้นมีความไม่แน่นอนเยอะ จึงควรลดความไม่แน่นอนให้ได้มากที่สุดด้วยการทำนายผลสรุปให้ชัดเจนและมุ่งทำการศึกษาต่อเฉพาะในส่วนที่มีความเป็นไปได้เท่านั้น

... แน่นอนต้องมีคนคัดค้านเยอะในการเลิกใช้นัยสำคัญทางสถิติ เหตุผลที่ให้คือ จำเป็นต้องใช้ในการตัดสินใจว่าผลอันนี้มันสำคัญหรือไม่สำคัญ แต่แล้วยังไงเพราะเมื่อมีการตัดสินใจในการออก คำแนะนำ หรือการออกกฎก็มักจะดูแต่ความคุ้มค่า และความเสี่ยง ส่วนการจะทำวิจัยต่อ
ยอด น้อยครั้งที่ใช้ค่า p value เป็นตัวตัดสินใจ

ถ้าพรุ่งนี้ทุกคนเลิกใช้และเลิกพูดถึงนัยสำคัญทางสถิติ โลกจะเป็นอย่างไร ก็ต้องใช้สมองในการคิดมากขึ้นแน่นอน คิดเยอะขึ้นและดูหลักฐานให้ครบ และนำมาเขียนวิธีทำการวิจัย การประเมินผล

อย่างละเอียด ใช้สถิติให้น้อย เอาเวลามาคิดดีกว่า สุดท้ายเราก็หวังว่าการเอาสถิติออกไปจะหยุดการกล่าวอ้างเช่นในการศึกษานี้ ไม่สามารถให้ผลได้อย่างการศึกษาที่ผ่านมาฉะนั้นไม่สามารถเชื่อถือได้ การใช้สถิติแบบนี้นั้นทำลายวงการวิทยาศาสตร์มามากพอแล้ว เลิกเถอะ ปล่อยมันไปเถอะครับ

ยังอยู่ในวงของสถิติถัดมาคือการวิเคราะห์คำแนะนำทางคลินิก (Guideline recommendation) ที่ใช้หลักฐานจากการวิเคราะห์อภิมาน (Meta-analysis) การวิเคราะห์อภิมาน นั้นเป็นการรวบรวมผลงานวิจัยจากหลายๆฉบับมาประมวลผล และจัดว่าเป็นการวิจัยที่มีน้ำหนักมากที่สุด จึงนิยมนำมาใช้ทำคำแนะนำทางคลินิก

อันนี้เรามาดูบทความจาก Annals of Internal Medicine ในบทความ “Threshold Analysis as an Alternative to GRADE for Assessing Confidence in Guideline Recommendations Based on Network Meta-analyses” ซึ่งกล่าวถึงวิธีประมวลคำแนะนำทางคลินิก เค้าใช้วิธีมองที่แปลกออกอีกมุมหนึ่งจึงได้คิดการประมวลที่ต่างออกมาจากของเดิม โดยดูว่าข้อมูลที่เอามาใช้ออกคำแนะนำมันจะต้องเปลี่ยนไปมากแค่ไหนก่อนที่คำแนะนำนี้จะฟังไม่ขึ้น ที่ทำแบบนี้ก็เพราะการศึกษาที่เอามาคิดคำนวณใน metaanalysis นั้นล้วนใช้ค่า p value ทั้งนั้น

ฉะนั้น ก็เสี่ยงที่จะมีการบิดเบือน หรือการแปรเปลี่ยนตามสถิติ ฉะนั้นถ้ามองเข้ามาโดยดูว่าข้อมูลที่ใช้เข้าไปทำคำแนะนำอาจจะมีค่าอยู่ในช่วงใดบ้าง (threshold) ยกตัวอย่างเช่นถ้าผลที่เอามา

สนับสนุนคำแนะนำ บอกว่ายาตัวนี้ช่วยลดความเสี่ยงโรคเส้นเลือดตีบได้ 50% (relative risk of 0.5) มันจะต้องห่วยกว่านี้แค่ไหน คำแนะนำนี้ถึงจะไม่มีมูลและไม่ได้ผล ถ้าดูได้ขนาดนี้ก็จะดูได้ด้วยว่าคำแนะนำนี้มีน้ำหนักแค่ไหน

โดยความละเอียดในการประมวลผลนั้น สามารถปลีกแยกไปดูคุณภาพของแต่ละการวิจัยที่นำมาใช้ทำคำแนะนำอีกด้วย ซึ่งถ้าคุณภาพดีก็จะมีน้ำหนักในคำแนะนำมากกว่า นอกจากนี้ ผู้คิดก็ใจดีไม่หวงจึงมีข้อมูลโค้ดที่เขาใช้นำมาคิดด้วย ใครสนใจก็ลองเข้าไปดู สามารถนำมาใช้ได้ฟรี

ที่เอามาจบท้ายก็เพราะเดี๋ยวนี้มีคำแนะนำเยอะและก็จะมีการให้คะแนนเช่น คำแนะนำนี้มีหลักฐานระดับ A1 บ้าง B2 บ้าง อะไรแบบนี้ แต่เวลาอ่านหลายๆคำแนะนำ 

ทั้งๆก็เป็นเรื่องที่รู้กันดี หรือยาที่ใช้ได้ดีแต่ได้หลักฐานต่ำเลย เพราะหลักฐานน้อย แต่หลักฐานน้อยในที่นี้อาจจะเป็นเพราะวิธีดูหลักฐานมุ่งแต่ดูนัยสำคัญทางสถิติอย่างเดียวนะครับ ซึ่งบางครั้งหลายการวิจัยค่า p value อาจไม่ถึงเกณฑ์

จึงเป็นที่มาของวิธีคำนวณแบบใหม่ที่พูดถึงนี้ ที่สำคัญที่สุด นอกจากวิธีคำนวณนี้ก็คือ การที่เราต้องถามตัวเองเวลาดู หรือจะทำคำแนะนำว่า คำถามคืออะไร แล้วถามไปได้อะไร และคำแนะนำจะได้ประโยชน์อะไรต่อคนไทยครับ.

และโพสต์อีกว่า ถ้าพรุ่งนี้ทุกคนเลิกใช้และเลิกพูดถึงนัยสำคัญทางสถิติ โลกจะเป็นอย่างไร  ก็ต้องใช้สมองในการคิดมากขึ้นแน่นอน คิดเยอะขึ้นและดูหลักฐานให้ครบ ใช้สถิติให้น้อย เอาเวลามาคิดดีกว่า

เราดูแคลน ยา สมุนไพรมากมาย ว่าทำการศึกษาในคนแล้ว สถิติไม่ตัดสิน ว่าดี และโยนมันทิ้ง แต่กลไกบองยา สาร กลไกโรค การเฝ้าสังเกตุการตอบสนองใน สถานการณ์จริง ซ้ำแล้วซ้ำเล่า แม้จะไม่ได้มีทุนวิจัยเครื่องมือหรูหรา แต่ "คนทุกคนเข้าถึงได้ เสมอภาค และมีความปลอดภัย" ในที่สุด การศึกษาด้านลึกอธิบายกลไกได้ในที่สุดเราละเลยอะไรไปหรือเปล่า?