在健保資料庫的使用中，
有個很重要的bias是很容易發生、卻也很容易被忽略的，
尤其是當看到有顯著就開槍時...

那就是 confounding by indication

from imgkid.com

confounding by indication，
就是我們在一開始的分組時，
就埋下了不公平的種子

簡單來說，

今天如果我們要比較家長財富跟後代就讀國外名門大學的差別，
會發現到有錢人家子女的數量是遠大於低收入家庭的子女，
這表示有錢人家的小孩都比較聰明嗎？
當然不是，
拜託，出國念書耶，光學費就多少錢了...



這個極端的例子就是confounding by indication bias

而這樣的例子在醫學研究，
尤其是NHIRD的使用上是層出不窮

像是，如果我們要研究norvasc是否會引起中風，
所以找了兩組人，一組是有使用norvasc、一組是完全沒有使用過的，
會發現～咦！有使用norvasc組發生中風的機率大於沒有使用過的?!
這其實只是因為norvasc是最被廣泛使用的第一線血壓藥物，
會使用的人就是有高血壓，
沒使用的人大部份是沒有高血壓的，
而高血壓本身就是中風的risk factor

所以為了要避免這樣的誤差，
這樣的topic最好的實驗設計應該是取兩組血壓相當的病人，
隨機分配後，一組給予norvasc、一組給placebo或其他血壓藥物
就像這篇 Brown, 2000, Lancet 一般

而這樣的分配在NHIRD中確是有難度，
因為我們沒有PE data跟lab data，
而且都是retrospective的，
並沒有辦法先做到亂數分組再做隨機介入

這樣的bias真的很常見，
再舉一個例子

就像如果我們去比較solaxin的使用跟insomnia的關係，
我相信是會有很強的正相關，
因為臨床上許許多多焦慮的患者(這在我們家醫科門診實在太多太多了)，
都會同時抱怨肩頸痠痛、背痛跟失眠，
所以是主要族群不同造成的差異，並不是solaxin會造成失眠

另外再加上ICD9 code在臨床使用的「習慣」，
這樣的bias常常會出現在一些「小病」上面，
有可能我們一開始include的患者就是有就醫習慣上的差別，
才會造成診斷率的差別，
這最常見到的就是一系列跟irritable bowel syndrome相關的文章，
因為臨床上irritable bowel syndrome就是常常會為了藥物而加上去的診斷碼，
更常會出現在頻繁就醫的患者身上，
而這些頻繁就醫的患者本身就更可能會被診斷出其他問題
(這叫做surveillance bias)

在判讀相關文章的時候，
我們通常可以由幾個點來抓出這篇文章是不是有confounding by indication bias

首先先看table 1，
通常文章的table 1都是描述basic characteristics，
若是發現兩組的comorbidity有很大差異，
那基本上就有很大的可能了，
尤其是這些差異的comorbidity是會影響到outcome的時候

或許你會說，可以用multivariate或是propensity score校正呀，
嗯，孩子，
這樣的招數騙得了reviewer、騙不了廣大研究者，
因為每個研究者都知道其中的「奧妙」呀...
(至於reviewer是真不知道還是假不知道，我就不知道了...)

另外我們也可以看是否有正確的dose effect，
若是真的有正相關的，
通常也都會隨著dose或duration有越來越明顯的趨勢，
所以要是看到後面分組的HR/OR怎麼「怪怪的」，
就建議回去再找找看有沒有什麼線索囉...

confounding by indication bias在NHIRD的研究設計上實在是很惱人，
但是還是有些解決的辦法的

怎麼解決... 又是長長一篇了... 待續囉～