Longitudinal data analysis

          ในปัจจุบันงานวิจัยทางการแพทย์ มีรูปแบการวิจัยที่ซับซ้อนมากขึ้นเรื่อยๆ และบนความซับซ้อนนี้ ต้องการสถิติชั้นสูงในการวิเคราะห์ข้อมูล จึงจะทำให้การนำเสนอผลงานนั้นมีประโยชน์ และนำไปประยุกต์ใช้ในเวชปฏิบัติได้  ลักษณะของข้อมูลในงานวิจัยทางการแพทย์ส่วนใหญ่เป็นข้อมูลกลุ่ม (categorical data)  และเป็นข้อมูลที่เป็นช่วงเวลากับเหตุการณ์ (time to event) ซึ่งสถิติที่ใช้ในการวิเคราะห์ข้อมูลเหล่านี้คือ Logistic regression, Survival analysisและ Longitudinal data analysis ตามลำดับ

           การวิเคราะห์ Logistic regression มีขั้นตอนที่ซับซ้อนแต่ไม่ยากถ้าผู้วิเคราะห์เข้าใจหลักการของสถิติตัวนี้ ประโยชน์ที่ถูกนำมาใช้บ่อยมากขึ้นคือการสร้างสมการทำนายการเกิดโรค ที่เรียกว่า Prediction score model ซึ่งเป็นเครื่องมือที่มีการใช้อย่างแพร่หลายในเวชปฏิบัติ ในการทำนายการเกิดโรค หรือผลกระทบจากการเกิดเหตุการณ์นั้นๆ เช่น A simplified prediction score for sleep apnea, Prediction score model for neonatal sepsis, prediction score model for osteoporosis, Prediction score model for mortality in major trauma และอื่นๆอีกมากมายใน Literatures

           ลักษณะการดำเนินการของโรค เมื่อเกิดขึ้นแล้ว จะสามารถบอกได้ดีโดยการวิเคราะห์แบบ Time to event analysis หรือ Survival analysis นั้นเอง เช่น Disease prognosis after treatment in breast cancer, time to remission after treatment, probability of survival at 2, 5 years after diagnosis, etc.  การวิเคราะห์แบบนี้มี Pitfalls ที่ควรตระหนักมากมาย   ที่ผู้วิเคราะห์หรือผู้ใช้ข้อมูลควรรู้ จึงจะเกิดประโยชน์ต่องานวิจัยนั้นๆ  

           กลุ่มงานระบาดวิทยาคลินิกและชีวสถิติ  จึงได้จัดให้มีการอบรมระยะสั้นสำหรับสองเรื่องนี้  ให้แก่ผู้วิจัยทางการแพทย์ทั่วไปที่สนใจ โดยการฝึกอบรมนี้จะเป็นการฝึกอบรมเชิงปฏิบัติการที่มีการวิเคราะห์ข้อมูลจริงจากงานวิจัย