Một sai lầm nền tảng khi làm việc với dữ liệu bệnh án: coi nó như một mẫu đại diện của dân số.
Nó không phải. Nó là kết quả của một chuỗi lựa chọn.
Chuỗi lựa chọn
Để một người xuất hiện trong dữ liệu với một chẩn đoán, phải xảy ra toàn bộ chuỗi sau:
- Người đó có triệu chứng, hoặc thuộc diện được tầm soát.
- Họ nhận ra vấn đề và quyết định đi khám.
- Họ có khả năng tiếp cận dịch vụ — về địa lý, tài chính, thời gian.
- Họ tới đúng cơ sở có dữ liệu được phân tích.
- Bác sĩ nghi ngờ và chỉ định xét nghiệm.
- Xét nghiệm được thực hiện.
- Kết quả được ghi vào hệ thống ở dạng trích xuất được.
Mỗi bước đều lọc bỏ một nhóm người. Và việc lọc không ngẫu nhiên.
Thiên lệch tiếp cận
Ai đi khám và ai không phụ thuộc vào nhiều yếu tố ngoài y tế: khoảng cách, chi phí, thời gian nghỉ làm, hiểu biết về sức khoẻ, kinh nghiệm trước đó với hệ thống y tế.
Hệ quả: dữ liệu phản ánh nhóm tiếp cận được dịch vụ, không phản ánh những người cần dịch vụ.
Một mô hình xây trên dữ liệu này sẽ hoạt động tốt nhất với chính nhóm đã tiếp cận được — và kém hơn với nhóm vốn đã chịu thiệt thòi.
Thiên lệch chỉ định
Đây là dạng đặc thù nhất của dữ liệu lâm sàng.
Một xét nghiệm chỉ được làm khi có lý do. Nghĩa là sự có mặt của kết quả đã mang thông tin.
Hệ quả cụ thể:
- Nhóm có kết quả xét nghiệm khác biệt hệ thống so với nhóm không có.
- Tỷ lệ bất thường trong nhóm được làm xét nghiệm cao hơn trong dân số.
- Phân tích chỉ trên nhóm có kết quả sẽ thiên lệch về phía người bệnh nặng hơn.
Với mô hình dự báo, điều này có thể dẫn tới một hiện tượng đáng chú ý: mô hình học rằng "việc được chỉ định xét nghiệm" là dấu hiệu của bệnh — tức nó học hành vi của bác sĩ chứ không học sinh lý bệnh.
Thiên lệch đo lường
Cùng một khái niệm được đo khác nhau giữa các nơi, các thời điểm, các thiết bị.
- Máy xét nghiệm khác nhau có khoảng tham chiếu khác nhau.
- Cách mã hoá chẩn đoán khác nhau giữa các khoa.
- Định nghĩa một biến số thay đổi theo thời gian.
- Thiết bị chụp khác nhau cho ảnh có đặc tính khác nhau.
Nếu sự khác biệt này tương quan với kết cục — ví dụ một máy mới được lắp ở khoa điều trị ca nặng — mô hình có thể học đặc trưng của thiết bị thay vì đặc trưng của bệnh.
Thiên lệch nhãn
Đây là dạng tinh vi nhất và có hệ quả sâu nhất.
Nhãn trong dữ liệu lâm sàng thường là chẩn đoán được ghi trong thực hành. Nhưng chẩn đoán là kết quả của một quá trình do con người thực hiện, và quá trình đó có thể không đồng đều.
Nếu một tình trạng thường được chẩn đoán muộn hơn hoặc ít hơn ở một nhóm nào đó, thì dữ liệu sẽ phản ánh điều đó — và mô hình học lại chính khoảng trống đó.
Điểm quan trọng: mô hình không tạo ra thiên lệch, nó sao chép thiên lệch có sẵn — rồi áp dụng ở quy mô lớn hơn và với vẻ khách quan của một con số.
Thiên lệch do dữ liệu thiếu
Như đã nói ở chủ đề chất lượng dữ liệu: dữ liệu thiếu hiếm khi thiếu ngẫu nhiên.
Các mẫu hình thường gặp:
- Thiếu nhiều hơn ở ca cấp cứu.
- Thiếu nhiều hơn ở ca nhẹ — không ai thấy cần ghi kỹ.
- Thiếu nhiều hơn ở các khoa quá tải.
- Thiếu nhiều hơn ở nhóm khó giao tiếp.
Loại bỏ các bản ghi thiếu tạo ra thiên lệch tương ứng.
Thiên lệch sống sót
Dữ liệu về những người còn theo dõi được. Người tử vong sớm, người bỏ theo dõi, người chuyển đi nơi khác — biến mất khỏi dữ liệu.
Nếu việc rời khỏi dữ liệu liên quan tới kết cục, phân tích trên nhóm còn lại sẽ thiên lệch.
Cách xử lý
Lập sơ đồ chuỗi lựa chọn
Vẽ ra toàn bộ chuỗi từ dân số tới tập dữ liệu cuối, với số lượng ở mỗi bước.
Việc này thường làm lộ ra các bước lọc mà không ai nghĩ tới.
Mô tả quần thể đầy đủ
Báo cáo đặc điểm của tập dữ liệu, và so sánh với quần thể đích nếu có số liệu.
Phân tích nhóm bị loại
Với các ca bị loại do thiếu dữ liệu hoặc do tiêu chí loại trừ: họ khác gì so với nhóm được giữ?
Phân tích độ nhạy
Kết luận có thay đổi không nếu xử lý dữ liệu thiếu theo cách khác?
Kiểm định trên nhiều nguồn
Thiên lệch của mỗi cơ sở khác nhau. Kiểm trên nhiều nguồn cho thấy kết quả có bền không.
Nêu rõ trong báo cáo
Không thể loại bỏ hết thiên lệch. Nhưng có thể nêu rõ các nguồn đã biết, hướng ảnh hưởng dự kiến, và mức độ có thể có.
Một báo cáo trình bày kết quả như thể không có thiên lệch nào là báo cáo chưa đầy đủ.
Một câu hỏi tự kiểm
Trước khi kết luận từ một tập dữ liệu lâm sàng:
Ai không có trong dữ liệu này, và vì sao?
Câu trả lời thường quan trọng hơn nhiều so với việc mô tả những ai có trong đó.
Câu hỏi thường gặp
Vì sao dữ liệu bệnh án không phải mẫu ngẫu nhiên?
Vì để xuất hiện trong dữ liệu, một người phải đi khám, được chỉ định xét nghiệm, và thông tin phải được ghi lại. Mỗi bước đều có yếu tố lựa chọn, nên dữ liệu phản ánh nhóm người tiếp cận được dịch vụ chứ không phản ánh dân số.
Thiên lệch chỉ định là gì?
Là hiện tượng một xét nghiệm chỉ được làm khi bác sĩ nghi ngờ điều gì đó. Nghĩa là sự có mặt của kết quả trong dữ liệu đã mang thông tin về tình trạng người bệnh, và phân tích chỉ trên nhóm có kết quả sẽ thiên lệch.
Thiên lệch nhãn ảnh hưởng thế nào tới mô hình?
Nếu nhãn được tạo từ chẩn đoán trong thực hành, và thực hành vốn có khác biệt giữa các nhóm, mô hình sẽ học lại khác biệt đó. Nó không tạo ra thiên lệch mà sao chép thiên lệch có sẵn, rồi áp dụng ở quy mô lớn hơn.
Có cách nào loại bỏ hoàn toàn thiên lệch không?
Không. Mục tiêu thực tế là nhận diện các nguồn thiên lệch, đánh giá hướng và mức độ ảnh hưởng, áp dụng biện pháp giảm thiểu phù hợp, và nêu rõ giới hạn trong báo cáo thay vì trình bày kết quả như thể không có thiên lệch.