Fat Out - Healthspans Help Your Lifespan

การศึกษาล่าสุดค่ะ ยา statin ไม่ได้ทำให้สมองเสื่อม เพิ่งนำเสนอในงานประชุม European Society of Cardiology 2026 ที่ Munich

สิ่งที่ควรเป็นห่วงมากกว่าคือ ถ้าปล่อยให้ระดับคอเลสเตอรอลในเลือดสูงโดยไม่จัดการเป็นเวลานาน ควรระวังว่าอาจทำให้สมองเสื่อม

statin กับสมองเสื่อม

จริง ๆ แล้วมีการศึกษาหลายการศึกษาแล้วนะครับที่แสดงผลว่าการใช้ statin ไม่เกี่ยวอะไรกับสมองเสื่อม โดยปรับตามอายุ ตามโรคแล้ว แต่ส่วนมากเป็นการศึกษาขนาดไม่ใหญ่มากนัก

หน่วยงานสุขภาพของเดนมาร์กเลยจัดหนักให้ ใช้ตัวอย่างขนาดเป็นแสน ไม่มีผลประโยชน์ทับซ้อน นำเสนอในงานประชุมสมาคมแพทย์โรคหัวใจยุโรป และลงตีพิมพ์ใน Lancet

เก็บรวบรวมผู้ที่ไม่เคยได้ยา statin มาก่อนเลยและได้รับการวินิจฉัยเบาหวานรายใหม่ ในช่วงปี 2006-2019 เรียกว่าเป็นกลุ่มในยุคปัจจุบัน แนวทางการรักษาปัจจุบัน ความทันสมัยของการตรวจในยุคปัจจุบัน

ผู้ป่วยทั้งหมด 132,585 ราย อายุเฉลี่ย 60 ปี LDL เฉลี่ยที่ 125 mg/dL เก็บข้อมูลใน 3 กลุ่ม

-กลุ่มแรก ไม่ได้ยา statin เลยในห้าปีแรกหลังวินิจฉัย

-กลุ่มสอง ได้ยา statin ในช่วงไม่เกินสามปีแรกหลังวินิจฉัย

-กลุ่มสาม ได้ยา statin ทันทีเลย (ไม่เกินปีแรก)

ติดตามเฉลี่ย 7.1 ปีแล้ววัดผลว่ามีการเกิดสมองเสื่อม (demantia) ในทุกแบบเป็นจำนวนเท่าไร และแยกย่อยตามเพศ ตามโรคอัลไซเมอร์ ตามโรคสมองเสื่อมจากหลอดเลือด

ผลรวมการเกิดสมองเสื่อมทั้งหมดออกมาว่า

-กลุ่มไม่ได้ statin 3.9%

-กลุ่มได้ statin ภายในสามปี 3.5%

-กลุ่มได้ statin แต่แรก 3.3%

ผลย่อย ๆ ทั้งหลายออกไปทางเดียวกัน คิด relative risk reduction ได้ 15% แต่ถ้ามาดู absolute risk reduction แตกต่างกันน้อยมาก (0.38%)

ผลการศึกษาของผู้ทำวิจัยเขาแปลว่า statin ช่วยลดสมองเสื่อม แต่ที่ผมสนใจและอยากเน้นย้ำประเด็นแรกที่ยกมาแต่ต้นคือ การใช้ statin **ไม่ได้เพิ่มการเกิดสมองเสื่อมแต่อย่างใด** โดยคนที่เริ่ม statin เป็นกลุ่มคนที่พื้นฐานเท่ากัน และศึกษาในคนประมาณ 130,000 ราย

เพิ่มความมั่นใจในการใช้ statin มากขึ้นครับ


Ternhamar T, Johansen M, Nordestgaard B et al.
Association between timing of statin treatment after diabetes diagnosis and risk of dementia: a nationwide observational study
The Lancet Regional Health – Europe, 2026; 0

เอาปากกามาวง A หรือ B คะ ส่วนดิชั้น AAA ค่ะ 😁😋

อรุณสวัสดิ์เช้าวันจันทร์ค่ะ

Being Fully Alive 🧑‍🩰💃❤️

หาชิ้นที่สมประกอบไม่ค่อยเจอละ จับก็ต้องระวังหลุดติดมือ 😅 อะไหล่ก็เลิกผลิตอีก 55555

ถ้าสมองมนุษย์ทุกคนมีแนวโน้มปกป้องสิ่งที่ตัวเองเชื่อ แล้วอะไรทำให้บางคนยอมเปลี่ยนความคิดเมื่อหลักฐานเปลี่ยน ขณะที่อีกคนกลับใช้สติปัญญาของตัวเองสร้างเหตุผลเพื่อรักษาความเชื่อเดิมเอาไว้?

👫 เราทุกคนมี Confirmation Bias ค่ะ

❌ แต่ไม่ใช่ทุกคนจะยอมให้มันเป็นคนตัดสินหลักฐาน

เมื่อสักครู่ พี่อ่านโพสต์บน IG ของ Dr. Pete กุมารแพทย์ท่านหนึ่ง ที่พูดถึงประโยคซึ่งเราได้ยินกันบ่อยมากในโลกสุขภาพ (ดูรูปโพสต์ของเขาประกอบค่ะ)

➡️ “งานวิจัยนี้เชื่อไม่ได้หรอก เพราะ Big Pharma เป็นคนให้ทุน”

Dr. Pete ไม่ได้บอกว่าแหล่งทุนไม่มีความสำคัญ

ตรงกันข้ามค่ะ

แหล่งทุนต้องเปิดเผย
ผลประโยชน์ทับซ้อนต้องนำมาพิจารณา
ระเบียบวิธีวิจัยต้องถูกตรวจสอบอย่างเข้มงวด

📍แต่ประเด็นสำคัญของเขาคือ

ถ้าเราใช้คำว่า “ใครเป็นคนให้ทุน” เป็นทางลัดเพื่อตัดสินว่าผลการศึกษาจริงหรือเท็จ เราก็ไม่ได้กำลังประเมินหลักฐานแล้ว

เรากำลังประเมินว่า

“ฉันไว้ใจคนฝั่งไหนมากกว่า”

❌ และนั่นไม่ใช่เรื่องเดียวกันเลย

➡️ งานวิจัยที่มีผลประโยชน์ทับซ้อนไม่ได้กลายเป็นงานวิจัยที่ผิดโดยอัตโนมัติ เช่นเดียวกับงานวิจัยที่มาจากคนซึ่งเราเห็นด้วยก็ไม่ได้กลายเป็นงานวิจัยที่ดีโดยอัตโนมัติ

ในความเป็นจริง มีหลักฐานว่าการได้รับทุนจากอุตสาหกรรมสัมพันธ์กับโอกาสที่จะได้ผลหรือข้อสรุปที่เป็นประโยชน์ต่อผลิตภัณฑ์ของผู้สนับสนุนมากขึ้น ดังนั้นเรื่องแหล่งทุนควรทำให้เรา ตรวจสอบละเอียดขึ้น ไม่ใช่ทำให้เราปิดบทความโดยไม่อ่านว่าการศึกษาทำอะไรจริงๆ

❤️ สิ่งที่พี่ชอบที่สุดในโพสต์ของ Dr. Pete จึงไม่ใช่เรื่อง Big Pharma

⚖️ แต่เป็นเรื่อง confirmation bias — อคติที่ทำให้เรามองหาหรือให้น้ำหนักกับข้อมูลที่สอดคล้องกับสิ่งที่เราเชื่ออยู่แล้วมากกว่า

และพี่คิดว่าเรื่องนี้น่าสนใจมาก เพราะไม่มีใครปลอดภัยจากมันค่ะ

รวมถึงตัวพี่ปุ๋มเอง

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

เมื่อ 8 ปีที่แล้วตอนเปิดเพจนี้ พี่เคยเชื่อเต็มหัวใจว่า “อินซูลินและคาร์โบไฮเดรตทำให้อ้วน”

พี่ไม่ได้เชื่อแบบผ่านๆค่ะ

•พี่อ่านหนังสือเกือบทุกเล่มของฝั่ง low carb
•ฟังเล็คเชอร์นักวิชาการในฝั่ง low carb ตลอดเวลา (คงเดาความหมกมุ่นเวลาพี่สนใจอะไรสักเรื่องกันได้นะคะ)
•ติดตามแพทย์และนักเขียนฝั่ง low-carb
•ฟังกลไกทางชีววิทยาที่ฟังแล้วสมเหตุสมผลมาก

*อินซูลินสูง → เก็บไขมัน
*คาร์โบไฮเดรต → อินซูลินสูง
*ดังนั้นคาร์โบไฮเดรตจึงเป็นตัวการสำคัญที่ทำให้อ้วน

🧠 เมื่อคุณมีกรอบความคิดนี้อยู่ในหัว ข้อมูลใหม่ทุกชิ้นจะไม่ได้เดินเข้ามาในสมองที่ว่างเปล่า

มันเดินเข้ามาในสมองที่ มีโมเดลของความเชื่อเดิมอยู่ก่อนแล้ว

ถ้างานวิจัยสนับสนุนสิ่งที่เราเชื่อ เรามักรู้สึกว่า

“เห็นไหม ฉันคิดถูก”

แต่ถ้างานวิจัยขัดกับเรา สมองจะเริ่มทำงานอีกแบบทันที

❓กลุ่มตัวอย่างมีปัญหาหรือเปล่า?
❓ติดตามสั้นเกินไปไหม?
❓ใครให้ทุน?
❓นักวิจัยมีผลประโยชน์ทับซ้อนไหม?
❓มีข้อจำกัดอะไรบ้าง?

สังเกตนะคะ

คำถามเหล่านี้ ไม่ได้ผิดเลย

นี่คือคำถามที่นักวิทยาศาสตร์ควรถามด้วยซ้ำ

📍ปัญหาเกิดขึ้นเมื่อเราใช้คำถามเหล่านี้ เฉพาะกับหลักฐานที่เราไม่ชอบ

แต่พอเจอหลักฐานที่สนับสนุนความเชื่อเราเอง

✅ กลุ่มตัวอย่าง 20 คนก็ใช้ได้
✅ ไม่มีตัวเปรียบเทียบก็พอรับได้
✅ ติดตามไม่กี่เดือนก็ไม่เป็นไร
✅ เป็นเพียงกลไกทางชีววิทยาก็เอาไปสรุปผลต่อโรคได้
✅ เป็นประสบการณ์ส่วนตัวก็เอามาเล่าว่า “เห็นไหม มันได้ผล”

นี่ไม่ใช่ความเข้มงวดทางวิทยาศาสตร์

นี่คือ

ความไม่สมมาตรของมาตรฐานในการตัดสิน
Same question. Different standard.

คำถามเดียวกัน
แต่มาตรฐานคนละชุด

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

❓แล้วทำไมบางคนเปลี่ยนความคิดได้ แต่บางคนเปลี่ยนไม่ได้?

ตรงนี้พี่คิดว่าน่าสนใจมากกว่าเรื่อง “ใครฉลาดกว่าใคร”

🧠 เพราะการมีความรู้มาก หรือมีความสามารถในการให้เหตุผลสูง ไม่ได้รับประกันว่าเราจะมีอคติน้อยลงเสมอไปค่ะ (ไม่น่าเชื่อนะคะ)

มนุษย์ไม่ได้ใช้เหตุผลเพียงเพื่อค้นหาว่าอะไรจริง

🛡️บางครั้งเราใช้เหตุผลเพื่อปกป้องสิ่งที่เรา อยากให้จริง

➡️ นี่คือสิ่งที่เรียกว่า motivated reasoning หรือ “การให้เหตุผลที่ถูกชี้นำโดยแรงจูงใจ”

📍พอหลักฐานใหม่ขัดกับความเชื่อเดิม เราจึงมีทางเลือกอยู่ประมาณสองทาง

➡️ ทางแรกคือ

เอาความเชื่อเดิมขึ้นเขียง แล้วถามว่ามันยังอธิบายหลักฐานทั้งหมดได้หรือไม่

➡️ อีกทางคือ

เอาหลักฐานใหม่ขึ้นเขียง แล้วพยายามหาว่าจะทำให้มันใช้ไม่ได้อย่างไร

สองอย่างนี้ดูเหมือน “การคิดอย่างมีวิจารณญาณ” เหมือนกันจากภายนอก

แต่เป้าหมายต่างกันมหาศาล

👉 อันแรกกำลังพยายามหาความจริง

👉 อันหลังอาจกำลังพยายามรักษาความเชื่อเดิม

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

สำหรับพี่ จุดเปลี่ยนไม่ได้เกิดขึ้นเพราะวันหนึ่งพี่ตื่นขึ้นมาแล้ว “ไม่มี confirmation bias”

❌ มันเกิดขึ้นเพราะเมื่อหลักฐานที่ขัดกับโมเดลเดิมเพิ่มมากขึ้นเรื่อยๆ พี่เริ่มถามคำถามอีกแบบหนึ่งว่า

“ถ้าสิ่งที่ฉันเชื่ออยู่ผิดล่ะ?”

คำถามนี้ดูง่าย

แต่จริงๆ ยากมาก

👉 เพราะการเปลี่ยนความเชื่อไม่ใช่แค่การเปลี่ยนข้อมูลในหัว

👉 บางครั้งมันหมายถึงการยอมรับว่า

❌ หนังสือที่เราเคยแนะนำอาจผิด
❌ คนที่เราเคยนับถืออาจผิด
❌ โพสต์ที่เราเคยเขียนอาจผิด
❌ คำแนะนำที่เราเคยให้คนอื่นอาจต้องแก้ไข

👉 และยิ่งความเชื่อนั้นผูกกับ

*อัตลักษณ์
*กลุ่มสังคม
*ชื่อเสียง
*รายได้
*ธุรกิจ
*ผู้ติดตาม
*หรือภาพลักษณ์ว่า “ฉันคือคนที่ค้นพบความจริงที่คนอื่นไม่รู้”

🧠 ต้นทุนของการเปลี่ยนความคิดก็ยิ่งสูงขึ้น

เพราะตอนนั้นสิ่งที่ถูกท้าทายไม่ใช่แค่ hypothesis

แต่มันเริ่มแตะคำถามว่า

“แล้วฉันเป็นใคร?” (Ego is the enemy ที่แท้ทรูค่ะ)

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

📍นี่อาจอธิบายปรากฏการณ์หนึ่งที่เราเห็นในโลกสุขภาพบ่อยมาก

👉 คนบางกลุ่มตรวจสอบหลักฐานของหน่วยงานสาธารณสุขอย่างละเอียดชนิดใช้แว่นขยาย

❓ใครให้ทุน
❓ใครมีผลประโยชน์
❓เหตุการณ์ไม่พึงประสงค์รายงานครบหรือไม่
❓ขนาดผลจริงๆ เท่าไร?
❓มีการเลือกปลายทางหรือไม่
❓มี publication bias หรือไม่

ยอดเยี่ยมค่ะ

พี่อยากให้ทุกคนถามอย่างนั้น

แต่คำถามคือ

🤔 คุณถามแบบเดียวกันกับหลักฐานของฝั่งตัวเองหรือเปล่า?

➡️ ตัวอย่างที่เห็นชัดมากคือกลุ่มที่ปฏิเสธบทบาทของ LDL/ApoB ต่อโรคหลอดเลือดแดงแข็ง

💊 การทดลองแบบสุ่มของยาลด LDL ถูกตรวจสอบแทบทุกตาราง

▶️ แต่บางครั้งหลักฐานที่ถูกนำมาใช้สนับสนุน narrative ของตัวเองกลับเป็น

*️⃣ การศึกษาขนาดเล็ก
*️⃣ กลุ่มตัวอย่างเลือกเข้ามาเอง
*️⃣ ไม่มีการสุ่ม
*️⃣ ไม่มีตัวเปรียบเทียบที่เหมาะสม
*️⃣ ติดตามสั้น
*️⃣ ใช้ตัวชี้วัดแทนเหตุการณ์ทางคลินิก
*️⃣ หรือแม้แต่ประสบการณ์ส่วนบุคคล

แล้วมาตรฐานที่เมื่อครู่เข้มงวดมากกลับลดลงทันที

นี่ไม่ใช่ Stay Curious ที่แท้จริง

⚖️ Stay Curious ที่แท้จริงต้องสมมาตร

✅ ถ้าคุณคิดว่า ผลประโยชน์ทับซ้อน ของบริษัทสำคัญ
✅ ผลประโยชน์ทับซ้อน ของนักเคลื่อนไหวหรือองค์กรที่มีจุดยืนชัดเจนก็ต้องสำคัญเช่นกัน

❌ ถ้าคุณไม่ยอมรับ observational study ของอีกฝั่งเพราะพิสูจน์เหตุและผลไม่ได้
❌ คุณก็ใช้ observational study ของตัวเองพิสูจน์เหตุและผลไม่ได้เหมือนกัน

❌ ถ้าคุณบอกว่า surrogate endpoint ไม่พอสำหรับอีกฝั่ง
❌ คุณก็เอา surrogate endpoint ของฝั่งตัวเองไปประกาศว่า “ปลอดภัยแล้ว” ไม่ได้

💊 และถ้าคุณเรียกร้อง randomized trial จากคนอื่น

❌ คุณก็ไม่ควรใช้ testimonial ของตัวเองมาตอบแทน randomized trial

นี่ต่างหากคือการใช้ ไม้บรรทัดอันเดียวกัน

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

🤵‍♂️ Steven Bartlett เป็นอีกตัวอย่างหนึ่งที่พี่คิดว่าน่าสนใจ

ตรงนี้พี่ไม่ได้รู้ว่า Steven Bartlett เชื่อหรือไม่เชื่อแขกรับเชิญของตัวเอง เพราะเราอ่านความคิดของเขาไม่ได้ค่ะ

และการเชิญใครมาสัมภาษณ์ก็ไม่ได้แปลว่าเขาเห็นด้วยกับทุกอย่างที่แขกพูด

❓แต่มีคำถามอีกข้อหนึ่งที่สำคัญกว่า

🎯 เมื่อคุณมีผู้ฟังหลายสิบล้านคน และแขกรับเชิญกำลังกล่าวข้อความสุขภาพที่ตรวจสอบกับหลักฐานได้ คุณมีหน้าที่เพียงให้เขาพูด หรือคุณมีหน้าที่ท้าทายเขาด้วยคำถามว่า “หลักฐานของคุณคืออะไร?”

▶️ BBC World Service เคยวิเคราะห์รายการ The Diary of a CEO จำนวน 15 ตอนที่เกี่ยวข้องกับสุขภาพ และรายงานว่า พบคำกล่าวอ้างที่ขัดกับหลักฐานทางวิทยาศาสตร์ทางการแพทย์อย่างกว้างขวางโดยเฉลี่ยประมาณ 14 ข้อต่อตอน 😮 บริษัทผู้ผลิตรายการตอบว่าแขกรับเชิญได้รับเสรีภาพในการแสดงความคิดเห็นและผ่านการค้นคว้ามาอย่างละเอียด

▶️ องค์กร Full Fact ตรวจสอบตอนที่ Aseem Malhotra เป็นแขกรับเชิญ และพบตัวอย่างคำกล่าวอ้างเกี่ยวกับวัคซีนโควิดที่ผิดหรือขาดบริบทสำคัญ รวมถึงการอ้างการศึกษาใน Circulation ซึ่งภายหลังวารสารได้แสดงข้อกังวลและแก้ไขบทคัดย่ออย่างมีนัยสำคัญ แต่ Full Fact ระบุว่าไม่พบการนำบริบทสำคัญเหล่านี้ขึ้นมาชี้แจงระหว่างการสัมภาษณ์

❓ดังนั้นคำถามของพี่ไม่ใช่

“Steven Bartlett เชื่อแขกหรือเปล่า?”

❓คำถามคือ

👉 เมื่อแขกรับเชิญพูดข้อมูลสุขภาพที่สามารถเปลี่ยนการตัดสินใจเรื่องวัคซีน ยา มะเร็ง หรือโรคหัวใจของคนจำนวนมหาศาล ผู้สัมภาษณ์ควรถามอะไรต่อ?

🤔 “หลักฐานระดับไหนสนับสนุนข้อสรุปนี้?”

🤔 “มีหลักฐานที่ขัดแย้งกับสิ่งที่คุณพูดหรือไม่?”

🤔 ”นี่เป็นความเห็นของคุณ หรือเป็นข้อสรุปจากหลักฐานโดยรวม?”

🤔 “การศึกษาที่คุณกำลังอ้างมีข้อจำกัดอะไร?”

🤔 ”ทำไมองค์กรวิชาการส่วนใหญ่จึงตีความหลักฐานต่างจากคุณ?”

นี่ไม่ใช่การ “โจมตีแขก”

🙏 นี่คือสิ่งที่เรียกว่า ความรับผิดชอบต่อคุณภาพของข้อมูลที่เรากำลังขยายเสียง

เพราะการแค่บอกว่า

“ผมไม่ได้บอกว่าผมเห็นด้วยกับแขก”

ไม่ได้ลบผลกระทบของการปล่อยให้ข้อมูลหนึ่งถูกกระจายสู่คนหลายสิบล้านคนโดยไม่มีบริบทที่จำเป็น

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

🧠 Confirmation bias จึงไม่ได้มีปัญหาเพราะมัน “ทำให้เราเชื่อผิด” อย่างเดียว

ปัญหาที่อันตรายกว่าคือ

🎯 มันสามารถทำให้เราเชื่อว่า เรากำลังใช้วิจารณญาณอย่างเข้มงวด ทั้งที่จริงเราเข้มงวดเฉพาะกับข้อมูลที่ไม่เข้ากับความเชื่อของเรา

นี่คือเหตุผลที่การเอาชนะ confirmation bias ไม่ควรอาศัยเพียงความตั้งใจว่า

“ฉันจะเป็นกลาง”

เพราะไม่มีใครรับประกันความเป็นกลางของตัวเองได้

❤️ สิ่งที่ดีกว่าคือสร้าง กติกาที่ตรวจสอบเรา

ก่อนรู้ผลการศึกษา
กำหนดก่อนว่าอะไรจะทำให้เราเชื่อ

ใช้เกณฑ์ประเมินเดียวกันกับงานที่ชอบและไม่ชอบ

แยกคุณภาพหลักฐานออกจากความน่าเชื่อถือของคนพูด

ตรวจสอบทั้งหลักฐานที่สนับสนุนและหลักฐานที่ขัดแย้งกับเรา

และถามตัวเองเป็นระยะว่า

“มีหลักฐานแบบไหนที่ถ้าเกิดขึ้นจริง ฉันจะเปลี่ยนความคิด?”

ถ้าคำตอบคือ

“ไม่มี”

สิ่งที่เราถืออยู่ก็อาจไม่ใช่สมมติฐานทางวิทยาศาสตร์อีกต่อไป

เพราะสมมติฐานทางวิทยาศาสตร์ต้องมีความเป็นไปได้ที่จะผิด

⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️⚖️

❌ พี่จึงไม่คิดว่า Evidence Literacy คือความสามารถในการ “จับผิดงานวิจัย”

คนที่เก่งจับผิดงานวิจัยก็ยังมี confirmation bias ได้อย่างรุนแรง

👉 สำหรับพี่ Evidence Literacy ที่ยากกว่านั้นคือ

🎯 ความสามารถในการใช้มาตรฐานเดียวกันตรวจสอบหลักฐานที่เราชอบ
กับหลักฐานที่เราไม่อยากให้จริง

และอาจมีคำถามหนึ่งที่เป็นการทดสอบที่ดีที่สุดว่าเรากำลังแสวงหาความจริง หรือกำลังปกป้องความเชื่อของตัวเอง

❌ “ถ้าผลการศึกษานี้ออกมาตรงข้ามกับที่ฉันต้องการ ฉันจะยังใช้มาตรฐานการวิจารณ์แบบเดียวกันอยู่ไหม?”

ถ้าคำตอบคือไม่

บางทีสิ่งที่เรากำลังตามอาจไม่ใช่ evidence

แต่อาจเป็น confirmation

และประโยคสุดท้ายของ Dr. Pete จึงควรค่าแก่การจดจำมากค่ะ

📍“เราควรระวังผลประโยชน์ทับซ้อนของคนอื่น
แต่บางครั้งสิ่งที่ควรระวังยิ่งกว่า คือสองมาตรฐานของตัวเราเอง”


#หาคำตอบสุขภาพจากงานวิจัยไม่ใช่จากเรื่องเล่า

#อย่าปล่อยให้เรื่องเล่าแซงหลักฐาน

“Statin ลดหัวใจวาย แต่ไม่ลดการตายทุกสาเหตุ จึงไม่ใช่ยาที่มีประโยชน์จริง?”
เดี๋ยวก่อน…เราอาจกำลังใช้ไม้บรรทัดผิดอัน

🚫 มีข้อโต้แย้งหนึ่ง พี่ปุ๋มเห็นบ่อยมาก จากผู้นำกลุ่มตัวตึงทั้งหลายที่ปฏิเสธอันตรายของการปล่อยให้ระดับ LDL สูง ออกมาปฏิเสธประโยชน์ของ statin

เขาจะพูดประมาณว่า

“ต่อให้ statin ลด LDL ได้
ต่อให้ลด heart attack ได้
ต่อให้ลด cardiovascular events ได้

แต่ถ้ามันไม่ลด การเสียชีวิตจากทุกสาเหตุ ก็แปลว่ายานั้นไม่ได้ช่วยให้คนมีชีวิตยืนยาวขึ้นจริง ๆ”

🤔 ฟังดูเหมือนเป็นมาตรฐานหลักฐานที่เข้มงวดมาก

❓แต่ปัญหาคือ เรากำลังถามคำถามผิด

พี่มีโอกาสได้ฟัง Dr. Alan Flanagan อธิบายเรื่องนี้ไว้อย่างชัดเจนมาก เลยนำมาสรุปให้ทุกคนได้อ่านกันค่ะ

📍ลองเริ่มจากคำถามง่าย ๆ

ถ้าเรามียาที่ออกแบบมาเพื่อลดความเสี่ยงโรคหลอดเลือดหัวใจ เราควรถามอะไรเพื่อดูว่ายานั้นได้ผลหรือไม่?

คำถามที่ตรงที่สุดคือ

➡️ มันลดโรคหลอดเลือดหัวใจที่เราต้องการป้องกันได้หรือไม่?

เช่น

* ลดกล้ามเนื้อหัวใจตายหรือไม่
* ลดโรคหลอดเลือดสมองหรือไม่
* ลดการเสียชีวิตจากโรคหลอดเลือดหัวใจหรือไม่
* ลดความจำเป็นในการเปิดหลอดเลือดหรือผ่าตัดหลอดเลือดหัวใจหรือไม่

แต่ถ้าเราเปลี่ยนคำถามเป็น

➡️ “มันลดการตายจากทุกสาเหตุหรือไม่?”

เรากำลังเอาการเสียชีวิตจากสิ่งที่ยานั้นมีโอกาสป้องกันได้ ไปผสมกับการเสียชีวิตจากสิ่งที่ยานั้นแทบไม่มีเหตุผลที่จะป้องกันได้เลย (ตรงนี้สำคัญมาก)

เช่น มะเร็งบางชนิด อุบัติเหตุ จมน้ำ การติดเชื้อรุนแรง อุบัติเหตุจราจร หรือสาเหตุอื่นอีกสารพัด

นี่คือสิ่งที่ Alan เรียกว่า การเอา “สัญญาณ” ไปจมอยู่ท่ามกลาง “เสียงรบกวน”

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

📍ตัวอย่างที่ Dr.Alan ใช้: Finnish Mental Hospital Study

Alan ยกการศึกษาคลาสสิกจากฟินแลนด์ ซึ่งทดลองเปลี่ยนองค์ประกอบไขมันในอาหาร โดยลดไขมันอิ่มตัวและเพิ่มไขมันไม่อิ่มตัวหลายตำแหน่ง

➡️ ในผู้ชาย ช่วงที่ได้รับอาหารลดคอเลสเตอรอล อัตราการเสียชีวิตจากโรคหลอดเลือดหัวใจอยู่ประมาณ

6.61 ต่อ 1,000 คน-ปี

เทียบกับช่วงอาหารควบคุม

14.03 ต่อ 1,000 คน-ปี

ต่างกันมากทีเดียว

➡️ แต่พอไปดู “การเสียชีวิตจากทุกสาเหตุ” ตัวเลขกลายเป็นประมาณ

34.84 เทียบกับ 39.50 ต่อ 1,000 คน-ปี

ช่องว่างดูเล็กลงทันที

ทำไม?

ไม่ใช่เพราะประโยชน์ต่อโรคหลอดเลือดหัวใจหายไป

✳️ แต่เพราะเมื่อเอาการเสียชีวิตจากโรคหัวใจไปรวมกับมะเร็ง อุบัติเหตุ การได้รับสารพิษ ความรุนแรง และสาเหตุอื่น ๆ ที่อาหารนั้นไม่ได้ถูกออกแบบมาเพื่อป้องกัน ผลที่จำเพาะต่อโรคหัวใจก็ถูกเจือจางลง

การศึกษาต้นฉบับรายงานว่าการรับประทานอาหารลดคอเลสเตอรอลสัมพันธ์กับการลดระดับคอเลสเตอรอลอย่างชัดเจน และในผู้ชาย การเกิดโรคหลอดเลือดหัวใจและการเสียชีวิตจากโรคหลอดเลือดหัวใจในช่วงอาหารทดลองอยู่ประมาณครึ่งหนึ่งของช่วงอาหารปกติ

📍ตรงนี้พี่ขอเพิ่มความละเอียดหลักฐานเชิงประจักษ์ หนึ่งประเด็น: การศึกษานี้เป็นงานเก่าที่มีโครงสร้างการทดลองระดับโรงพยาบาลและสลับอาหารหลัง 6 ปี ไม่ใช่ randomized controlled trial ระดับบุคคลแบบที่เราใช้เป็นมาตรฐานในปัจจุบัน ดังนั้นไม่ควรใช้มันเพียงงานเดียวเพื่อพิสูจน์เรื่องไขมันอิ่มตัวหรือ statin

Alan ใช้มันเป็น ตัวอย่างทางสถิติ เพื่อแสดงให้เห็นว่าเกิดอะไรขึ้นเมื่อเราเอาผลลัพธ์จำเพาะของโรคไปเจือจางในผลลัพธ์ “ตายจากทุกสาเหตุ”

ประเด็นนี้ต่างหากที่สำคัญ

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

✅ แล้ว “การเสียชีวิตจากทุกสาเหตุ” เป็นผลลัพธ์ที่ไม่ดีหรือ?

ไม่ใช่ค่ะ

ตรงนี้ต้องระวังไม่เหวี่ยงไปอีกด้านหนึ่ง

การเสียชีวิตจากทุกสาเหตุเป็นผลลัพธ์ที่ สำคัญมาก เพราะชัดเจน วัดง่าย และแทบไม่มีปัญหาเรื่องการตัดสินว่าสาเหตุการตายถูกจัดประเภทถูกหรือไม่

❌ แต่สิ่งที่ผิดคือการยกระดับมันขึ้นเป็นกฎว่า

“ถ้าการรักษาใดไม่ทำให้การเสียชีวิตจากทุกสาเหตุแตกต่างอย่างมีนัยสำคัญ การรักษานั้นไม่มีประโยชน์”

❌ นี่ไม่ใช่หลักของ EBM

เพราะความสามารถที่จะตรวจพบความแตกต่างของการเสียชีวิตจากทุกสาเหตุขึ้นกับหลายอย่าง ทั้งจำนวนผู้เข้าร่วม ระยะเวลาติดตาม ความเสี่ยงเริ่มต้นของประชากร ขนาดผลของการรักษา และสัดส่วนของการเสียชีวิตที่การรักษานั้นสามารถเปลี่ยนแปลงได้จริง

การทดลองขนาดหนึ่งอาจมีพลังทางสถิติเพียงพอที่จะตรวจพบการลดกล้ามเนื้อหัวใจตาย แต่ยังไม่มีพลังเพียงพอที่จะตรวจพบความแตกต่างเล็กกว่าของการเสียชีวิตจากทุกสาเหตุ

ดังนั้น

“ไม่พบความแตกต่างอย่างมีนัยสำคัญ” ≠ “พิสูจน์แล้วว่าไม่มีผล”

สองประโยคนี้ไม่เหมือนกัน

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

📍และนี่คือจุดที่ข้ออ้างของกลุ่ม Cholesterol deniers เรื่อง statin พังลงอีกชั้นหนึ่ง

สมมติเรายอมเล่นตามกติกาที่ว่า

“โอเค ฉันจะเชื่อ statin ก็ต่อเมื่อมันลดการเสียชีวิตจากทุกสาเหตุ”

✅ ข้อมูลการทดลองแบบสุ่มรวมขนาดใหญ่ก็ยังให้คำตอบอยู่ดี

💊 Cholesterol Treatment Trialists’ Collaboration หรือ CTT นำข้อมูลระดับผู้เข้าร่วมจากการทดลองแบบสุ่มของ statin 26 การศึกษา รวมประมาณ 170,000 คน มาวิเคราะห์

ผลคือ ทุก ๆ การลด LDL-C ประมาณ 1 mmol/L หรือ 39 mg/dL

สัมพันธ์กับ

➡️ การลด major vascular events ประมาณ 22%

และที่สำคัญคือ

➡️ การเสียชีวิตจากทุกสาเหตุลดลงประมาณ 10%

RR 0.90
95% CI 0.87–0.93
p < 0.0001

ประโยชน์ส่วนใหญ่มาจากการลดการเสียชีวิตจากโรคหลอดเลือด โดยเฉพาะการเสียชีวิตจากโรคหลอดเลือดหัวใจ ขณะที่ไม่พบว่าการเสียชีวิตจากสาเหตุที่ไม่ใช่โรคหลอดเลือดเพิ่มขึ้น

✅ กล่าวอีกอย่างหนึ่งคือ

statin ไม่เพียงลด “ตัวเลข LDL”

มันลด

กล้ามเนื้อหัวใจตาย
การเปิดหลอดเลือด
โรคหลอดเลือดสมองขาดเลือด
การเสียชีวิตจากโรคหลอดเลือด

และเมื่อมีจำนวนคนและเหตุการณ์มากพอ สัญญาณนั้นแรงพอที่จะปรากฏออกมาถึงการเสียชีวิตจากทุกสาเหตุด้วย

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

📍แล้วคนความเสี่ยงต่ำล่ะ?

นี่ก็เป็นอีกจุดที่มักถูกหยิบมาพูดแบบตัดบริบท

CTT ปี 2012 วิเคราะห์ข้อมูลระดับบุคคลจากการทดลองแบบสุ่ม 27 การศึกษา รวมประมาณ 174,000 คน และแบ่งผู้เข้าร่วมตามความเสี่ยงโรคหลอดเลือดตั้งแต่ต่ำไปจนถึงสูง

💊 ทุก ๆ LDL-C ที่ลดลง 1 mmol/L ความเสี่ยง major vascular events ลดลงประมาณ 21%

แม้ในคนที่มีความเสี่ยงเริ่มต้นต่ำ การลดความเสี่ยงเชิงสัดส่วนยังคงเห็นได้

สิ่งที่เปลี่ยนไปคือ ประโยชน์เชิงสัมบูรณ์ (absolute benefit)

เพราะคนที่ความเสี่ยงเริ่มต้นต่ำย่อมมีเหตุการณ์ให้ป้องกันน้อยกว่า

💊 และในผู้ที่ไม่มีประวัติโรคหลอดเลือดมาก่อน statin ยังสัมพันธ์กับการลดการเสียชีวิตจากทุกสาเหตุด้วย

RR 0.91
95% CI 0.85–0.97

นี่จึงนำไปสู่เรื่องที่สำคัญกว่า “ลด mortality หรือไม่”

คือ

❤️ คนๆนี้มีความเสี่ยงเริ่มต้นเท่าไร เพราะคนที่มีความเสี่ยงเริ่มต้นต่ำย่อมมีเหตุการณ์ให้ป้องกันน้อยกว่า และประโยชน์เชิงสัมบูรณ์ (absolute benefit) ที่เขาจะได้รับคุ้มกับภาระและผลไม่พึงประสงค์ของการรักษาหรือไม่

นี่ต่างหากคือการตัดสินใจทางคลินิก

💊 “ถ้ายาดีจริง ต้องลด All-Cause Mortality” จึงเป็นมาตรฐานที่ตั้งผิด

สำหรับ statin ข้อมูล CTT พบว่า การลด LDL ไม่ได้เพิ่มการเสียชีวิตจากสาเหตุที่ไม่ใช่หลอดเลือด และการวิเคราะห์ข้อมูลประมาณ 175,000 คนก็ไม่พบการเพิ่มขึ้นของอุบัติการณ์มะเร็งหรือการเสียชีวิตจากมะเร็ง

CTT – Statins and cancer, 175,000 participants⁠

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

เพราะฉะนั้น เวลาได้ยินประโยคนี้

“Statin ลด heart attack ก็จริง แต่ไม่ลด all-cause mortality”

อย่าเพิ่งถามว่า “จริงไหม”

ให้ถามก่อนว่า

1. เขากำลังพูดถึงการศึกษาไหน?

การทดลองเดี่ยว?
ประชากรความเสี่ยงต่ำ?
ความเสี่ยงสูง?
ป้องกันครั้งแรก?
หรือผู้ที่เป็นโรคหลอดเลือดหัวใจแล้ว?

2. การศึกษานั้นมีกำลังทางสถิติเพียงพอสำหรับการเสียชีวิตจากทุกสาเหตุหรือไม่?

3. ผลต่อ cardiovascular events และ cardiovascular mortality เป็นอย่างไร?

และที่สำคัญ

4. เมื่อดู totality of randomized evidence แล้ว ผลเป็นอย่างไร?

เพราะ EBM ไม่ได้ตัดสินประสิทธิผลของการรักษาจากช่องหนึ่งในตารางของงานวิจัยหนึ่งฉบับ

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

Dr. Alan Flanagan ปิดคลิปด้วยอุปมาที่พี่ปุ๋มชอบมากค่ะ

การบังคับให้การรักษาที่ออกแบบมาเพื่อป้องกันโรคจำเพาะ ต้องพิสูจน์ตัวเองด้วยการลดการเสียชีวิตจากทุกสาเหตุเสมอ

มันก็เหมือนกับ

“เอามีดผ่าตัดไปบังคับให้พิสูจน์ประสิทธิภาพด้วยมาตรฐานของค้อนปอนด์”

แต่สำหรับ statin เรื่องนี้มีความย้อนแย้งมากกว่านั้นอีก

เพราะแม้จะเอา “ค้อนปอนด์” อย่างการเสียชีวิตจากทุกสาเหตุมาวัด

เมื่อข้อมูลการทดลองแบบสุ่มมีขนาดใหญ่พอ

สัญญาณก็ยังปรากฏอยู่ดี

ดังนั้นการพูดว่า

“Statin ไม่ได้ลดการเสียชีวิตจากทุกสาเหตุ จึงไม่มีประโยชน์”

ไม่ใช่แค่ใช้ผลลัพธ์ผิดวิธี

แต่ยัง ไม่ตรงกับ totality of randomized evidence อีกด้วย

💊💊💊💊💊💊💊💊💊💊💊💊💊💊

References
1.Dietary prevention of coronary heart disease: the Finnish Mental Hospital Study
O Turpeinen et al. Int J Epidemiol. 1979 Jun.
https://pubmed.ncbi.nlm.nih.gov/393644/

2.Efficacy and safety of more intensive lowering of LDL cholesterol: a meta-analysis of data from 170 000 participants in 26 randomised trials
Cholesterol Treatment Trialists' (CTT) Collaboration
https://pmc.ncbi.nlm.nih.gov/articles/PMC2988224/?utm_source=chatgpt.com

3.The effects of lowering LDL cholesterol with statin therapy in people at low risk of vascular disease: meta-analysis of individual data from 27 randomised trials
Cholesterol Treatment Trialists' (CTT) Collaborators et al.Lancet. 2012.
https://pubmed.ncbi.nlm.nih.gov/22607822/

4.Lack of effect of lowering LDL cholesterol on cancer: meta-analysis of individual data from 175,000 people in 27 randomised trials of statin therapy
Cholesterol Treatment Trialists' (CTT) Collaboration et al.PLoS One. 2012.
https://pubmed.ncbi.nlm.nih.gov/22276132/

#หาคำตอบสุขภาพจากงานวิจัยไม่ใช่จากเรื่องเล่า

#อย่าปล่อยให้เรื่องเล่าแซงหลักฐาน

ในที่สุดก็มีผู้กล้าหาญ ที่ยังคงยึดมั่นบนความถูกต้องของการให้ข้อมูลสุขภาพตามหลักฐานเชิงประจักษ์ทางการแพทย์

🙏 ขอบคุณ Dr.Gil Carvalho MD., PhD. แห่งช่อง YT “Nutrition Made Simple” ที่กล้าออกมาทำ vdo ความยาว 35 นาที เมื่อ 17 ชั่วโมงที่ผ่านมา เปิดเผยว่า Steven Bartlett: Mega Influencer แห่งช่อง The Diary Of A CEO ได้เชิญ health influencers และ Med Influencers มาออกรายการ The Diary Of A CEO และคนเหล่านี้เผยแพร่ข้อมูลสุขภาพที่ผิดและอันตรายต่อสุขภาพผู้ฟังมากน้อยแค่ไหน
(วางลิงค์ vdo ของ Dr.Gil ไว้ในคอมเมนท์นะคะ)

❌ จริงๆแล้ว Steven Barlett, Mega Influencer เจ้าของช่อง The Diary Of A CEO (DOAC) ซึ่งมีผู้ติดตามเฉพาะทางช่อง YT ก็มากกว่า 20 ล้าน ผู้ติดตามแล้ว ถ้ารวมทุกช่องทางโซเชียลมีเดียน่าจะมากกว่า 30 ล้านผู้ติดตาม ถูกกล่าวหาจากสื่อหลายสำนัก รวมถึง BBC ว่าเขาปล่อยให้แขกรับเชิญเผยแพร่ข้อมูลสุขภาพที่ผิดและเป็นอันตรายต่อสุขภาพประชาชน โดยแทบไม่ตั้งคำถามท้าทายความเชื่อของแขกรับเชิญเลย

🤵‍♂️ Dr.Gil Carvalho ทำคลิป vdo โดยหยิบตอนสำคัญที่ Steven เชิญ Heath/Med Influencers มาออกรายการ DOAC ซึ่งแต่ละตอนมียอดวิวตั้งแต่ 3.85 ถึงเกิน 10 ล้านวิว แต่ข้อมูลสุขภาพกลับผิดและอาจเป็นอันตรายต่อผู้ฟังที่ถ้าเชื่อแล้วทำตาม

Kudos to Dr.Gil Carvalho 🙏 ประโยคสำคัญที่ Dr.Gil พูดปิดท้าย ที่พี่หวังว่าจะสร้างความสะเทือนให้ Health/Med Influencers ทั้งหลาย ที่ทำธุรกิจสุขภาพบนการเผยแพร่ข้อมูลสุขภาพผิดๆต่อประชาชนคือ

“People health should not turn to the business”
“ไม่ควรหาประโยชน์ทำธุรกิจบนสุขภาพของประชาชน”

#หาคำตอบสุขภาพจากงานวิจัยไม่ใช่จากเรื่องเล่า

#ไม่ควรหาประโยชน์ทำธุรกิจบนสุขภาพของประชาชน

“มนุษย์เป็น Carnivore มาแต่บรรพบุรุษจริงหรือ? เมื่อ Science เปิดอีกครึ่งของเรื่องราววิวัฒนาการมนุษย์”

🧌เราได้ยินเรื่องเล่า Ancestral diet มานานว่า เนื้อ ไขมัน และการล่าสัตว์คือสิ่งที่ทำให้สมองมนุษย์ใหญ่ขึ้น แต่บทความใหม่ใน Science ถามคำถามอีกด้านหนึ่ง—เมื่อสมองใหญ่ขึ้นอย่างมาก กลูโคสที่มันใช้มาจากไหน? จากผลไม้ น้ำผึ้ง ไปจนถึงแป้งที่ผ่านการปรุง

ผู้นิพนธ์เสนอว่า carbohydrate อาจไม่ได้เป็น “อาหารสมัยใหม่” อย่างที่ ancestral-diet narrative บางสายเล่า แต่เป็นส่วนหนึ่งของเรื่องราววิวัฒนาการมนุษย์มาตลอดหลายล้านปี

📍การศึกษาที่เราจะได้อ่านสรุปกันในโพสต์นี้ชื่อ

“A central role for dietary sugars in human evolution.”

Brand-Miller J, Hardy K, Raubenheimer D, Copeland L.

ตีพิมพ์: 6 สิงหาคม 2026
วารสาร: Science

และที่สำคัญ งานนี้ไม่ใช่การทดลองทางคลินิกหรือการศึกษาติดตามประชากร แต่เป็น analytical review ที่สร้างแบบจำลองทางโภชนาการและวิวัฒนาการ โดยนำข้อมูลหลายสาขามาประกอบกันเพื่อสร้างสมมติฐานเกี่ยวกับอาหารตลอดวิวัฒนาการของสายมนุษย์ประมาณ 4 ล้านปี

👩‍🔬 Professor Jennie Brand-Miller AO FAA ผู้นิพนธ์หลัก เป็นศาสตราจารย์กิตติคุณด้านโภชนาการมนุษย์ที่ University of Sydney ประเทศออสเตรเลีย และเป็นนักวิจัยหลักของ Charles Perkins Centre งานของเธอเน้นเรื่องคาร์โบไฮเดรต โภชนาการ เบาหวาน โรคอ้วน การตอบสนองของอินซูลิน การตั้งครรภ์ และพันธุกรรมที่เกี่ยวข้องกับการย่อยแป้ง เช่นยีน AMY1

เธอเริ่มทำงานที่ University of Sydney ตั้งแต่ปี 1978 ใน School of Public Health and Tropical Medicine และย้ายไป Department of Biochemistry ในปี 1981 โดยทำงานวิจัยและสอนที่มหาวิทยาลัยนี้ต่อเนื่องมายาวนานหลายสิบปี

สิ่งที่ทำให้ Brand-Miller เป็นที่รู้จักระดับนานาชาติมากที่สุดคือ glycaemic index หรือ GI เธอไม่ได้เป็นผู้คิดแนวคิด GI คนแรก แต่เป็นหนึ่งในนักวิจัยสำคัญที่สุดที่ทำให้ GI จากแนวคิดทางสรีรวิทยากลายเป็นเครื่องมือที่สามารถนำไปวิจัย ทดสอบอาหาร สร้างฐานข้อมูล และใช้ในทางโภชนาการได้อย่างเป็นระบบ Australian Academy of Science ถึงกับเรียกเธอว่าเป็นผู้ที่ “championed” บทบาทของ GI ในสุขภาพและโรค และช่วยเปลี่ยนวิธีที่นักวิทยาศาสตร์ แพทย์ และประชาชนมองอาหารคาร์โบไฮเดรตค่ะ

🧌 จาก GI มาสู่วิวัฒนาการมนุษย์

จุดนี้ช่วยให้เข้าใจ paper A central role for dietary sugars in human evolution มากขึ้นค่ะ

ในช่วงหลัง งานของ Brand-Miller ขยายจากคำถามว่า

“คาร์โบไฮเดรตชนิดต่าง ๆ มีผลต่อ metabolism ต่างกันอย่างไร?”

ไปสู่คำถามเชิงวิวัฒนาการว่า

“ทำไมมนุษย์จึงมีชีววิทยาที่ตอบสนองต่อ carbohydrate แบบนี้ตั้งแต่แรก?”

เธอจึงเริ่มเชื่อมเรื่อง

carbohydrate metabolism → AMY1 → starch digestion → glucose requirement → brain evolution → human diet evolution

งาน Science ปี 2026 ที่เรากำลังคุยกันอยู่จึงไม่ได้เกิดขึ้นแบบแยกขาดจากงานเดิมของเธอ แต่เป็นการขยายโจทย์เรื่อง carbohydrate physiology ไปสู่ evolutionary nutrition

📍มาเริ่มต้นอ่านงานนี้กันค่ะ น่าสนใจมาก

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

1. คำถามหลักของการศึกษา

คำถามตั้งต้นของผู้นิพนธ์คือ

อาหารอะไรทำให้สมองขนาดใหญ่ของมนุษย์สามารถวิวัฒนาการขึ้นมาได้?

คำอธิบายเกี่ยวกับอาหารของมนุษย์ในวิวัฒนาการที่ผ่านมา มักเน้นบทบาทของ

* เนื้อสัตว์
* โปรตีน
* ไขมัน
* กรดไขมันโอเมกา-3
* การล่าสัตว์
* และต่อมาคือการควบคุมไฟและการปรุงอาหาร

ผู้นิพนธ์ไม่ได้ปฏิเสธความสำคัญของอาหารจากสัตว์ แต่เสนอว่าภาพดังกล่าวอาจยังไม่ครบ เพราะโดยเฉพาะใน hominin ระยะแรก ๆ

1. การกินอาหารสัตว์จำนวนมากยังไม่น่าจะเกิดขึ้นในระดับเดียวกับมนุษย์ยุคหลัง
2. การควบคุมไฟยังเกิดขึ้นภายหลัง
3. ในขณะเดียวกัน สมองที่ใหญ่ขึ้นมีความต้องการกลูโคสสูง

ดังนั้นผู้นิพนธ์จึงเปลี่ยนมุมมองจาก

“อะไรให้พลังงานแก่มนุษย์ยุคแรก?”

ไปเป็นคำถามที่เฉพาะเจาะจงขึ้นว่า

“อะไรให้กลูโคสเพียงพอต่อเนื้อเยื่อที่มีความต้องการกลูโคส โดยเฉพาะสมองที่กำลังใหญ่ขึ้น และระบบสืบพันธุ์?”

สมมติฐานหลักจึงเป็นว่า

ก่อนที่มนุษย์จะใช้การปรุงอาหารทำให้แป้งย่อยง่ายขึ้น น้ำตาลตามธรรมชาติจากผลไม้ น้ำผึ้ง และอาหารรสหวานชนิดต่าง ๆ อาจมีบทบาทสำคัญเป็นแหล่งกลูโคส และเมื่อมีการแปรรูปอาหารและใช้ไฟ แป้งสุกจึงค่อย ๆ เข้ามารับบทบาทมากขึ้น

นี่คือแกนกลางทั้งหมดของบทความ

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

2. บทคัดย่อ

ผู้นิพนธ์เริ่มจากข้อสังเกตว่า ความเข้าใจเรื่องอาหารในวิวัฒนาการมนุษย์มักตั้งอยู่บนแนวคิดว่าการเพิ่มอาหารจากสัตว์และการใช้ไฟเป็นปัจจัยสำคัญต่อการขยายขนาดสมอง

แต่ทั้งสองอย่างไม่น่าจะอธิบาย hominin ระยะแรกทั้งหมดได้

ผู้นิพนธ์จึงรวบรวมหลักฐานหลายประเภท รวมถึง

* ความต้องการทางเมแทบอลิซึมของสมองที่ขยายขนาด
* ความต้องการกลูโคสจากการสืบพันธุ์
* องค์ประกอบอาหาร
* สรีรวิทยา
* ฟอสซิล
* ไอโซโทป
* รูปร่างของฟัน
* และการเปลี่ยนแปลงทางพันธุกรรม

แล้วสร้างแบบจำลองการกระจายของสารอาหารหลักตลอดวิวัฒนาการประมาณ 4 ล้านปี

แบบจำลองเสนอว่า ในช่วงก่อนที่การปรุงอาหารทำให้แป้งย่อยได้ง่าย

น้ำตาลจากผลไม้และน้ำผึ้งน่าจะเป็นแหล่งสำคัญของกลูโคส

และแบบจำลองประมาณว่า ในหลายช่วงของวิวัฒนาการ น้ำตาลอาจให้พลังงานมากกว่า 25% ของพลังงานทั้งหมด

เมื่อเกิดการ

* บด
* ตำ
* แปรรูป
* และปรุงอาหาร

แป้งจึงกลายเป็นแหล่งกลูโคสที่เข้าถึงได้มากขึ้น

ดังนั้นข้อเสนอของผู้นิพนธ์คือ

วิวัฒนาการของสมองมนุษย์ไม่ได้เป็นเพียงเรื่องของอาหารจากสัตว์ แต่เป็นเรื่องของอาหารคาร์โบไฮเดรตด้วย ตั้งแต่น้ำตาลจากผลไม้และน้ำผึ้ง ไปจนถึงแป้งที่ผ่านการแปรรูปและปรุงสุก

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

3. ระเบียบวิธีศึกษา

3.1 ลักษณะของการศึกษา

งานนี้เป็น การทบทวนเชิงวิเคราะห์ร่วมกับการสร้างแบบจำลองทางโภชนาการและวิวัฒนาการ

ผู้นิพนธ์ไม่ได้เก็บข้อมูลอาหารจากมนุษย์โบราณโดยตรง เพราะย่อมเป็นไปไม่ได้ แต่สร้างแบบจำลองโดยเชื่อมข้อมูลจากหลายสาขาเข้าด้วยกัน

ตัวแปรหลักของแบบจำลองประกอบด้วย

* ขนาดสมอง
* ขนาดร่างกาย
* ความต้องการกลูโคส
* สัดส่วนอาหารพืชต่ออาหารสัตว์
* โปรตีน
* ไขมัน
* น้ำตาล
* แป้ง
* ใยอาหาร
* และพลังงานรวม

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

4. จุดตั้งต้นทางสรีรวิทยา: สมองต้องใช้กลูโคสมากเพียงใด

ผู้นิพนธ์ใช้ค่าการออกซิไดซ์กลูโคสของสมองประมาณ

5–6 mg/min ต่อเนื้อสมอง 100 g

จากนั้นคำนวณความต้องการกลูโคสจากเนื้อเยื่อต่าง ๆ ได้แก่

* สมอง
* เม็ดเลือดแดง
* renal medulla
* และในผู้หญิงวัยสืบพันธุ์ เพิ่ม
* รก
* ทารกในครรภ์
* ต่อมน้ำนม

สำหรับผู้ใหญ่สุขภาพดี สมองใช้กลูโคสประมาณ

100–120 g/day

แม้สมองมีมวลไม่ถึง 2% ของร่างกาย แต่ใช้พลังงานประมาณ 20% ของอัตราการเผาผลาญพื้นฐาน

สำหรับเด็ก ความต้องการสัมพัทธ์สูงมากกว่านั้น ผู้เขียนระบุว่า ในเด็กอายุประมาณ 5 ปี สมองอาจคิดเป็นถึงประมาณ 66% ของอัตราการเผาผลาญพื้นฐาน

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

5. “Obligatory glucose demand” ในแบบจำลอง

ผู้นิพนธ์นิยาม obligatory glucose demand ว่าเป็นกลูโคสทั้งหมดที่ถูกใช้โดยเนื้อเยื่อซึ่งตามสรีรวิทยาปกติมีความต้องการใช้กลูโคสแทนกรดไขมันอิสระในการสร้าง ATP

ตัวอย่างเช่น

* เม็ดเลือดแดงประมาณ 15–25 g/day
* renal medulla ประมาณ 25–35 g/day

เมื่อรวมกับสมอง ผู้นิพนธ์ประมาณความต้องการกลูโคสของผู้ใหญ่ที่ไม่ได้ตั้งครรภ์หรือให้นมบุตรไว้ที่ประมาณ

150–200 g/day

ค่ากลางประมาณ 160 g/day

หรือคิดเป็นประมาณ

25–35% ของพลังงาน

สำหรับผู้หญิงวัยสืบพันธุ์ ความต้องการสูงขึ้นเป็นประมาณ

200–250 g/day

ผู้นิพนธ์เสนอค่าประมาณที่เหมาะสมราว 230 g/day

คิดเป็นประมาณ 35–45% ของพลังงาน

ส่วนเด็กเล็กอยู่ที่ประมาณ 125 g/day ตามการคำนวณในแบบจำลอง

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

6. ประเด็น gluconeogenesis

ผู้นิพนธ์ย้ำว่า ไม่ใช่กลูโคสทั้งหมดต้องมาจากอาหาร เพราะมนุษย์สามารถสร้างกลูโคสจากสารตั้งต้นที่ไม่ใช่คาร์โบไฮเดรต ได้แก่

* กรดอะมิโนที่สร้างกลูโคสได้
* lactate
* glycerol

เมื่อคาร์โบไฮเดรตจากอาหารไม่เพียงพอ ร่างกายจะใช้ glycogen ก่อน แล้วตับและไตจึงเพิ่ม gluconeogenesis

แบบจำลองอ้างค่าประมาณว่า

* อาหารโปรตีนประมาณ 12% ของพลังงาน → สร้างกลูโคสได้ประมาณ 145 g/day
* อาหารโปรตีนสูงประมาณ 30% ของพลังงาน → ประมาณ 170 g/day

ผู้นิพนธ์จึงเสนอว่า หากอาศัย gluconeogenesis เพียงอย่างเดียว อาจยังเกิดช่องว่างระหว่างความต้องการกับปริมาณกลูโคสที่สร้างได้ โดยประมาณ

* ผู้ชายผู้ใหญ่ ขาดราว 40 g/day
* ผู้หญิงในบริบทการสืบพันธุ์ ขาดราว 105 g/day

เมื่อกินโปรตีนสูงมาก ช่องว่างจะลดลงแต่ยังคงมีอยู่ในแบบจำลอง

ผู้นิพนธ์ยังยกข้อมูลจากภาวะอดอาหารมาอธิบายว่า การสร้างกลูโคสจากกรดอะมิโนอาจมีต้นทุน เพราะต้องสลายโปรตีนของร่างกาย

จุดนี้เป็นพื้นฐานสำคัญของสมมติฐานว่า

การได้รับกลูโคสจากอาหารอาจให้ข้อได้เปรียบทางวิวัฒนาการ

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

7. สมองสามารถใช้ ketone ได้หรือไม่

ผู้นิพนธ์รับรองชัดเจนว่าได้

เมื่อจำกัดคาร์โบไฮเดรตอย่างมาก ภายในประมาณ 2–3 วัน ระดับ ketone เพิ่มขึ้น และสมองสามารถใช้ ketone เป็นเชื้อเพลิงได้มากขึ้น โดยบทความระบุว่าสามารถทดแทนความต้องการพลังงานของสมองได้ถึงประมาณครึ่งหนึ่งในบางสภาวะ

แต่

* เม็ดเลือดแดง
* renal medulla
* และบางส่วนของสมอง

ยังคงต้องการกลูโคส

ดังนั้นข้อเสนอของผู้นิพนธ์ไม่ใช่ว่า

“มนุษย์ไม่สามารถอยู่โดยไม่มีคาร์โบไฮเดรต”

แต่เป็นข้อเสนอในเชิงวิวัฒนาการว่า การมีแหล่งคาร์โบไฮเดรตเป็นประจำอาจช่วยรักษาสมดุลกลูโคสและลดต้นทุนของการสร้างกลูโคสภายในร่างกาย

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

8. การสืบพันธุ์เป็นข้อจำกัดสำคัญ

นี่เป็นหนึ่งในประเด็นสำคัญที่สุดของบทความ

ผู้นิพนธ์เสนอว่า การวิเคราะห์อาหารวิวัฒนาการจากความต้องการของผู้ชายผู้ใหญ่เพียงอย่างเดียวอาจทำให้ภาพผิดไป เพราะ

ความสำเร็จทางวิวัฒนาการขึ้นกับการสืบพันธุ์

ระหว่างการตั้งครรภ์และให้นม

* รกต้องการกลูโคส
* ทารกต้องการกลูโคส
* ต่อมน้ำนมต้องการกลูโคส
* และน้ำนมมนุษย์ต้องใช้กลูโคสเป็นสารตั้งต้นในการสร้างน้ำตาลในนม

ดังนั้นผู้หญิงวัยสืบพันธุ์จึงมีความต้องการกลูโคสสูงกว่าผู้ชาย

เมื่อรวมความต้องการของลูกที่ยังไม่สามารถหาอาหารได้เอง ผู้นิพนธ์ประมาณว่า หากแม่ต้องจัดหาพลังงานประมาณครึ่งหนึ่งของความต้องการของลูกหนึ่งคน จะต้องหา carbohydrate เพิ่มอีกประมาณ

60 g/day ต่อเด็กหนึ่งคน

หรือเพิ่มภาระประมาณ 35%

ผู้นิพนธ์เชื่อมประเด็นนี้เข้ากับความสำคัญของการแบ่งปันอาหารและการเลี้ยงดูโดยสมาชิกอื่นในกลุ่ม

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

9. Ketogenic diet และการสืบพันธุ์

บทความมีหัวข้อเฉพาะเกี่ยวกับ ketogenic diets in pregnancy

ผู้นิพนธ์ระบุว่า ketone สามารถผ่านรกและใช้เป็นเชื้อเพลิงเสริมได้ แต่ตั้งข้อกังวลเกี่ยวกับการมี ketone สูงต่อเนื่องระหว่างตั้งครรภ์

บทความกล่าวถึง

* งานเชิงสังเกตบางชิ้นที่พบความสัมพันธ์ระหว่าง maternal ketones สูงกับผลด้าน cognition ของลูก
* ความสัมพันธ์ระหว่าง carbohydrate ต่ำมากกับ neural defects บางชนิด
* แบบจำลองสัตว์เกี่ยวกับผลต่อการสืบพันธุ์
* และข้อมูลเกี่ยวกับ low-carbohydrate intake กับฮอร์โมนสืบพันธุ์

แต่ผู้นิพนธ์เองระบุว่า

ยังต้องมีการศึกษาเพิ่มเติมเพื่อพิสูจน์เหตุและผล

ดังนั้นส่วนนี้ในบทความไม่ได้เสนอหลักฐานเชิงสาเหตุที่เด็ดขาด

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

10. เหตุใดผู้เขียนจึงคิดว่า hominin ยุคแรกกินผลไม้มาก

ผู้นิพนธ์นำหลักฐานหลายสายมาประกอบกัน

การมองเห็นสี

primates วิวัฒนาการในสภาพภูมิอากาศอบอุ่นและชื้น และการมองเห็นสีสามสีช่วยแยกผลไม้สุกจากผลไม้ไม่สุกได้

ฟัน

ฟันของ primate ในบางช่วงแสดงลักษณะที่สอดคล้องกับอาหารนุ่ม และพบ dental caries ซึ่งผู้นิพนธ์ตีความว่าสอดคล้องกับการบริโภคอาหารที่มีน้ำตาล

ความชอบรสหวาน

มนุษย์มีตัวรับรสหวานทั้งใน

* ลิ้น
* ลำไส้
* และระบบเกี่ยวข้องกับความอยากอาหารในสมอง

มนุษย์ยังมีความชอบรสหวานโดยกำเนิด

พฤติกรรม primate

chimpanzee ใช้ผลไม้เป็นอาหารหลักในหลายสภาพแวดล้อม และเลือกผลไม้สุกที่ให้พลังงานสูง

จากหลักฐานเหล่านี้ ผู้นิพนธ์จึงเสนอว่า hominin ระยะแรกน่าจะมีพื้นฐานการกินแบบ frugivory

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

11. ผลไม้และน้ำผึ้งให้น้ำตาลเท่าใด

ผลไม้ป่ามีปริมาณน้ำตาลแตกต่างกันมาก

ผู้นิพนธ์ยกค่ากลางของผลไม้พื้นถิ่นแอฟริกาประมาณ

17% น้ำตาลในผลไม้สด

และประมาณ

66% ในผลไม้แห้ง

แหล่งน้ำตาลอื่นประกอบด้วย

* หัวหรือรากบางชนิด
* nectar
* tree exudates
* gums
* honey ants

น้ำผึ้งมีน้ำตาลประมาณ

85–90%

และเป็นอาหารให้พลังงานสูงซึ่งทั้ง chimpanzee และ hunter-gatherer ในเขตร้อนแสวงหาอย่างมาก

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

12. แล้วอาหารจากสัตว์ล่ะ?

ผู้นิพนธ์ไม่ได้ลดความสำคัญของอาหารสัตว์ ตรงกันข้าม บทความระบุชัดว่าอาหารจากสัตว์มีข้อได้เปรียบอย่างมาก

เนื้อสัตว์ให้โปรตีนประมาณ

20–30 g/100 g

ซึ่งมากกว่าผลไม้หรือใบไม้หลายเท่า

ส่วน

* bone marrow
* adipose tissue

ให้พลังงานหนาแน่นมาก

การเพิ่มอาหารสัตว์จึงช่วย

* เพิ่มพลังงาน
* ทำให้ถึง protein target ได้ง่าย
* ลดเวลาที่ต้องเคี้ยวอาหารพืชปริมาณมาก
* ทำให้ระบบทางเดินอาหารเล็กลงได้
* และเปิดเวลา/พลังงานให้กับกิจกรรมอื่น

ผู้นิพนธ์ยอมรับ expensive tissue hypothesis ซึ่งเสนอว่าอาหารคุณภาพสูงและหนาแน่นพลังงานมีส่วนช่วยรองรับสมองที่มีต้นทุนทางพลังงานสูง

แต่ข้อเสนอเพิ่มเติมของบทความคือ

อาหารสัตว์ส่วนใหญ่ไม่ใช่แหล่ง carbohydrate ที่ดี ดังนั้นการเพิ่มเนื้อและไขมันเพียงอย่างเดียวไม่ได้ตอบโจทย์ความต้องการกลูโคสของสมองและเนื้อเยื่อที่พึ่งกลูโคส

ผู้นิพนธ์จึงมองอาหารสัตว์กับ carbohydrate เป็น บทบาทเสริมกัน มากกว่าจะเป็นคู่แข่งกัน

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

13. แบบจำลองวิวัฒนาการ 6 ขั้น

นี่คือหัวใจของระเบียบวิธีศึกษา

ผู้นิพนธ์สร้างแบบจำลองตั้งแต่ chimpanzee → early hominin → Homo sapiens โดยเพิ่ม

* ขนาดสมอง
* ขนาดร่างกาย
* และสัดส่วนอาหารสัตว์

ทีละขั้น

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

Step 1 — Pan troglodytes

chimpanzee ถูกใช้เป็นจุดเริ่มต้น เนื่องจาก

* ความใกล้ชิดทางพันธุกรรม
* ประวัติวิวัฒนาการ
* และมีข้อมูลอาหารค่อนข้างมาก

สัดส่วนพลังงานจาก

animal : plant = 5 : 95

chimpanzee ได้พลังงานจาก carbohydrate ประมาณ 76%

ไขมันต่ำกว่า 10%

โปรตีนประมาณ 15%

แบบจำลองประมาณน้ำตาลประมาณ

380 g/day หรือประมาณ 66% ของพลังงาน

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

Step 2 — Australopithecus afarensis

ใช้ A. afarensis เช่น “Lucy” เป็นตัวแทน hominin ประมาณ 4–2 ล้านปีก่อน

สมองประมาณ 380 g

น้ำหนักที่ใช้ในแบบจำลองประมาณ 40 kg

สัดส่วน

animal : plant ≈ 5 : 95

จึงยังใกล้เคียง chimpanzee

ผู้นิพนธ์เสนอว่าอาหารหลักยังเป็น

* ผลไม้
* ใบไม้
* น้ำผึ้ง
* พืช C3 หรือ C4 ตามสภาพแวดล้อม
* และอาหารสัตว์เป็นครั้งคราว

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

Step 3 — Homo habilis

สมองประมาณ 500 g

สัดส่วนอาหารสัตว์เพิ่มเป็นประมาณ

10% ของพลังงาน

มีหลักฐานเครื่องมือหินและรอยตัด/ทุบกระดูก ซึ่งสอดคล้องกับการเข้าถึงเนื้อและไขกระดูกมากขึ้น

แบบจำลองให้

* โปรตีนประมาณ 15%E
* ไขมันประมาณ 27%E
* น้ำตาลประมาณ 170 g/day
* หรือประมาณ 30%E

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

14. Step 4–5 — Homo erectus

สมองเพิ่มจากประมาณ

800 → 1200 g

อาหารสัตว์ในแบบจำลองเพิ่มจากประมาณ

15 → 30% ของพลังงาน

H. erectus มี

* เครื่องมือที่ซับซ้อนขึ้น
* ฟันเล็กลง
* กล้ามเนื้อบดเคี้ยวลดลง
* แรงกัดลดลง

ซึ่งผู้นิพนธ์ตีความว่าสอดคล้องกับอาหารที่

* นุ่มขึ้น
* มีใยน้อยลง
* และผ่านการแปรรูปมากขึ้น

ในช่วงนี้ การใช้ไฟและการปรุงอาหารเริ่มมีความสำคัญ เพราะ

แป้งดิบจำนวนมากย่อยได้ไม่ดี

แต่เมื่อผ่านความร้อน แป้ง gelatinize และเข้าถึงได้ง่ายขึ้น ทำให้สามารถปล่อยกลูโคสจากอาหารได้มากขึ้น

จึงเกิดการเปลี่ยนผ่านจาก

น้ำตาล → น้ำตาล + แป้งสุก

เป็นแหล่งกลูโคส

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

15. Step 6 — Homo sapiens

ขนาดสมองประมาณ

1500 g

ผู้นิพนธ์สร้างสถานการณ์ 2 แบบจากข้อมูล contemporary warm-climate hunter-gatherers

Scenario 6.1

animal : plant = 35 : 65

แบบจำลองประมาณว่า

* โปรตีน 19%E
* น้ำตาล 25–26%E
* แป้งประมาณ 25%E

ดังนั้น carbohydrate รวมประมาณครึ่งหนึ่งของพลังงาน

นี่คือ scenario ที่ผู้นิพนธ์ให้ความสำคัญมากในบทคัดย่อ

Scenario 6.2

animal : plant = 50 : 50

แบบจำลองประมาณ

* โปรตีน 27%E
* น้ำตาล 18%E

ปริมาณ carbohydrate โดยรวมลดลงเมื่อเทียบกับแบบ 35:65

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

16. ผลหลักของแบบจำลอง

เมื่อสมองใหญ่ขึ้น ความต้องการกลูโคสก็เพิ่มขึ้น

ผู้นิพนธ์ประมาณว่า

ผู้ชาย

150–200 g glucose/day

ผู้หญิงในวัยสืบพันธุ์

200–250 g/day

เด็กเล็ก

ประมาณ 125 g/day

ขณะเดียวกัน carbohydrate จากอาหารในแบบจำลองลดลงตามวิวัฒนาการจากประมาณ

400 g/day ใน Step 1

เหลือประมาณ

230 g/day ใน Step 6

เพราะสัดส่วนอาหารสัตว์เพิ่มขึ้น

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

17. Carbohydrate balance

ผู้เขียนสร้างตัวแปรสำคัญคือ

Carbohydrate balance = carbohydrate ที่ได้จากอาหาร − obligatory glucose demand

จุดนี้เป็น Figure 3 ของบทความ

ในสถานการณ์ที่ยังมี carbohydrate ตามปกติ

สมดุลยังคงเป็นบวกตลอดแบบจำลอง แม้สมองจะเพิ่มขนาดถึงประมาณ 1500 g

แต่ในสถานการณ์

low/no carbohydrate

ภาพเปลี่ยนไป

เมื่อสมองเพิ่มเป็นประมาณ 800–1500 g

กลุ่มบางกลุ่มโดยเฉพาะ

ผู้หญิงวัยสืบพันธุ์

เข้าสู่ negative carbohydrate balance ก่อน

และสำหรับ Homo sapiens ผู้ใหญ่เองก็สามารถเข้าสู่ negative balance ตามแบบจำลอง

ผู้นิพนธ์ตีความว่า negative balance จะเพิ่มโอกาสเข้าสู่

ketosis

และสำหรับผู้หญิงวัยสืบพันธุ์อาจสร้างข้อจำกัดทางสรีรวิทยาต่อ reproductive success

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

18. ทำไมผลไม้จึงอาจเกี่ยวข้องกับ “การวิวัฒนาการของ cognition”

ผู้นิพนธ์เสนออีกสมมติฐานที่น่าสนใจว่า ผลไม้อาจไม่ได้ช่วยเพียงให้กลูโคส

ผลไม้ในธรรมชาติเป็นทรัพยากรที่มี

* ตำแหน่งกระจัดกระจาย
* ฤดูกาล
* ช่วงสุก
* ระยะเวลาที่ให้ผล
* และความแปรปรวนตามปี

สัตว์ที่พึ่งผลไม้จึงได้ประโยชน์จากความสามารถในการ

* จำตำแหน่งต้นไม้
* จำฤดูกาล
* ประเมินปริมาณอาหาร
* วางแผนเวลาเดินทางกลับ
* สร้าง mental maps
* เลือกเส้นทางหาอาหารอย่างมีประสิทธิภาพ

ผู้นิพนธ์จึงเสนอความเป็นไปได้ว่า

การพึ่งพาผลไม้เองอาจสร้างแรงกดดันทางวิวัฒนาการต่อความสามารถทางปัญญา

พร้อมกับที่กลูโคสจากผลไม้ให้เชื้อเพลิงแก่สมองที่ใหญ่ขึ้น

อย่างไรก็ตาม ตรงนี้เป็นข้อเสนอทางวิวัฒนาการ ไม่ใช่ผลทดลองเชิงสาเหตุ

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

19. การเปลี่ยนผ่านจากน้ำตาลสู่แป้ง

หนึ่งในแนวคิดสำคัญที่สุดของบทความคือ

วิวัฒนาการของ carbohydrate ไม่ได้หมายถึง carbohydrate ชนิดเดิมตลอดเวลา

ผู้นิพนธ์เสนอ trajectory ประมาณว่า

ระยะแรก

ผลไม้ + น้ำผึ้ง
→ น้ำตาลง่ายจำนวนมาก

ต่อมา

บด/ตำ/แปรรูปพืช
→ เข้าถึง carbohydrate มากขึ้น

หลังควบคุมไฟได้

ปรุงแป้ง
→ starch digestibility เพิ่มขึ้น
→ สามารถได้ glucose จากราก หัว เมล็ด และพืชแป้งจำนวนมาก

ดังนั้น

สัดส่วนพลังงานจาก “sugar” ลดลง ไม่ได้หมายความว่าความสำคัญของ carbohydrate ลดลง

เพราะแป้งเข้ามาแทนที่น้ำตาลในฐานะแหล่งกลูโคส

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

20. การอพยพไปเขตหนาวและพื้นที่ carbohydrate จำกัด

เมื่อ hominin ยุคหลังอพยพเข้าสู่

* เขตหนาว
* เขตแห้งแล้ง
* Arctic

ผลไม้และแป้งจากพืชบางชนิดหาได้ยากขึ้น

ผู้นิพนธ์เสนอว่าอาจเกิดแรงคัดเลือกต่อยีนที่ช่วยให้ดำรงชีวิตในอาหารไขมันสูงและ carbohydrate ต่ำ

ตัวอย่างที่บทความกล่าวถึง ได้แก่

CPT1A

variants ในประชากร Arctic ซึ่งสัมพันธ์กับการปรับเมแทบอลิซึมของกรดไขมัน แต่ผู้นิพนธ์กล่าวถึง trade-off ด้าน infant mortality

Sucrase-isomaltase deficiency

ความถี่สูงในบางประชากร Arctic ถูกนำมาอธิบายว่าอาจสัมพันธ์กับประวัติการได้รับน้ำตาลและแป้งต่ำ

AMY1

จำนวนสำเนาของยีนที่เกี่ยวข้องกับ salivary amylase อาจสัมพันธ์กับการบริโภคแป้งสูง แม้ผู้นิพนธ์ระบุว่า timing ทางวิวัฒนาการยังไม่แน่นอน

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

21. ผู้นิพนธ์มอง ketogenic diet อย่างไร

ส่วนนี้ต้องอ่านอย่างระมัดระวัง เพราะบทความไม่ได้บอกว่า ketogenic diet “ใช้ไม่ได้”

ผู้นิพนธ์ยอมรับว่ามีการนำอาหาร ketogenic/very-low-carbohydrate ไปใช้ทางคลินิกในบางบริบท เช่น

* obesity
* type 2 diabetes
* epilepsy
* neurological disorders บางชนิด

และกล่าวถึงการเปลี่ยน substrate utilization ไปสู่ fat oxidation และ ketone

แต่ประเด็นของบทความคือ

“สิ่งที่ใช้เป็น intervention ทางการแพทย์ได้” ไม่จำเป็นต้องเท่ากับ “รูปแบบอาหารที่เป็นแรงขับหลักของวิวัฒนาการมนุษย์”

ในกรอบของผู้นิพนธ์ ketogenic metabolism จึงเป็นความสามารถในการปรับตัวของมนุษย์ แต่ผู้นิพนธ์ไม่มองว่าเป็นหลักฐานว่าคาร์โบไฮเดรตไม่มีความสำคัญต่อวิวัฒนาการ

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

22. Discussion: ภาพรวมที่ผู้นิพนธ์กำลังเสนอ

แก่นของ Discussion ไม่ใช่

“เนื้อสัตว์ไม่สำคัญ สมองใหญ่เพราะน้ำตาล”

แต่เป็น

แบบจำลองที่อธิบายวิวัฒนาการสมองด้วยอาหารสัตว์เพียงด้านเดียวไม่เพียงพอ

อาหารจากสัตว์ให้

* โปรตีน
* ไขมัน
* พลังงานหนาแน่น
* micronutrients
* ลดภาระการเคี้ยว
* และอาจช่วยลดขนาดทางเดินอาหาร

ขณะเดียวกัน carbohydrate ให้

* กลูโคสแก่สมอง
* กลูโคสแก่ glucose-dependent tissues
* กลูโคสสำหรับ reproduction
* และเมื่อเกิด cooking ก็สามารถขยายแหล่งอาหารไปยัง starch

ดังนั้นผู้นิพนธ์เสนอว่า evolution ของสมองมนุษย์ต้องมองสองส่วนพร้อมกัน

animal foods + glycemic carbohydrate

ไม่ใช่เลือกเพียงด้านใดด้านหนึ่ง

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

23. “Adverse effects of excessive sugars”

ส่วนนี้สำคัญมากค่ะ เพราะชื่อบทความอาจถูกอ่านผิดว่าเป็นการสนับสนุน “กินน้ำตาลมาก ๆ”

ผู้นิพนธ์แยกอย่างชัดเจนระหว่าง

น้ำตาลในบริบทวิวัฒนาการ

อยู่ในอาหารอย่าง

* ผลไม้
* น้ำผึ้ง
* plant foods

และมักอยู่ร่วมกับ

* ใยอาหาร
* สารพฤกษเคมี
* food matrix

กับ

ระบบอาหารสมัยใหม่

ซึ่งสามารถสกัดน้ำตาลในปริมาณมหาศาลเป็น

* cane sugar
* beet sugar
* corn syrups
* added sugars
* เครื่องดื่มหวาน

ผู้นิพนธ์ระบุว่าอาหารหรือสารอาหารแทบทุกชนิดมีช่วงที่เหมาะสม และการได้รับสูงเกินไปย่อมอาจมีผลเสีย

บทความกล่าวว่า หลักฐานเกี่ยวกับ whole fruit แตกต่างจาก added sugar โดยเฉพาะ sugar-sweetened beverages

ดังนั้นข้อสรุปเรื่องบทบาทของน้ำตาลในวิวัฒนาการ

ไม่ใช่ข้อเสนอให้บริโภค added sugar สูงในมนุษย์ปัจจุบัน

🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌🧌

24. บทสรุปของผู้เขียน

ผู้นิพนธ์เริ่มบทสรุปด้วยการยอมรับข้อจำกัดสำคัญด้วยตนเองว่า

การอภิปรายเรื่องอาหารในวิวัฒนาการมนุษย์ย่อมมีองค์ประกอบของการคาดการณ์อยู่เสมอ

แต่ผู้นิพนธ์เชื่อว่าสามารถสร้างข้อสรุปจากหลักฐานหลายสายที่มาบรรจบกันได้

หลักฐานที่ผู้นิพนธ์นำมาใช้สนับสนุนการกินผลไม้และน้ำตาลใน hominin ระยะแรก ได้แก่

* การมองเห็นสี
* รูปร่างและโครงสร้างฟัน
* dental caries
* isotope ratios

ส่วนในมนุษย์ปัจจุบัน ผู้เขียนชี้ไปที่

* sweet taste receptors
* ฟันและขากรรไกรที่เล็กลง
* ลำไส้ที่เปลี่ยนไป
* genetic variants ที่เกี่ยวข้องกับ glucose metabolism

ผู้นิพนธ์จึงสรุปว่า การคัดเลือกทางวิวัฒนาการน่าจะได้รับอิทธิพลจาก carbohydrate ในอาหาร

➡️ ข้อเสนอสุดท้ายคือ

การมีเมแทบอลิซึมสูงของมนุษย์ ซึ่งสัมพันธ์กับสมองขนาดใหญ่และการเคลื่อนไหวสูง อาจเกิดขึ้นได้จากความอุดมสมบูรณ์ของน้ำตาลในระยะแรก และต่อมาคือแป้งที่ผ่านการปรุง

และ

การขึ้นลงตามฤดูกาล สภาพภูมิอากาศ และภูมิศาสตร์ของผลไม้และน้ำผึ้งอาจมีส่วนสร้างแรงกดดันต่อพฤติกรรมหาอาหาร ความซับซ้อนทาง cognition และอาจกระทั่งเกี่ยวข้องกับการอยู่รอดหรือสูญพันธุ์ของ hominin บางกลุ่ม

📍ผู้นิพนธ์ปิดท้ายด้วยข้อสรุปว่า

วิวัฒนาการของอาหารมนุษย์ตลอดประมาณ 4 ล้านปีควรมองบทบาทของ carbohydrate, sugars และ sweetness ควบคู่ไปกับอาหารจากสัตว์

🤔 และที่น่าสนใจยิ่งกว่า คือฝ่าย Carnivore ได้ส่ง eLetter โต้แย้ง paper นี้แล้ว—บางข้อโต้แย้งมีน้ำหนักจริง แต่หักล้างข้อเสนอหลักได้หรือไม่? นี่แหละคือส่วนที่ Evidence Literacy สนุกที่สุดค่ะ เดี๋ยวอ่านกันต่อโพสต์หน้าว่า eLetter จากฝ่าย Carnivore โต้แย้งงานนี้ มีจุดแข็งและข้อจำกัดอะไรบ้างกันค่ะ 😊

#หาคำตอบสุขภาพจากงานวิจัยไม่ใช่จากเรื่องเล่า


#อย่าปล่อยให้เรื่องเล่าแซงหลักฐาน