前言

不知道怎麼報告統計分析結果才不會顯得外行嗎？才不會踏到雷區嗎？2024年2月17日，知名醫學期刊《Lancet》刊登了一篇通信文章（Correspondence）。該文依據過去三年間提交至《Lancet》的逾千篇稿件進行的評審結果，彙總一些統計學上常見的錯誤。同時，文章還針對如何有效避免這些錯誤提出了具體指導建議。本短片為這些建議的總結。若想針對醫學統計學核心概念進行系統性理解，強力推薦新上市課程【eB02-小白的醫學統計必修課(上)】，專治統計不全症。

-----

路徑：匯東華官網/學習專區/BMJ小小統計問題

 

---

• 2024年三~四月課程課程介紹與報名

• ✅線上課程 ：白話效果量（effect size）：概念、分析與應用✅
• ✅[線上課程]：小白的醫學統計必修課(上)，限時優惠10%
• ✅[線上課程]：3/29(五)小白的醫學統計必修課(下)
• ✅3/16 (六)[額滿]－實體課程：ChatGPT於科學研究之應用
• ✅3/17 (日)[額滿]－實體課程：AI02-ChatGPT高效醫學論文寫作
• ✅4/13 (六)[確定開班]－實體課程：A01-SPSS實戰課程：零基礎入門統計課程 [確定開班]
• ✅4/14 (日)[確定開班]－實體課程：A05-SPSS統計實戰班：問卷與量表統計分析
• ✅[實體]4/13(六)A01-SPSS實戰課程：零基礎入門統計課程 [確定開班] ☑️
• ✅[實體]4/14(日)A05-SPSS統計實戰班：問卷與量表統計分析 [確定開班] ☑️

-----

✨本公司提供【流行病學】與【生物統計學】線上課程，請至匯東華統計學院

✨匯東華會員制

-----

Recommendations for accurate reporting in medical research statistics

醫學研究統計：精準報告的專業建議

 

整理者：陳秀敏

整理日期：2024年3月22日

總結：準確報告統計資料的基本建議

1. 描述定量資料分布：應用算術平均數和標準差（SD）或中位數和四分位距（IQR）來描述定量資料的分布特性。在補充材料中，應提供資料的直方圖或詳細表格以供參考。

2. 一圖抵萬言：檢查所有模型假設，盡可能使用圖形呈現。

3. 精確報告P值：不宜僅以P值小於或大於05（或0.01）來報告結果，而應提供精確的P值。例如，若P值為0.032，則應記述為P=0.032而非P<0.05。對於極小的P值，可以記述為P<0.0001。

4. 結果描述準確性：除非區間估計值內的所有效果在臨床上都不重要，否則不要將結果報告為「無效果」。

5. 基於臨床重要性解釋結果：分析結果應基於臨床重要性進行解釋，適當估計與 95% Cls 的關係，而非僅根據統計顯著性。

6. 識別干擾因子：根據背景資訊（如因果有向無環圖，causal directed acyclic graphs，DAGs）而非顯著性檢定來確定潛在的干擾因子。

7. 處理遺漏值：高比例的遺漏值可能影響研究結果的可靠性。不應簡單刪除遺漏值，而應考慮使用逆概率加權、多重插補等方法來處理。。

8. 稀疏資料偏差（sparse-data bias）處理：對於比率估計中的稀疏數據（sparse-data），應使用專門的方法來評估和處理相關的數據偏差。

9. 高發生率結局的報告方法：若研究結局事件的發生率較高，則應報告相對危險性（risk ratio, RR）或風險差值（risk difference, RD），而非僅報告勝算比（odds ratio, OR）。

10. 評估交互作用：即使在分析中採用累乘模型，也應評估累加交互作用的可能性及影響。

 

一、針對描述性統計：

1.定量資料：通常使用mean ± SD。偏態的變數則使用 median 和 IQR

2.偏態分布判定指標：(mean/SD)<2

3.連續變數的直方圖和分類變數的次數分配表，以及遺漏資料的百分比，作為補充材料提供。

二、評估統計假設是否成立，尤其是線性關係

所有的統計分析都是建立在一些基本假設之上，統計模型的有效性取決於進一步的假設，這些假設需要進行評估。多數迴歸模型的重要假設為數據在一定範圍內呈線性關係，可以使用多項式或擬合曲線等方法對其進行評估。

 

三、應準確報告p值，並關注臨床重要性

p值可提供資料與統計假設或模型相容性的有用資訊，因此應準確報告，而不是用「是否顯著」的定性結論來代替。相容性可以通過基於拋硬幣實驗的p值轉換（稱為s值）來衡量。不要將p值直接二分法顯示為0.05或0.01。尤其是，不應將較大的p值解釋為沒有關聯或沒有影響：沒有證據並不代表不存在。只有無效值（差異為 0，比率為 1）附近的區間估計值非常小，才有理由推論該研究沒有發現重要的關聯或效果。換句話說，應根據適當指標的區間估計值（如均值差或風險差）來判斷結果的臨床重要性。

 

四、辨識干擾因子

在因果關係探討上，干擾因子的辨識與調整至關重要。應根據背景因果資訊選擇干擾因素--例如，有向無環圖（directed acyclic graphs，DAGs）所示。而非基於有無顯著性，如逐步選擇法，可能會遺漏重要的干擾因子，產生很大的誤導。

 

五、遺漏值的處理

遺漏值在數據上很常見，若遺漏比例較高（例如，>5 %），應避免使用簡單作法，如完整病例分析（即直接刪除遺漏個案，僅使用完整數據）、遺漏指標（missingness indicators）或末次觀察值結算法（last-observation-carried-forward），可能會產生很大的偏差。更好的方法包括逆概率加權（inverse probability weighting）、多重插補法（multiple imputation）。

 

六、稀疏資料（sparse data）的分析建議

稀疏資料（sparse data）是Logistic迴歸或Cox迴歸一個重要的偏差來源。稀疏資料（sparse data）亦即某些變數組別中的事件數較少。OR不合理地大和信賴區間較寬（如OR=10，95% CI = 2-50）常提示存在資料稀疏偏差，可以通過懲罰函數或貝葉斯法減少偏差。調整後的相對危險性RR（risk ratio）在評估臨床相關性方面優於OR（odds ratio），因前者更容易合理解釋，並對稀疏資料具有較佳的抗力。在世代研究和隨機對照試驗中可使用改良的Poisson 迴歸 或標準化迴歸係數來估計相對危險性（RR）和風險差（RD）

 

七、交互作用

許多研究試圖探討兩種治療方法的交互作用對結局的影響，或是想要估計一種治療方法被另一種方法調整的程度（即effect-measure modification）。研究者常在迴歸模型，如logistic或Cox迴歸中加入乘積項（product terms）代表累乘交互作用（multiplicative interactions），但在臨床決策和公共健康角度來看，累加交互作用（additive interaction）更為重要，也應該進行評估。此外，研究者在確立交互作用的方向上通常能力不足，若僅透過統計檢定篩檢交互作用可能產生誤導性估計。

 

 

#臨床研究 #統計學 #如何報告統計結果 #臨床意義 #統計意義 #報告指引 #spss #匯東華 #統計課程 #零基礎醫學統計