WFU

2019年4月6日 星期六

2019 年第一季攜出 NHIRD 發表情形


文章作者:林星帆
首發日期:2019/4/8





2019 年第一季的發表數量


筆者在 2019 年一月發佈了一篇關於國衛院攜出健保資料庫文章之總覽(連結),當時筆者根據過去數年的歷史數據,做出了以下預測

「......以 2018 年的 839 篇來推估,大約 2019 年會衰退至 570 篇左右,約倒退到 2014 年時的發表量。」

2019年2月17日 星期日

真實世界研究與臨床試驗(二、輔助篇)


文章作者:林星帆
首發日期:2019/2/18



圖片來源:在此


本文延續前一篇文章,焦點放在於以真實世界證據作為補充(supplement)臨床試驗的好處及具體作法,以及根據美國 FDA 《真實世界證據計畫》的內容,彙整目前美國 FDA 已經或即將開放哪些真實世界證據作為藥物/處置的安全性評估(safety evaluation,通常是相對於第四期臨床試驗)或療效比較(effectiveness,通常是相對於第三期臨床試驗)。

2019年2月11日 星期一

真實世界研究與臨床試驗(一、總覽篇)


文章作者:林星帆
首發日期:2019/2/11



圖片來源:在此


真實世界數據、研究與證據


以真實世界數據(real-world data; RWD)進行的研究稱之為真實世界研究(real-world study; RWS),而得到的臨床啟示則為真實世界證據(real-world evidence; RWE)。

這一系列的名詞從 2016 年之後突然變的很流行,下圖列出在 PubMed 上面搜尋出版品標題包括『real world』,由圖可觀察到出版品數量從 2016 年到2018 年呈現跳躍式的成長。





2019年1月13日 星期日

健保資料庫文章 2018 年之總覽、回顧與展望


文章作者:林星帆
首發日期:2019/1/14





2018 年的發表數量


筆者在 2018/7 時整理了關於健保資料庫在 2018 年的發表情形(文章連結在此),不過當時只有調查到七月份,所以在 2019 年的一開始,將健保資料庫於 2018 年的發表情形作些整總理,以及進行回顧與未來展望。

首先先來看整體趨勢,由下圖可知,健保資料庫由於在 2016 年 6 月底的時候,國衛院正式終止了申請與更新攜出健保資料的服務(網站首頁還是放著這個令人傷心欲絕的消息),而當時攜出的最新釋出資料是到 2013 年,於是健保資料庫的發表量在 2016 年就不再繼續創高峰,呈現至 2007 年以來的首次衰退。

2019年1月12日 星期六

投稿期刊時要注意的事-時間議題(time issue)


文章作者:林星帆
本文為重新編輯 2014/10 發表在晨晰統計部落格的文章,這裡這裡



圖片來源在此


前言


我的工作主要就是協助醫師做(1)研究規劃,例如估算所需樣本數計算(required sample size)及設計妥當的研究設計、(2)統計分析,包括圖表製作及結果撰寫以及(3)投稿後的處理,包括跟 reviewers 做回覆或答辯。

這幾年的過程中學習到很多,但也發現有些資訊(跟統計沒關係的喲)我以為醫師們都會知道,結果卻是大多數醫師都不知情,因此之後我將不定期的整理並發佈一些關於醫學投稿的訊息,今天就先來個「首發」!

2019年1月6日 星期日

實驗介入成效之各種統計方法比較(下篇,GEE與LMM)


文章作者:林星帆
本文為重新編輯 2013/11起 發表在晨晰統計部落格的文章這裡這裡這裡



圖片來源:在此


處理重複測量資料的新一代統計方法


如本系列的上篇文章所述,關於實驗(介入)效果的檢驗,目前我們已經學習到了 t 檢定(獨立 t 與配對 t)、差異中的差異分析(DID)、共變數分析(ANCOVA)以及多因子變異數分析(Multi-factorial ANOVA)。

基本上這些方法都是至少在 1950 年代以前就發展完畢的工具,如果用 Google scholar 搜尋「Analysis of covariance」或「Analysis of variance」,發現從 1930 年代就有文獻在報導,而在 1930 到 1980 年代其間,其實上述這些方法在應用於實驗介入效果上並沒有太多的改變。

而一直到 1986 年,由現時陽明大學校長梁賡義教授(當時任教於約翰霍普金斯大學生物統計系)發展出廣義估計方程式(Generalized estimating equation, GEE)應用於縱貫性研究(Longitudinal data analysis),並發表於生物統計重量級期刊 Biometrika,此後縱貫資料分析就常常見到 GEE 分析的身影。

實驗介入成效之各種統計方法比較(上篇,傳統分析方法)


文章作者:林星帆
本文為重新編輯 2013/11起 發表在晨晰統計部落格的文章,這裡這裡這裡這裡這裡



圖片來源:在此


前言


在行為科學領域中(廣泛地來說,社會科學、醫學護理、運動體育、教育、管理等都可以算是行為科學)的研究,以「實驗介入」為主軸的研究不在少數。

而之所以實驗介入型的研究會一直引領風騷,主要是因為如果想要證明「因果關係」,那麼實驗法目前為止各種研究方法中最為強韌的方法,其餘研究方法例如觀察法或質性研究,都無法像實驗法如此提供這麼直接的因果推論(Casual inference)的證據。

在過去數十年間,實驗法的統計方法幾乎是由變異數分析(Analysis of variance)獨領風騷,當然共變異分析(Analysis of covariance, ANCOVA)也常見於期刊中,或甚至偶見直接以t檢定呈現結果的文章。

但這一、二十年間,有一些新的統計方法克服了舊統計方法的一些限制,而這些新統計方法又恰好可應用在檢驗實驗介入的成效分析,例如由生物統計學所發展出來的廣義估計方程式(Generalized estimating equation, GEE),或是由教育統計學所延伸的混合線性模式(Linear mixed model, LMM)。