綜合分析? 隨機分派研究? 還是信念? (Meta-analysis? RCT? or Belief?)

自從推行 實證醫學 (evidence-based medicine; EBM) 後,大家對 證據等級 (level of evidence; LOE) 有更進一步的了解... 例如,綜合分析 (meta-analysis) 的證據等級"可能"比隨機分派研究 ...

自從推行實證醫學 (evidence-based medicine; EBM) 後,大家對證據等級 (level of evidence; LOE) 有更進一步的了解...

例如,綜合分析 (meta-analysis) 的證據等級"可能"比隨機分派研究 (RCT) 高...

附註: 綜合分析不一定是品質保證,還是要經過嚴格評讀後才會有結論喔

更多的例子是綜合分析的結果與隨機分派研究不一,當然,總是有很多解釋的辦法,例如研究之間的異質性 (heterogeneity) 高,還有發表性誤差 (publication bias)...

異質性高主要是因為研究設計/執行,收納對象,使用藥物/劑量,甚至是評估的預後不同造成的,簡單的說,同一個媽生的也可能長得不一樣阿...

發表性誤差通常發生在較小型的研究,廠商贊助的研究,這兩個問題都會讓綜合分析的威信面臨很大的傷害...

舉個例子來說,類固醇使用於敗血症休克患者,從Annane等人在2002年發表在JAMA上的標竿 (飆肝) 隨機分派研究後,後續大型研究卻未能證實其降低死亡率的好處...

附註: 梗很老了,就不再引用或連結其他研究了

這時候,有人會尋求綜合分析,期望透過增加統計力量的神器找到慰藉,2008~2009年之間共有三項針對這個問題的綜合分析發表..

就算是綜合分析,研究結果也不同,其中一篇顯示類固醇可降低敗血性休克患者死亡率,另外兩篇不行...

Adapted from JAMA. 2009; 301: 2362-75; Clin Infect Dis. 2009; 49: 93-101; Clin Microbiol Infect. 2009; 15: 308-18.

這時候,到底該怎麼辦? (1) 別相信綜合分析的"P值",P會騙人,綜合分析就是要增加統計力量,但過頭了就會很容易地推翻虛無假設,統計顯著差異不代表臨床顯著差異阿!!

(2) 如果預後是二變項的話,試著計算NNT,你會得到比較清楚的"效果"

(3) 研究之間異質性大時,應該去找異質性的來源 (但通常不容易找到,也可能是多重因素)

回到類固醇使用在敗血症患者的例子,事實上,不同的綜合分析結果也不同,最大的原因在於收納的研究不同...

這時候應該好好地,詳細地檢視你的臨床問題,患者是嚴重敗血症 (severe sepsis) 還是敗血性休克 (septic shock)? 接受的治療是不是與研究中相仿?

臨床上,決定醫療決策的因素主要有四種:

- 一直以來都是這樣做
- 我的同儕都是這麼做
- 我認為這麼做會比較好
- 研究結果支持這樣做

最多的是第三種,基本上大都是根據信念 (belief)經驗 (experience),與推測 (speculation)...

要辯證研究數據並不容易,早期的評讀工具已經不敷使用,同一個臨床問題可能有許多綜合分析,系統性綜論,當綜合分析與大型隨機分派研究結果不同時該怎麼做?

(實證) 要成為一個好用的工具之前,應該想想怎樣才能不讓臨床人員無所適從..

You Might Also Like

0 comments