2025年11月11日星期二

隨機對照試驗的品質標準:Cochrane 偏倚風險評估工具(RoB 2.0)

Cochrane 偏倚風險評估工具第二版(Risk of Bias tool version 2.0,簡稱 RoB 2.0),是系統性回顧(Systematic Review)和統合分析(Meta-analysis)中,用於評估隨機對照試驗(RCT)品質和潛在偏倚風險的權威標準。它取代了第一版工具,提供了一個更具結構性、更細緻且流程更清晰的評估框架。

RoB 2.0 的核心在於指導研究者針對試驗結果的特定**結果(Outcome)**進行評估,而非僅針對整個研究。評估流程嚴謹地圍繞五個可能導致偏倚的關鍵領域展開。

一、五大核心偏倚來源領域(Domains)

RoB 2.0 系統地將偏倚風險劃分為以下五個相互獨立的領域。每個領域都代表了隨機對照試驗在設計、執行或報告過程中可能出現問題的環節:

  1. 來自隨機化過程的偏倚(Bias arising from the randomisation process):

    • 主要關注隨機分配程序是否確實被執行,以及分配隱藏(Allocation Concealment)是否足夠,以確保干預組與對照組在基線特徵上是可比較的。

  2. 來自偏離意圖干預的偏倚(Bias due to deviations from intended interventions):

    • 評估試驗中受試者或研究人員是否知道分組情況(盲法/遮蔽,Blinding),以及受試者是否完整遵循預期的干預措施(例如,脫落、拒絕)。此領域常採用「意向性治療分析(Intention-to-Treat, ITT)」的原則來考量。

  3. 來自結果數據缺失的偏倚(Bias due to missing outcome data):

    • 關注因受試者失訪(Loss to Follow-up)或退出而導致的結果數據不完整問題。評估的重點是缺失數據的程度和模式,以及數據缺失的原因是否與干預結果有關。

  4. 來自結果測量的偏倚(Bias in measurement of the outcome):

    • 評估結果測量的方式是否可能被受試者或結果評估人員的分組知識所影響。對於主觀性結果(如疼痛評分),此類偏倚風險更高;若對結果評估者進行了遮蔽(Blinding),則風險較低。

  5. 來自結果選擇性報告的偏倚(Bias in selection of the reported result):

    • 檢查報告的研究結果是否是預先指定的、完整的,以及是否有選擇性地報告有利於某種干預的結果。這通常需要將已發表的報告與試驗註冊方案(如 ClinicalTrials.gov)進行比對。

二、評估程序與風險判斷

在每個領域的評估中,審閱者需回答一系列結構化的**「訊號問題」(Signalling Questions)**。這些問題的答案(如「是」、「可能不是」、「沒有資訊」等)共同導向該領域的最終風險判斷。

每個領域的風險判斷分為以下三類:

  • 低偏差風險(Low risk of bias):試驗設計與執行嚴謹,幾乎沒有證據表明會導致結果產生嚴重偏差。

  • 有一些顧慮(Some concerns):試驗中存在某些設計或執行上的缺陷,可能導致一定程度的偏倚,但不足以嚴重質疑其結果。

  • 高偏差風險(High risk of bias):試驗設計或執行存在嚴重缺陷,極有可能導致結果產生重大偏差,該結果的可信度較低。

三、整體偏差風險的最終裁決

基於上述五個領域的單獨判斷,RoB 2.0 提供一個清晰的標準來確定研究的整體偏倚風險(Overall Risk of Bias):

整體風險級別判斷依據
低風險所有五個領域的評估結果均為低偏差風險。
有一些顧慮至少有一個領域被評為有一些顧慮,但沒有任何領域被評為高偏差風險。
高風險至少有一個領域被評為高偏差風險;或多個領域被評為有一些顧慮,使其綜合風險過高。

四、結論

RoB 2.0 是一個系統化且強大的工具,旨在使系統性回顧的作者能夠透明、公正地評估隨機對照試驗的品質。透過對這五個領域的詳細分析和結構化判斷,它能更有效地識別出可能影響干預效果估計的偏倚,進而指導證據的使用和解釋。


參考資料:

RoB 2: A revised Cochrane risk-of-bias tool for randomized trials

RoB 2 tool: A revised Cochrane risk of bias tool for randomized trials

課堂筆記:SPSS 資料處理與獨立樣本 T 檢定 (非教學)

SPSS (Statistical Package for the Social Sciences) 是一款廣泛使用的統計分析軟體。正確地設定資料是進行有效分析的基礎。本指南將從資料輸入、變數設定,到核心的獨立樣本 t 檢定,為您提供清晰的步驟和概念解釋。

一、 SPSS 資料與變數視圖設定

SPSS 的操作始於兩個主要視窗:資料視圖和變數視圖。

1. 資料視圖 (Data View)

  • 功能: 這是實際輸入和檢視數據的地方。

  • 數據輸入: 每一列代表一個觀察值(如一個受試者),每一行代表一個變數。您應該將每個觀察值的數據往下輸入到對應的儲存格中。

2. 變數視圖 (Variable View)

變數視圖是定義數據意義和屬性的關鍵步驟,必須在輸入數據前完成。

屬性重點說明您的提及重點
名稱 (Name)輸入簡短、無空格的變數名稱,例如 appetite。「要改e.g.食慾什麼的要先輸入,自己看得懂的」
寬度 (Width)設定數據在資料視圖中顯示的字符寬度。「寬度,意思是能顯示的數據」
值 (Values)為類別變數的數字代碼(如 $1, 2$)標註其文字意義(如 1=男性, 2=女性)。「值很重要,資料視圖的Group要標籤值」
測量 (Measure)設定變數的測量尺度,這影響後續可選擇的統計方法。「測量,分組是名義」


名義 (Nominal):用於無順序的類別,如性別、組別。


尺度 (Scale):用於連續數值,如分數、年齡。

二、 獨立樣本 T 檢定 (Independent Samples t-test)

獨立樣本 t 檢定是用來比較兩組獨立群體(如實驗組與控制組)在某個連續變數上的平均值是否存在顯著差異。

1. 檢定目的與假設

  • 目的: 比較兩組間的平均值。

  • 檢定流程: 軟體會先執行 Levene's 檢定來檢驗兩組的變異數是否相等。這是決定要查看哪一行 t 檢定結果的關鍵前提。

    • T 檢定 假設相等: 如果 Levene's 檢定不顯著 (p > 0.05),則接受變異數相等的假設。

2. 結果判讀

判斷檢定結果的依據是 p 值(顯著性 Sig.)。我們透過比較 p 值與顯著水準 alpha(通常取 0.05)來做出決策。

檢定結果顯著性 (p 值)統計結論決策意涵
不顯著p > 0.05接受虛無假設兩組的平均值無統計上的顯著差異。
顯著p <=0.05拒絕虛無假設兩組的平均值有統計上的顯著差異。

三、 Post-hoc 事後比較

Post-hoc 事後比較是用於三組或三組以上的變異數分析 (ANOVA) 中。當 ANOVA 顯示整體有差異時,事後比較能進一步確認是哪幾對組別之間存在顯著差異。

  • 注意: 獨立樣本 t 檢定因為只有兩組,所以不需要進行事後比較。

四、 資料準備與 SPSS 匯入流程

為了確保分析順利,資料處理必須嚴謹:

  1. Excel 檔案安排: 您的原始數據應在 Excel 中安排好,以「一列一觀察值、一行一變數」的格式排列,並在第一列設定好變數名稱。

  2. SPSS 匯入與設定: 將 Excel 檔案匯入 SPSS 後,務必切換到「變數視圖」,根據前面所述的規則,仔細檢查並設定好所有變數的屬性,尤其是值的標籤和測量尺度。

2025年11月5日星期三

筆記:雙因子變異數分析 (Two-Way ANOVA)

雙因子變異數分析 (Two-Way ANOVA) 是一種統計檢定方法,用於檢驗兩個不同的類別獨立變數(因子)對一個連續依賴變數的聯合影響。它是單因子變異數分析 (One-Way ANOVA) 的延伸,允許研究者同時考慮和分析兩個影響因素。

雙因子變異數分析的目的

雙因子 ANOVA 主要用來檢驗三個主要的虛無假設:

  1. 因子一的主效果 (Main Effect of Factor 1): 僅考慮因子一的不同層級時,依賴變數的平均數之間是否存在顯著差異(忽略因子二)。

  2. 因子二的主效果 (Main Effect of Factor 2): 僅考慮因子二的不同層級時,依賴變數的平均數之間是否存在顯著差異(忽略因子一)。

  3. 交互作用效果 (Interaction Effect): 兩個獨立變數之間是否存在顯著的交互作用。換句話說,因子一對依賴變數的影響是否會因為因子二的不同層級而有所不同(反之亦然)。交互作用的檢驗通常是雙因子 ANOVA 中最核心的部分。

舉例來說: 您可以用它來研究性別(因子一:男、女)和教育程度(因子二:大學、碩士)對學業焦慮分數(連續依賴變數)的影響,並同時探討性別和教育程度之間是否有交互作用。

雙因子變異數分析的假設條件

為了確保分析結果的準確性和有效性,雙因子 ANOVA 必須滿足以下基本假設:

  • 依賴變數的連續性: 依賴變數必須是連續的測量值(區間尺度或比率尺度)。

  • 兩個類別獨立變數(因子): 每個因子必須包含兩個或兩個以上的類別組別。

  • 觀察值的獨立性: 每個組別中的觀察值彼此之間必須是獨立的。

  • 常態性 (Normality): 在兩個獨立變數的每一個組合下,依賴變數的資料應近似於常態分佈。

  • 變異數同質性 (Homogeneity of Variances): 在所有獨立變數的組合下,依賴變數的變異數(離散程度)應該大致相等。勒文檢定 (Levene's Test) 通常用於檢測此假設。

結果的解讀

解讀結果通常遵循以下順序:

  1. 檢驗交互作用效果: 首先檢查交互作用項的 p 值。

    • 如果交互作用顯著 (p < 0.05),表示其中一個因子的效果取決於另一個因子的層級。此時應著重解釋交互作用的結果,可能需要進一步分析「簡單主要效果 (simple main effects)」來了解細節,而主效果的單獨解釋可能會有誤導性。

    • 如果交互作用不顯著 (p => 0.05),表示兩個因子是獨立影響或加成影響的,此時可以進一步檢視和解釋主效果。

  2. 檢驗主效果: 如果交互作用不顯著,則檢查兩個因子各自的主效果 p 值。

    • 顯著的主效果 (p < 0.05) 表示該因子在某個層級上與其他層級的平均數有顯著差異。

    • 如果某個主效果的層級超過兩個,則需要進行事後檢定 (Post-hoc tests) 以確定是哪兩個層級之間存在顯著差異。


增肌神隊友還是血糖絆腳石?揭開「支鏈胺基酸(BCAA)」與二型糖尿病的真相

在健身與運動營養界,支鏈胺基酸(BCAA,包含白胺酸、異白胺酸、纈胺酸)幾乎是無人不知的明星補給品 。許多人靠它來減緩運動疲勞 、促進肌肉修復與合成 。然而,如果把鏡頭轉向臨床代謝醫學,特別是針對 二型糖尿病(T2D) 與 肥胖 族群,BCAA 的角色卻出現了180度的大反轉 。...