筆者在之前簡單介紹了診斷型統合分析（Diagnostic meta-analysis; DMA）的傳統方法（https://reurl.cc/Ldg5jx）以及現今的主流方法（https://reurl.cc/XkgZDM）的概念及原理。本篇文章旨在介紹以免費且功能強大的 R 套件，然而 R 套件支援 DMA 的數量眾多，本篇文章主要介紹具有比較型（Comparative）功能的套件，例如可以比較不同次群體或組別。
根據筆者的搜尋，目前 R 支援 DMA 的套件至少有：mada, metatron, metadisc, meta4diag, HSROC, bamdit, NMADiagT, CopulaDTA 等。其中筆者經實際測試後，確定具有比較型功能的 R 套件有：mada、meta4diagnosis 以及 CopulaDTA，以下就進行各套件主要功能的比較與說明。
對Power BI的中重度使用者而言，絕對可以把報表（Report，即可發布之儀表版）設計的美侖美奐，看起來不呆板無聊。但是，您需要花費數十小時，才能設計出一份令人驚艷的報告。更遑論初階學習者會花費更久！
當然，有人會說：你可以簡單的上網下載精美的Power BI報表佈局！
前一篇文章介紹Power BI有一個Google Analytics的App（即GA模板），可以讓你快速建立GA的視覺化報表。本篇繼續介紹後半段。
第三頁Map Analytics地圖分析，這一頁用來找出你的網站瀏覽者，來自那些國家/地區較多，人數愈多圓餅愈大。更酷的是遊標移到某個國家/地區時，還會秀出該地點人群的瀏覽量時段分布，週間那一時段最多人。不過，我覺得它用顏色來代表語言別是一個敗筆，因為語言數太多了，顏色實在難以區別。
筆者在之前的文章中（https://reurl.cc/OXXpR9），淺白地介紹新冠疫苗研究的「有效率」與「安全性數據」，本篇文章繼續介紹新聞稿（https://reurl.cc/gmO2vV）中的專有名詞釋義。
三、如何解讀次群體分析的結果
傳統迴歸分析模型的一重要假設為自變項和依變項呈線性關係，然實際收案資料在分析時甚少能符合此假設條件，若能以模式模擬自變量與依變項之間的非線性關係，將可更忠實呈現自變項和依變項的相關。其中Restricted cubic spline (RCS) 可清楚描述自變項與依變項之間的關係（無論線性或非線性關係），且適用於各分析模式（包括線性迴歸、邏輯斯迴歸、存活COX迴歸分析等），而成為近年最常見的非線性相關分析方法。本單元我們依序實例示範RCS在各分析的應用(使用R statistic)
首先請先安裝及執行相關package
在前一篇文章中，我們示範了如何在二階層橫斷面資料中（人/時間點）點選 GLMM 的操作，本篇文章將仔細介紹報表的解讀。
下圖為報表最先出現的「Case Processing Summary」，。首先要注意資料有沒有遺漏值，有可能結果變項（Y）或解釋變項（X）具有遺漏值，此時會刪除在任何一個變項具有遺漏值的樣本（listwise deletion），本例中剛好有一筆遺漏值。下方「Model Summary」則顯示機率分佈為常態分佈以及連結函數為 identity，此即為標準的 linear regression。
筆者在不久之前示範了線性混合模式（Linear mixed model, LMM）以SPSS 25版應用於二個階層橫斷面資料的操作與解讀（請見：https://reurl.cc/9X6qrV、https://reurl.cc/m9R2LM、https://reurl.cc/ygD0EO），本系列文章則介紹二個階層縱貫面資料（longitudinal）的操作與應用。
我們使用一個真實的耳鼻喉科的資料作為示範，此資料一共包括 122 名阻塞睡眠呼吸中止症（Obstructive sleep apnea, OSA）的未成年患者，他們全部都接受扁桃腺線樣體切除手術治療，且術前及術後第三個月、術後第六個月皆有完整的 24 小時血壓測量數據，因此該 SPSS 資料一共 122*3 = 366 筆的橫列資料筆數。
新冠肺炎噬虐全球，已造成數以百萬計的民眾死亡，以及目前為止在許多國家仍有嚴重災情。而新冠肺炎疫苗的研發、試驗與上市，則成為了近期最為最大的事件，例如國際大藥廠輝瑞（Pfizer）德國生技公司 BioNTech 的 BNT162b2 疫苗試驗最終結果顯示「疫苗有效率」為 95％，而此結果也已經於 2020/12/10 發表在最頂尖醫學雜誌「The New England Journal of Medicine; NEJM」（新英格蘭醫學雜誌），全文 PDF 檔可以免費下載（https://reurl.cc/6l1ZVk）。
最近幾週（筆者撰寫文章的時間為 2020/12/20）也有許多關於疫苗研究的新聞，但畢竟不是每位民眾都具有醫學研究的背景知識，因此新聞稿上面會有各樣的醫學研究的專有名詞，本篇文章就略微解釋常見的幾個名詞，以幫助廣大民眾在閱讀相關新聞時，能有正確的觀念。
筆者前一陣子去參加「2020科技部生科司舉辦的心臟學門學術研討會：運用資料庫解決臨床研究問題的心法寶典」，會議中聽到了一些新的觀念以及未來的展望想跟各位讀者分享，首先真實世界的證據(RWE, Real World Evidence)相較於過去變得越來越重要，因為現在資料取得比起過去更加的便利與快速，科技的進步也使得這些大量的資料能被使用者分析與應用，以新藥的開發為例，新藥的開發到上市，都會透過進行嚴格的臨床試驗研究(Randomized controlled trial, RCT)來去評估藥物安全性及有效性，但因為執行一個RCT需要花費大量的金錢與人力，而且往往需要一段很長的時間，且RCT狹隘的收案條件往往無法使試驗結果外推至更廣的族群(缺乏真實世界的情況)，長期的療效及安全性也無法從有限的追蹤期間得知。因此，運用真實世界數據 (Real-world data; RWD)進行研究所產生的真實世界證據 (Real-world evidence; RWE) 可提供較為貼近真實世界的情況。
{{ article.title }}