在各種類的醫學研究中，建立以及驗證一個有效的預測模型（prediction model）是很常見的，無論結果變項（outcome）是連續型、二元類別、計數變項或是存活資料，現在皆已有常規的迴歸分析方法，分別是線性迴歸、logistic迴歸、Poisson迴歸以及Cox比例危險模式（Cox proportional hazard model）。
舉例來說，目前已知數個心衰竭病人死亡率的預測模式，例如MAGGIC（https://www.mdcalc.com/maggic-risk-calculator-heart-failure）或Seattle Heart Failure Model（https://qxmd.com/calculate/calculator_203/seattle-heart-failure-model），假定我們在這些預測模型之下，提出一個（或多個）生物標記或是一組危險因子，我們想要證實加上這些生物標記/危險因子之後，我們的新模式會比原本模式更能預測死亡率。
這是一個企業損益表儀表版的範例，從整個畫面來看，最大的一塊是中間一個密密麻麻數字，佔了一半面積的表格。對一般人來說，可能看了頭皮發麻，但對財務或會計人員來說，這表格可是一個百寶箱。因為這是一個可大可小，可任意切換時空，變換軌道的超級損益表。
首先，右上角有二組方塊按鈕。第一個，選擇比較指標（Select the comparison metric），有當年預算（vs Budget）與去年收支（vs Last Year）二個選項；第二個，選擇財務年度（Select a financial year），從2014（FY14）到2017（FY17）四個選項。
在前兩篇文章中，我們介紹了曲線下面積（Area under the curve, AUC）與integrated discrimination improvement（IDI）的定義以及使用上的限制。為了回答此問題：「A這個生物標記或預測模型，所增加的預測能力若使用在臨床上，究竟是否可以改變治療決策？」，Pencina（2008）首次提出net reclassification improvement（NRI）這個指標以及展示它的統計檢定1。
在使用NRI之前，必須有個很重要的前提，亦即關於該事件的預測機率已有明確的風險分組。例如根據Third Adult Treatment Panel（ATP III）將10年冠心病的風險（10-year risk of coronary heart disease）明確分為3組：0%–6%、6%–20%及>20%，針對不同風險分組會有不同的治療決策，例如0-6%只要保持定期追蹤，6%–20%則是改變生活方式與藥物治療，而>20%則可能要接受更積極的監測與治療。
在之前文章中，我們提到了在以下幾種情況，過去常以Receiver Operating Characteristic（ROC）的曲線下面積（Area under the curve, AUC）作為主要的統計方法以及其限制1-2。
假設已知有個表現良好的生物標記B（或是一組危險因子，例如Framingham Risk Score），此時我們提議（proposed）的生物標記或預測模型（或一組危險因子）為A，可能會有以下幾種的比較。
在進行論文文字的撰寫時，可以先將固定會用到的格式先製訂出來，以免去要一直使用複製格式的功能，而且未來若需要修改某一個標題的樣式時，相同樣式的標題會同步修改，不用再逐一尋找，另外在進行目錄的編輯上也會變得簡單許多，之後會再與大家分享，以下先教大家如何增加樣式。
1、筆者的習慣，當打開WORD檔時，都會先到『常用』的à『樣式』欄位中，點選右下角的小圖示。
8月舉辦於嘉義長庚醫院的實證醫學年會，主題探討大數據、人工智慧對醫學研究與實證醫學的影響。會中由李友專院長淺談人工智慧的發展沿革，以及目前在醫學領域應用較為廣泛的人工智慧型態，例如：圖像判讀或分組、決策樹(decision tree)、人工神經網路(artificial neural network, ANN)、深度學習(deep learning)、機器學習(machine learning, ML)等。李院長的演講作為導言，以輕鬆詼諧的方式，簡單讓與會者像聽歷史故事一般接觸人工智慧的發展史，並從中帶出人工智慧在過去遭遇的挫折與困境 (例如硬體設備的計算效率不佳)。隨著科技時代的進步，電腦硬體與時俱進，形成現今人工智慧發展的優勢環境，足以支援更複雜演算法與更大量的資料點。
李院長精彩的演說引人入勝，讓筆者會後更為好奇，人工智慧目前在醫學研究方面是如何被應用與執行的？以及人工智慧的基本概念有些什麼？故筆者搜尋了一些介紹人工智慧的網站，以及一些運用或探討人工智慧的醫學論文。
在臨床醫學研究中，常常會提出一個生物標記（Biomarker）可以預測特定事件的假設，例如以neutrophil gelatinase-associated lipocalin（NGAL）預測急性腎損傷（acute kidney injury, AKI），或是以B-type natriuretic peptide（BNP）預測心衰竭病人的再住院率。
通常此時會有比較的基準，假設已知有個表現良好的生物標記B（或是一組危險因子，例如Framingham Risk Score），此時我們提議（proposed）的生物標記或預測模型（或一組危險因子）為A，可能會有以下幾種的比較。
{{ article.title }}