晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

在各類的醫學量化研究中，資料集中含有遺漏值（missing value）幾乎是無可避免的狀況。關於遺漏值的機制（mechanism），可分成三類：（一）Missing completely at random (MCAR)、（二）Missing at random (MAR) 以及（三）Missing not at random（MNAR）。

八、使用「rms」得到 Resampling calibration 及 Validation 指標

在「rms package」中，只提供 k-fold 跟 bootstrap 兩種驗證模式的方式，首先我們先來看 bootstrap validation 的指令非常的簡單，首先先固定種子數，否則每一次重複抽樣的樣本組合都會不一樣，於是就會得到不一樣的結果。

                  欲驗證的是 fit2 這個物件，亦即包含「Proteinuria」的完整模型；B=2000 代表一共要 2000 個 bootstrap samples。除非是樣本數很大（例如數萬甚至數十萬），否則建議 bootstrap samples 設至少一千次。

七、Validation 原理說明

在現今以預測模型做為主要目標的論文，幾乎都要再報告 Resampling calibration 及 Validation 的結果，才有機會可以通過統計審查這一關，特別是發在優質的雜誌時。

雖然在上述第五點，雖然有提到以「PredictABEL」得到一些其他 Calibration 指標，但須注意，這些指標都是利用該模式的「預測機率」算出來的。然而其實這個模式的「類推性」（generalizability）是受限制的，因為一個模式通常都是在我們同一群樣本之下，用精挑細選的方式揀擇最後留在模式中的變項，因此通常會傾向得到一個高估模式表現的結果（例如比較高的解釋力、比較低的預測誤差）。

五、使用「PredictABEL」得到其他 Calibration 及 Discrimination 指標

             在「PredictABEL」套件中，有許多關於 Calibration 及 Discrimination 的指標。下方為常用的 Hosmer-Lemeshow goodness-of-fit，其中「predRisk= predRisk2」使用完整模型（預測變項包括Proteinuria + SOFA + Age + Male + DM + SBP）的預測機率。

三、使用「pROC」比較兩個預測變項的曲線下面積

接著安裝並呼叫「pROC」（compare ROC）套件，由於更換了套件，因此此時要再 attach 一次資料集「proteinuria」。

再來創造「roc1」物件，括號前面的「proteinuria$AKI」表示資料集「proteinuria」中的「AKI」這個變項是結果變項；括號後面的「proteinuria$SOFA」則是資料集「proteinuria」中的「SOFA」這個變項是預測變項。

筆者曾在之前的一系列文章，介紹風險預測模型（risk prediction model）使用 area under the curve（AUC）的限制（https://reurl.cc/GkX1Vy），以及應該如何評估預測模型的表現（https://reurl.cc/RdON4x、https://reurl.cc/GkX1rZ、https://reurl.cc/W4qnLL），進而介紹預測模型的新指標－IDI 與 NRI（https://reurl.cc/M7Xedk、https://reurl.cc/qDZE8N），本系列文章則以 R 軟體進行操作示範。

一、安裝軟體及套件，並匯入資料

首先讀者可先自行安裝最新版 R 軟體（https://cran.r-project.org/bin/windows/base/），並且安裝操作介面較為友善的免費版 R studio（https://rstudio.com/products/rstudio/download/）。接著在 R studio 右下角的『Install』點擊一下，並陸續安裝以下套件（package）：『rms』、『Hmisc』、『PredictABEL』以及『pROC』。

四、遺漏值處理方法

約有 19% 的 NEJM 論文會提到遺漏值的處理方式，其中幾乎都是以單一插補（single imputation）以及多重插補（multiple imputation）為主流。這邊的單一插補指的應該是 Expectation-Maximization 方法，但是此方法是在完全隨機遺漏（missing completely at random, MCAR）的假設之下才有效。

筆者分別在 2017 年評論過由權威醫學雜誌 The New England Journal of Medicine（NEJM）的一篇關於統計方法使用趨勢的評論，網址連結：https://goo.gl/IJ7eSQ。另外也曾於同年評論過美國醫學雜誌 JAMA 關於統計方法使用趨勢的一篇文章，網址連結：https://tinyurl.com/y67mxofr。

在真實情境世界所蒐集的資料（real world data; RWD）所進行的真實世界研究（real world study; RDS），醫院的電子病歷資料庫（electronic health/medical records; EHRs or EMRs）佔了相當的比重。本篇文章旨在介紹目前台灣各家醫院在開放 EMRs 的現況。

筆者在 2013 年曾經寫過一篇文章『醫學統計經常混淆的名詞』（https://dasanlin888.pixnet.net/blog/post/34469753），將醫學領域與其他領域的慣用使用統計名詞作了一些釐清。

本篇文章旨在討論在醫學領域很常被誤用的統計名詞，有些名詞甚至錯誤（或說不精確）名詞的使用頻率還高過正確名詞。主要討論多變項（multivariable）與多變量分析（multivariate）的差別以及雙變項/雙變量（bivariable or bivariate）還是單變量分析（univariable or univariate）的差別。

筆者前些日子去長庚醫院參加「資料庫研究的研究設計方法與測量」的研討會，這個演講主要分為兩大主題「健保資料庫研究設計與應用」、「資料庫藥物流病研究的測量」，筆者想跟讀者分享演講過程學到的知識以及筆者的一些心得。

• 健保資料庫研究設計與應用

主要講述內容包含(1) 觀察性研究會遇到的偏差(bias)；(2) 常見的研究設計與如何避免研究的偏差；(3) 演講者在實務研究上的分享

相較於在嚴格控制情境之下的臨床試驗，目前醫學研究多數仍為以真實情境世界所蒐集的資料（real world data; RWD）所進行的真實世界研究（real world study; RDS），特別是以例行性蒐集資料（routinely collected data，以下簡稱RCD）由於資料已經預先收集，通常樣本數較大，因此很常被用來比較療效（treatment effectiveness），以台灣而言最常見的為健康保險資料庫（NHIRD或衛生福利資料科學中心）、醫院的電子病歷資料庫（electronic health records; EHRs）以及各醫學會的登錄研究（registries）。

由於網路是在近二十幾年才開始越來越發達，因此在過去來說，對於此類 例行性蒐集資料並沒有很完整的方法學體系的知識，但很幸運的是，在過去的十幾年間，許許多多的流行病方法專家與生物統計學家展示了各種偏誤（bias）、提出這些偏誤的來源以及提供了許多處理方式。

比較療效時常見的偏誤（Sharma 等人）

Sharma 等人於 2019 年在《Clinical Epidemiology》發表了一篇名為『Observational studies of treatment effectiveness: worthwhile or worthless?』的文章²，本篇文章所提到的偏誤以及處理方式並非針對醫學資料庫，而是對於所有的觀察型研究都適用，而且針對的是前瞻性世代研究（prospective cohort study）。

醫學資料庫常見的偏誤（Franklin 與 Schneeweiss）

• 因果關係錯置

這是指因（介入/處置）與果（結果變項）在時間軸上的錯置，偏誤來源來自於事實上是結果變項決定了之後要做何種介入（或醫療選擇）。這種偏誤的處理方式很簡單，只要確認結果變項是發生在介入之後即可，亦即追蹤時間是從介入開始算。

醫學資料庫研究目前佔目前醫學研究相當大宗，由於資料在研究想法產生之前就已經存在，而不需要再收案或追蹤，一旦可以有權限使用資料時，可以快速地做資料處理及統計分析進而發表，甚至搶先在臨床試驗之前就先有真實世界數據（real world data）的結果。

              真實世界數據（real-world data; RWD）在目前幾年變的非常流行，下圖列出在PubMed搜尋RWD或Real-world evidence（真實世界證據，以下簡稱為RWE）關鍵字的文獻數量，在最近幾年急速飆漲。

　　2019/1/19由林口長庚醫院的巨量資料及統計中心主辦「臨床資料庫的建立和應用研討會」，會議中邀請許多學者分享醫療院所整合的資料庫，分別有以下五種醫學研究資料：

1. 長庚醫學與研究資料庫
2. 彙整台大醫院及台大所屬的各級分院所形成的「臺大醫療整合資料庫」
3. 彙整北醫、萬芳、雙和三家醫院的「北醫體系臨床資料庫」
4. 中國醫附設醫院的臨床資料，並完成串連衛生福利部死因檔的「中國醫臨床資料庫」
5. 早產兒基金會運用台灣極低出生體重早產兒聯合追蹤網(TPFN)的資訊建構的「台灣早產兒基金會資料庫」

筆者曾於 2017/11 發表的兩篇文章（https://reurl.cc/n112l、https://reurl.cc/x992e），提到在醫學研究中如何執行敏感度分析（Sensitivity analysis），不過當時筆者引用的 BMC Medical Research Methodology 論文（https://reurl.cc/0ppeA），比較偏重在於資料分析的觀點，本篇文章則嘗試以臨床觀點（from clinical points of view）來描述敏感度分析的應用方式。

在醫學論文中，在內文、表格與圖形中，必然會有數字的呈現，那麼這些數字的小數點應該取到第幾位是最合適的呢？

若以呈現最精確的數據訊息為主要目的，那麼小數點理應是取越多位越精確。然而，當不必要的小數點取太多位時，會讓讀者注意力受到影響，不易立即理解到數字的大小；反之，小數點取的位數不夠，則可能會失去精確性，甚至被懷疑是否作者是故意隱匿資訊。

在前兩篇文章中，我們分別介紹了整體表現（overall performance）以及區別/鑑別（discrimination）的指標以及其使用上的限制。為了回答以下兩個臨床問題，即（1）新模式是否比舊模式更能預測結果變項/事件發生？或新模式的預測是否準確？（2）在新模式的預測之下，是否可以改變治療決策（medical decision）？分別要再採用校正/校準（calibration）以及風險重新分組（reclassification）此兩組指標。

（三）校正/校準（calibration）