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。
本篇文章旨在羅列近期筆者認為較具有代表性且技術含量較低的重要文獻，例如筆者會避免整理「模擬研究」的論文，因為除非文章發表之後陸續有研究人員發展出良好的一套程序、工具或軟體，不然通常這些模擬研究的建議作法往往難以在我們自己的研究加以實現。
對於例行性蒐集資料整體的方法學回顧
- Schneeweiss S, Avorn J. A review of uses of health care utilization databases for epidemiologic research on therapeutics. Journal of Clinical Epidemiology. 2005;58(4):323-337.
Schneeweiss（2005）這篇論文算是經典論文，目前（2019/2）在 google scholar 已經有900 多次引用。主要內容提到例行性蒐集資料的一些限制與可能的解決之道，包括資料的有效性、缺乏一些臨床資訊以及對於混淆因子的控制。
- Schneeweiss S. A basic study design for expedited safety signal evaluation based on electronic healthcare data. Pharmacoepidemiology and drug safety. 2010;19(8):858-868.
Schneeweiss（2010）這篇文章指出了一篇使用電子健康資料（保險資料或病歷資料）進行療效比較時最基本的研究設計，包括 Incident user design（或稱new user design）、latency of outcome 與 time window、傾向分數的使用以及敏感度分析的使用等。
- Farmer R, Mathur R, Bhaskaran K, Eastwood SV, Chaturvedi N, Smeeth L. Promises and pitfalls of electronic health record analysis. Diabetologia. 2018;61(6):1241-1248
這篇近期的文章則是聚焦在醫院電子病例資料，主要內容在探討如何區分 prevalent user 跟 incident user、考量收案的疾病在追蹤過程中惡化的情形、不死時間偏誤（存活偏誤）、資料記錄不確實、遺漏值與混淆因子偏誤等議題。
- Sharma M, Nazareth I, Petersen I. Observational studies of treatment effectiveness: worthwhile or worthless? Clinical Epidemiology. 2019;11:35.
這篇近期的文章的技術含量較低但又提供了很清楚的指引，內文討論到的偏誤及其解決之道包括 prevalent user bias、incomplete follow-up bias、channeling bias（即 confounding by indication）、混淆因子偏誤、reporting bias（記錄偏差）以及流失率偏誤。
- Franklin JM, Schneeweiss S. When and how can real world data analyses substitute for randomized controlled trials? Clinical Pharmacology & Therapeutics. 2017;102(6):924-933.
Franklin等人（2017）這篇論文是在討論在什麼情況之下，真實世界的觀察型研究可能可以替代臨床試驗，他們提出四個面向，分別是因果關係錯置（reverse causation）、校正了因果關係中的中介變項（adjusting for causal intermediaries）、不死時間偏誤（immortal time bias）以及易受影響的病人的損耗（depletion of susceptibles），特別是最後一項是相對比較新的概念。
結語
通過仔細研讀這些前輩們整理的範例、指出的偏差來源以及可能的因應之道，在進行我們自己的觀察型研究時審慎地考慮與因應這些議題，如此我們便可做出比較可能接近真相的臨床結論，以裨益正在受難與即將受難的患者們。
留言列表
{{ article.title }}