第二個例子也是心臟科的例子，即心房性頻脈（Atrial tachyarrhythmia, AT）與中風的關係〔Circ Arrhythmia Electrophysiol. 2009;2:474-480.〕或心房顫動（Atrial fibrillation, AF）與中風的關係〔N Engl J Med 2012;366:120-9；J Am Coll Cardiol 2005;46:1913–20〕，無論是AT或AF，都符合之前我們對time-dependent covariate的定義：「研究追蹤期間會改變的治療或測量」，在這一類的研究中，AT/AF的測量是固定一段期間測量一次，例如是每3個月測量一次病人的AT/AF的負荷量（AT/AF burden）有多少。假使有一位病人有4筆資料，那就代表這位病人剛好追蹤期為一年，假使有位病人只有追蹤3個月時就發生中風事件（Endpoint）或是失去追蹤，那麼這位病人只會有1筆資料。
在這種研究設計之下，我們如果要探討AT/AF burden與中風風險的關聯性，那麼我們應該如何量化AT/AF burden呢？把每位病人的AT/AF burden加總起來好像是選擇之一，聽起來好像蠻簡單的，但是這種作法不合理，因為有的病人可能有30筆資料（代表追蹤90個月），但有的病人可能只有1筆資料（代表只有追蹤3個月），若我們貿然將AT/AF burden加總，資料筆數少的病人當然AT/AF burden就低，反之資料筆數多的病人當然AT/AF burden就高。而且一般來說，資料筆數少的病人通常發生中風的機會比較高（因為發生中風之後，我們就不繼續追蹤這個病人），反之資料筆數多的病人通常發生中風的機會比較低（因為如果病人一直沒有發生中風，我們會一直追蹤下去）。
大家試想一下，若我們把AT/AF burden加總之後作分析，可能會得到相反的結論，為什麼？因為資料筆數少則AT/AF burden的加總就會低，資料筆數少則中風的機會比較高，那不就變得AT/AF burden越低則病人的中風的機會越高？那真的是嚇死人的詭異結論，因此不能以傳統的方法作分析，必須以time-dependent covariate方式來處理這個問題。
另外除了AT/AF burden的問題之外，用藥對於中風的發生也是非常有影響的，例如中風的最重要藥物就是阿斯匹靈（Aspirin），如果有一位病人有5次資料（就是追蹤5次，共15個月），但他/她可能前6個月有服用藥物，但最後9個月並沒有服藥，但是傳統的Cox regression只能考慮「Baseline用藥跟未來中風發生是否有關係」，因此未能有效的考慮藥物對於Outcome的影響，因此這個問題也必須透過time-dependent covariate方式來處理。
接下來，我們即將說明在Cox model對於time-dependent covariate的處理方式，以及資料格式（data layout）該如何擺放。
留言列表
{{ article.title }}