# Introduction（引言）

乳酸去氫酶（lactate dehydrogenase, LDH）為臨床上最常使用的非特異性指標之一，於淋巴瘤、肉瘤、急性溶血等疾病具備預後意涵。然而多數研究僅以單一時間點的 LDH 數值作為自變項，忽略其時序變化所攜帶的資訊。對於慢性化療期間或多次復發的病人，LDH 軌跡可能比單次測值更具預後鑑別力。本專案以 R 語言建立軌跡分析的研究腳手架，作為後續臨床發表的基礎。

# Methods（方法）

研究框架以 R 為主，運用既有的長期資料分析套件（如 lme4、nlme、brms）建立 LDH 隨時間變化的混合效應模型。資料前處理階段以 tidyverse 嚴格清洗：移除非數值、處理檢驗單位差異、標註異常值並依臨床判斷處理。模型輸出包含個體層級的軌跡斜率、群體層級的平均趨勢，以及與臨床終點的關聯。

設計上特別強調可重現：每一次分析皆以 Quarto 文件包覆，從資料載入、清洗、模型擬合到結果視覺化皆可一鍵重跑。模型診斷亦自動化，避免遺漏殘差檢查與隨機效應分布審視。

# Results（結果）

目前管線已能在去識別化資料集上輸出 LDH 軌跡的個體與群體斜率，並與存活終點進行 Cox 模型整合。雖然完整研究結果仍待論文發表後揭露，但管線本身已可被推廣至其他長期監測之生物標記，例如 CRP、albumin、淋巴球計數。

# Discussion（討論）

本專案的價值在於將「以時序為自變項」的研究設計具體實作於 R 中，並提供可重現的腳手架。限制方面，混合效應模型對於缺失資料機制與測量誤差敏感，需要謹慎處理；不同單位的 LDH 標準化亦是跨機構研究的挑戰。未來可結合機器學習方法（如 functional data analysis、joint models）拓展軌跡分析的方法學工具箱。

# 連結

• GitHub：htlin222/LDH-trajectory
• 主要語言：R
• 最後更新：2026-04-22