Bayesian on 林協霆醫師

sepsis-dynamic-treatment-tt-emulation：早期敗血性休克液體與升壓策略之跨資料庫貝氏層級目標試驗模擬

Sat, 18 Apr 2026 00:00:00 +0000

# Introduction（引言）

早期敗血性休克的最佳治療策略是長年爭議：液體應給多少、升壓藥何時開始？多項隨機對照試驗（如 SEP-1 系列、CLOVERS）對此議題僅提供片段答案，且因納入族群與時序定義不同而難以一致解讀。目標試驗模擬（target trial emulation）作為近年因果推論的主流框架，可在觀察性資料上以隨機試驗的設計原則進行分析，特別適合處理動態治療策略。本專案以此方法整合多個重症資料庫，企圖提供更具一般化能力的回答。

# Methods（方法）

研究方法以 LaTeX 撰寫詳盡計畫書與統計分析計畫（SAP）：定義早期敗血性休克的時間零點、納入排除標準、處理規則（依血壓與乳酸動態調整液體與升壓量），並指定主要與次要結果。分析採用貝氏層級模型，將不同資料庫視為不同層級，使估計兼具個別資料庫資訊與跨資料庫資訊借力。處理動態治療策略所需的時間變動干擾控制，以反向機率加權與 g-formula 等方法處理。

整體計畫遵循 EQUATOR Network 對研究計畫的透明化要求，並預先註冊以避免事後分析造成的偏誤。所有程式碼計畫公開，以利他人重現與審查。

# Results（結果）

預期結果為對「液體優先 vs 升壓優先」、「保守 vs 積極液體量」等動態策略給出可信賴的因果估計，並以後驗分布呈現估計不確定性。即使最終效應差距小，研究過程亦可作為跨資料庫目標試驗模擬的方法學示範。

# Discussion（討論）

本專案展現了現代因果推論在重症醫學的應用：以系統方法處理觀察性資料的偏誤，並透過貝氏框架進行多源資料的合理整合。限制方面，目標試驗模擬高度依賴正確的時間零點與處理定義；觀察性資料中的測量誤差仍可能造成殘餘偏誤。未來可結合機械式模型（mechanistic model）與機器學習，進行更貼近真實臨床決策的模擬。

# 連結

GitHub：htlin222/sepsis-dynamic-treatment-tt-emulation
主要語言：TeX
最後更新：2026-04-18

research-in-cancer-center：區域癌症中心臨床研究的主題不可知工作流框架

Sat, 28 Mar 2026 00:00:00 +0000

# Introduction（引言）

區域癌症中心積累的病人資料常具備獨特價值：在地化的治療模式、特殊族群、與大型醫學中心不同的轉介路徑。然而樣本量通常介於 100 至 1000 之間，既不足以支持頻率主義對複雜模型的需求，又超過案例報告的尺度。如何在此「中等規模」研究中嚴謹進行因果推論並產出可發表結果，是區域癌症中心研究者的共同挑戰。本框架以主題不可知（topic-agnostic）為設計目標，提供一套可復用的工作流。

# Methods（方法）

框架以 R 為主要分析語言，方法上以三個支柱構成：（1）有向無環圖（DAG）做因果結構顯式化，幫助研究者明確假設並選擇合理的調整變項；（2）貝氏方法處理小樣本下的不確定性，並能整合先前研究作為先驗；（3）多重敏感性分析（包含未測量混淆 E-value、不同先驗、不同插補方法）以檢驗結論穩健性。

整體流程設計為「樣板化」：每個新研究只需替換主題、變項與資料路徑，框架其餘部分（DAG 模板、貝氏模型、敏感性分析）皆可重複使用。Quarto 文件作為呈現層，使分析報告可直接演進為投稿稿件。

# Results（結果）

採用本框架進行研究時，可將原本零散的分析步驟整合為連貫流程，並大幅提升研究品質的一致性。對於資源有限的區域癌症中心，這提供「即便沒有大資料，也能做出嚴謹研究」的具體路徑。框架同時可作為研究教學素材，培養新進研究者對因果思維的熟悉度。

# Discussion（討論）

本專案展現了「方法論基礎建設化」的價值：將最佳實踐固化為可被反覆使用的工作流。其貢獻在於降低小型研究機構參與嚴謹臨床研究的門檻。限制方面，貝氏方法的執行需要研究者具備一定統計基礎；DAG 的繪製仍依賴領域專家對因果關係的判斷。未來可加入更多疾病領域的範例，並結合 LLM 自動建議調整變項與敏感性分析項目。

# 連結

GitHub：htlin222/research-in-cancer-center
主要語言：R
最後更新：2026-03-28