meta-analysis on 林協霆醫師

meta-pipe-validation：meta-pipe AI 輔助 Meta 分析管線之驗證實驗

Thu, 23 Apr 2026 00:00:00 +0000

# Introduction（引言）

AI 輔助的 Meta 分析管線（如本作者之 meta-pipe）能在文獻搜尋、資料萃取與統計合成上大幅減少人力。然而當管線由人工流程升級為高度自動化時，必須以系統性方式驗證其結果是否與既有人工 Meta 分析一致。本專案即為 meta-pipe 的驗證實驗倉庫，蒐集多項已發表 Meta 分析作為「真值」資料集，並以重現結果的差異作為品質指標。

# Methods（方法）

驗證流程以 Python 為主：選定一系列具備完整原始資料與可重現分析腳本的已發表 Meta 分析作為基準，將其原始文獻 ID、納入排除標準與主要終點輸入 meta-pipe，比對自動化管線輸出與已發表結果。比對指標包含：納入研究數一致性、主要效應量點估計差異、95%信賴區間重疊、以及異質性指標。

對於差異顯著的案例，以根因分析方式逐步檢視：是否在文獻檢索階段漏掉某些研究？是否在資料萃取階段發生值錯誤？是否統計方法選擇造成差異？此一精細化驗證使後續改進有具體方向。

# Results（結果）

驗證結果作為 meta-pipe 改版的依據：當特定類型的研究（如交叉設計、群集試驗）出現系統性偏差時，便可在主管線中加入專屬處理邏輯。此私有倉庫亦可作為投稿方法論論文時的審稿補充材料，提供高度透明的可重現性證據。

# Discussion（討論）

本專案展示了 AI 輔助科學工具的標準驗證實踐：不僅描述其能力，更要量化其與人工結果的差距。限制方面，「真值」依賴的已發表 Meta 分析本身也可能有缺失，需謹慎挑選；驗證資料集的代表性會影響結論的泛化能力。未來可擴充至跨疾病領域、跨研究設計的驗證集，並建立持續整合（CI）每次更新都自動跑驗證的流程。

# 連結

GitHub：htlin222/meta-pipe-validation
主要語言：Python
最後更新：2026-04-23

meta-pipe：AI 輔助、端對端可重現的 Meta 分析管線

Sun, 12 Apr 2026 00:00:00 +0000

# Introduction（引言）

Meta 分析雖被譽為證據金字塔頂端，但其完整流程從文獻搜尋、篩選、資料萃取到統計合成往往耗時數月。傳統工具（如 RevMan、Covidence）雖支援工作流，但在自動化與可重現性上仍有空間。隨著 LLM 在文獻處理上的能力大幅提升，是否能將 Meta 分析從「人工為主、工具為輔」翻轉為「工具為主、人工為輔」成為值得探索的方向。本專案即提供一套 AI 輔助、端對端可重現的 Meta 分析管線。

# Methods（方法）

管線以 Python 為主，分為以下階段：（1）文獻搜尋，整合多個資料庫 API 並產出符合 PRISMA 流程圖的紀錄；（2）標題摘要篩選，由 LLM 依預設納入排除標準先行分類，人工僅審核邊緣案例；（3）全文擷取與資料萃取，LLM 從 PDF／HTML 中擷取結構化欄位（PICO、效應量、變異）；（4）統計合成與敘事化結論，採用既有套件（如 metafor、PythonMeta）執行森林圖、異質性分析與敏感性分析。

關鍵設計為「人類在環」：LLM 處理重複性高、規則明確的任務，研究者則在每階段交叉口進行決策確認。所有 LLM 呼叫皆紀錄 prompt 與輸出，確保可追溯。

# Results（結果）

管線可在合理時間內完成大量原本需數月人工的工作，並產出可被同儕審查的中間產物（PRISMA 流程圖、納入研究表、效應量計算腳本）。對個別研究者而言，這降低了從問題形成到投稿的時間；對教學者而言，管線可作為 EBM 課程的具體實作範例。

# Discussion（討論）

本專案展現了 AI 輔助 Meta 分析的可行性，並建立可被驗證的方法論基礎（與姊妹專案 meta-pipe-validation 配對）。限制方面，文獻篩選的 LLM 判斷仍受 prompt 設計影響，需在不同主題下重新校準；資料萃取對於非標準報告的論文準確度仍有限。未來方向包括：與既有研究軟體的雙向資料同步、加入網絡 Meta 分析支援、以及多語言文獻的整合。

# 連結

GitHub：htlin222/meta-pipe
主要語言：Python
最後更新：2026-04-12

meta-pipe-manuscript：meta-pipe 管線方法論的學術手稿

Mon, 06 Apr 2026 00:00:00 +0000

# Introduction（引言）

當研究者開發新的研究方法工具時，將其轉化為同儕審查文獻是讓社群採用與監督的重要環節。本倉庫即為 meta-pipe（AI 輔助 Meta 分析管線）方法論手稿之 LaTeX 撰寫倉庫，目的不只是描述工具能做什麼，更是揭露其設計決策、驗證範式與限制條件。研究界對於 AI 輔助工具的接受度，仰賴透明的方法學書寫。

# Methods（方法）

手稿以 LaTeX 撰寫並透過 Git 進行版本控制，便於與共同作者協作與審稿迭代。內容組織遵循標準研究方法論論文結構：背景、現有工具不足、meta-pipe 設計、驗證實驗（與姊妹專案 meta-pipe-validation 配對）、限制討論與未來方向。所有圖表皆從原始碼自動生成，避免投稿過程中圖表與內文不同步的問題。

撰寫策略採「結構化敘事」：每個章節先以一句結論起頭，再展開支撐證據。引用管理透過 BibTeX 並輔以引文驗證，確保所有引文真實存在且符合語境。

# Results（結果）

手稿構成 meta-pipe 工具家族的學術門面，使後續使用者能引用一份規範化文獻，而非僅是 README。對作者個人而言，撰寫過程亦為自我審視管線設計的過程：很多隱含假設在被迫寫成段落後才浮現。

# Discussion（討論）

本專案展示了「工程作品需要以論文形式被討論」的學術慣性：開源專案若缺乏方法論層次的書寫，難以被嚴肅評價。限制方面，方法論論文在實作演進時可能與最新版本脫鉤，需在發表後維持版本對照表；審稿過程亦可能耗時數月。未來可探索將工具版本與論文版本以 DOI 雙向對應，形成可被引用的實作─文本配對。

# 連結

GitHub：htlin222/meta-pipe-manuscript
主要語言：TeX
最後更新：2026-04-06

caffeine-endurance：健康成人耐力運動表現中咖啡因補充劑之 Meta 分析

Fri, 20 Feb 2026 00:00:00 +0000

# Introduction（引言）

咖啡因為運動營養領域長期討論的補充劑之一，多數研究指出其對耐力表現具正面效應，但效應大小、最佳劑量、給藥時機等細節仍未完全確定。本專案系統整合健康成人耐力運動（包含跑步、自行車、游泳）相關 RCT，量化咖啡因補充劑對表現指標的效應，並探討劑量─反應與飲用時機等次要問題。

# Methods（方法）

文獻搜尋遵循 PRISMA 流程，於主要資料庫查詢符合條件的 RCT：對象為健康成人、處理為咖啡因攝取（劑量明確）、對照為安慰劑、終點為耐力運動表現指標（時間至力竭、計時測驗、最大功率等）。研究以 R 為主要分析語言，採固定／隨機效應 Meta 分析，並以 meta-regression 探討劑量、時機、訓練狀態等可能調節變項。

異質性以 I² 與 prediction interval 評估；出版偏誤以 funnel plot 與 Egger 檢定檢視。所有分析腳本以 Quarto 串接，最終報告可一鍵重跑並輸出。

# Results（結果）

整合結果預期將定量呈現咖啡因對耐力表現的平均效應大小及其異質性，並對劑量─反應曲線提出建議。對於專業運動員與一般運動愛好者，本研究提供基於系統證據的補充劑使用指引。

# Discussion（討論）

本專案展現了 Meta 分析在運動科學的應用。其貢獻在於將分散證據整合為可被引用的量化結論。限制方面，運動表現指標多元，可能造成跨研究結果整合困難；個體基因差異（CYP1A2 多型性）可能造成顯著個體差異無法被群體 Meta 分析捕捉。未來可結合 IPD Meta 分析與基因型分群提供更個人化的建議。

# 連結

GitHub：htlin222/caffeine-endurance
主要語言：R
最後更新：2026-02-20

early-immuno-timing：早期可切除非小細胞肺癌之免疫治療時機 Meta 分析

Fri, 20 Feb 2026 00:00:00 +0000

# Introduction（引言）

可切除早期非小細胞肺癌（NSCLC）的免疫治療策略近年快速演進，新輔助（neoadjuvant）、圍術期（perioperative）與輔助（adjuvant）三種時機的試驗結果先後問世（CheckMate 816、AEGEAN、KEYNOTE-671、IMpower010 等），對臨床決策造成多重挑戰。本專案系統整合此三類試驗結果，目的在於回答：「在不能直接比較的情況下，哪一個時機對病人帶來最大的綜合效益？」

# Methods（方法）

文獻搜尋遵循 PRISMA 流程，納入評估免疫檢查點抑制劑於早期可切除 NSCLC 之 RCT，並依處理時機分為新輔助、圍術期與輔助三組。研究以 LaTeX 撰寫，主要終點為 EFS／DFS，次要終點為 OS、pCR（限新輔助／圍術期）、手術切除率與重大不良事件。

統計上採對照組為標準治療之 Meta 分析；對於跨時機的間接比較則於姊妹專案 early-immuno-timing-nma 進行網絡 Meta 分析。本專案聚焦於各時機內的結果整合與風險／效益剖析。

# Results（結果）

各時機皆顯示免疫治療相較於標準治療提升 EFS／DFS，但效應大小與毒性負擔存在差異。新輔助與圍術期相較於輔助有較高 pCR 訊號，可作為早期療效指標；輔助則有相對單純的毒性管理。整合結果為臨床選擇提供量化依據，但不取代針對個別病人之多學科決策。

# Discussion（討論）

本研究展現了在試驗結果迅速累積的情境下，及時整合的重要性。限制方面，不同時機之試驗納入族群略異（淋巴結受侵程度、分期定義），可能造成殘餘異質性；長期 OS 仍需更多追蹤。未來可結合 IPD-NMA、生物標記分群與 RWE 真實世界資料，提供更個人化的時機選擇建議。

# 連結

GitHub：htlin222/early-immuno-timing
主要語言：TeX
最後更新：2026-02-20

ici-breast-cancer：免疫檢查點抑制劑於三陰性乳癌新輔助治療之 Meta 分析

Fri, 20 Feb 2026 00:00:00 +0000

# Introduction（引言）

免疫檢查點抑制劑（ICI）於三陰性乳癌（TNBC）的新輔助治療上展現出 pCR（病理完全反應）改善與後續存活訊號，但跨試驗結果（KEYNOTE-522、IMpassion031、NeoTRIP 等）並未完全一致。臨床醫師對於「是否每位 TNBC 病人皆應接受 ICI 加化療」仍存爭議。本專案以 Meta 分析整合 5 項 RCT、共 2402 例病人，量化 ICI 加化療相較於單獨化療的療效與安全性差異。

# Methods（方法）

研究方法以 LaTeX 撰寫詳盡計畫書與分析報告。文獻搜尋遵循 PRISMA 流程，在 PubMed、Embase、Cochrane Library 與重要會議摘要進行系統搜尋；納入標準為符合條件的 RCT、研究對象為早期 TNBC、處理組為 ICI 加化療、對照組為相同化療基礎。主要終點為 pCR；次要終點包含無事件存活（EFS）、整體存活（OS）與重大免疫相關不良事件。

統計上採固定／隨機效應模型，並以 I² 量化異質性、以 funnel plot 與 Egger 檢定評估出版偏誤。子群分析依 PD-L1 表達與淋巴結狀態分層。

# Results（結果）

整合分析顯示 ICI 加化療相較於單獨化療顯著提高 pCR 率，且在 EFS 上呈現有利訊號。子群分析提示 PD-L1 高表達族群獲益更明顯，但低表達族群亦有部分獲益訊號。免疫相關不良事件的整體比率上升但多為可管理。

# Discussion（討論）

本研究為 TNBC 新輔助 ICI 治療提供量化整合證據，協助臨床決策時權衡療效與毒性。限制方面，納入研究於化療基礎組成略有差異，可能造成殘餘異質性；長期 OS 結果仍待更多追蹤。未來可結合個別病人資料（IPD）Meta 分析以細化生物標記亞型分析，並結合 RWE 補充。

# 連結

GitHub：htlin222/ici-breast-cancer
主要語言：TeX
最後更新：2026-02-20