R on 林協霆醫師

ngs-tertiary-analysis-skills：從 BAM 到 ESMO 2024 臨床報告的 R 語言三級分析管線

Sat, 09 May 2026 00:00:00 +0000

# Introduction（引言）

次世代定序（NGS）已成為腫瘤學臨床決策的核心工具，但「次級」與「三級」分析之間的鴻溝仍是落地阻礙。次級分析輸出的是變異列表，而三級分析必須將每個變異映射到臨床可行性、藥物選擇與證據等級，並輸出符合 ESMO Scale for Clinical Actionability of molecular Targets（ESCAT）等臨床指引的書面報告。多數商用平台費用昂貴或不透明，本專案以 R 語言實作可重現的開源管線，作為臨床醫師與研究者學習與驗證的教材。

# Methods（方法）

管線從 BAM 檔起始，經由變異呼叫、註解與過濾，產出可信變異集合。在三級分析階段，系統以 OncoKB 進行致病性與可行藥物的對照、查詢 PubMed 與 Scopus 進行文獻證據蒐集，並依 ESMO ESCAT 框架（Tier I 至 Tier X）為每個變異賦予證據等級。R 套件生態提供豐富的生物資訊工具與報表能力（Quarto／R Markdown），使整份臨床報告可在單一管線內以可重現方式產出。

設計著重於：模組化（每個步驟可獨立替換）、可審計（所有外部資料庫查詢皆紀錄版本與日期）、以及符合 ESMO 2024 報告的結構化輸出。此架構可作為單一機構建置自有 NGS 報告平台的範本。

# Results（結果）

管線可將原始 BAM 檔在合理時間內轉化為包含臨床建議、文獻證據與 ESCAT 分級的完整報告。R 為主的實作降低了腫瘤科醫師參與的門檻，並能與既有統計分析環境無縫整合。整體流程可重現性高，每次執行皆能標註所引用之資料庫快照版本，以滿足臨床稽核要求。

# Discussion（討論）

本專案展示開源工具鏈在臨床基因體學的潛力，特別適合資源有限的醫學中心建構自有報告系統。其價值在於透明化：每一個臨床建議的來源皆可被追溯。限制方面，R 在大規模 BAM 處理上的效能仍不及 C/Python 實作，且 OncoKB 與 ESCAT 的更新節奏需要持續追蹤。未來可擴充為涵蓋藥物代謝基因（PGx）與免疫治療生物標記的整合報告，並結合 LLM 進行臨床敘事化摘要。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-skills
主要語言：R
最後更新：2026-05-09

ngs-tertiary-analysis-paper：以 Agentic AI 對照 AMP/ASCO/CAP 規則式分類的 NGS 證據調和方法論

Sat, 25 Apr 2026 00:00:00 +0000

# Introduction（引言）

癌症次世代定序的變異臨床意義評估目前主要依循 AMP／ASCO／CAP 共識指引：將變異依證據強度分為 Tier I 至 Tier IV，提供臨床決策依據。然而此規則式分類仰賴專家逐筆比對文獻、藥物資料庫與功能研究，工作量極高且易因資料庫更新而落後。隨著大型語言模型展現出整合多源文本的能力，是否能以 Agentic AI 動態調和臨床證據成為值得驗證的方法論問題。本專案即為相關投稿手稿之研究與寫作倉庫。

# Methods（方法）

本研究採用 Agentic AI 架構：每筆變異由協調 Agent 接收後，分派給多個專門 Agent 分別查詢文獻、藥物適應症、功能研究與臨床指引，最終由仲裁 Agent 彙整證據並輸出建議分類。系統以 R 語言撰寫主要分析管線，呼叫 LLM API 並嚴格紀錄每一步證據來源。基準對照為人工依 AMP／ASCO/CAP 指引產出的 Tier 分類，使用一組標註過的癌症 NGS 變異資料集進行比較。

評估指標包含一致率、敏感度／特異度與分類差異的根因分析；同時記錄 Agentic 流程的 token 用量、執行時間與失敗模式，作為實務部署的參考。

# Results（結果）

初步結果顯示 Agentic AI 在多數高證據變異上能達到與人工相當的一致率，但於罕見變異與證據邊界情境下出現分類飄移。仔細分析顯示，誤分類常源於文獻檢索 Agent 對近期摘要的解讀不夠精確，提示後續可加入人類在環（human-in-the-loop）審核。

# Discussion（討論）

本研究展示 Agentic AI 在臨床基因體學的實質潛力：不只是文字生成，更能負擔結構化證據蒐集任務。其貢獻在於提供可重複的方法論模板與基準測試流程，而非主張取代人工。限制方面，研究使用單一資料庫快照與單一 LLM 家族，泛化能力需更多驗證。未來方向包括：跨模型比較、多機構資料集驗證，以及將 Agentic 評估嵌入既有臨床報告平台的接口設計。

# 連結

GitHub：htlin222/ngs-tertiary-analysis-paper
主要語言：R
最後更新：2026-04-25

LDH-trajectory：乳酸去氫酶軌跡分析的 R 語言研究腳手架

Wed, 22 Apr 2026 00:00:00 +0000

# 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

r-with-ai-eng：英語版 R 統計工具入門：以 AI 學臨床研究統計

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

# Introduction（引言）

臨床研究者學習 R 統計工具時，常被語法細節卡住而失去探索熱情。傳統教材多以「先學語法、再學統計」順序展開，與學習者的實際需求方向相反。本教材主張「先讓 AI 帶你跑出第一張圖，再回頭理解每行做了什麼」的逆向學習法。在 LLM 已能即時生成可執行 R 程式碼的時代，臨床新手最需要的不是更多範例，而是被引導以結構化方式提問。

# Methods（方法）

教材以英語撰寫並以 R Markdown／Quarto 為載體，章節以「臨床問題」為主軸：例如「我的試驗主要終點是事件發生時間，怎麼跑生存曲線？」每章節提供：問題敘述、與 AI 對話的標準提問模板、AI 產生的範例程式碼、逐行解釋、以及挑戰題。學習者在跑出結果後，被引導對 AI 進行三輪追問：要求解釋、要求修改、要求泛化。

整體設計強調「AI 是教練不是寫手」：每章節的最後皆要求學習者自行不依靠 AI 重寫一次相似題目，藉此鞏固理解。教材以 R 為主，但所提倡之提問結構可遷移至 Python 等語言。

# Results（結果）

教材使初學者得以在數小時內跑出第一張臨床研究專用圖表（如 Kaplan-Meier、Forest plot），同時建立可遷移的 AI 提問習慣。對於非英語母語但需用英文撰寫研究報告的學員，本教材亦提供雙重學習：統計與英文同步進步。

# Discussion（討論）

本專案實踐了「教學重點轉向提問能力」的觀念：當 AI 能即時生產程式碼，課程價值便不在於教語法，而在於教結構化提問。限制方面，AI 答案會隨模型版本飄移，教材需要週期更新；對於完全沒有程式背景的學習者，仍需要基本語法掃盲章節。未來可結合互動執行環境（如 Quarto Live、WebR），讓讀者在瀏覽器中即時嘗試。

# 連結

GitHub：htlin222/r-with-ai-eng
主要語言：R
最後更新：2026-04-12

learn-r-with-ai：以 AI 為伴的互動式 R 語言入門教科書

Sat, 04 Apr 2026 00:00:00 +0000

# Introduction（引言）

R 是臨床研究與生物統計的事實標準語言之一，但對非工程背景的醫師而言，學習曲線陡峭。傳統教材以語法為主軸，往往讓學習者在抵達真正分析任務前便放棄。本書主張一種新的入門路徑：「先利用 AI 跑出第一張統計圖，再回頭學語法」。這個順序顛倒並非偷懶，而是對學習者動機與認知負荷的合理回應。

# Methods（方法）

書籍以 R 與 Quarto 為基礎撰寫，每章從一個臨床問題出發，提供「給 AI 的標準提示詞」、「AI 產出的程式碼」、「逐行解釋」、「常見錯誤」與「自行挑戰」。內容由淺入深：從基本語法、tidyverse 資料整理、視覺化（ggplot2）、統計檢定到生存分析。所有章節皆可在瀏覽器互動執行（搭配 WebR 或類似環境），降低初學者環境設定的痛苦。

教學重點為「結構化提問」：書籍鼓勵讀者每跑出一段程式後，以三輪追問（「請解釋」、「請改寫」、「請泛化」）深化理解。如此學習者不只是會用，而是能主動駕馭 AI 工具。

# Results（結果）

完成此書的讀者預期能在臨床研究情境中獨立完成基本資料分析任務，並具備繼續以 AI 為伴自我擴展技能的能力。對教學者而言，本書亦提供可被改編為短期工作坊的素材，特別適合住院醫師、研究助理與生統入門課程。

# Discussion（討論）

本專案實踐了當代教育學與 AI 工具結合的可能性：將「學習」重新定義為「結構化提問與反思」，而非「背誦語法」。限制方面，R 語言生態快速演化，部分套件 API 變動可能使範例失效；對於完全沒有程式概念的讀者，仍需要前置的「為何要學程式」章節。未來方向包括：繁體中文版本、面向特定臨床研究情境（生存分析、Meta 分析）的延伸章節，以及與作者其他工具（meta-pipe、r-with-ai-eng）的串接。

# 連結

GitHub：htlin222/learn-r-with-ai
主要語言：R
最後更新：2026-04-04

causal-tut：以 Quarto Reveal.js 製作因果推論教學簡報

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

# Introduction（引言）

因果推論已成為當代臨床研究的核心方法學，但對於僅接受過傳統生統訓練的醫師而言，從相關性過渡到因果的觀念門檻不低。本專案提供一份針對臨床研究者設計的因果推論教學簡報，涵蓋有向無環圖（DAG）、傾向分數方法與目標最大概似估計（TMLE）三大主題，目標是在一個工作坊內讓學員建立可遷移的因果思考骨架。

# Methods（方法）

簡報以 Quarto 與 Reveal.js 製作，並以 R 為主要程式碼示範。每個主題皆遵循「概念 → 範例 → 程式 → 練習」四段結構：概念建立直覺、範例提供具體情境、程式以 R 演示分析、練習由學員自行嘗試。簡報中嵌入互動式圖表（DAG、平衡性圖、效應分布），降低靜態圖無法呈現的理解阻礙。

設計重點在於「最少數學、最多直覺」：避免引入學員不熟悉的符號，改以圖示與比喻；當必要時，公式以「告訴你能看到什麼」而非「告訴你如何推導」的方式呈現。簡報源碼公開，便於後續其他教師基於此再製。

# Results（結果）

簡報已被作為工作坊主要教材使用，學員回饋顯示能在較短時間內掌握 DAG 思考、傾向分數的核心邏輯與 TMLE 的應用情境。Quarto Reveal.js 的形式同時支援線上閱讀、線下投影與 PDF 輸出，極大化教材的觸及範圍。

# Discussion（討論）

本專案展現了「將前沿方法學轉譯為臨床醫師語言」的教學努力。其貢獻在於降低因果推論的進入門檻，使更多臨床研究者能在自身研究中採用合理方法。限制方面，工作坊的時間限制使主題無法完全展開，仍須搭配進階閱讀；簡報中的範例為虛構情境，學員仍需自行將觀念遷移至真實研究。未來可擴展為完整課程系列，並結合 TMLE-explain 動畫提供影音輔助。

# 連結

GitHub：htlin222/causal-tut
主要語言：R
最後更新：2026-03-28

prisma-automation：以 Python 與 R 自動化 PRISMA 系統性回顧工作流

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

# Introduction（引言）

PRISMA 為系統性回顧與 Meta 分析的標準報告框架，要求研究者透明展示每一步研究納入與排除的數量。傳統工作流以多個工具（Endnote、Excel、Covidence、RevMan）拼接，容易出現步驟之間的計數不一致。本專案以開源工具鏈將完整 PRISMA 工作流以程式化方式串起，從文獻搜尋、篩選、去重到流程圖自動產生，保障報告數字與實際操作完全對應。

# Methods（方法）

工作流以 Python 與 R 雙語言實作：Python 處理 API 介接（PubMed、Scopus、Web of Science）與機器學習篩選；R 處理統計合成與作圖。文獻去重採基於 DOI／PMID 的精確比對，搭配標題模糊比對作為補充。標題摘要篩選可選擇人工或 LLM 輔助，所有判斷紀錄留存。最終以 flowdoc 等工具自動產出 PRISMA 流程圖，保證流程圖數字與資料一致。

設計重點為「可審計性」：每個篩選決策皆可被追溯至原始紀錄，使審稿人或讀者能驗證計數正確。整體流程以 Make／Snakemake 等任務管理工具編排，便於部分重跑而不需重新處理整個工作流。

# Results（結果）

研究團隊可顯著減少 PRISMA 報告的人工負擔：原需多人協作數週完成的搜尋與篩選工作，得以縮短為數天並提升一致性。對於同時進行多個系統性回顧的研究團隊，此自動化工具大幅提升整體產能。

# Discussion（討論）

本專案實踐了「以程式化保證透明度」的觀念：當每一步都是可重現的程式碼，PRISMA 對於透明度的要求自然得到滿足。限制方面，自動化篩選的決策需要謹慎驗證，特別是高風險偏誤的情境；不同資料庫的搜尋語法差異仍需手動橋接。未來可整合至 meta-pipe 主管線，並加入 LLM 進行偏倚評估的初步建議。

# 連結

GitHub：htlin222/prisma-automation
主要語言：Python（搭配 R）
最後更新：2026-03-28

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

btk-wm：Waldenström 巨球蛋白血症中 BTK 抑制劑的網絡 Meta 分析

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

# Introduction（引言）

Waldenström 巨球蛋白血症（WM）為相對罕見的 B 細胞淋巴瘤亞型，過去以化學免疫治療（如苯達莫司汀加 rituximab）為主流，近年 BTK 抑制劑（ibrutinib、zanubrutinib、acalabrutinib）的問世顯著改變治療版圖。然而三者之間缺乏完整的頭對頭比較，網絡 Meta 分析（NMA）為當前最佳的整合工具。本專案即建立 WM 中 BTK 抑制劑的 NMA 比較。

# Methods（方法）

研究採用 R 為主要分析語言，搭配 gemtc、multinma 等 NMA 套件。文獻搜尋遵循 PRISMA-NMA 規範，納入比較 BTK 抑制劑彼此或與化學免疫治療之 RCT。主要終點為無進展存活與整體反應率；次要終點包括 OS、毒性（特別是心房顫動、出血、感染）與生活品質。

NMA 模型採貝氏框架以處理小規模試驗下的不確定性。模型診斷包含異質性、不一致性檢驗與排序機率（SUCRA）。基線特徵與 MYD88／CXCR4 突變狀態做為次要分群分析。

# Results（結果）

初步分析顯示 zanubrutinib 與 acalabrutinib 在 PFS 與毒性上相對 ibrutinib 呈現更有利特徵，但具體差異程度與信賴區間需依資料更新調整。對於缺乏頭對頭試驗的臨床決策，本 NMA 提供量化整合視角。

# Discussion（討論）

本研究展現 NMA 在罕見血液惡性腫瘤治療選擇上的價值。限制方面，WM 試驗樣本相對偏小，NMA 結果敏感度高；不同 BTK 抑制劑之毒性譜難以完全可比。未來可結合 IPD-NMA 與真實世界資料，提供更貼合臨床決策的證據基礎，並隨新型非共價 BTK 抑制劑的發展持續更新。

# 連結

GitHub：htlin222/btk-wm
主要語言：R
最後更新：2026-02-20

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-nma：早期 NSCLC 第二／三期免疫治療時機策略之網絡 Meta 分析

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

# Introduction（引言）

當多個處理時機在不同 RCT 中各自與標準治療比較，其相互之間的相對優勢無法由傳統 Meta 分析直接得出。網絡 Meta 分析（NMA）以共同對照組為連接，能在不需頭對頭試驗的情況下提供間接比較。本專案是 early-immuno-timing 的姊妹研究，專注於以 NMA 方法量化早期 Stage II-III NSCLC 之新輔助、圍術期與輔助免疫治療策略的相對效益。

# Methods（方法）

研究以 R 為主要實作語言，採貝氏 NMA 框架（gemtc、multinma），符合 PRISMA-NMA 報告規範。納入標準為 Stage II-III 可切除 NSCLC 之 RCT，處理為三類時機之一。主要終點為 EFS／DFS，次要終點包括 OS 與重大不良事件。

模型診斷包含異質性、不一致性檢驗，以及 SUCRA 排序機率。亞組分析依 PD-L1 表達、組織學亞型與分期細分。所有分析腳本與資料萃取以 Git 管理，便於審稿時提供可重現的計算紀錄。

# Results（結果）

NMA 結果提供一個排序視角：在 EFS 表現上，新輔助與圍術期常排序於輔助之前；在 OS 表現上則需更多追蹤資料；在毒性上，新輔助／圍術期可能因合併化療而顯著上升。SUCRA 結果有助於臨床醫師在多策略並列時做整體權衡。

# Discussion（討論）

本研究展示 NMA 在快速演進治療領域的及時整合價值。其貢獻在於以可量化方式解答「最佳時機」問題。限制方面，NMA 結論依賴試驗一致性假設，需謹慎做敏感性分析；不同地區之健保可及性使結論的臨床轉譯需在地化。未來可結合 IPD-NMA 與真實世界資料以更貼近臨床決策。

# 連結

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