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