實證醫學實務技巧(4/)
有關「治療」研究的結果是否有效（效度）？
病患、醫療從業人員、結果評估者以及資料分析者是否都不知道病患被分到哪一組？
一個臨床試驗通常會有許多人員參與，若是這些人員知道病人會分配到哪一組，就可能會產生研究偏差。研究可分類為單盲、雙盲或三盲等等，端視有多少研究參與者（病患、醫療從業人員、結果評估者等）不知道研究對象的分組。研究者應該清楚地陳述有哪些研究參與者不知道研究對象的分組，以及他做了哪些努力以減少偏差的產生。
如果參與研究的病患事先知道自己所分配的組別，這樣會使他們對研究效果（好或壞的）的敏感度增加。在藥物試驗中，通常不讓對照組知道他並未接受積極的治療，而以安慰劑矇騙之。但對於某些介入措施的研究而言，要讓研究對象不知道其分組則是困難的（甚至不可能），特別是外科手術、心理社會層面的介入措施等等。如果臨床工作者知道他照護的對象被分配到哪一組，他可能會不自覺地提供其他照護方式，因而提高了病患對好的結果或是副作用的敏感度，造成研究結果的偏差。
理想上，結果評估者與提供照護者應為不同的人。假使結果評估者知道病人被分配到哪一組，他們在測量結果變項時就會受到影響，造成失真的測量結果（常是無意識的）。但是客觀的變項（例如死亡率、血中濃度等等）則比較不會受到影響。
有時候很難不讓病患、臨床工作者和結果評估者知道受試者組別，但對資料分析者只要資料使用編碼的方式，就能達到隱瞞的效果。當讀者在閱讀隨機試驗文獻時，要去查閱文章中是否有提出三盲、四盲的證據，如果此研究無法作到雙盲（三盲、四盲）試驗，研究者就應該在文獻中提出其減少偏差的步驟。
除了想要評估的介入措施之外，是否每組的研究對象都被一致地對待？
因為隨機分配可確保研究各組之間的系統性差異僅剩實驗所欲探求的治療介入而已，所以除了治療介入之外，不能給予額外的或另外的照護。若病人接受額外的介入措施，例如較密集的追蹤或是與醫療人員有較長時間的相處，那麼顯然無法將效果只歸因於單一治療介入。讀者應該注意看隨機分配試驗的各組所接受的治療介入為何，特別是那些臨床工作者已經知道病人分組的試驗。
追蹤的時間夠長、夠完整嗎？
此問題包含2個部分：首先，為了看到治療的結果，需追蹤病人多久？通常追蹤一段時間是必要的，至於需追蹤多久通常由臨床工作者來判斷。如果此治療介入真的有效，則研究的追蹤時間，需要長到足以探測臨床的重要效果為止。若追蹤時間太短，將使得達到有意義結果的病患數目不足，以致研究失敗。
每位被收案的病患都應追蹤至研究結束為止，但這不容易做到。如果有許多病患無法被追蹤到研究最後，那麼這份研究結果的效度會被質疑。病患常因非隨機因素退出研究，此種情形下我們不知失去追蹤的病患狀況如何，而且他們可能和其他留下來的病患的狀況差異很大。所以當實驗組與對照組退出人數的比率不同時，我們應該對結果有所懷疑，但若作者對於失去追蹤或退出研究的部份有作敏感度分析（sensitivity analysis）並且根據失去追蹤者的狀況，提出不同的假設，重新計算結果，則其結果會比較可信。例如，實驗結果是接受治療的實驗組比控制組結果為佳，那麼應假定從實驗組失聯的研究對象都是壞的結果，而從控制組失聯的研究對象都有好的結果，重新計算，看看會不會因此推翻原先的研究結果。
你接下來該思考其效果有多大：「這治療介入的臨床效果大到讓你想使用它嗎？用在哪種病人身上？」。
研究結果是什麼（重要性）？
治療的效果有多大？
每一個治療效果，會使用一個或多個結果來測量。結果測量可以分為「二分性質」（如：是或不是、生或死）或「連續性質」（如住院時間、日常飲食量）。以一篇研究某藥物對氣喘的療效為例，其結果測量是為氣喘患者在6個月治療期間的再住院率，實驗組的再入院率為15﹪（實驗組事件發生率 experimental event rate：EER），與控制組的再入院率為38﹪（控制組事件發生率 control event rate:CER）相互比較，P值為0.001，表示這兩組之間的差異在統計上來說是有意義的。另外相對風險差（relative risk reduction；RRR）為實驗組與控制組再住院比率之差率，其計算方式為(CER-EER)/CER=(38-15)/38=0.60，表示試驗組比控制組減少了60%的再入院相對風險。然而相對風險沒有考慮到「再入院的實際人數」，所以可用絕對風險差(absolute risk reduction,ARR)來替代,就是CER-EER，在本例中就是38-15=23﹪，這絕對風險差可告訴我們治療本身對於結果的影響(效果)有多少。（請參考附錄一）
更令人容易理解的結果呈現方式是”需要治療的人數(number needed to treatment；NNT)”，意指每治療幾個病人可防止一個病人額外產生不良結果(或促使一個病人產生好的結果)。NNT的計算很簡單，只要取ARR的倒數，然後再無條件進位成整數即可，在氣喘的研究中NNT=1/23＝5（95﹪CI 3 to 12）。意指經由本實驗藥物治療的6個月期間內，每5個接受治療的個案就有1個可避免額外的再入院，95%信賴區間（confidence interval: CI）認為NNT的真值是介於最低為3人，最高為12人之間。
當我們讀到研究的治療效果達到統計上的顯著差異時，一定要記得問自己，這差異是否具有臨床上的重要性。統計上的顯著差異很有可能是不重要的，不重要的原因包括這測量的結果本來就不重要，或結果差異太小而不會被病人注意到、不值得為此改變臨床實務。例如，一個有關喉嚨痛使用抗生素的系統性文獻回顧，其結論是使用抗生素可使喉嚨痛的症狀減少8個小時；相對於過量使用抗生素的問題，減少8個小時的喉嚨痛似乎不具有臨床上的重要性。
對治療效果的估計有多精確？
雖然沒有治療效果的真實數值，但我們可用估計值來替代，每個估計值都是真實治療效果的近似值，但重點是到底有多近似!。信賴區間(confidence intervals；CIs )是一種統計上的工具，用來表示估計值的精密度，可用來表示治療效果的估計範圍，換句話說，信賴區間可顯示對真實值的估計有多近似。95﹪信賴區間表示「此治療效果區間」有95﹪的機率會包含真實數值。如果區間過大表示估計缺乏精確性，反之信賴區間越狹窄，則精確性越高。再者研究的樣本數大小會影響結果的精確性，樣本數越大結果越精確，95%CI的範圍越窄，反之樣本數小的研究會有較寬的CIs。
勝算比（odds ratio）或是相對危險（relative risk）的95﹪信賴區間若包含了1，表示治療結果不具有統計上的顯著意義。若風險差(risk difference)或絕對風險差(absolute risk reduction)的信賴區間包含了0，則表示這個差異不具有統計上的顯著意義。我們應該將治療效果信賴區間的最低值視為最小效果的可能值，並且試問自己：「如果這個治療介入的效果只有這麼小，還值得拿來應用嗎?，是否具有臨床上的重要性？」
參考資料：
Nicky Cullum, RN, PhD: EBN users’ guide, Evaluation of studies of treatment or prevention interventions.Evidence-Based Nursing 2000; 3:100-102. & EBN 2001;4:2-3.