『壹』 統計學在醫學領域如何應用
統計學在醫學領域的應用非常廣泛，它為醫學研究提供了科學的方法和技術手段。以下是一些主要的應用領域：
臨床試驗設計：統計學在臨床試驗的設計和實施中起著關鍵作用。通過合理的試驗設計，可以確保研究結果的可靠性和有效性。例如，隨機分組、雙盲對照等方法可以減少偏倚，提高研究質量。
數據分析：統計學方法可以幫助醫學研究者分析收集到的數據，從而得出有關疾病發生、發展和預防的科學結論。例如，描述性統計分析可以揭示疾病的流行病學特徵，推斷性統計分析可以評估干預措施的療效和安全性。
診斷試驗評價：統計學在診斷試驗的評價中發揮著重要作用。通過計算敏感性、特異性、陽性預測值和陰性預測值等指標，可以評估診斷試驗的准確性和可靠性。
預後模型建立：統計學方法可以幫助醫學研究者建立疾病預後模型，預測患者的疾病進展和生存情況。例如，Cox比例風險模型可以分析多種因素對患者預後的影響。
醫學經濟學評價：統計學在醫學經濟學評價中的應用包括成本效益分析、成本效果分析和成本效用分析等。這些方法可以幫助決策者評估不同醫療干預措施的經濟性和可行性。
流行病學研究：統計學在流行病學研究中的作用主要體現在病例對照研究、隊列研究和橫斷面研究等方面。這些研究方法可以幫助我們了解疾病的分布規律、危險因素和預防策略。
生物信息學：統計學在生物信息學中的應用包括基因表達譜分析、蛋白質組學分析和代謝組學分析等。這些方法可以幫助我們深入了解疾病的分子機制，為疾病的診斷和治療提供新的思路。
醫學教育與培訓：統計學在醫學教育和培訓中的應用主要體現在醫學考試的命題、評分和質量控制等方面。通過合理的統計分析，可以確保醫學考試的公平性和有效性。
總之，統計學在醫學領域的應用具有廣泛的前景和重要的意義。隨著醫學研究的不斷深入和統計學方法的不斷發展，統計學在醫學領域的作用將越來越重要。
『貳』 臨床研究中統計方法的選擇
目錄
例子1：假設檢驗及臨床優效性檢驗
一研究者宣布找到一種治療某病的新葯，試驗結果如下，問：該新葯是否值得推廣？
例子2：分析中混雜因素的控制
英國某年全人口統計資料如下，矛盾：移民組的發病率在各個年齡組均高於英格蘭和威爾士組，為什麼它的合計發病率反而低？
例子3：假設檢驗及判別診斷
為鑒別胃癌、胃炎、非胃病患者，各測定了50名患者的銅蘭蛋白等指標，其中銅蘭蛋白的觀察結果如下，問：三種人的銅蘭蛋白有無不同？能否根據測定的銅蘭蛋白數據對患者進行初步診斷？
例子4：影響因素篩選-回歸分析
研究心肌梗死患者預後的的影響因素，以是否發生心性死亡作為觀察結果指標，對116名心梗患者的22個可能影響預後的因素進行觀察和記錄。
結局指標：心性死亡
預後因素：年齡、性別、高血壓病、心梗位置、心梗分級、傳導阻滯、溶栓治療，……等
問：哪些預後因素與發生心性死亡有關系？關系的強度如何？
【瑞麟】研究目的（4）+設計類型（4）+數據類型（3）+數據特徵（4）→統計方法
——↑瑞麟總結——
醫學統計分析方法選擇的核心三要素（3-5-3）
"方法看變數、設計看類型、目的定乾坤"
「大怕踢、二怕鏢、老三怕剪刀」
老大指數值型變數、老二指等級變數、老三指無序分類變數
大怕踢：T（腳踢）、F（旋風腿）
數值型變數一般選用t檢驗（兩組變數）、方差分析（3組及以上資料）
二怕鏢：非參數（飛鏢）
等級變數一般選用非參數檢驗
老三怕剪刀：卡方（剪刀）
無序分類變數一般選用卡方檢驗
統計指標、統計圖或統計表
如，均數、中位數、標准差、百分比、頻數分布等
參數估計、假設檢驗
估計總體參數、95%可信區間
對幾組資料進行差異性檢驗
假設檢驗方法，如，t檢驗、卡方檢驗、方差分析、秩和檢驗等
研究某因素與另一因素的依存關系
探討變數之間的關系及影響大小
具體說，探討自變數（影響因素）對應變數（結果變數）的影響大小
多變數分析方法
如，線性相關、線性回歸、Logistic回歸、Cox回歸、生存分析等。
最常見，最易實施的實驗設計方案
將研究對象隨機分配到幾個組，然後做實驗
將具有相似特徵的研究對象配成對子，然後再將每個對子的對象隨機分配到兩個組進行實驗
常見形式：同源配對（如樣品一分為二）；異源配對（按性別、體重、年齡進行配對）；自身前後配對（試驗前後的對比）
同時研究多個實驗因素對結果的影響
例如，研究葯物劑量（3mg、6mg）及給葯方式（口服、肌注）對結果的影響，每種組合均需要做試驗（3mg+口服，3mg+肌注，6mg+口服，6mg+肌注）
同一對象在不同時間點上進行某個指標的觀測，以分析該指標在時間上的變化。
【瑞麟疑問】如只進行兩個時間點上的測量，是否與自身前後配對的設計相同？
每一個觀察對象都有一個數值，且大小差異有意義。
例如，血紅蛋白（g/L）、住院天數、產前檢查次數、住院費用等。
數值變數資料的描述
論文中最常用的組合
以比代率，即誤將構成比（proportion）當作率（rate）來描述某病發生的強度和頻率。
把各種不同的率相混淆，如把患病率與發病率、死亡率與病死率等概念混同。
指類別或屬性間無順序、程度之分。
例如，性別（男、女）為二分類、血型（A、B、AB、O）為多分類。
指類別間存在著次序，或程度上的差異。
例如，治療效果（無效、好轉、顯效、治癒）、實驗室檢驗（-、+、++、+++）
分類變數資料的描述：通常需要描述各個類別的頻數及頻率（百分比）
任何統計方法都有自己的適用條件，只有當某個或某些條件滿足時，統計計算公式才成立。
適用條件可根據 數據特徵 來判斷
數值變數資料的描述：通過繪制直方圖可以直觀了解數據的分布
研究中，右偏態分布更常見，如住院時間、住院費用、病程等；左偏態分布較少見，如考生成績有時呈左偏態分布。
R語言中如何進行頻數分布直方圖
得到的圖表如下
方差是否齊同（相等）
粗略判斷：兩組標准差之比在2.5倍以上，就得警惕方差不齊
假設檢驗是反證法原理的統計應用
假設兩個樣本均數可能來源於同一總體，然後計算出在此假設下的某個統計量的大小，當這個統計量在其分布中的概率較小時（如p≤0.05）我們就拒絕其假設，而接受其對立假設，認為兩樣本分別來自不同的總體。
1）當p≤α時，做出「拒絕其無差別的假設，可認為各總體間有差別」的結論時就有可能犯錯誤，這類錯誤稱為第一類錯誤（type I error）。其犯錯誤的概率用α表示，若α取0.05，此時犯I型錯誤的概率≤0.05，若假設檢驗的p值比0.05越小，犯第一類錯誤的概率就越小。
2）當p>α時，做出「不拒絕其無差別的假設，還不能認為各總體間有差別」的結論時就有可能犯第二類錯誤（type II error）。其犯錯誤的概念用β表示，通常β為未知數，但假設檢驗p值越大，犯第二類錯誤的概率就越小。
計量資料 的假設檢驗：t檢驗、F檢驗（方差分析）、Z檢驗、秩和檢驗（Wilcoxon秩和檢驗、H檢驗、Friedman檢驗）等。
計數資料 的假設檢驗：卡方檢驗、Z檢驗（瑞麟疑問：z檢驗即u檢驗？）
等級資料 的假設檢驗：秩和檢驗（Wilcoxon秩和檢驗、H檢驗、Friedman檢驗）
單個自變數資料
兩個或以上自變數資料
兩組比較：t檢驗、u檢驗、兩組秩和檢驗、四格表和較正四格表的卡方檢驗等
多組比較：方差分析、多組秩和檢驗、行×列卡方檢驗等。
差異分析/數據資料的比較，是同一指標在不同處理間的比較。
臨床研究中，經常需要分析某些因素與疾病之間的關系，探討疾病的危險因素。
注意，相關關系並不等於因果關系。
前瞻性研究：相對危險度（RR）、歸因危險度（AR）
回顧性研究：比值比（OR）
參數檢驗：積矩相關系數（Pearson's sγ）
非參數檢驗：Spearman等級相關系數
1）確定金標准
診斷性試驗的金標准（gold standard）是指當前臨床醫師公認的診斷疾病最可靠的方法，也稱為標准診斷。應用金標准可以正確區分「有病」和「無病」。
擬評價的診斷性試驗對疾病的診斷，必須有金標准為依據，所謂金標准包括活檢、手術發現、細菌培養、屍檢、特殊檢查和影像診斷，以及長期隨訪的結果。
2）選擇研究對象
診斷性試驗的研究對象，應當包括兩組：一組是用金標准確診「有病」的病例組，另一組是用金標准證實為「無病」的患者，稱為對照組。所謂「無病」的患者，是指沒有金標准診斷的目標疾病，而不是完全無病的正常人。
病例組應包括各型病例：如典型和不典型的，早、中與晚期病例，輕、中與重型的，有和無並發症者等，以便使診斷性試驗的結果更具有臨床實用價值。
對照組可選用金標准證實沒有目標疾病的其他病例，特別是與該病容易混淆的病例，以期明確其鑒別診斷價值。正常人一般不宜納入對照組。
3）盲法比較診斷性試驗與金標準的結果
評價診斷性試驗時，採用盲法具有十分重要的意義，即要求判斷試驗結果的人，不能預先知道該病例用金標准劃分為「有病」還是「無病」，以免發生疑診偏倚。
新的診斷性試驗，對疾病的診斷結果應當與金標准診斷的結果進行同步對比，並且列出格表，以便進一步評估，其方法如下：
①用金標准診斷為「有病」的病例數為a+c；
②上述「有病」的病例經診斷性試驗檢測，結果陽性者為a，陰性者為c；
③金標准診斷「無病」的倒數為b+d，其中經診斷性試驗檢測陽性者為b，陰性者為d；
④列出四格表，將a,b,c,d的倒數分別填入下列四格表。
敏感度（sensitivity, SN）是正確診斷的真陽性病例在中風組中所佔的百分率，計算公式為為：SN=a/(a+c)×100%
特異度（specificity, SP）是正確診斷的真陰性部分所佔百分率，計算公式為：SP=d/(b+d)×100%
准確性(accuracy,AC)反映了診斷試驗結果與金標准試驗結果的符合或一致程度，計算公式為：AC = (a+d)/N
陽性預測值(positive predictive value,PPV)是診斷試驗為陽性結果中金標准證實患中風者所佔的百分率，計算公式為： PPV = a/(a+b)×100%
陰性預測值(negative predictive value,NPV)是診斷試驗為陰性結果中金標准證實未患中風者所佔的百分率，計算公式為：NPV = d/(c+d)×100% .
陽性似然比(positive likelihood ratio, LR+)為患中風組真陽性率和未患中風組假陽性率的比值，計算公式為：LR+ =SN/(1-SP) ，表明診斷性試驗為陽性時患病於不患病的比值,比值越大則患病的概率越大.
陰性似然比(negative likelihood ratio, LR-)為患中風組假陰性率與未患中風真陰性率的比值，計算公式為：LR- =(1-SN)/SP,表明診斷試驗為陰性時,患病與不患病時機會的比值.
1）ROC曲線
ROC曲線(receiver operator characteeristic curve)又稱受試者工作特徵曲線,在診斷性試驗中,用於正常值臨界點的選擇,對臨床實驗室工作尤為重要.
診斷資料可以按資料的等級或性質歸納成2X2表（四格表）或行列表。一般地說，如果診斷資料本身為二值變數，即診斷的結果為陽性和陰性，則歸納成四格表最合理。如果診斷資料為等級或連續變數，歸納成四格表就會造成信息的浪費，所以，最好將資料歸納成行列表，這樣可以最大限度地利用信息。
如果診斷實驗的資料為連續變數，可以將資料按一定的等級分級，歸納成行列表進行分析。
像這樣的行列表，我們可以將其分割成表3形式的四格表，分別計算各指標，計算的結果見表3。
由表3可見，靈敏度和假陽性率隨界值的降低而生高，但特異度則隨界值的降低而降低。根據這樣的關系，我們可以用假陽性率為橫坐標，靈敏度為縱坐標做ROC曲線，見下圖。
曲線左上角靈敏度是1.0（100%），假陽性率是0，即所有的病人全部被確診，所有無病者都不會誤診。距左上角距離越近的曲線實驗效果越好；
在ROC曲線上，靠坐上角距離最近的界點作為界值最好。（Q：為什麼？）
在左上角處（靈敏度+特異度）/2的值最大，可以根據此及實際工作的需要來確定具體診斷實驗的界值。
用ROC曲線可以比較不同診斷實驗的優劣（Q：解釋理由）。
2）似然比的臨床應用
似然比(likelihood ratio)是診斷試驗綜合評價的理想指標,它綜合了敏感度與特異度的臨床意義,而且可依據試驗結果的陽性或陰性,計算患病的概率,便於在診斷試驗檢測後,更確切地對患者作出診斷.
真陽性率越高,則陽性似然比越大.
參考文獻：
1. 《臨床研究中統計方法的選擇》 ，（微信公眾號）臨床科研與meta分析，2015-12-18
2.武松 《SPSS中級統計實戰教程》之《醫學統計方法選擇秘籍（5秒判讀法）》 （丁香園公開課）,2018-3-6
3.雞小販. 臨床科研中如何選擇統計學方法（PPT） . 網路文庫.2014-3-13