試驗研究的考量(Consideration of experimental study)

Overview
在上一個章節，筆者介紹了一些隨機分派相關的軼事，與執行隨機分派的主要設計方式，以及幾種常見的型態與執行的概略流程圖。而在本章節，筆者將介紹以隨機分派為核心的臨床試驗研究，又稱為Randomized control trial (簡稱RCT)，其基本的研究執行流程如下圖：

Figure 1. Structure of randomized control trial

包含在隨機分派後進行的研究追蹤(follow-up)與追蹤後所得的結果(outcome)資訊，觀察並收集受試者在追蹤後是否有出現研究目的所關心的徵狀或事件，最後再確認資訊與研究過程無誤後，進行後續的整理與分析，並採用適當的分析策略與方法獲得合理的數據，最後再根據數據所指出的證據來說明研究成果。看似單純，其中卻隱含了許多細節，而研究的成敗也往往取決於細節的處理是否謹慎且細心。

一個RCT的執行絕非一人之力所及，一個成功的RCT也必須考量諸多事宜，研究成員、受試者、分析人員、測量工具、分析方法、研究設計的流程、時間、資源的限度、甚至是試驗的藥劑於上市後的追蹤與調查等，任何一個環節出現失誤或隱瞞，都可能會造成RCT的結果產生誤差，最後影響的就可能是數千人甚至是上萬人受到影響。

因此在本章節，筆者將會進一步介紹臨床試驗研究的幾種重要的考量。這些考量關係著試驗研究是否符合人道與醫療道德標準、是否是合法、合理的研究、是否是有效的研究，其研究結果是否可信、其推論是否可以應用於臨床醫療的實務面等。

隨機分派(Randomization in Experimental study)

Overview
隨機分派(randomization)為臨床試驗研究常見的研究設計。對統計方法而言，隨機分派設計能夠令統計方法的估計與推論更有效。對研究設計而言，隨機分派能具備干擾因子的有效控制，降低研究分析時可能產生的干擾作用，避免研究結果失去價值。時至今日，隨機分派設計早已是現代醫學研究，特別是臨床試驗(clinical trial)不可或缺的方法。然而這套方法卻是在20世紀早期才逐漸發展成熟，由兩位學者各自提出並推廣，對流行病學與生物統計領域的影響十分深遠，因此筆者將會介紹這兩名學者與隨機分派的關係與一些軼事，也就是Hill's and Fisher's randomization。另外，筆者也將介紹隨機分派設計的結構與做法，與其變化過的幾種型態。

流病研究設計簡介(Introduction for study design)

研究設計的終極目標即是尋思如何找出因果效應，counterfactual theory提供一個很清楚的思考脈絡去找出exposure與outcome之間的因果效應，我將用一個很簡單的例子來說明此概念：

一位天賦異稟的研究者想要了解台灣族群吃"生大蒜"降低"缺血型腦中風(Ischemic stroke)"的風險，因此選取所有台灣人，並且操控所有台灣人從D-day開始每天三餐飲食皆額外吃3粒生大蒜，接著觀察所有台灣人在研究結束後，測量缺血型腦中風的發生頻率，接著研究者必須施展超能力將時空重置，再次回到D-day，然後這次令所有台灣人每天三餐都不額外吃３粒生大蒜，接著再次於研究結束後測量缺血型腦中風的發生頻率。如此一來，研究者就可以取得所有台灣人在相同時空內兩種情境之結果，也可以確定每天三餐吃3粒生大蒜與發生缺血型腦中風的因果效應是多少。

效應與相關性(Effect and association in Epidemiology)

Overview
前段文章中有提到疾病頻率的測量種類，incidence risk、incidence rate與prevalence risk，然而這些測量方法都是針對single population中特定暴露條件下的疾病頻率，於是在同一population中，仍有一群沒有接受特定暴露的群體，而且這群人也可能會發病，例如某特定地區居民中，若以吸菸來區分，則可以獲得吸菸與不吸菸的兩個子群體，而對這兩群人觀察15年後肺癌發生狀況，可預期吸菸子群體與非吸菸子群體都可觀察到肺癌發生的個數，於是我們可以個別測出兩子群體的肺癌發生率，接著你可能會問，既然吸菸與非吸菸都會發生肺癌，那麼該怎麼找出吸菸與肺癌的關係？

為了回答這個問題，在接下來的內容中將會逐一介紹幾個在流行病學中常用的比較性指標，例如absolute-effect measurement、relative-effect measurement、attributable fraction、population attributable fraction、standardization以及prevalence odds。並以舉例的方式呈現各指標的特色與解讀，最後會闡述在流行病學中effect與association該如何判定。

流行病學的因果推論(Causal inference in Epidemiology)

Overview
公雞啼叫，日光出現，日復一日，似乎有規律，你做出大膽的假設，如果公雞啼叫是引起日出的原因，則雞啼後日光沒有出現，規律失敗，若日光出現了，規律重現。因此你在某天早晨聽到雞啼後，開始紀錄是否可以看到日光出現，結果不出所料，雞啼後日光出現，於是你大膽的假設獲得了印證，因此猜想雞啼與日光可能有某種關係，但大膽假設必須謹慎求證，因此你謹慎地調查了將近100天，每天的結果都重複印證了雞啼日出的規律，你獲得了初步結論：雞啼引起了日出。

Francis Bacon
(22 Jan 1561 – 9 Apr 1626)

這個研究小故事在21世紀聽起來非常荒謬，因為你已經知道真相，你可能早已學過基礎的地球科學和生物學，你知道地球自轉與公雞的基因機轉之間只是個假相關，但如果你聽過Francis Bacon這個人，大概可以知道上述的研究確實遵從一套曾經盛極一時的哲學歸納主義"Inductivism"(是指將歸納法(induction)的哲學思想奉為圭臬)。你也許知道歸納法在科學因果推論上的致命缺點，又或者剛好從其它地方聽過這類的故事，你可以在公雞啼叫前將牠殺掉，然後等待日出，就能破除歸納所推論的假設，獲得新結論：公雞不啼叫、日出照樣來，公雞與日出無相關。

相關性連結是人類與生俱來的學習能力，小孩子看到冒煙的茶壺會好奇，伸手觸碰後立刻縮手，於是明白冒煙的茶壺等於燙傷，下次再看到冒煙的茶壺就不敢再觸碰。我們對於外在世界的任何事物都會建立相關性，聽到刺耳蟬鳴就知道季節是盛夏，出門看到滿天烏雲就知道應該帶雨傘再出門，有些甚至不需親身體驗也能學習到事物間的關係，例如你絕對不會希望在十字路口紅燈時還不踩煞車。

察覺事物之間關係在生命中有很大的助益，特別是當這種關係是因與果的角色，若A是因，B是果，A必定在B之前發生，這是因果關係唯一的必要條件，假如B要發生必須要A出現，反之，沒有A出現B就不會發生，則A稱為B的necessary cause。以登革熱來說，登革熱必須要有蚊子作為媒介，若世界上沒有蚊子存在，則登革熱就不會發生，因此蚊子是登革熱的necessary cause。即使實務上根本做不到撲殺所有蚊子，但我們可以預期，只要有效降低蚊子的數量，登革熱就會獲得控制。

Necessary cause的因果關係較常出現在病媒蟲傳染病的傳染途徑中，然而生物醫學領域中的慢性病則又是另一回事，以慢性病為主的因果關係經常較為複雜且難以釐清，通常都會遇到一因多果、多因一果的情形，例如吸菸與多重疾病的關係，糖尿病與高血糖、高血脂、高血壓的關係，有時候研究者甚至不會清楚得知某種特定暴露源與疾病的關係，因此研究者該如何測量與確立因果關係？

為了釐清因果推論應用至流行病學的複雜性，本文將從哲學歷史著手並延伸至流行病學的因果推論，內容將包含Hume's causation、Kant's Critique、Popper's Falsificationism、Counterfactual theory與知名的Hill's criteria，最後會討論Modern Epidemiology的作者Rothman所提出的Sufficient component cause model，以及一個近年來應用廣泛的因果推論工具Causal Diagram的Directed Acyclic Graphs理論，又可簡稱DAGs。

疾病發生的測量(measurement of disease occurrence)

Overview
流行病學研究即是針對疾病事件的調查與分析，哲理上是為了試圖回答幾個重要問題，疾病事件為何會發生？其原因為何？因此將流行病學理解為因果關係的研究，在哲學上一點也不為過，至於流行病學與其它學科最大的差別，當科學發展專門為了解決涉及人類健康事件的因果關係，即為流行病學，而相同的概念也出現於其他學者的詮釋中：

"流行病學是一門研究人類族群的疾病頻率之分布狀況與決定因素的學問"MacMahon 1970
"流行病學是研究族群中健康相關的狀態與事件之分布"Rothman 2008

為了回答此類的問題，流行病學涵蓋了研究設計與執行、疾病因果與相關性的判別、研究信效度、研究分析等多種研究面向的考量，然而綜觀流行病學研究的脈絡，絕大多數研究的起始點都在於確定疾病發生的測量。因此在這個主題中，將會以incidence time、incidence rate、incidence risk作為疾病測量的主要內容，至於mortality的議題在此並不會論述。