如何閱讀臨床結果

終點

在任何數字有意義之前，先問：一個關於什麼的數字？

一項研究測量和計數的東西就是其終點。其他一切——比值、範圍、p 值——都圍繞著那個選定的結局。改變終點，每個數字也隨之改變。

在 AI 試驗中，主要終點是14 天內的治療失敗——在試驗開始前決定，由一組不知道哪些患者使用了 AI 的臨床醫生判定。最後那個細節很重要：一個預先固定並盲法打分的結局，遠比一個在結果出來後才挑選的結局更難欺騙自己。

注意當一個研究有超過一個終點時會發生什麼。在我們報導的一項諾羅病毒疫苗試驗中，疫苗同時以兩種方式接受測試：它是否阻止了實際疾病（胃腸炎），以及它是否阻止了實驗室可檢測到的感染？它錯過了第一個，擊中了第二個。兩個結果都是真實的；它們只是回答不同的問題。試驗預先選定的主要終點是疾病那一項——因此，誠實地報告，該試驗未達到其主要終點，儘管它顯然做了些事情。

• 它意味著什麼： 終點是計分板。先讀它。
• 它不意味著什麼： 在次要的或事後指標上的一個好結果，不等同於達到預先註冊的主要終點。
• 陷阱： 標題可以引用聽起來最好的那個終點。永遠問實際測量了什麼，以及它是否就是研究人員預先承諾的那個結局。

比值比

比值比 0.77。 比值比是比較兩組的一個單一數字。經驗法則：

• 1.0 意味著組間無差異。
• 低於 1.0 意味著該事件在治療組中較少發生。
• 高於 1.0 意味著它更多發生。

因此 0.77 表示 AI 組出現不良結局的比值大約是對照組的四分之三——如果數字是真實的。（把握住那個「如果」；接下來的部分就是我們要如何檢查它。）

「調整後」——即 aOR 裡的a——意味著研究者使用了統計學來解釋組間的其他差異，這裡是有些診所從一開始就與其他診所不同。你會遇到比值比的近親：風險比 (RR) 和風險比率 (HR)。它們的計算方式不同，但解讀方式相同：1.0 是「無差異」線。

• 它意味著什麼： 兩組之間一個緊湊的「多了多少，或少了多少」。
• 它不意味著什麼： 它不告訴你事件有多常見，或多少真實的人受到了影響。比值隱藏了其基線。
• 陷阱： 「比值降低 25%」聽起來很戲劇化。它是否重要完全取決於結局一開始有多常見——這正是下一個數字。

絕對 vs 相對

這是幾乎騙倒所有人的一個，因此值得放慢速度。

以諾羅病毒的數字為例。疾病發生在安慰劑組的 56.9% 和疫苗組的 44.7%。你可以用兩種誠實的方式描述同一個差距：

• 絕對： 低 12.2 個百分點（56.9 減去 44.7）。
• 相對： 低約 21%（12.2 大約是 56.9 的五分之一）。

兩者都是真實的。它們描述的是同一個結果。而它們感覺完全不同——這正是聽起來更大的那個，相對數字，成為新聞稿寵兒的原因。

「百分點」和「百分比」不是同一個詞。利率從 5% 降到 4% 是下降一個百分點，但你所支付的利息是削減了 20%。把它們搞混是一個微小變化被吹成巨大變化的方式。

最清晰的警告來自罕見事件。「減少 50%」聽起來巨大。但如果該事件在 1000 人中發生 2 例，現在變為 1000 人中 1 例，那個 50% 是一千人中少了一個人。回到 AI 試驗，比值比 (0.77) 聽起來像提高了 23%——然而在絕對意義上，不良結局發生在對照組的 2.0% 和 AI 組的 2.2% 之間，差距不到一個百分點。（原始百分比和調整後估計在組間不同時可能指向不同方向；這就是為什麼兩者都必須仔細閱讀——此處調整後的 0.77 偏向一個方向而原始比率偏向另一個。）

• 它意味著什麼： 永遠找到絕對數字——每組的實際比率。
• 它不意味著什麼： 一個大的相對數字不承諾一個大的真實世界變化。
• 陷阱： 沒有基線的相對數字。如果有人只給你一個百分比縮減，問「在多少人當中，且原來有多常見？」

信賴區間

95% CI 0.55 到 1.08。 單一數字 (0.77) 是研究的最佳單一猜測。信賴區間是與資料仍合理相容的值的範圍。狹窄區間意味著研究鎖定了答案；寬闊區間意味著「我們誠實地說不確定。」

一個問題在這裡做大部分工作：區間是否包含「無效應」？ 對於一個比值來說，「無效應」是 1.0。我們的區間從 0.55 到 1.08——它跨越了 1.0。因此資料與一個真實益處 (0.55)、與毫無效應 (1.0)，甚至與一個輕微傷害 (1.08) 都相容。當區間包含無效應時，你不能聲稱一個效應——句號。研究就是沒有鎖定結果。

比較來自同一試驗的兩個諾羅病毒終點：

• 疾病： 差異 12.2 個百分點，95% CI −4.24 到 28.61。該範圍跨越了零（無差異），因此結果是不確定的。
• 感染： 差異 23.6 個百分點，95% CI 7.4 到 38.0。該範圍完全在零以上，因此這一個是一個真實信號。

同一項研究，同一種疫苗，兩個區間，兩個不同的定論。區間是誠實所在的地方。

• 它意味著什麼： 我們有多確定，表示為一個範圍。
• 它不意味著什麼： 點估計不是「答案」，兩個端點也不是同等可能——靠近中間的值更可信。
• 陷阱： 讀單一數字而忽略範圍。範圍就是要點。

P 值

P = 0.13。 p 值回答一個狹窄的、滑溜的問題：如果事實上不存在任何效應，純粹的偶然性多久會產生一個至少這麼大的差距？ P = 0.13 意味著大約 13% 的情況下——足夠常見以至於我們無法排除巧合。

按照長久以來的慣例，研究者通常在 P 低於 0.05 時稱一個結果為「統計顯著」。知道 0.05 是一個約定——一條由習慣畫下的線，而非自然定律——會有所幫助。我們的 P = 0.13 位於其上，因此 AI 結果是「不顯著的」。

兩個陷阱住在這裡，兩者都很大：

• 「顯著」不意味著「大」或「重要」。 在一項足夠大的研究中，一個太小以至於無關緊要的差異仍然可能過線。
• 「不顯著」不意味著「被證明為零」。 很多時候它意味著「這項研究無法判斷。」證據的缺失不是缺失的證據。

這就是為什麼，在可以的時候，信賴區間比 p 值告訴你更多：區間顯示了仍在桌上的全部範圍，而不是將其壓成一個單一的通過/不通過印章。

樣本量

研究中包含多少人，且這足以看到他們正在尋找的效應嗎？那種能力——一項研究在真實效應存在時檢測到它的能力——被稱為其統計檢定力。

AI 試驗招募了約 9,700 名患者，聽起來足夠多了。但不良結局是罕見的——約 2%——而罕見結局需要巨大的數字才能可靠比較。作者令人耳目一新地坦誠：要確認他們看到的那種大小的效應，你將需要大約10 萬名患者之類的東西。因此「不顯著」在這裡主要意味著「這項試驗規模太小無法判斷」，而非「肯定什麼都不存在。」

想想在一個嘈雜的房間裡聽一聲低語。一次快速聆聽幾乎不告訴你什麼；你可能需要許多次仔細重複才能誠實地判斷低語是否真實。一項低檢定力的研究就是一次快速聆聽。

• 它意味著什麼： 規模更大的研究能看見更小的效應；罕見結局要求大規模研究。
• 它不意味著什麼： 一項小型研究的無效結果不是什麼都沒發生的證明。
• 陷阱： 將「我們無法檢測到它」當作「它不存在」。

綜合起來

現在我們有全部五個。一旦你看到它們如何配合，一句翻譯就浮現出來：

aOR 0.77, 95% CI 0.55–1.08, P = 0.13 → 「在試驗的約 9,700 名患者中，該 AI 工具在總計上略微偏向於將不良結局減少約四分之一，但分析顯示該效應可能在零到接近一半之間變化，且該資料與純偶然性的解釋並無明顯區別——我們不確定。」

這就是整件該死的事情。不是「它有效。」不是「它失敗了。」只是我們還不確定——誠實而完整。

臨床結果閱讀清單

• 終點： 我們測量了什麼，能相信那個測量嗎？
• 比值比 / 風險比 / 風險比率： 效應的方向和大致大小是什麼？
• 絕對數字： 實際比率是多少，受影響的真實人數是多少？
• 信賴區間： 與資料相容的效應範圍是什麼？它是否包括無效應？
• P 值： 如果實際上什麼都不存在，純偶然性有多容易產生這個結果？
• 樣本量 / 檢定力： 該研究規模是否足以檢測一個合理大小的影響？

按順序閱讀，任何臨床結果都會自行翻譯成一句你不需要 MBA 就能評判的誠實句子。