JAMA等醫學期刊要求用因果性語言只能在隨機臨床試驗中。但觀察研究進步，符合強假設時可解釋因果。若無法進行隨機試驗，觀察研究對理解因果效應很重要，提供進一步研究資訊。在觀察研究中使用結構化因果性語言方法至關重要。提出六個核心問題的框架，有助於確定何時適合在觀察研究中進行因果解釋，改善研究人員、審稿人和讀者之間的溝通。需要各方合作實施並評估此框架對研究報告的影響。 PubMed DOI

本文探討了生物標誌在臨床實踐和生物醫學研究中的重要性。生物標誌是可測量的特徵，能指出疾病存在、追蹤疾病進展，並預測治療反應。它們提供了寶貴的洞察，有助於疾病易感性、進展和治療反應，促進藥物開發和個人化醫療。然而，開發和應用生物標誌也面臨挑戰，如嚴格的測試、檢驗方法的標準化和道德考量。生物標誌的可靠性和驗證對準確測量和建立預測價值至關重要。了解易感因素對於有效解讀生物標誌數據至關重要。使用經過良好驗證的生物標誌可以改善診斷、治療評估和疾病預測，帶來更好的患者結果和醫學進步。 PubMed DOI

在臨床研究中，變數之間的真實線性關係並不常見，但許多分析仍假設線性，這可能導致偏差結果。本文介紹如何識別臨床數據中的非線性關係，無需複雜數學。我們將探討視覺檢查和統計檢定等方法，並討論處理非線性關係的幾種方式，包括轉換、多項式、樣條和廣義加性模型（GAMs）。每種方法的優缺點將被評估，並透過腎臟科案例研究展示實際應用，旨在提升臨床數據分析的準確性與可靠性。 PubMed DOI

在隨機試驗中，死亡事件可能會影響研究結果，這被稱為競爭風險。傳統的Cox比例風險模型將死亡視為截尾數據，可能導致偏差，因為它假設存活者能代表未存活者。Fine和Gray模型雖然常用，但有時應用不當。為了解決這些問題，我們提出了一種多重插補的方法，能更好地考量死亡與未觀察結果風險的關係。我們透過三個心血管試驗的例子和模擬研究，展示了這種方法的有效性，並提供了對未來臨床試驗管理競爭風險的實用建議。 PubMed DOI

頻率主義和貝葉斯統計是兩種不同的數據分析方法，各有其哲學基礎。頻率主義強調客觀性，將機率視為事件的長期頻率，主導了20世紀的醫學統計。相對地，貝葉斯統計則將機率視為信念的度量，允許主觀分析。隨著計算技術的進步，貝葉斯方法在醫學研究中越來越普及，能將先前知識與新數據結合，對臨床決策特別有幫助。本文探討了兩者的主要差異及貝葉斯方法在臨床試驗中的應用。 PubMed DOI