肺癌治療效果有無相關數據庫信息

當一些信息綜合分析，來自于臨床試驗的數據時，常常需要獲得關于當前治療的其他信息。肺癌治療轉診服務機構愛諾美康了解到，關于國外的一種稱為分層建模的方法，它的用途之一是綜合不同來源的信息，該方法適用于多種情形，包括meta分析和歷史資料的綜合，而分層模型是一個隨機效應模型。

舉個例子，在meta分析中，一個水平是某試驗內的個體患者，第二個水平是試驗本身。分層模型也應用在設計方面，如對不同疾病或疾病亞型進行結果合并時，把這些看似不同的問題作為整群隨機而來。重新考慮之前討論的n期臨床試驗，其中33例患者中21例有效。肺癌治療轉診服務機構愛諾美康了解到，按無效假設r=0.50獲得的單側P值為0.08，所以在5%檢驗水準下，結果無統計學意義。

肺癌治療轉診服務機構愛諾美康了解到，現在考慮早期I期臨床試驗，使用相同療法，其中20例患者15有效。盡管接受治療的人群可能會有所不同，實施試驗的機構也可能不同，但這些信息看起來似乎還是有關系的。但是對如何把信息納入到分析中并不顯而易見，頻率學派的方法是就某一特定實驗而言的，它需要假想這兩個試驗是一些較大試驗的一部分。

如果假定整個數據結果是從53例患者中，36例有效的一次試驗中得到的，那么從頻率學派角度，得到的值為0.063，具有高度的統計學意義。肺癌治療轉診服務機構愛諾美康了解到，但是這一結論是錯誤的，因為假設是錯誤的。不清楚怎樣把它變成正確的，在這兩期試驗中任何假定其有效率相同的貝葉斯分析，都會有相類似的缺點。

有理由認為有效率r在一項試驗，和另一項試驗是會有變化的，即使兩項試驗的病例合格標準相同，給予同樣的治療，兩試驗的有效率也可能是不同的，一種情況就是該合格標準可能是在兩種不同的背景下應用的。肺癌治療轉診服務機構愛諾美康了解到，即使患者具有明顯的相似性，其結果也會隨時間、地點的不同而不同。我們對癌癥的了解和診斷隨著時間的推移，而發生變化。

此外，在伴隨治療的應用上存在不同，在評估臨床和實驗室指標的能力上也有變化。肺癌治療轉診服務機構愛諾美康了解到，完善這種分析的一種方法是分開考慮兩個r值，假定第一項試驗得到的為r1，第二項試驗得到的為r2。概括一下，有兩個極端的假設，使得分析很容易實現，但卻是錯誤的。其中一種假設是r1和r2無關，任何關于r2的推斷，僅根據第二項試驗的結果。

肺癌治療轉診服務機構愛諾美康了解到，另一種假設是r1=r2，合并這兩項試驗的結果，這兩個r值可能相同，也可能不同。在貝葉斯分層模型中，兩種可能性都是允許的，但卻不能是假設出來的。換句話說，和r2被認為是從r值的總體中得來的。總體也許差別甚微（同質性），也許差別迥異（異質性），觀察到的有效率提供了異質性程度的信息，有效率差別越大則提示異質性越大。

當觀察到的有效率r1和r2相近時，其估計精度則高于兩者相去甚遠的情形。肺癌治療轉診服務機構愛諾美康了解到，前一種情況下，不同的試驗所發揮的作用較大，如果發生不同試驗的結果差別很大，則其作用甚微，而且任何一個單項試驗的信息都用不上多少。

肺癌治療轉診服務機構愛諾美康了解到，更普遍的是關于某一特定的療效，也許有一些相關的研究或數據庫，能提供支持信息。這些研究可能是異質性的，或許是考慮了不同的患者群體。相關例子具有一般性，但因其包括了9項研究，故比前面的例子要復雜，這些研究中唯一的共同點是，它們都關注了相同治療方法的效果。