|
几乎每篇临床研究论文的Table1 是会列出研究对象的人口学资料，一般情况，疾病状态等基础信息，这其实是帮助我们认识这个研究中纳入研究对象的最为直接的途径。比如下面这个来自NEJM的基线表格： 作者为了让我们更明确的了解研究对象的特征，年龄采用了两种变量类型来进行描述。首先当作连续变量描述了中位数和极差，其次根据40岁转化为分类变量，描述了≥40岁和<>的构成比。作者的想法可能是首先通过中位数和极差可以让读者了解研究对象的集中趋势和总体分布有个明确的认识；此外因为这个研究是一个肿瘤的治疗性研究，对于肿瘤的疗效和预后，40岁可能是已知判断预后的分水岭，因此也要看看在这个研究中不同的干预组40以上及40岁以下的构成比是否一致。此外，这个研究是个国际多中心研究，可能纳入不同人种的研究对象，因此作者描述了在两个干预组不同肤色人种的比例。除了这些人口学特征以外，Table1还展示了与疾病相关的一般情况，对于一种肿瘤治疗性研究来说，就是肿瘤的分期，某些会影响肿瘤预后的biomarker（在这里是HER2受体）的分布，以及既往的治疗信息（这里是化疗的疗程数）。那么我们通过详细研读Table1为什么可以帮助我们直接认识研究对象呢？对于这个研究来说，它可以帮助我们了解研究对象的代表性和可比性。 我们公众号的资深读者肯定会说，代表性其实我看文章研究对象的入选、排除标准再结合文章的流程图（Flowchart）就可以了啊。没错。入选、排除标准确实可以帮助我们认识研究对象的代表性。但是千万不要忘记，在临床研究中，我们的研究人群其实是可以分成以下三个人群的：目标人群、设计人群和观察人群（如下图）。如果说，通过入选、排除标准的限制我们可以看出从目标人群到设计人群的转变，而通过深入研读Table1 我们则能看出来通过研究实施后，从设计人群到观察人群的转化。其实说白了，就是在研究中我们可能有很美好的设想（入、排标准），但再好的设想也会受实施的影响，尤其是当入组的样本量不大的时候，最终入组的研究对象很可能和研究者设想的设计人群不同，这时通过Table1的数据展示，可以帮助我们深入了解研究者纳入的观察人群究竟具有怎样的特征。 另外，我们可以从这个基线统计表中看到研究组间的可比性。其实对于这个研究来说，它试图比较不同的干预对乳腺癌的疗效差异，在这类研究中，组间基线可比性可能比研究对象的代表性更为重要。因此，我们可能在Table1中会花更多的时间来考察研究对象的可比性。所谓可比性就是在开展研究前，或者在出现研究结局前，各研究组除了研究关心的因素（这个研究里是治疗方案）外，其它特征是否均衡一致。如果是，那么我们认为组间可比性好，我们最终收集到的结局的差异很可能就是我们研究的因素导致的。如果不是，那我们看到的结局的差异可能的来源就有很多，不一定是我们研究的因素导致的了。所以这篇文章的研究者很好，在Table1中不仅分组把基线特征展示出来，还把完成随访的研究对象的特征也展示出来，帮助我们深入的判断两个研究组间的可比性。 在阅读临床研究论文的时候，研究对象是我们需要重点考察的部分，除了以前强调过的入选、排除标准以及研究流程图以外，好好读读常常被忽视的基线统计表能帮助我们最为直接的认识研究对象，从而判断研究对象的代表性和可比性，以更准确的评估研究的临床价值和意义。所以，以后不要再对Table1视而不见了哦。 |
|
|
