打完新冠疫苗自費驗抗體之解讀 請問你抗體有幾四叉貓？

9月19日記者會中，羅副說自己也是網民，整理分析網路上5位網紅分享抗體檢驗結果的資料。這集來談談吧。

重點整理：
1.五人的抗體檢驗數值從2位數到4位數都有，可能跟檢驗時間點與個人體質不同有關。抗體產生速度快慢各人有所差異，而且太早檢驗抗體數值可能較低，較晚檢驗抗體濃度較高，數值也會較好看。

2.羅一鈞以龜兔賽跑來比喻，打完第1劑後抗體數值偏低，不見得之後抗體數值都是低的，因抗體生成是動態變化過程，因此打完2劑疫苗過後抗體數值才較穩定。

3.抗體檢驗有其限制。包括檢驗時機點是否合適，檢驗的抗體不能反應真實保護力等等。

我的解讀是：
1.如果是像歐美目前熱烈討論第三針一樣，很多人在兩劑施打完半年後擔心自己抗體已經下降，保護力是否下降，是否該打加強針booster了，這可能還有些意義。但美國到目前為止也沒有建議一般人去檢驗抗體，因為一般診所醫院可以驗到的抗體有其不準確性，是否能真的反應有無保護力是有爭議的。

2.目前並沒有規定抗體超過某個數值就是有保護力。因此你驗了只是徒增困擾，花錢驗心酸的。在台灣也不會因為你驗出來很低，醫院就要幫你多打一針。

3.檢驗抗體本身也會有偽陰偽陽性，偽陰性讓你白擔心，偽陽性讓你有錯誤的安全感。在Delta的時代，應該要推廣的是即使你打了疫苗，還是要維持一定的NPI好習慣，戴口罩勤洗手避群聚，這比較重要。

4.比較準的，以後會訂出保護力標準的可能是中和抗體，但這不是可以隨便檢驗到的。

5.而在第一劑和第二劑之中去驗抗體更沒意義，因為那是抗體正在生成的過程，只看一個點是沒有意義的。臨床試驗中多半是抓第二劑的14~28天之後抽血，此時抗體到高點比較穩定，以這個數值來比較才比較有意義。

💥 20 個 ＃常見的統計錯誤，你犯過，或是犯了卻不知道嗎？⠀
⠀
MedCalc 的作者 Frank，在 Facebook 分享了一篇跟統計相關的文章，叫做「生物醫學研究文章中，連你都可以發現的 20 個統計錯誤」，很有意思。（連結請見原始貼文）
⠀
我（蔡依橙）認真看完後，覺得蠻不錯的，於是把這 20 個統計錯誤的標題翻成中文，協助大家節省時間，如果剛好有興趣的，可再針對該部分去閱讀原文。接著，分享一些我看完之後的想法。
⠀
⠀
1. 數值報告時，提供了不必要的精確。例如 60 公斤體重，硬要寫成 60.18 公斤。
⠀
2. 將連續變項分組，變成次序變項，但沒有說明為什麼這樣分。像是 CRP 不以數值去統計，而分成低、中、高三組，卻沒說明為什麼這樣分。
⠀
3. 配對資料，只報告各組平均，卻沒報告其改變。也就是只報告治療前血壓、治療後血壓，卻沒報告有多少人上升、多少人下降、平均下降多少。
⠀
4. 描述性統計的誤用，尤其該用 median (interquartile range) 的，硬是用成 mean +- SD。
⠀
5. 使用 standard error of the mean (SEM) 描述量測的精確度，而非 95% CI。
⠀
6. 只報告 p 值，卻沒提到差值以及臨床意義。
⠀
7. 誤用統計方式。尤其常見的是混淆有母數跟無母數統計方法。
⠀
8. 使用線性迴歸，卻沒有先確定資料之間是真的有線性關係。
⠀
9. 沒有使用全部的資料，然後又沒把去掉的資料「為什麼被去掉」說清楚。
⠀
10. 多組比較的 p 值校正問題。
⠀
11. 在隨機分組研究時，過於詳盡地比較了兩組受試者的基本資料，像是性別比例、年齡、體重、血壓等等，而且資料好得太奇怪。
⠀
12. 報告檢驗數值時，沒有定義 normal 與 abnormal。
⠀
13. 計算 sensitivity 與 specificity 時，沒有說明一些介在灰色地帶的檢查結果，如何呈現與去除。
⠀
14. 使用圖片與表格，只是為了儲存數據，而非以協助讀者理解為出發點。
⠀
15. 畫出來的數據圖，視覺主觀上給人的印象，竟然跟數據本身不同。
⠀
16. 在報告數據與解讀時，搞不清楚 units of observation 是什麼，例如心臟病的觀察研究，在 1000 個患者中有 18 位心臟病發，那 units of observation 就是 18。但如果這個研究是以診斷正確率為主，那 sample size 就是 1000。
⠀
17. 把不顯著的統計，或 low power，解讀成 negative，而非 inconclusive。
⠀
18. 分不清楚解釋性研究與實務性研究，前者為 explanatory / efficacy / laboratory，後者為 pragmatic / effectiveness / real world。嘗試兩種混著做，結果兩邊都做不好。
⠀
19. 沒有用臨床能理解的方式來報告最終結果。
⠀
20. 把統計的顯著性，當成臨床的重要性。例如：癌症用新藥治療，統計上很顯著的好，但追蹤了五年，患者只延長了七天的壽命。這就是統計有顯著，但臨床意義不大的例子。
⠀
⠀
🗨 我（蔡依橙）的一些想法
⠀
由統計專業人的角度，來看生物醫學發表，是很有警惕意義的，能讓準備發表的朋友，仔細看看自己是不是也犯了相關的錯誤。
⠀
但另一個角度看，作者也提到，這些錯誤在幾乎一半的生物醫學論文上反覆出現！這就代表，其實生物醫學論文要刊登，並不代表我們什麼錯都不能犯，相反地，這 20 個錯誤裡頭，有些就算犯了，也還是能被刊登。
⠀
以我們自己發表，以及過去協助同學的經驗來說，我會認為 2、7、10、14、15，是初學者也 ＃必須理解並避開的，其他的則是發表起步了之後，陸陸續續去注意，在往更高分期刊挑戰時，逐漸進步就行。
⠀
實務上，3 分以下的醫學期刊，幾乎沒有專門的統計查核，你只要能通過「一般同行」的統計知識審查就行。也就是說，我是一個放射科醫師，剛開始起步，投稿到放射科 3 分以下期刊，文章中的統計，只要「＃一般有在做研究的放射科醫師」覺得可以就行，不見得要到「統計專家看過並挑不出毛病」。
⠀
對於初學者如何起步，實務的協助，新思惟規劃了各種類型的研究課程，歡迎有興趣的朋友可以參考。目前正在開放報名中的，有以下三場工作坊，歡迎您瞭解各課程的課綱後，評估挑選最符合您需求的內容，前來上課，讓我們協助您成功起步。
⠀
🟠 2021 / 11 / 7（日）統合分析工作坊
無經費、資源少也能發表，不用 IRB 且免收案的好選擇。
https://meta-analysis.innovarad.tw/event/
⠀
🔵 2021 / 10 / 17（日）臨床研究與發表工作坊
全新改款！跟著國際學者走，讓你寫作投稿都上手。
https://clip2014.innovarad.tw/event/
⠀
🟢 2021 / 10 / 16（六）個案報告、技術發表與文獻回顧工作坊
把臨床上的各種想法，在 PubMed 化作專業生涯上的里程碑。
https://casereport.innovarad.tw/event/
⠀ ⠀
不只是說說而已，我們會舉實例，說明其意義、如何避開，在互動實作過程，實際由各位在自己的電腦上操作，從數據到軟體，從統計到繪圖，一次搞定，並避開常見錯誤，是真正以 ＃初學者起步 為核心的規劃。
⠀
⠀
二十個常見的統計錯誤，與實務寫作時的考量。
🔗 原始貼文 │ https://bit.ly/2WESphu

💥 20 個 ＃常見的統計錯誤，你犯過，或是犯了卻不知道嗎？⠀
⠀
MedCalc 的作者 Frank，在 Facebook 分享了一篇跟統計相關的文章，叫做「生物醫學研究文章中，連你都可以發現的 20 個統計錯誤」，很有意思。（連結請見原始貼文）
⠀
我（蔡依橙）認真看完後，覺得蠻不錯的，於是把這 20 個統計錯誤的標題翻成中文，協助大家節省時間，如果剛好有興趣的，可再針對該部分去閱讀原文。接著，分享一些我看完之後的想法。
⠀
⠀
1. 數值報告時，提供了不必要的精確。例如 60 公斤體重，硬要寫成 60.18 公斤。
⠀
2. 將連續變項分組，變成次序變項，但沒有說明為什麼這樣分。像是 CRP 不以數值去統計，而分成低、中、高三組，卻沒說明為什麼這樣分。
⠀
3. 配對資料，只報告各組平均，卻沒報告其改變。也就是只報告治療前血壓、治療後血壓，卻沒報告有多少人上升、多少人下降、平均下降多少。
⠀
4. 描述性統計的誤用，尤其該用 median (interquartile range) 的，硬是用成 mean +- SD。
⠀
5. 使用 standard error of the mean (SEM) 描述量測的精確度，而非 95% CI。
⠀
6. 只報告 p 值，卻沒提到差值以及臨床意義。
⠀
7. 誤用統計方式。尤其常見的是混淆有母數跟無母數統計方法。
⠀
8. 使用線性迴歸，卻沒有先確定資料之間是真的有線性關係。
⠀
9. 沒有使用全部的資料，然後又沒把去掉的資料「為什麼被去掉」說清楚。
⠀
10. 多組比較的 p 值校正問題。
⠀
11. 在隨機分組研究時，過於詳盡地比較了兩組受試者的基本資料，像是性別比例、年齡、體重、血壓等等，而且資料好得太奇怪。
⠀
12. 報告檢驗數值時，沒有定義 normal 與 abnormal。
⠀
13. 計算 sensitivity 與 specificity 時，沒有說明一些介在灰色地帶的檢查結果，如何呈現與去除。
⠀
14. 使用圖片與表格，只是為了儲存數據，而非以協助讀者理解為出發點。
⠀
15. 畫出來的數據圖，視覺主觀上給人的印象，竟然跟數據本身不同。
⠀
16. 在報告數據與解讀時，搞不清楚 units of observation 是什麼，例如心臟病的觀察研究，在 1000 個患者中有 18 位心臟病發，那 units of observation 就是 18。但如果這個研究是以診斷正確率為主，那 sample size 就是 1000。
⠀
17. 把不顯著的統計，或 low power，解讀成 negative，而非 inconclusive。
⠀
18. 分不清楚解釋性研究與實務性研究，前者為 explanatory / efficacy / laboratory，後者為 pragmatic / effectiveness / real world。嘗試兩種混著做，結果兩邊都做不好。
⠀
19. 沒有用臨床能理解的方式來報告最終結果。
⠀
20. 把統計的顯著性，當成臨床的重要性。例如：癌症用新藥治療，統計上很顯著的好，但追蹤了五年，患者只延長了七天的壽命。這就是統計有顯著，但臨床意義不大的例子。
⠀
⠀
🗨 我（蔡依橙）的一些想法
⠀
由統計專業人的角度，來看生物醫學發表，是很有警惕意義的，能讓準備發表的朋友，仔細看看自己是不是也犯了相關的錯誤。
⠀
但另一個角度看，作者也提到，這些錯誤在幾乎一半的生物醫學論文上反覆出現！這就代表，其實生物醫學論文要刊登，並不代表我們什麼錯都不能犯，相反地，這 20 個錯誤裡頭，有些就算犯了，也還是能被刊登。
⠀
以我們自己發表，以及過去協助同學的經驗來說，我會認為 2、7、10、14、15，是初學者也 ＃必須理解並避開的，其他的則是發表起步了之後，陸陸續續去注意，在往更高分期刊挑戰時，逐漸進步就行。
⠀
實務上，3 分以下的醫學期刊，幾乎沒有專門的統計查核，你只要能通過「一般同行」的統計知識審查就行。也就是說，我是一個放射科醫師，剛開始起步，投稿到放射科 3 分以下期刊，文章中的統計，只要「＃一般有在做研究的放射科醫師」覺得可以就行，不見得要到「統計專家看過並挑不出毛病」。
⠀
對於初學者如何起步，實務的協助，新思惟規劃了各種類型的研究課程，歡迎有興趣的朋友可以參考。目前正在開放報名中的，有以下三場工作坊，歡迎您瞭解各課程的課綱後，評估挑選最符合您需求的內容，前來上課，讓我們協助您成功起步。
⠀
🟠 2021 / 11 / 7（日）統合分析工作坊
無經費、資源少也能發表，不用 IRB 且免收案的好選擇。
https://meta-analysis.innovarad.tw/event/
⠀
🔵 2021 / 10 / 17（日）臨床研究與發表工作坊
全新改款！跟著國際學者走，讓你寫作投稿都上手。
https://clip2014.innovarad.tw/event/
⠀
🟢 2021 / 10 / 16（六）個案報告、技術發表與文獻回顧工作坊
把臨床上的各種想法，在 PubMed 化作專業生涯上的里程碑。
https://casereport.innovarad.tw/event/
⠀ ⠀
不只是說說而已，我們會舉實例，說明其意義、如何避開，在互動實作過程，實際由各位在自己的電腦上操作，從數據到軟體，從統計到繪圖，一次搞定，並避開常見錯誤，是真正以 ＃初學者起步 為核心的規劃。
⠀
⠀
二十個常見的統計錯誤，與實務寫作時的考量。
🔗 原始貼文 │ https://bit.ly/2WESphu