實驗設計（DOE）和隨機對照試驗是確定因果關係的黃金標準，而JMP則是DOE軟體的黃金標準。然而，由於實際或倫理方面的限制，許多以因果推論為目標的研究無法進行隨機分組，因此無法採用DOE方法。其根本要求是消除混雜變數對觀察性資料類別造成的偏差影響。
本文概述了目前一些有前景的因果推斷方法，包括傾向評分、配對演算法以及其他基於統計學的方法，並參考了FDA針對真實世界數據/證據的行業指南草案。我們使用JMP軟體演示了幾個步驟，並使用了回顧性研究資料庫，該資料庫支援休士頓退伍軍人醫療中心心胸外科計畫的多項臨床研究。最後，我們為從業人員提供了一些建議、技巧和注意事項，供他們在以因果關聯性為目標且無法進行實驗設計（DOE）時參考。
大家好，我是來自 Adsurgo 的 Jim Wisniowski，今天與我一起向大家介紹本文。我的伴侶是 Lorraine Cornwell 博士，她是休士頓退伍軍人醫療中心和貝勒醫學院的心胸外科醫生。她也作為首席研究員參與了許多不同的研究計畫。此外，我們還有一位合作作者，Paweł Kolodziejski 博士，他是本研究的協調員。
今天，我們想簡單談談我們在心胸外科領域進行的一些資料庫研究，這些研究並非透過常規的隨機對照試驗進行。我們實際上是在研究一些回顧性研究，並試圖從中建立某種程度的因果關係。
身為顧問顧問，我常常需要去不同產業的客戶那裡，現場講授幾天實驗設計，然後再教預測分析。這其中存在著一個脫節：我一開始會說實驗設計是建立因果關係的方法。但當我們把話題轉到預測分析、人工智慧、機器學習等領域時，就得稍作解釋，承認我之前說過因果關係的概念源自於實驗設計，但其他方法論也同樣有許多可參考之處。
這就是我們正在努力的方向，那就是嘗試確定如何才能獲得一些可操作的信息，一些基於數據、不基於隨機對照試驗的證據。
我們將按以下方式進行講解。我會先簡單談談證據以及實驗設計（隨機對照試驗是其中的一個子集）的概念。我會討論我們在隨機對照試驗領域遇到的一些問題，然後我會用 JMP 來示範。由於這是早期使用者版本，我會向您展示一些您可能之前沒有註意到或沒有想到的實驗設計方面的內容。
接下來，我將談談當我們沒有隨機對照試驗，而只能進行觀察性研究時會發生什麼。我們用來控制偏差的方法之一是傾向評分法。我會在示範中簡單介紹一下相關概念。之後，我會把麥克風交給康威爾博士，她會舉例說明我們目前正在進行的一些工作，以及這些工作與現有證據的關聯，並闡述我們需要哪些類型的信息，以及哪些級別的證據可以指導我們採取行動。
接下來，我將示範一些與該範例相關的方法。然後，我將介紹JMP 19中即將推出的一些更高級的方法。
首先，我們都知道相關性並不意味著因果關係。今天是八月，可能是全國某些地區一年中最熱的一天。因此，我們都知道…狗咬傷、溺水和冰淇淋銷售之間存在著強烈的相關性。我們有責任少吃冰淇淋，這樣才能減少狗狗咬傷和溺水事件的發生。
顯然，這不是正確的因果關係。實際上，是第三個變數。我想提的是，這裡存在著一些我們通常無法觀察到的潛在維度。在這個例子中，我們可以很容易地透過溫度來記錄它。但在我們大部分的工作中，這是一個我們並不知曉的潛在維度，但它才是真正導致因果關係的原因。我們需要認識到這一點。
在我們的世界裡，其實還有更多因素。這種相關性固然是一個很好的開始，但我們還需要證明其中一個必須先於另一個發生。最後一點是整個概念的非虛假性，即它必須…就我們而言，這是一種虛假相關性，沒有其他替代解釋。
實驗設計中我們再次被告知，這就是我們建立因果關係的方法：當我們有輸入因素時，正是這些因素會導致反應改變。關鍵在於，你必須控制這些因素。在這次實驗中，我們將溫度和壓力分別設定在這個水平，然後觀察反應。
JMP 一直是美國能源部 (DOE) 的首選軟體。最近，在 2017 和 2018 年版本中，他們推出了簡易 DOE 平台。對於早期用戶，我們強烈推薦該平台，因為它提供了許多強大的功能選項，能夠真正幫助您優化工作流程。 JMP 在將 JMP 的全部功能整合到簡易 DOE 平台方面取得了長足的進步。通常，我們認為 DOE 的流程包括計劃、設計、執行和分析四個階段。但在這個平台上，他們完成了定義、建模、設計、資料輸入、分析、預測和報告等一系列工作。
那裡有一些很棒的參考資料。如果您想觀看相關視頻，可以點擊這裡。再次強調，我們感謝早期用戶群。但我們將討論隨機對照設計，它是實驗設計（DOE）的子集。實證醫學的標誌就是隨機對照試驗（RCT）的理念。事實上，RCT在醫學應用領域的真正興起於20世紀80年代的心臟病學領域，當時他們開展了許多里程碑式的研究，這些研究不僅推動了心胸外科手術和介入治療的發展，也促進了我們如何才能真正相信這些結果的科學發展。其核心理念是，我們需要最大限度地減少內部效度方面的偏差。
怎麼做呢？很簡單，只需隨機將患者分配到干預組或對照組即可。值得一提的是，統計學之父羅納德·費雪爵士曾說過，其實你只需要隨機選擇每個人，決定他們是進入對照組還是治療組。你不需要考慮任何分層因素。
實際上，他的一切都基於零假設。然後你收集數據，問自己：治療組和對照組等效的機率是多少？然後你的證據會告訴你它們不等效的機率。所以他就此打住。
但後來，澤西·奈曼和道格拉斯·魯賓擴展了這個理論，引入了第一類錯誤和第二類錯誤，真正建立了我們今天所使用的隨機對照試驗（RCT）方法。值得一提的是，我們在右下角看到的是羅納德·費雪爵士，他正吞雲吐霧。事實證明，在1950年代中期，《英國醫學雜誌》上發表了許多研究，指出吸菸與癌症之間存在密切聯繫，以至於許多人因此戒菸。
但費雪由於根深蒂固的隨機化信念，根本不相信這些證據。於是他寫信給報社編輯，說這些說法不實。事實上，他是菸草業的鐵桿支持者。他是當時世界統計學界的泰斗，卻說證據不足。為什麼？因為沒有進行隨機對照試驗。他也承認，隨機分配3000人吸煙，3000人不吸煙，這其中存在一些倫理問題。
但他仍然固執己見，不願相信那些證據表明，雖然兩者之間確實存在著許多相關性。但由於這不是一項隨機對照試驗，他不願意簽署認可。
他最後說，或許這裡面還隱藏著某種因素。或許是一種基因，它不僅讓你有吸菸的傾向，也讓你有罹患肺癌的傾向。結果，他始終沒有放棄，不久後便因癌症過世。
還有一些想法，例如雙盲法，即患者和醫護人員都不知道治療方案是什麼，是否接受治療，以及是否被阻斷。
然而，目前我們看到的一些隨機對照試驗存在一個問題，那就是由於種種原因，它們的使用並不普遍，其中一個重要原因是人們普遍認為這類試驗非常繁瑣。我們指的是，國際人用藥品註冊技術協調會議（ICH）制定的良好臨床實踐指南雖然更注重遵循其精神而非拘泥於字面規定，但卻嚇退了很多人。
不出所料，隨機對照試驗通常非常昂貴，而且往往更側重於短期結果，因為我們不會僅僅因為成本問題而繼續進行隨機對照試驗。正如我們之前提到的，吸菸和費雪的研究都存在倫理問題。這一切都歸結於治療效果的異質性。也就是說，要參與隨機對照試驗，必須符合某些特定標準。因此，試驗結果未必適用於所有目標族群。
這一點已被反覆證實。例如，2020 年的一項研究指出，我們首先檢視了那些具有里程碑意義的研究。然後，當我們比較真實世界證據和隨機對照試驗的結果時，發現兩者得出了截然相反的結論。因此，我們必須非常謹慎地擴展隨機對照試驗的範圍，使其超越內部效度。隨機化的目的是為了消除其中的混雜因素。
內部混雜因素得到控制固然很好，但我們卻忽略了外在因素。如果我們刻意將75歲及以上的老年人以及BMI較高的人群排除在試驗之外，那麼我們就面臨著無法推廣試驗結果的巨大風險。
目前有一些關於如何進行高品質隨機對照試驗的指導原則，我特別強調，對我們這個領域而言，這一切都基於大量的統計方法。我們需要確保隨機化充分，樣本量合適，並且消除偏差。我們將討論幾種實現這些目標的方法。心胸外科領域的專家們也非常重視這項工作，他們發起了一項倡議，旨在改進這些對照試驗，並像上世紀80年代那樣引領潮流。這項倡議大約始於去年。
這一點在一些 COVID-19 病例中得到了證實，這些隨機對照試驗耗時過長，而有更多可操作的循證信息，我們能夠在一些幹預措施中取得良好進展。
現在，我將快速示範JMP中如何進行隨機對照試驗。我們將做三件事。首先，我們直接來看如何在DOE平台上設定試驗。其次，無論是否進行隨機對照試驗，你常被問到：適當的樣本數是多少？
我們會先看一下，然後再看看一些分析選項。現在讓我切換到期刊。這是你們的期刊。我已經把這份期刊和投影片一起放在本次課程的材料裡了。如果我在這裡介紹一下我們，以及你們如何聯絡我們。現在，假設我想設計一個隨機對照試驗，例如我想根據BMI、年齡和性別進行一些分層，因為通常來說，這些都是重要的風險因素，我們確實觀察到了這些因素的差異。所以我們希望確保每個因素在試驗中都有均衡的代表性。
所以我把這些因素保存在這裡，以便快速導入。我知道我之前提到過簡易版 DOE 對大家來說很好，但在這個特定案例中，我將使用常規的體驗設計平台，因為我想向你們展示，例如，我可能不想讓 BMI 非常高的人和老年人參與這項試驗，因為他們的風險更高。
我們將根據美國能源部（DOE）的要求進行客製化設計。我們只需要載入因子，就可以開始了。這裡可以看到我的三個BMI等級：低、中、高，以及三個年齡等級。我將使用不允許的組合，並在這裡輸入BMI和年齡。我們不希望同時出現高年齡和高BMI的情況。
現在我要創建一個設計來完成這項工作。假設這裡有兩位醫生或兩位外科醫生負責這項工作。我將建立一個包含 30 個樣本的群組，總共 60 個樣本。這是一個隨機區組，如果我們有很多外科醫生，而我們只考慮其中兩位，那麼這將產生隨機效應。我繼續創建這個設計。 JMP 會產生一個在 BMI、年齡和性別這三個因素之間保持平衡的設計。接下來，我們需要計算的是，在這 60 個樣本中，哪些人接受治療，哪些人不接受治療。所以，只需在這裡建立一個新列即可。
這是給新用戶的。您可以看到這很簡單。我將進入“處理”部分，然後我們將在這裡創建一個公式。這個公式是這樣的：如果一個隨機均勻分佈的樣本（介於 0 和 1 之間），並且該值大於 0.5，那麼該樣本將被作為處理組；否則，它將被作為對照組。
好的，開始申請。好的。現在我這裡有一個設計方案可以放進來。不過，重要的是，如果我有一個人（你可以看到我在這裡用陰影標示了年齡），你可以看到這次試驗中沒有人既年老又高BMI。同樣，高BMI的受試者只有低齡和中齡，因為符合這個條件。
接下來，我們應該進行多少次試驗？這通常透過所謂的功效分析來解答。 DOE樣本量探索器，然後我們就可以討論功效了。例如，假設我們感興趣的是…我正在研究術後房顫，我關注的是其比例，我知道一般來說，人群中房顫的發生率約為25%。
我想看看這種幹預措施能否將其降低到比如說 15%。我會在這裡引入兩個獨立的樣本比例。我會先代入 0.25 的比例。然後我想要的是 0.15。這對我們來說具有實際意義。如果我們看到這 10 個百分點的變化，那麼我們認為值得採取乾預措施，或許可以將其納入我們的方案中。
如果情況確實如此，而我像剛才設計的那樣只做了 60 次試驗，那麼我的統計功效只有 16.5%。我們可以花很多時間討論統計功效，但統計功效指的是，如果某種治療方法確實有效，那麼在觀察到 10.1 的差異後，我的檢定結果會有多少百分比地表明它有效。我們通常的經驗法則是，統計功效至少要達到 80% 左右。我們不妨每個試驗點都做 250 次，這裡也做 250 次。這樣我的統計功效就達到 80% 左右了。這就是設計這些試驗的方法。這裡有一些統計功效曲線，如果我開始向下移動，你會看到統計功效會下降。
這是一個很棒的工具，可以幫助你進行深入討論並權衡風險。你的研究協調員很可能會說：「不行，我們負擔不起500個樣本。我們每人只能做100個。」那麼你會看到，「好的，如果真是這樣，你可以看看統計功效會發生什麼變化。」現在，我快速回到PPT，我們還會結合實際數據討論其他幾個想法。
如果我們不做隨機對照試驗，該怎麼辦？最近有一項研究表明，或許我們應該做一項務實的隨機對照試驗，這項試驗承認我們不能完全拘泥於隨機對照試驗的條條框框。但或許我們可以更多地利用技術，例如可穿戴感測器和虛擬隨訪，從而減輕患者的整體負擔。
類似地，註冊對照試驗的概念也存在，它利用精心維護的資料庫，這些資料庫在某些情況下幾乎與隨機對照試驗收集的數據一樣好，甚至更好。但現在，你可以進行隨機分組……例如，在機構 1 和機構 2 之間，或在醫生 1 和醫生 2 之間。
你們在更高層次上進行隨機化。但關鍵在於，這個資料庫已經過充分驗證。現在你們能夠非常快速地進行這些研究。接下來，我們或許會關註回顧性研究，這類研究名聲不太好，也許名聲並不好。但我們仍然可以利用觀察性研究和回顧性研究來做一些事情。
我們最近發現一個非常有用的方法，那就是查看一些薈萃分析或系統性研究。這些研究會說：「我們已經看到大約九篇關於同一主題、來自不同隊列的論文。」 然後，當我們把所有這些研究結果匯總起來時，就能得出非常明確的結論：它們要么都表達了相同的觀點，要么存在一些差異，因此我們不能完全相信其中任何一項。
這些薈萃分析非常有幫助，它們本身也提供了漏斗圖、Q統計量和I²統計量等統計指標。我們看到了希望。回到FDA，尤其是在藥物審批流程中，他們現在正大力推動在第二期、第三期臨床試驗等決策過程中，盡可能地將真實世界數據和證據納入研究。
避免觀察性研究失效的最佳方法之一是進行配對。假設我有1000名患者，其中200名接受了治療，那麼剩下的800名患者中，是否有200名與接受治療的200名患者非常相似？我會根據我指定的維度進行配對。我可能希望配對的患者擁有相似的BMI、年齡以及其他一些相似的指標。
傾向性配對的概念在於，我們盡可能地將樣本彼此配對。這樣做可以消除一些偏差。然而，就我們的變數而言，問題主要有兩個面向：要麼存在我們遺漏的潛在維度，要麼變數之間存在混淆。我們無法確定，這究竟是介入措施的實際效果，還是僅僅因為治療組中年輕人較多所致。
我們必須繼續進行匹配，確保一切都盡可能乾淨利落。接下來，我將把發言權交給康威爾博士，他將介紹我們正在進行的一項研究，這項研究將為因果分析領域帶來一些啟示。
非常感謝，吉姆。我是洛琳‧康威爾，心臟外科醫生，心胸外科醫師。我在休士頓的退伍軍人醫院工作，同時也是貝勒醫學院的附屬醫生。我只是想介紹我們為什麼對這項正在進行的研究感興趣，這項研究旨在探討在進行開胸手術時增加後心包切開術是否能減少一些術後併發症。
作為背景，之所以出現這種情況，是因為有證據表明，一些術後併發症與心臟創傷、胸部創傷以及可能的出血有關。心包膜內出血會導致發炎。發炎會增加患者出現併發症的風險，例如術後心房顫動、心律不整（如需要再次手術的殘留血腫）、發炎持續時間延長（可能導致疼痛加劇）、德雷斯勒症候群（一種術後發炎症候群）以及住院時間延長。
我們從一些文獻中了解到，心包引流越徹底，病人的預後可能越好。過去十年左右，我一直在嘗試在心包後壁做一個簡單的切口，以幫助心包更好地引流。我們決定回顧性地分析一組觀察性數據，看看接受後心包膜切口手術的患者與未接受手術的患者相比，其預後是否有差異。
我知道吉姆會在JMP上和我們一起回顧他是如何完成這項工作的。但我們也想討論一下，我們如何判斷從研究中獲得的證據等級是否重要，如何發表這些證據，以及我們如何根據這些研究結果來改變實踐。吉姆，你能幫我切換到下一張投影片嗎？
再說一遍，我們需要掌握多少資訊才能將一項新的介入措施納入臨床方案，也就是我們現有的病患照護流程？這其中涉及諸多因素。這項額外操作是否有風險？預期能帶來哪些改善？這些改善是否大於風險？其他研究又是如何下結論的？現有證據的強度和時效性如何？它是否適用於我們特定的患者群體？正如吉姆之前所說，如果這項措施只適用於年輕患者，而我們還有年老體弱、患病的患者，那麼情況可能就截然不同了。
那麼，我們是否有任何可以依據的實證證據？這在科學上是否合理？其成本是多少？這是一項非常簡單的干預措施。我們認為它很容易研究。我們認為這些回顧性數據可以增強現有研究的可信度，並使我們的研究方案與之保持一致。
吉姆，請看下一張投影片。內容是關於我們如何利用研究來制定指南和指導原則。這張投影片展示了我們如何收集研究結果並將其納入指南，例如，指南會指出，這是一級推薦（強烈建議），還是二級或三級推薦？
建議等級從最高等級 1 級（風險遠小於效益）開始，表示建議實施介入措施，應介入。建議等級 2a 級和 2b 級，2a 級表示實施幹預措施是合理的選擇，可能有效或有益。 2b 級的措詞略有變化，表示建議程度較低，但證據尚不充分，顯示可以考慮實施幹預措施。
當然，到了第三類，就出現了「無益」第三類，即已被證實沒有益處或已被證實有充分證據表明有害。有強有力的證據表明，它確實有害。當我們與各機構一起制定指南時，我們會考慮每項建議應該歸入哪一類。為此，正如我們在下一張幻燈片中看到的，我們會查看所有圍繞該問題的研究，並確定現有證據的品質。
當我們說這是一級推薦且證據等級為A級時，這意味著證據品質很高。它包含不只一項隨機對照試驗或高品質隨機對照試驗的統合分析。證據等級降至B級，屬於中等品質證據，可能只有一項或幾項隨機對照試驗，或規模較小的隨機對照試驗。而B級及以上級別的研究甚至都不是隨機的，儘管它們設計良好，但並非隨機觀察性研究。
這就是我們目前這項心包切開術研究所提供的證據等級。當然，證據等級還會更低，甚至可能只是專家意見，這顯然不是我們所期望的證據。但有時，在外科和醫學領域，有些事情我們還沒有高品質的證據，但專家們仍然認為它很重要。
針對這個問題，我們回顧了現有的數據，我們有八年的追蹤期，納入了700多例接受過開胸手術的患者。我們將接受心包切開術的患者與未接受心包切開術的患者進行了比較。最初，即使沒有進行傾向性匹配，兩組患者的匹配度也相當高。之後，我們又進行了傾向性配對。兩組數據（未配對和配對後的數據）均顯示，術後心房顫動的發生率降低。
接近10%，具有統計意義。住院時間也更短，出院更快，再入院率也更低。長期存活率的Kaplan-Meier曲線確實出現了偏差，接受心包膜切開術的患者似乎存活更久。我們認為這是重要的訊息，它與其他即將公佈的數據一起，可能會改變臨床實踐。如果能獲得資助，我們希望參與一項關於此主題的大型多中心隨機對照試驗。這總是很複雜。但我想，關於如何處理這些數據，還是讓Jim來處理吧。
好的，謝謝康威爾醫生。我想我們直接回到……我本來想簡單講一下傾向評分的原理，但考慮到時間有限，我還是直接進入結果部分吧。我們原本以為是45分鐘的討論，結果只有30分鐘。我就直接講結果了。您還沒有這個文件，很抱歉，它還沒有發布。不過，我們接下來會一起來看看一些分析結果以及工作流程。
首先，您可以看到這裡有 426 列。作為新用戶，我必須強調將列分組有多麼方便。這裡我把所有風險因子都分組在一起，然後把結果也分組在一起。我的想法是，這些風險因素（還有更多）在這裡只是其中的一部分。它們在兩組之間需要相對同質。為了做到這一點，我可以執行「分析擬合 Y 乘以 X」的語句，這些結果就是反應變數。在這裡，我們將心包切開術作為介入措施。
我們希望各組的比例大致相同。但很快我就發現並非如此，所以我可以在這裡添加單元格標籤。我可以添加百分比。實際上，讓我再試一次，這次是按百分比標記單元格。現在都這樣了。我們可以看到，在患有慢性阻塞性肺病（COPD）的患者中，各組之間存在統計上的顯著差異。傾向性配對的目的是盡可能使各組患者人數相等。因為在這個特定案例中，患有COPD但未接受心包切開術的患者人數較多。
我們正在努力使天平向我們傾斜。我們沒有那些患有肺氣腫的患者。我們可以做的，也是JMP軟體的絕佳技巧，就是設定一個本機資料過濾器。這個過濾器會檢查組別是否符合。記住，傾向評分法，我們有大約286名患者接受過心包切開術。現在我們要進行配對。我進行配對後發現，現在的比例非常接近，35%比32%。這就是我們的理念，我們會一直採用這種方法。
這些是比例，但同樣的道理也適用於百分比。當我們查看一些實驗室數據時，我們希望各個實驗室的平均值非常接近。這是我們在這些研究中首先要確保的，即數據是否具有同質性。在所有數據一開始就具有同質性固然很好，但在進行傾向性配對之後會更好。
現在，當我查看結果分析時，我可以做同樣的事情。我繼續，進行分析，並擬合 Y 對 X 的關係。在這個特定的例子中，結果是反應變量，心包切開術是 X 因素。這裡，我們來看 POF。為了節省時間，我們可以看到，當我使用所有數據時，POAF 有統計上的顯著差異。我再把這些百分比輸入進來。無論如何，這在統計學上非常顯著。但是，如果我繼續使用本地資料過濾器進行傾向性匹配，並輸入“匹配了嗎？”，以下是匹配後的版本。
現在我可以看到，這裡的統計顯著性確實更高了。當它們正確匹配後，差異會更加明顯。我還想向您展示的是，這是一個分類變數。但就經濟學而言，對我們來說，住院時長和病人預後也是一個重要的因素。他們都希望盡快回家，而住院時長可以作為衡量復原速度的指標。
我們可以進行平均值檢定，可以看到平均值之間存在統計上的顯著差異。但通常情況下，我們最好看看……我把它們放在這裡。均值就在這裡。可以看到平均住院時間分別是八天半和九天半。但我們還要看一下中位數檢定。我想指出的是，也可以進行中位數檢定。這裡也存在統計上的顯著差異，因為確實存在住院時間過長導致數據失真的情況。
這就是為什麼我們關注中位數的原因。我們可以看到，中位數住院時間也有一天的差異。這些都是分析結果的一些想法。康威爾醫生提到，我們也觀察到存活率顯著提高。這是在這裡的生存分析平台上完成的，就是這裡的生存分析。我們將以心包切開術為分組，然後查看生存時間（以年為單位），最後計算刪失值。
這是對資料截尾的介紹，這意味著當我們停止觀察時，並非所有人都已經死亡，因此他們的資料被截尾處理了。我們繼續觀察，看看是否有差異。我們現在可以看到確實存在差異。零表示他們沒有接受心包切開術。您可以看到，這裡顯示的是按年計算的生存機率。這兩條曲線之間的差異其實具有統計意義。我們甚至可以看看四年或其他時間點的生存率是多少。四年存活率為 81%。如果您沒有接受心包切開術，而一表示您接受了心包切開術，則存活率為 88%。您可以看到生存率存在 8% 的差異。
最後，簡單說明一下，我們在進行一些分析時發現，由於某些風險因素的影響非常顯著，所以分析起來很有挑戰性。我們知道年齡、性別和體重指數（BMI）等因素可能會減弱我們觀察到的一些影響。我們會研究各種因素和決策樹。我強烈推薦這些專家，他們能為你提供非常棒的見解。
例如，如果我想研究術後心房顫動（POAF）…為了節省時間，我們先來看看幾個接受心包切開術的患者。我們現在看到的只是總體情況，包括機率和病例數。我們可以看到，大約71%的患者在術後沒有發生心房顫動。如果我們找出最能確定術後心房顫動的單一變量，我們會發現，如果患者年輕（小於60歲），那麼發生心房顫動的比例就是91%，也就是8%到92%。我們有122例患者符合這個條件。這提供了很多有價值的資訊。我們可以看出年齡的重要性。
但如果我把目光轉向年輕群體，然後進行分組，瞧！結果發現，是心包切開術幫助我們更好地區分。年輕人的總體發生率為 8%。然而，如果做了心包切開術，發生率就降到了 3%。我們還可以做更多，但時間緊迫。我這就總結一下，並告訴大家，這或許可以算是我們應用這些理念的開端，因為 JMP 19 還有更多內容即將推出。
他們在結構方程模型和工具變數方面做得非常出色。 JMP 19 將實現傾向評分的自動化。除了我們目前使用的一些標準方法之外，還有其他不同的方法。未來可期。我認為，隨著我們研究這些 21 世紀的方法，並意識到因果關係並非只有隨機對照試驗，關於因果關係的討論也越來越受到重視。事實上，基於我們正在研究的數據和探索的一些創新方法，我們可以學到很多東西，並獲得可操作的結果。
希望這次講解對您有幫助，我們也會繼續解答您的問題。非常感謝。
