進行研究

臨床試驗的核心：提升試驗志願者參與度的策略

臨床試驗是醫學研究的不可或缺的基石。然而，這些試驗的成功往往取決於一個經常被低估的因素：試驗志願者的參與。本文旨在提供試驗志願者參與在臨床試驗中的重要性、挑戰和未來發展趨勢的細緻瞭解。臨床試驗中試驗志願者參與的重要性參與不僅僅是一個附屬因素；它構成了任何成功臨床試驗的骨幹。沒有強有力的參與，試驗的完整性就會受到損害，從而危及驗證假設和得出可信結論所需的統計結果。當試驗志願者積極參與時，他們更有可能遵循試驗方案，參加後續的約診，並完成調查或問卷，所有這些都是確保研究的科學嚴謹性的必要條件。因此，理解低參與度不僅會影響試驗結果，還會進一步影響元分析和系統評價，從而影響研究結果的普遍性和適用性。低參與度所帶來的嚴峻挑戰在臨床試驗的整個過程中維持試驗志願者參與是充滿了大量挑戰的艱巨任務，每個挑戰都有其自身的一套複雜性。例如，最主要的挑戰之一是公眾普遍缺乏關於臨床試驗涉及內容以及參與者可能得到的獲益等多方面的認識。根深蒂固的對醫療系統的不信任，通常源於歷史上的濫用和持續存在的醫學研究方法與人們的認識之間差距。考慮到各種實際因素，例如確保治療時間，需要反復去醫院就診，以及可能出現的財務成本（如路費等），都可能會降低參與度。這些因素的累積結果是低招募率和高退出率，嚴重影響臨床試驗的可信度和結果。招募策略的演變為了促進試驗志願者參與，已經出現了明顯的策略演變。傳統上，臨床醫生主導了這些策略的設計和實施，而試驗志願者自己的參與很少。然而，這一趨勢正在朝著更加平衡，以試驗志願者為中心的方式轉變。隨著數位健康技術（如可穿戴設備、遠端監控系統和遠端醫療服務）的出現，越來越多地傾向於更加個性化，以試驗志願者為主導的參與方式。影響試驗志願者參與的因素幾個因素在影響試驗志願者參與度方面起著重要作用： 1. 知情同意：清晰和全面的知情同意過程是建立研究者和試驗志願者之間最初信任的基礎。它還用於為試驗設定期望，為試驗志願者提供試驗目標、潛在風險和益處的詳細瞭解。 2. 人口統計學：諸如年齡、性別、種族和社會經濟地位等因素可能會顯著影響個體如何看待和與臨床試驗互動。…

2 days ago

研究他人的發明專利算不算侵權？談專利的風險規避和成果轉化

發明專利和實用新型專利是科技成果的重要體現形式。與學術論文相比，雖然專利不要求具有較強的完整性（深廣性），但仍須具備原創性（創新性）和科學性（正確性），而且需要具備專有性和成果轉化實用性。如何維護自己的專利的專有性，規避他人的專利而避免侵權，以及如何實現專利成果轉化，是廣大科研人員關心的問題。專利的專有性是指專利權人對其專利所享有的專有權利，又稱獨佔性。專利權人可以根據專利法規定，對他人未經許可而進行的使用、製造、銷售等行為提起侵權訴訟，要求其停止侵權行為並承擔賠償責任。其中，關於“使用”的定義最為複雜。專利的專有性是專利制度的核心，是為了鼓勵發明創新，保護發明人的合法權益。專利權人可以在專利權的有效期內獲得專有性帶來的經濟利益，也可以控制發明的使用和推廣，並保護其技術秘密和商業利益。有人以為自己的專利在授權後就能夠規避侵權他人專利的風險，其實未必。雖然自己的專利被授權了，但是仍有可能侵犯他人的專利權，因為專利授權並不保證該專利不會侵犯其他專利。如果在專利審查過程中未能發現在先已有的相關專利，那麼授權的專利就會侵犯他人的專利。由於專利審查檢索的範圍和深度有限，專利審查人員可能會遺漏或者未能充分考慮到已有的相關專利，因此造成相似或者重複的專利可能會被授權，但實際上後授權的專利已經侵犯了先授權的專利。專利的專有性聽上去具有很大的控制範圍和威力，但是也具有一定的限制。例如，其他人仍然可以在某專利權有效期間獨立開發相似的技術，而不需要得到專利權人的許可或授權。這是因為專利權人的專利權只是針對其發明的技術所享有的專有權利，而不是針對某個技術領域中的所有技術的獨佔權。其他人在開發相似技術時，需要注意不能參考或者“使用”專利權人的專利文本或技術資訊，否則會構成專利侵權，因為未經授權而“使用”他人專利會構成侵權。換言之，其他人如果要使用專利權人的技術，必須自己獨立開發，而且不能直接從專利權人公開的技術中獲取資訊和知識。如果其他人在獨立開發時無意中獲取或使用了專利權人的技術資訊，就可能會被認為是專利侵權。一個好的發明專利會引發很多科學研究，甚至成為研究熱點。專利權人也非常在乎別人對自己的專利“說壞話”或發表負面意見，因為這會影響其聲譽和成果轉化商業前景。專利權人擁有的獨佔性權利，包括專利的使用、製造、銷售等方面的權利，但並不包括研究專利和發表論文的權利。那麼，研究他人的發明專利究竟會不會侵權？這是一個非常敏感和容易引起各國法律糾紛的話題，具體取決於“使用”的定義。如果某個發明已經被他人申請獲得了專利，你不能改進該專利並獲得專利權。因為專利權是對發明的獨佔權，只有專利權人才有權利進行發明的改進並獲得新的專利。但是，你可以對已有專利進行研究和分析，尋找專利中存在的技術問題或不足之處，並提出改進建議；或者發現和宣傳專利的技術優點。你可以用論文、報告等形式發表自己的評價觀點。實際上，由於專利法的存在，針對別人的專利發表論文在技術問題或創新性上進行反駁仍需非常謹慎。如果在發表反駁觀點時，有意無意地“使用”了對方專利中的技術或實施方法，可能會被指控侵權。總之，雖然在不侵犯專利權人合法權益的前提下分析評價他人的專利而發表論文通常不算侵權，但是需要注意遵守各國專利法律的不同規定，確保在“使用”他人的專利內容時符合“合理使用”的範圍等限制條件；這是一個比較複雜的專業法律問題。雖然研究和評價他人的專利具有一定的自由度，但是如果想要使用他人的專利進行商業化生產或用於其他商業用途，就必須獲得專利權人的許可，否則會構成侵權，需要承擔法律責任。在研發新技術或新產品之前，需要進行專利檢索，瞭解已有的相關專利，避免使用已經被他人專利保護的技術。如果發現自己的技術或產品可能侵犯他人的專利，可以與專利持有人協商合作，獲得許可，以規避專利侵權。好的專利能夠帶來成果轉化，促進生產力發展。在開發出具有商業價值的技術或產品後，可以將其授權給其他公司或個人使用，或者將其出售或轉讓。這需要完成關於費用的商業談判和合同簽訂等過程。在完成授權或轉讓後，需要進行商業化運營，將技術或產品推向市場並實現盈利，這包括生產、銷售、售後服務等過程。專利的成果轉化收益取決於多種因素，包括專利的技術價值、市場需求、競爭環境、專利保護範圍等。

4 weeks ago

進行研究

描述性研究與相關性研究的區別

在學術論著的創新性判斷中，發現新事物的存在通常具有最強的創新性，其次是揭示新事物的影響因素相關性。如果沒有存在，就談不上相關性。相關性包括因果關係和雜訊關係。因果關係（causal relationship）指的是原因與結果之間的關係。雜訊關係（noise relationship）包括非因果關係的其他影響關係。揭示“存在”問題的研究是描述性研究（descriptive research）。揭示“相關”問題的研究是相關性研究（correlation research）。當然，相關性研究也可以用來揭示新事物的“存在”。這兩種研究類型代表兩種不同的試驗研究方法，是在無法進行理論模型推導計算時所必須採用的科研方法。本文論述描述性研究與相關性研究之間的區別。以天文學為例，發現行星的存在與研究行星運動軌跡受哪些因素影響，屬於兩種不同創新性類型的研究問題。再以醫學為例，研究某種致病原因對發病結果的影響，與研究性別（視為雜訊因子）與是否發病之間的關聯，屬於兩種不同相關性類型的研究問題。在描述性研究中，所有參數均稱為特徵參數，不存在自變量（又稱因子）和因變量（又稱回應）之間的劃分，因為描述性研究只需展示事物或其某種分佈的存在，而不關心因果關係或影響關係。然而，在相關性研究中，必須劃分因子和回應，將能夠干預改變的因子稱為控制因子（例如發動機功率），而將不能干預改變的因子稱為雜訊因子（或稱非控制因子，例如環境大氣溫度）。相關性研究包括無雜訊因子和有雜訊因子兩種。如果沒有雜訊因子存在，當控制因子的取值發生改變時，回應參數將獲得一個確定的取值。比如，當踩下車輛的油門後，車子會加速行駛。然而，當雜訊因子存在時，回應參數的取值就不再是確定的數值，而是呈現出一條概率密度分佈函數或長條圖形式。例如，在某個固定的車輛油門開度下，由於道路上隨機變化的橫風風速的影響，車輛會呈現橫向微偏，這些微偏值也是隨機變化的，可能會呈現出一條正態分佈曲線的形式。這條正態分佈曲線具有兩個特徵量，一個稱為均值，另一個稱為偏差（散度）。當雜訊因子存在時，如果控制因子的某個取值給出一組均值和偏差，而另一個取值給出另一組均值和偏差，而且如果這兩個偏差不相等，那就構成一個穩健性問題，又稱抗擾性或魯棒性問題。穩健性問題的核心任務是找到優化的控制因子取值，使得均值最優（最大、最小或達到目標值）、散度最小——這構成一個雙目標優化問題。如果描述性研究中的特徵參數沒有被賦予時間維度，即所有參數的取值均發生在同一時間，這種研究稱為橫斷面研究（cross-sectional study），例如研究全國人口普查的職業、年齡等分佈特徵。當描述性研究中的特徵參數被賦予時間維度時，稱為時間序列研究（time series study）或縱向研究（longitudinal study），例如研究流行病發病率隨年份變化的趨勢。無雜訊因子的相關性研究（又稱控制性研究）需要在具有嚴格控制條件的實驗室中進行，例如改變藥物劑量，觀察經過嚴格篩選分組後的受試者的生理反應。有雜訊因子的相關性研究（又稱控制加雜訊研究）可以在不具備嚴格控制條件的實驗室中進行（例如改變藥物劑量，觀察具有不同的年齡、性別、體重、病史的受試者的生理反應），或者可以使用描述性研究資料，因為描述性研究資料中可能包括控制因子和雜訊因子，而時間就可以是一個典型的雜訊因子。當然，描述性研究資料中也可能不包括任何相關性內容，比如展示某個地區的性別比例和受教育程度的分佈資料。描述性研究的目的是揭示新事物存在。相關性研究的目的是揭示因果關係和雜訊關係，當然也可以用來揭示新事物存在。描述性研究的資料是可以用來進行相關性研究的，只是這種資料中存在大量的雜訊因子，處理起來難度較大。從產生有價值的新發現角度評價，描述性研究和相關性研究都有其各自的難度。從收集資料的難易程度評價，描述性研究（尤其是橫斷面研究）是最容易產生試驗資料的，而無雜訊因子的相關性研究（控制性研究）是最難產生試驗資料的。因子之間的相互作用是指回應參數隨一個因子的變化趨勢受到另一個因子的取值的影響。例如，當發動機進氣量隨轉速變化的規律受到海拔高度的影響，則稱轉速與海拔高度之間存在相互作用。揭示相互作用是系統工程研究的核心任務，也是研究複雜性影響所必須具備的內容。回應曲面方法最擅長高效處理因子相互作用。因此，它是用於相關性研究的最有效工具之一。…

2 months ago

破解健康密碼：統計學在醫學研究中不可或缺的作用

統計學是醫學研究的支柱，為龐大的健康資料世界提供了結構支援。從研究設計到結果闡釋，統計方法都發揮著至關重要的作用。它指導研究人員確定樣本量、評估資料模式並得出有效的結論。例如，臨床試驗資料的統計分析可以用來幫助確定藥物的有效性。然而，統計顯著性並不總是意味著臨床顯著性。因此，合理解釋統計結果同樣至關重要。總之，統計學是彌合原始醫療資料和有影響力的研究成果之間的溝壑的重要橋樑。選擇適當的研究設計是醫學研究的一個關鍵方面，因為它在很大程度上決定了研究結果的統計有效性。觀察性研究，包括佇列研究、病例對照研究和橫斷面研究，可以在自然環境中觀察現象。它們是研究危險因素、患病率和發生率的理想選擇。另一方面，隨機對照試驗等實驗設計透過允許操縱變數和設定對照組來提供最高水準的證據。選擇取決於研究問題、可行性、倫理考慮以及統計分析所需的資料類型。對於統計分析所需的資料來說，資料的完整性和品質至關重要。任何統計分析的有效性直接取決於所收集資料的準確性和可信度。為了確保完整性，嚴格的資料收集和存儲程式至關重要，以減少錯誤、偏見或偽造的可能性。必須仔細記錄、驗證和交叉檢查資料，防止出現不準確或不完整的情況。嚴格的制度和和電子系統將有助於最大限度地減少人為錯誤和誤解。此外，資料審核和雙重資料登錄等品質控制程式也可增強研究的可信度。同時，就資料品質而言，在臨床研究中遵守STROBE或CONSORT等標準有助於提高透明度和可重複性。高品質的資料不僅增強了結果的準確性，而且增強了結論的可靠性和普遍性。因此，資料完整性和品質構成了醫學研究中健全統計分析的支柱。而處理缺失資料和異常值是維持統計分析的有效性和可信性的另一重要方面。缺失資料可能會扭曲結果並降低統計效力，但我們可以透過多重插補或最大似然估計等方法來推斷缺失值。這些方法提供了比傳統的“整體刪除”更全面的分析，後者常常捨棄有價值的資料。然而，應謹慎應用這些方法，認識到插補資料是估計的，而非觀察到的。另一方面，異常值是與總體模式明顯偏離的資料點。它們可能誤導結論或指示有意義的異常。穩健的統計技術，如中位數或四分位距，可以幫助減輕其影響。或者，研究人員可以進行敏感性分析，包括和排除異常值，以評估其影響。作為分析資料的利器，統計分析技術可將原始資料轉化為有意義的發現。描述性統計（例如均值和標準差）提供了對資料分佈和集中趨勢的初步瞭解。推論統計進一步能夠根據樣本資料得出關於總體的結論。其中包括 t 檢驗、方差分析和卡方檢驗等技術。回歸分析是另一種強大的工具，可以對變數之間的關係進行建模，根據輸入資料預測結果。更複雜的方法，如生存分析和多變數分析，可用於處理醫學研究中常見的複雜資料集。另外，機器學習演算法等現代方法越來越多地用於模式識別和預測建模。透過使用適當的統計技術，研究人員可以準確地解釋和呈現資料，從而增進我們對健康和疾病的理解。統計檢驗方法的選擇取決於資料和研究問題的性質。對於連續資料，在比較組間平均值時通常使用 t 檢驗或方差分析。Mann-Whitney U或Kruskal-Wallis檢驗等非參數替代方法適用於偏態資料或序數尺度。卡方檢驗通常用於分類資料，以測試比例之間的關聯或差異。當預期頻率較低時，費舍爾精確檢驗可以作為替代方法。線性回歸模型和邏輯回歸模型對於探索變數之間的關係、分別預測連續或二分結果非常有價值。混合模型或時間序列分析等高級測試可適應複雜的資料結構。統計檢驗的選擇至關重要，應由資料類型、組或變數的數量以及研究目標決定。作為常用的檢驗方法，T檢驗經常用於醫學研究，比較兩組的平均值，確定它們是否存在統計差異。ANOVA（方差分析）擴展了這一概念，比較多個組的平均值。卡方檢驗評估分類變數的分佈是否彼此不同。Pearson相關性衡量兩個連續變數之間的線性關係程度，而Spearman相關性用於序數資料。線性回歸模型和邏輯回歸模型根據一個或多個變數預測結果。對於複雜的資料結構或事件時間資料，採用更複雜的程式，例如多變數分析或生存分析。在完成資料分析後，對統計結果的解釋需要將研究結果與原始研究問題聯繫起來。顯著性水準（通常p<0.05）表明觀察到的差異或關係是否可能是偶然發生的。置信區間提供了真實總體參數具有一定置信度的範圍。效應大小可以讓我們瞭解差異或關係的大小。這些結果必須在研究設計的背景下進行解釋，考慮到潛在的混雜因素和偏見。特別需要注意的是，統計顯著性並不總是意味著臨床或實際顯著性。…

6 months ago