论文部分内容阅读
现在，新闻中每天都会报道关于医学研究的各种新发现，在这些研究结果中往往会提到各种健康风险的变化。
这些健康报道中的“风险”究竟意味着什么？研究的结果真的可以适用于你吗？美国国立卫生研究院（NIH）下属的国家老龄问题研究所（the National Institute on Aging，NIA）对此给出了一些通俗易懂的解释。
所有的研究都一样吗？
每个医学研究结果的权重是否相同？答案是否定的。研究的类型有很多，有些只是在实验室进行的基础实验，有些是动物实验，有些则是临床研究。
科学家最初可能会先提出一个问题——例如某种药物是否可以治疗细菌感染，之后再设计一系列的实验来验证它。在研究过程中，科学家可能会先在实验室培养这种细菌，然后加上药物。通常而言，他们还会设置一个对照组——在同样的条件下培养同样的细菌，但是并不加入这种药物。之后科学家会观察药物治疗组和对照组之间细菌生长的情况。
如果治疗组的细菌出现死亡的趋势，而对照组没有，这就说明药物在体外实验中是有效的。然而，这只是一个初步结果，离最终定论还差得很远。科学家还需要进一步进行动物实验，最终进行针对人体的临床研究。
回顾性研究
当研究人体健康问题时，科学家常会采用回顾性、观察性的研究方法。在这类研究当中，科学家会花若干年时间随访一群人，并观察这些人有哪些相似的地方，同时又有哪些不同的地方，从而发现一些线索，思考为什么有些人会得病，而有些人不会。从这种研究得到的结论可以给未来的研究提供方向。
然而，这种观察性的研究是有局限性的，它只能提示现象和可能的原因，但不能证明必然的因果联系，毕竟有很多因素都可能影响结果。例如，如果一项观察性研究发现一组每天吃胡萝卜的人患心脏病的比例低于那些不是每天吃胡萝卜的人，这并不代表胡萝卜一定就是预防心脏病的神器。或许只是每天吃胡萝卜的人群本身就更重视健康，有更好的饮食习惯，而研究者可能只留意了吃胡萝卜的行为，并没有注意到其他可能影响结果的因素。另外，如果两组人群的心脏病家族史存在差异，这个因素也会对结果的可靠性造成影响。
当然，研究者也会对一些混杂因素进行校正来提高结果的可靠性。但即使如此，这类研究依然不能得出确切的因果结论。要证明究竟什么是最直接影响健康的因素，还需要进一步的研究。
下一步做什么
当实验室结果和观察性研究结果放到一起之后，就可能给科学家们指出下一步研究的方向。
比如说，假设在实验室研究中发现了一种新型的降脂药，动物实验证实这种药物可以有效降低血脂水平。而观察性的研究中发现，血脂高的患者心脏病发作（例如发生心肌梗死）的可能性更大。于是科学家们就希望知道，使用新型降脂药降低血脂是否可以预防心脏病发作。
为了证明这种药物干预方式是否能在人身上起作用，科学家会采取另一种研究方式——随机对照临床试验。这样的临床试验往往需要成百上千甚至更多的受试者来参与。
首先，研究团队需要寻找符合要求的受试者，并对他们进行随机分组，每组的受试者可能会接受药物治疗，也可能是接受安慰剂的“治疗”。安慰剂看起来和需要检测的药物一模一样，但是不含药物的成分（注：由于伦理原因，并非所有临床研究都会设置安慰剂组，在不设安慰剂组的研究中对照组使用已知有效的治疗方式，即阳性对照）。
除此之外，这个试验应是双盲的。这意味着医生和受试者都不知道他们所接受的是药物还是安慰剂。对于这种降脂药来说，实验人员会根据事先设计的随访方案对这些受试者进行血脂水平监测和心脏病发作事件记录，同时也会监测药物的副作用。在研究结束时，科学家们进行数据分析，这时大家才会知道受试者所服用的究竟是药物还是安慰剂（有观点认为如果对数据分析者也设盲还可以进一步保证数据的客观性，这种方式称为三盲试验）。
如果在流程设计完善、收集足够多样本的临床试验中，结果显示服用药物的患者心脏病发作的比例低于对照组，那么就可以说明使用这种药物降低血脂确实是有效的。
结果怎样解释
为了解释研究结果，科学家会报道某种因素带来的健康风险变化。风险可以用很多方式来解释，其中就包括了相对风险和绝对风险。
当两组之间的差异用相对风险来描述时，经常会使用百分率，而绝对风险则通过研究中更加“原始”的数据来表示（例如发病人数的差别）。理解这些数字非常重要。
举个例子，假如某类药物会将脑卒中（中风）的风险提高50%，这听起来确实非常吓人。这意味着吃了这种药的50%，或者说一半的人都会得中风吗？当然不是。我们假设在没有吃药的人中，每1000人中有2个人得了中风，那么增加50%的风险意味着患中风的病人实际增加了1个，也就是说1000个吃这种药的人里有3个人会得中风。这时我们就会发现，实际的风险变化并不像看起来那么可怕。
绝对风险会告诉你由于一种治疗可导致健康问题增加或者减少的确切数量，了解这些数字更有利于正确理解风险的真实大小。
这些健康报道中的“风险”究竟意味着什么？研究的结果真的可以适用于你吗？美国国立卫生研究院（NIH）下属的国家老龄问题研究所（the National Institute on Aging，NIA）对此给出了一些通俗易懂的解释。
所有的研究都一样吗？
每个医学研究结果的权重是否相同？答案是否定的。研究的类型有很多，有些只是在实验室进行的基础实验，有些是动物实验，有些则是临床研究。
科学家最初可能会先提出一个问题——例如某种药物是否可以治疗细菌感染，之后再设计一系列的实验来验证它。在研究过程中，科学家可能会先在实验室培养这种细菌，然后加上药物。通常而言，他们还会设置一个对照组——在同样的条件下培养同样的细菌，但是并不加入这种药物。之后科学家会观察药物治疗组和对照组之间细菌生长的情况。
如果治疗组的细菌出现死亡的趋势，而对照组没有，这就说明药物在体外实验中是有效的。然而，这只是一个初步结果，离最终定论还差得很远。科学家还需要进一步进行动物实验，最终进行针对人体的临床研究。
回顾性研究
当研究人体健康问题时，科学家常会采用回顾性、观察性的研究方法。在这类研究当中，科学家会花若干年时间随访一群人，并观察这些人有哪些相似的地方，同时又有哪些不同的地方，从而发现一些线索，思考为什么有些人会得病，而有些人不会。从这种研究得到的结论可以给未来的研究提供方向。
然而，这种观察性的研究是有局限性的，它只能提示现象和可能的原因，但不能证明必然的因果联系，毕竟有很多因素都可能影响结果。例如，如果一项观察性研究发现一组每天吃胡萝卜的人患心脏病的比例低于那些不是每天吃胡萝卜的人，这并不代表胡萝卜一定就是预防心脏病的神器。或许只是每天吃胡萝卜的人群本身就更重视健康，有更好的饮食习惯，而研究者可能只留意了吃胡萝卜的行为，并没有注意到其他可能影响结果的因素。另外，如果两组人群的心脏病家族史存在差异，这个因素也会对结果的可靠性造成影响。
当然，研究者也会对一些混杂因素进行校正来提高结果的可靠性。但即使如此，这类研究依然不能得出确切的因果结论。要证明究竟什么是最直接影响健康的因素，还需要进一步的研究。
下一步做什么
当实验室结果和观察性研究结果放到一起之后，就可能给科学家们指出下一步研究的方向。
比如说，假设在实验室研究中发现了一种新型的降脂药，动物实验证实这种药物可以有效降低血脂水平。而观察性的研究中发现，血脂高的患者心脏病发作（例如发生心肌梗死）的可能性更大。于是科学家们就希望知道，使用新型降脂药降低血脂是否可以预防心脏病发作。
为了证明这种药物干预方式是否能在人身上起作用，科学家会采取另一种研究方式——随机对照临床试验。这样的临床试验往往需要成百上千甚至更多的受试者来参与。
首先，研究团队需要寻找符合要求的受试者，并对他们进行随机分组，每组的受试者可能会接受药物治疗，也可能是接受安慰剂的“治疗”。安慰剂看起来和需要检测的药物一模一样，但是不含药物的成分（注：由于伦理原因，并非所有临床研究都会设置安慰剂组，在不设安慰剂组的研究中对照组使用已知有效的治疗方式，即阳性对照）。
除此之外，这个试验应是双盲的。这意味着医生和受试者都不知道他们所接受的是药物还是安慰剂。对于这种降脂药来说，实验人员会根据事先设计的随访方案对这些受试者进行血脂水平监测和心脏病发作事件记录，同时也会监测药物的副作用。在研究结束时，科学家们进行数据分析，这时大家才会知道受试者所服用的究竟是药物还是安慰剂（有观点认为如果对数据分析者也设盲还可以进一步保证数据的客观性，这种方式称为三盲试验）。
如果在流程设计完善、收集足够多样本的临床试验中，结果显示服用药物的患者心脏病发作的比例低于对照组，那么就可以说明使用这种药物降低血脂确实是有效的。
结果怎样解释
为了解释研究结果，科学家会报道某种因素带来的健康风险变化。风险可以用很多方式来解释，其中就包括了相对风险和绝对风险。
当两组之间的差异用相对风险来描述时，经常会使用百分率，而绝对风险则通过研究中更加“原始”的数据来表示（例如发病人数的差别）。理解这些数字非常重要。
举个例子，假如某类药物会将脑卒中（中风）的风险提高50%，这听起来确实非常吓人。这意味着吃了这种药的50%，或者说一半的人都会得中风吗？当然不是。我们假设在没有吃药的人中，每1000人中有2个人得了中风，那么增加50%的风险意味着患中风的病人实际增加了1个，也就是说1000个吃这种药的人里有3个人会得中风。这时我们就会发现，实际的风险变化并不像看起来那么可怕。
绝对风险会告诉你由于一种治疗可导致健康问题增加或者减少的确切数量，了解这些数字更有利于正确理解风险的真实大小。