作者：高雄醫學大學附設中和紀念醫院藥學部張雅菁臨床藥師

找回失落的統計記憶

這次是我第一次參加新思惟舉辦之相關完整課程，整體課程內容相當紮實且高度實用，並搭配實際操作與案例示範，讓我在短時間內能夠重新建立對 NMA 的整體架構理解。

回想研究所時期，確實曾接觸過統合分析（meta-analysis）與 NMA 的相關課程，但由於距今已一段時間，許多方法學細節與操作流程早已模糊，甚至可以說多數都已「還給老師」。因此，這次能以更成熟的臨床與研究視角重新學習，對我而言是一個非常重要且剛好的機會。

打破盲點！原來傳統統合分析與 NMA 差在這裡

本次課程整體安排由淺入深，先以概念性架構建立為主，再逐步銜接到實務操作與寫作應用。第一堂課「誰都能懂的 NMA 入門 + 與傳統統合分析的核心差異」，即清楚地幫助學員重新釐清 NMA 與傳統 pairwise meta-analysis 的本質差異。

課程中指出，傳統統合分析通常僅能處理兩種治療之間的直接比較，而 NMA 則可在同一分析架構下同時比較多種治療策略，並整合直接與間接證據，這也使得 NMA 在臨床決策與治療排序上具有更高的應用價值。

當然，也因為研究設計與統計假設的不同，NMA 在方法學上需特別留意 transitivity 與 consistency 等核心前提，所能回答的研究問題型態也與傳統統合分析有所不同。老師以清楚的邏輯與實例說明這些差異，讓即使沒有深厚統計背景的學員，也能快速掌握 NMA 的核心精神。

在建立基本概念後，第二堂課「找題目、訂範圍、可行性確認：如何正確用 AI 起步？」對我而言是極為實用的一堂課。

老師以「實際可執行流程」的角度，示範如何運用 ChatGPT 搭配 PubMed 進行研究題目探索，從初期的大範圍文獻搜尋（約 50 – 200 篇），逐步透過關鍵字微調、研究類型限縮與臨床問題聚焦，將可行文獻數縮小至約 6 – 10 篇，作為可行性測試的基礎。

在這個階段，老師也提醒學員應先嘗試進行初步製圖、測試是否存在 inconsistency，以及確認 transitivity 是否可接受，再決定是否投入完整的系統性搜尋流程。這樣的「先小跑、再全跑」概念，對於初學者而言不僅能降低挫折感，也能有效避免投入大量時間後才發現題目不可行。

接續在研究流程建立後，第三堂課「NMA 全文寫作：用 AI 加速，但務必避開 AI 出包！」則聚焦於實際寫作層面。老師示範如何透過精準指令，請 ChatGPT 協助生成各段落草稿，並再利用不同指令策略進行語氣修正、邏輯強化與學術語言調整。

同時也特別提醒 AI 使用的風險與常見錯誤，強調研究者本身仍需對內容的正確性與學術責任負全責。

這堂課不僅提升我對 AI 工具的信任度與使用技巧，也讓我重新思考如何將 AI 視為「研究助理」而非「代筆工具」，這樣的觀念對未來不論是研究或臨床工作都極具參考價值。

中午的實作課程中，由我們實際操作 MetaInsight 軟體，進行 NMA 相關圖表與表格的製作。

這是我過去較少接觸到的工具與教學形式，透過講義搭配逐步操作，遇到問題可以隨時舉手發問，不僅讓我理解每一張圖表背後的意義，也學到許多資料整理與視覺呈現的技巧。這些能力不僅能應用於學術論文，也能延伸至日常臨床報告與簡報製作，實用性相當高。

下午課程首先進入第四堂「Reviewer opinion 怎麼回？AI 能幫上什麼？」，是一堂在多數研究課程中相對少見、但極為關鍵的主題。

老師透過實際投稿經驗，說明如何解讀 reviewer 的語氣與關注重點，並針對不同類型的評論給予合適且有策略性的回覆。特別是在面對較為嚴苛或立場偏負面的 reviewer 時，如何以實證與理性回應，同時將真正的溝通對象放在 editor 身上，是一個非常重要的觀念。

這些分享讓我對投稿流程有更全面且務實的理解，也降低了對 reviewer 意見的心理壓力。

最後一堂課「讓你寫不成的疑難雜症，如何解決（這裡 AI 幫不了）」則回到許多研究者實際會遇到的問題，例如文獻取得困難、時間壓力、題目重複性等。

老師分享了如何善用科政中心資源、如何在時程有限下加速評讀流程，以及即使題目已有人發表，仍可透過次族群分析或不同臨床角度找到研究切入點。這些經驗談非常貼近現實，也讓我感受到老師願意真誠分享「走過的彎路」，對學員而言十分珍貴。

整體而言，經過這一整天的《網絡統合分析工作坊》，我不僅對 NMA 的方法學架構有了更清楚且系統性的理解，也更明確知道未來若要著手進行相關研究，應從何處開始、如何規劃流程，以及如何善用工具提升效率。

這次課程是技術上的學習，更是一種研究思維與策略的重整。對我來說，這是一段非常充實且收穫豐富的學習歷程，也期許自己能將所學實際應用，順利完成並發表相關 SCI 論文，讓自己的專業與學術發展持續向前邁進。