在臨床醫學的研究中，主要係探討介入物對於參與研究的個案所產生的影響為何。介入物的種類相當繁多，但整體而言，多以藥物或衛生教育活動為主。例如：參與高血壓輔助藥物治療的患者，其血壓是否「有效」下降，或經過衛生教育活動的實施，外傷患者之傷口感染率，是否能「有效」的下降。以統計學的觀點來看，「有效」，這個結論發生錯誤的機率低於5％，就是統計上所謂的「統計顯著」，或者可稱之為「假說檢定」。

除了「假說檢定」外，臨床研究也常常需要「估計」。例如，如果研究人員想知道癌症病人的血液中，某些生化指標通常會是多少？就要進行估計。試想，選取三位癌症病人，分別測量其生化指標然後計算平均值為X，就可以推測「全部癌症病人」的生化平均值就是X。然而這會引伸出另外一個問題就是：這樣的推論究竟準不準？用三個病人就可以推測全部病人的平均值？會有多準？應該是要30個病人還是300個病人？而這也是臨床研究上，研究人員常常會想問的問題之一。

其實統計並無法回答究竟需幾個病人來推測才會準，相反的，反倒是要先問研究人員想要準確到什麼程度？因為這樣才有辦法計算所需的病人個數。這也就是所謂95％信賴區間的含意：此區間有95％的機會，會涵蓋到真正的平均值。當研究者所想要的區間很廣時（準確度不高），所需的病人數就不用太多。反之，當研究者所想要的區間很窄時（準確度很高），所需的病人數就需要很多。實務上則是常以實際可完成的收案個數，來評估推測的準確度。除了癌症病人的生化指標（連續變項），常常也會估計病人惡化的百分比（二分類變項），同樣也是需要呈現95%信賴區間，以反應估計的準確度。

此外，臨床研究常常也想估計某個因子的存在與否（二分類變項），對於疾病發生（二分類變項）或是疾病預後（二分類變項）的影響程度，通常會以「倍數」來呈現「影響程度」。例如，喝咖啡的人，相較於不喝咖啡的人，發生胰臟癌的機率會是X倍。又或是，心血管患者中，仍不運動的患者，相較於開始定期運動的患者，復發的機率會是X倍。由於這也是一種估計，因此也需要呈現95％信賴區間。我們可以透過「邏輯斯回歸分析」，就可以得到想要的估計結果。

如果想要研究「血壓」（連續變項）是否受到「日常攝取營養」（連續變項）所影響，或是兩者之間有相關，這也屬於估計的一種，也需要呈現95％信賴區間。我們可以透過「相關性分析」或是「線性回歸分析」，就可以得到估計結果。

在探討因子與疾病的相關性或是影響程度時，必需要注意是否有干擾因子的存在。如果沒有考慮干擾因子的作用，可能會得到一個偏差的估計。例如，研究人員想探討性別對於肺癌的發生的影響程度，結果發現，男性發生肺癌的機率是女性的5倍。但是仔細探究可以發現，原來是因為男性吸煙的比率比女性高出很多，所以男性比女性高出5倍的肺癌危險性，可能是因為高吸煙率所導致，並非真的是性別上的差異。吸煙在這個研究中，就是一個干擾因子。換句話說，干擾因子的定義就是同時與「感興趣的暴露」以及「疾病」有相關性（影響），若不考慮干擾因子的作用，研究成果可能會是錯誤的結果。

因此如何控制干擾因子，以得到正確的研究結果，也是臨床研究常遇到的問題。傳統上可採用「分層分析」，可以控制干擾因子的影響。以前面的例子而言，我們可以只選取「不抽煙」的人當成研究對象，探討性別與肺癌的相關性。或者是，只選取「抽煙」的人當成研究對象，探討性別與肺癌的相關性。透過分層分析，可以釐清潛在干擾因子是否會影響研究成果。此外，統計上亦有可以控制干擾因子的作法可供使用。不論是「邏輯斯回歸分析」或是「線性回歸分析」，只要將可能的干擾因子放入分析中，也就是所謂的「複回歸」，都可以得到在控制干擾因子下，暴露因子與疾病的正確結果，也就是沒有偏差的估計值。
　
 TOP