如何讀懂最新醫學研究成果

狼醫生

現在，新聞中每天都會報道關于醫學研究的各種新發現，在這些研究結果中往往會提到各種健康風險的變化。

這些健康報道中的“風險”究竟意味著什么？研究的結果真的可以適用于你嗎？美國國立衛生研究院（NIH）下屬的國家老齡問題研究所（the National Institute on Aging，NIA）對此給出了一些通俗易懂的解釋。

所有的研究都一樣嗎？

每個醫學研究結果的權重是否相同？答案是否定的。研究的類型有很多，有些只是在實驗室進行的基礎實驗，有些是動物實驗，有些則是臨床研究。

科學家最初可能會先提出一個問題——例如某種藥物是否可以治療細菌感染，之后再設計一系列的實驗來驗證它。在研究過程中，科學家可能會先在實驗室培養這種細菌，然后加上藥物。通常而言，他們還會設置一個對照組——在同樣的條件下培養同樣的細菌，但是并不加入這種藥物。之后科學家會觀察藥物治療組和對照組之間細菌生長的情況。

如果治療組的細菌出現死亡的趨勢，而對照組沒有，這就說明藥物在體外實驗中是有效的。然而，這只是一個初步結果，離最終定論還差得很遠。科學家還需要進一步進行動物實驗，最終進行針對人體的臨床研究。

回顧性研究

當研究人體健康問題時，科學家常會采用回顧性、觀察性的研究方法。在這類研究當中，科學家會花若干年時間隨訪一群人，并觀察這些人有哪些相似的地方，同時又有哪些不同的地方，從而發現一些線索，思考為什么有些人會得病，而有些人不會。從這種研究得到的結論可以給未來的研究提供方向。

然而，這種觀察性的研究是有局限性的，它只能提示現象和可能的原因，但不能證明必然的因果聯系，畢竟有很多因素都可能影響結果。例如，如果一項觀察性研究發現一組每天吃胡蘿卜的人患心臟病的比例低于那些不是每天吃胡蘿卜的人，這并不代表胡蘿卜一定就是預防心臟病的神器。或許只是每天吃胡蘿卜的人群本身就更重視健康，有更好的飲食習慣，而研究者可能只留意了吃胡蘿卜的行為，并沒有注意到其他可能影響結果的因素。另外，如果兩組人群的心臟病家族史存在差異，這個因素也會對結果的可靠性造成影響。

當然，研究者也會對一些混雜因素進行校正來提高結果的可靠性。但即使如此，這類研究依然不能得出確切的因果結論。要證明究竟什么是最直接影響健康的因素，還需要進一步的研究。

下一步做什么

當實驗室結果和觀察性研究結果放到一起之后，就可能給科學家們指出下一步研究的方向。

比如說，假設在實驗室研究中發現了一種新型的降脂藥，動物實驗證實這種藥物可以有效降低血脂水平。而觀察性的研究中發現，血脂高的患者心臟病發作（例如發生心肌梗死）的可能性更大。于是科學家們就希望知道，使用新型降脂藥降低血脂是否可以預防心臟病發作。

為了證明這種藥物干預方式是否能在人身上起作用，科學家會采取另一種研究方式——隨機對照臨床試驗。這樣的臨床試驗往往需要成百上千甚至更多的受試者來參與。

首先，研究團隊需要尋找符合要求的受試者，并對他們進行隨機分組，每組的受試者可能會接受藥物治療，也可能是接受安慰劑的“治療”。安慰劑看起來和需要檢測的藥物一模一樣，但是不含藥物的成分（注：由于倫理原因，并非所有臨床研究都會設置安慰劑組，在不設安慰劑組的研究中對照組使用已知有效的治療方式，即陽性對照）。

除此之外，這個試驗應是雙盲的。這意味著醫生和受試者都不知道他們所接受的是藥物還是安慰劑。對于這種降脂藥來說，實驗人員會根據事先設計的隨訪方案對這些受試者進行血脂水平監測和心臟病發作事件記錄，同時也會監測藥物的副作用。在研究結束時，科學家們進行數據分析，這時大家才會知道受試者所服用的究竟是藥物還是安慰劑（有觀點認為如果對數據分析者也設盲還可以進一步保證數據的客觀性，這種方式稱為三盲試驗）。

如果在流程設計完善、收集足夠多樣本的臨床試驗中，結果顯示服用藥物的患者心臟病發作的比例低于對照組，那么就可以說明使用這種藥物降低血脂確實是有效的。

結果怎樣解釋

為了解釋研究結果，科學家會報道某種因素帶來的健康風險變化。風險可以用很多方式來解釋，其中就包括了相對風險和絕對風險。

當兩組之間的差異用相對風險來描述時，經常會使用百分率，而絕對風險則通過研究中更加“原始”的數據來表示（例如發病人數的差別）。理解這些數字非常重要。

舉個例子，假如某類藥物會將腦卒中（中風）的風險提高50%，這聽起來確實非常嚇人。這意味著吃了這種藥的50%，或者說一半的人都會得中風嗎？當然不是。我們假設在沒有吃藥的人中，每1000人中有2個人得了中風，那么增加50%的風險意味著患中風的病人實際增加了1個，也就是說1000個吃這種藥的人里有3個人會得中風。這時我們就會發現，實際的風險變化并不像看起來那么可怕。

絕對風險會告訴你由于一種治療可導致健康問題增加或者減少的確切數量，了解這些數字更有利于正確理解風險的真實大小。