同一组临床数据，进行二次分析，照样能发JAMA子刊！
要说最具性价比的研究，还得是临床试验二次挖掘！我们平常在挖掘公共数据库的时候，通常是“有什么用什么”，还得担心数据的“水土不服”。但临床数据的二次分析则完全没有这种困扰，不仅研究数据更贴近，研究结果也非常可靠。
2024年6月26日，中国香港大学的学者在顶刊《JAMA》子刊JAMA Network Open（医学一区top，IF=10.5）发表了一篇题为：“Engagement With a Mobile Chat-Based Intervention for Smoking Cessation：A Secondary Analysis of a Randomized Clinical Trial ”的研究论文，研究团队用一项已发表的实效性、整群随机临床试验的数据进行二次分析，旨在以移动聊天为基础的戒烟干预确定参与轨迹，并检查其与生物化学验证的戒烟的关联。
该项研究结果表明，更多地参与以聊天为基础的戒烟干预与更有效的经生物化学验证的戒烟有关。
如果你需要全文，请医学论文与统计分析公众号后台回复关键词“pdf”， 我可以发你一份。
在进行一个临床试验时，我们会先提出主要假设，设置主要终点，在获取数据后，对主要假设进行分析从而得出主要结果。但如果不对主要假设进行分析，转而利用这些数据来探索其他研究问题或验证其他假设时，这就被称为二次分析（secondary analysis）。
这种分析我们也可以看做是在发挥数据的“余热”，它能够充分利用已有的数据资源，以较低的成本和较短的时间周期产生新的科研成果。
下面我们来详细看一下这篇文章。
香港学者利用轨迹模型发文
本研究使用的数据来源于一项已经发表的两组、平行、实效性、整群随机临床试验，在该研究中，68个社区网站被随机（1：1）分配至干预组（n=34，干预组的参与者在3个月的时间里接受基于聊天的即时通讯支持并进行短暂的戒烟干预）和对照组（n=34，对照组的参与者仅接受短暂的戒烟建议）。
同时，在纳入试验符合标准的1254名年龄≥18岁的参与者中，研究团队按照1:1的比例将624名随机分配至干预组，其中76.8%为男性，23.2%为女性，平均年龄42.1岁。
主要终点是基线后6个月时经生化验证的戒烟。
表1 基线数据
在基线时，研究团队为评估干预的参与度，构建了四个不同的参与轨迹模型，并对所有参与者进行了分组：
71.6%为低参与度组，参与者始终保持非常低的参与度；
13.8%为快速下降组，参与者开始时参与度中等，然后迅速下降到较低水平
9.3%为逐渐下降组，参与者最初的参与度很高，然后逐渐下降到中等水平；
5.3%为高参与度组，参与者始终保持高参与度。
图1 基于群组的轨迹建模识别的参与轨迹
分析后发现，在第6个月时，与低参与度组相比，快速下降组的有效戒烟率显著下降，逐渐下降组和高参与度组的有效戒烟率也有不同程度的下降。
同样，在第3个月时，结果显示参与度越高，有效戒烟率也越高。
综上所述，研究团队发现参与更高水平的基于移动的聊天的戒烟干预与更高程度的经生物化学验证的戒烟有关。
闲来郑语
用过的数据不要丢，拿来二次分析还能发SCI！从研究方法来说，本文主要用了群组轨迹模型（GBTM），由于该模型较为简单，结果也可能更易于解释，因此GBTM通常是研究人员更实用的选择。
如果也对重复测量的方法感兴趣，对轨迹增长模型有兴趣，或者手头恰好有数据，想要掌握更多分析技巧，欢迎加入本周末的学习班！
“重复测量资料分析方法”8月培训班，
就在本周末！8.24-25直播，点击了解一下吧？
医学论文与统计分析公众号后台回复关键词“pdf”，即可获取原文！如果你在统计学分析上遇到难题，或者对医学数据库挖掘感兴趣，直接扫码添加我们的助教吧！
