テキスト全文
東京北EBMの概要と目的
#1. かわばたしょうたろう ©︎ Tokyokita hsp.
#3. クサモン ホノモン ミズモン 博士『そこに3匹のエビモンがおるじゃろう どのエビモンを選ぶんじゃ？』
エビモンレビューサイトの評価
#4. クサモン バランスが良くオー ルラウンダー．序盤/ 中盤/終盤隙がない． ホノモン 攻撃力が高く，一撃 で相手を倒せるが打 たれ弱い． ミズモン 大器晩成型で，序盤 は苦戦するが最終的 にはまぁまぁ強い． 博士『迷っておるのか？これがワシの意見じゃ！』
#5. レビュ-人数：98 4.7 レビュ-人数：156 4.2 レビュ-人数：126 3.8 博士『まだ迷っておるのか？ これがエビモンレビューサイトのメタスコアじゃ！』
#6. SR できるだけデータを集める MA 比較し易い指標にする 5 4 3 2 1 レビュ-人数：156 2つ合わせて SR/MA 4.2
システマティックレビューとメタアナリシスの基礎
#7. SR/MAはピラミッドの頂点？ SR/MA RCT Cohort Case Report 最強？
#8. SR/MAはピラミッドの頂点？ SR/MAだからって 無条件に信じれれないカモ SR/MA RCT Cohort Case Report
#9. クサモン レビュ-人数：98 4.7 不自然に低評価がない ホノモン レビュ-人数：156 4.2 ミズモン レビュ-人数：126 3.8 中間的評価が欠けてる
#10. RCT Randamazed controlled trial Cohort
SR/MAのチェックポイントとデータ収集
#11. Systematic review[SR]
#12. Meta analysys[MA] Systematic review[SR] ?
#13. SR/MAのチェックポイント ①データを集める ②集めたデータの質を評価する ③集めたデータを統合する
データ収集の方法と出版バイアスの評価
#15. SR システマティックレビューとは ホノモン 5 1 4 5 強さ, 将来性 1991.9~2024.11 5 4 4 3 2 4 3 2 5 4 3 2 1 調べて、できるだけデータを集める
#16. SR できるだけ集めるってどういうこと？ ○データの集め方を確認しよう ・どの検索エンジンで調べたか？ ・どんな検索ワードで調べたか？ ・検索期間は妥当か？ ・参考文献まで調べたか？ ・個々の研究者に連絡を取ったか？ ・出版されてない情報も集めようとしたか？ ・英語以外の論文も調べたか？ 玉石混合でも、まずは網羅的であることが大切！
#17. SR できるだけ集めるってどういうこと？ ・検索方法を確認しよう！ メジャーどころの検索エンジンを押さえているか？ 必要なワードが抜けてない？ 検索期間は長すぎたり短すぎたりしない？ でも調べた？ 進化先の名前でも 検索しないと 最近のデータが 考慮されてない 元ホノモン Methodに載っていることが多いぞ!(検索ワードはappndixにあることも)
#18. SR できるだけ集めるってどういうこと？ ・関連するデータを集めよう！ 参考文献まで調べたか？ 個々の研究者に連絡を取ったか？ 検索エンジンでは 見つけられないデーターを探してみよう 参考文献：“bibliographies”“reference literature” 研究者 ：“contact to researchers/authorities”
#19. SR 出版バイアスってなんだ Volume 強いとも弱いとも言い難いな わざわざ手間かけてレビューするほどでもないな 評価 1 3 5 結果がなんとも言えないデータは報告されにくい
#20. SR できるだけ集めるってどういうこと？ ・出版バイアスに立ち向かえ 出版されてない情報も集めようとしたか？ 英語以外の論文も調べたか？ 報告するほどの 内容じゃないし... なんとも言い難い結果だし 地元でだけ報告しよう “no language restrictions”
データの質を評価する方法
#21. SR “Funnel plot”で確認だ！ 症 例 数 評価 どこのデータが欠損していそうか考えよう
#22. SR “Funnel plot”で確認だ！ 症 例 数 評価 ざっくりでOK！データが10個以上ないと分析できない
#23. データを集める どの検索エンジンで調べたか？ MEDLINE，EMBASE，CENTRAL，Cochrane Library， Google scholar，ISI Web of Science，CINAHL どんな検索ワードで調べたか？ Supplement や Appendix に掲載されていることもある 検索期間は妥当か？ 長ければ長いほどいいわけではない
#24. データを集める 参考文献まで調べたか？ “screened bibliographies”,“search reference literature” 個々の研究者に連絡を取ったか？ “contact to researchers” “contact to authorities”
論文の質と評価基準
#25. 出版バイアスの評価 縦軸：標準誤差 横軸：効果
#27. データの質とは？ まだ育ててないけど 期待を込めて ５つ 色々試してみたけど 弱いよね 1つ 新人トレーナー エビモンチャンピオン それぞれのデータの質は違う
#28. データの質を評価する 何人かが独立して 各々評価します 経験 真剣度 偏見 意見が割れた時の対応の仕方も確認しよう
#29. 集めてきた論文は玉石混合 質が低いものからはダメなものしかできない
メタアナリシスの手法と結果の統合
#32. Cochrane Risk of Bias Tool SR/MA最先端のグループが作ったRCTのチェックポイント Risk of Biasとは？ 誤った結果に導く恐れがある体系的なエラー どんなものがある？ Evidence 1991 Monster 1997 Tabun 2001 Hayaranai 2005 Demo 2006 Makenai 4649 ランダム化の過程の問題 治療企図からの乖離 アウトカム測定の問題 アウトカムデータの欠損 報告結果の選択の問題
#33. ざっくり目を通そう 全体的に良いか悪いか？どんなバイアスがあるか？
フォレストプロット図の解説
#35. MA メタアナリシスとは? 5 4 3 2 4.2 1 SRのデータを分かりやすく加工する ただ単純に平均をするわけではない
#36. MA まとめた結果を確認しよう 5 5 4 2 統合した結果 4.2
#37. MA データに重みを与えるもの N数(経験年数) イベント発生数(勝率) データの重みは質とは無関係
#38. フォレストプロット図について Evidence1991 1.2 [0.6，2.2] Monster1997 0.8 [0.4，1.8] Tabun 2001 1.1[0.7，2.1] Hayaranai2005 1.6 [1.1，2.1] Total 1.2[1.1，1.4] HR 0.25 0.5 1 2 4
#39. 四角と棒について 点推定値 = 四角(箱)の大きさ データの重み 95％信頼区間 症例数(N数) イベント発生数
結果の解釈と今後の展望
#40. 四角と棒と菱形について 四角(箱)が大きくなる(重みが大きい)ほど線が短くなる まとめたものが菱形
#41. フォレストプロット図について HRでは1を棒が跨ぐと有意差なし 論文名(著者＋発行年) 0.7 1.1 2.1 Tabun 2001 1.1[0.7，2.1] 有意差なし Hayaranai2005 1.6 [1.1，2.1] 有意差あり Total 1.2[1.1，1.4] 有意差あり HR 0.25 0.5 1 2 4
#42. 注目すべき論文 Evidence1991 1.2 [0.6，2.2] 外れてる論文 Monster1997 0.8[0.4，1.8] Tabun 2001 1.1[0.7，2.1] Hayaranai2005 1.6 [1.1，2.1] 重みが大きい論文 Total 1.2[1.1，1.4] HR 0.25 0.5 1 2 4
#43. 結果が他から外れてる論文 重みが大きい論文 個別に読んだ方がいい論文 PICO，質は最低限みよう
#44. Hayaranai2005 Monster1997 PICOに注目 対象が違う 治療が違う 比較対象が違う 質に注目 質が悪い
#45. 異質性が高いとデータの信憑性が落ちる 異質性：データのばらつきの指標 2 I 検定 0% 80% P>0.05 P<0.05 25％以下で異質性が小さい 50%以上で大きい 2 x 検定 有意差があったら異質性がある
#46. 最初に読むのにおすすめなSR/MA 今回取り上げた内容は コクランレビューなら大体抑えている
#47. あると嬉しい GRADE system Summary of finding table
#48. しっかり比較検討し，賢く選択しよう！ ホノモン 新薬 SR/MAは便利だけど無条件に良いわけではない
