作者：童綜合醫院 腎臟內科 陳昶旭 醫師

這次參加《統合分析工作坊》，對我而言並不是第一次接觸統合分析。多年前曾經實際做過 network meta-analysis，因此對 systematic review、文獻搜尋、資料整理以及統合分析的基本流程並不陌生。

不過，這次課程還是讓我有不少新的收穫，尤其是在 AI 工具逐漸進入研究工作的現在，很多過去需要花大量時間摸索的步驟，已經可以用不同的方式來進行。對我來說，這次最有價值的部分，不是重新學習統計方法本身，而是重新思考現在要如何更有效率地完成研究題目的設定、文獻搜尋，以及後續投稿的整個流程。

用 AI 選題、建搜尋式，省下不少前期時間。

首先是利用 AI 協助研究題目的制定。過去在進行研究時，題目的產生往往是從臨床問題、既有文獻或研究經驗慢慢累積，再經過反覆搜尋，確認目前文獻中是否還存在值得回答的問題。這個過程其實相當耗時，而且很容易在大量文獻中迷失方向。

這次課程示範如何利用 AI 協助發想題目、整理現有研究方向，甚至進一步協助判斷哪些議題可能仍有研究缺口，讓我覺得非常實用。AI 並不是直接幫研究者「決定題目」，而是可以作為一個快速整理思路的工具，幫助我們從較廣泛的臨床問題逐步收斂成可以執行的研究問題。

再來是利用 AI 協助建立關鍵字與搜尋策略，也是我這次很有收穫的部分。以前建立 PubMed、Embase 或其他資料庫搜尋時，通常需要自己反覆思考 MeSH terms、同義詞、縮寫以及不同資料庫的語法，再經過多次測試與修正。這次看到 AI 可以協助整理關鍵字式、列出可能遺漏的同義詞，甚至協助建立搜尋架構，確實可以省下不少前期準備的時間。

當然，最後還是必須由研究者確認搜尋式是否合理、是否符合研究問題，也不能完全依賴 AI 產生的內容。但如果把它當成一個協助 brainstorming 與初步整理的工具，我認為可以大幅提升研究效率。

回覆 reviewer 不是照單全收，要換位思考。

另外一個讓我覺得很有價值的部分，是講師分享投稿過程中實際會遇到的問題，以及如何回覆 reviewer。這些內容往往不是研究方法課程的重點，但實際做過研究後會知道，論文寫完只是其中一個階段，後續投稿、修改、回覆審稿意見，才是另一段相當重要的過程。

回覆 reviewer 並不是單純「照單全收」。真正重要的是了解對方的疑慮，確認是否反映出文章表達不清、方法不足，或只是觀點不同。如果確實需要修改，就應該清楚說明修改的位置與內容；如果不同意，也應該以文獻、方法學或研究設計作為依據，說明為什麼維持原來的作法。

聽著講師實際分享自己也曾發生過的錯誤、投稿時可能遇到的狀況，以及面對 reviewer 意見時的處理方式，例如利用三明治回覆法、如何呈現修正的意見，換位思考 reviewer 的想法，用具同理心、有條理而且專業的方式回覆，比單純看投稿指南更有幫助。

軟體能出圖，AI 能加速，判斷還是靠自己。

最後，文獻評讀的部分對我而言比較像是重新複習與整理過去的經驗；實機操作 meta-analysis 圖表，則是考驗自己對資料的熟悉與解讀。

的確軟體可以幫你做出各種圖片，但統合分析真正重要的並不是最後產出一張張的 forest plot，而是前面的研究選擇、資料品質、heterogeneity，以及每一個分析是否合理。這些內容要如何安排、呈現在文章中，講師也在課堂上提出自己的獨門心法。

整體而言，這次課程對我最大的價值，是把我過去做統合分析的經驗，和現在 AI 時代的研究工具重新連結起來。多年以前做 network meta-analysis 時，很多事情都必須靠人工慢慢搜尋、整理與嘗試；現在 AI 已經可以協助選題、產生關鍵字、整理搜尋策略，甚至協助文章撰寫與回覆審稿意見。

但這堂課也讓我更確定，AI 的角色應該是提升效率，而不是取代研究者的判斷。研究問題是否值得做、文獻是否可靠、分析是否合理，以及如何面對 reviewer，最後仍然需要研究者本身的經驗與思考。

這次課程不只是複習 systematic review 與 meta-analysis，而是讓我看到在新的研究環境中，如何重新調整自己的研究方式，這也是我這次最主要的收穫。

最新活動