臨床結果怎麼讀？

一則臨床公告，可能同時出現「達到主要終點」「統計顯著」「安全性良好」。其中，主要終點是研究事先設定、用來回答主要問題的衡量指標。本文關注的是：這份結果支持了哪個產品主張，以及公司距離下一個可驗證的成果，還差哪些工作？

閱讀臨床資料，可以先把結論暫時放下，沿著問題、設計、分析、結果與限制往回查。重點不是先成為統計學家，而是讓每一項價值假設，都能對應到足以支持它的證據。

康霈生技股份有限公司（以下簡稱康霈）是一家聚焦醫美與慢性發炎疾病新藥開發的台灣公司。CBL-514 是其研發中的小分子注射候選藥物；本文討論的用途，是減少腹部局部皮下脂肪。先知道它研究什麼，才容易理解後面的「改善比例」究竟在衡量什麼。^[8][2]

本文選用的是 2026 年發表的一項 CBL-514 二 b 期人體研究，公開試驗登錄編號為 NCT05736107。它將候選藥物與安慰劑比較，透過醫師評分、受試者自評及磁振造影（MRI）觀察結果。這項研究回答的是腹部局部減脂問題，不能直接拿來回答全身體重下降或其他用途。^[2]

選這個案例，是因為公開論文提供了多種評估方式與不同分析人數，適合具體練習：同一個改善百分比，換了分母、評估方法或追蹤時間，解讀會有什麼不同？論文與登錄也有需要釐清的差異，後文會分別交代，保留各自的資料口徑。^[2][3]

下文先沿這項實際研究拆解問題，再用另外設計的假設情境說明效果與信賴區間。兩者分開呈現；文章不評估康霈全部管線、最新開發進度或股票價格。

一、先把試驗要回答的問題寫完整

「治療有效」需要補上對象、用法、比較基礎、衡量方式及時間。改善誰的什麼狀況？與安慰劑、現有治療，還是治療前的自己比較？多久之後評估？同一產品換了使用族群或用途，原來的結果未必能直接沿用。

FDA 的臨床研究介紹，把這些項目放進研究計畫，包括納入條件、參與人數、對照安排、劑量、觀察與分析方式。^[1] 投資研究可以先做一張簡單的「問題卡」，再閱讀公司對結果的摘要。

例如，局部外觀評分改善、影像量到的局部脂肪變化與全身體重下降，是不同的研究問題。數值都帶有百分比，並不表示衡量的是同一種效果。比較兩項產品前，應先核對這些差異。

隨機分組有助於形成可比較的組別，但仍要看分派如何執行、基線是否平衡，以及後續資料是否完整。盲法也不能只讀「單盲」或「雙盲」兩個字：受試者、給藥人員、評估者與影像判讀者，可能知道不同資訊。

這些設計會影響哪些偏差較受控制。若主要終點依賴評估者的判斷，就應查清楚誰進行評估、是否知道分組，以及是否有其他測量提供相互參照。較客觀的量測可以補充資訊，也不會自動解決所有設計限制。

二、用公開案例看見：分母本身就是研究資訊

Lorenc 等人在 2026 年發表的上述二 b 期論文，記載 108 人隨機分組為 53 與 55 人；基線全分析集（Full Analysis Set，FAS）表列 49 與 51 人。末次治療後 12 週，醫師評定腹部脂肪量表（CR-AFRS）改善至少一級的結果為 23/30（76.7%）對 7/37（18.9%）。^[2]

這三組人數回答不同問題，不能把最後一組百分比寫成全部隨機分組者的改善比例，也不能把各列相減，就當成完整的退出流程。

本文另外核對同一 NCT05736107 登錄：查閱時，登錄記載實際納入 107 人及雙盲；論文則報告 108 人及單盲，並說明各角色的盲法安排。^[2][3] 這是待釐清的文件差異，不能自行選一組數字覆蓋另一組，也不能僅憑差異就判定結果無效。

合理的下一步是對照登錄版本、研究方案及修訂紀錄，詢問差異的原因。本文圖一明確以論文為資料口徑，沒有把登錄的 107 人混進同一張人數表。

這項練習的重要性在於：讀到的資料是否足以重建研究問題與分析方式？若還不能，就應把缺口寫進研究紀錄，而不是用一個漂亮的百分比補上未知。

三、退出與缺失資料，不能只用「有沒有補值」判斷

論文揭露 42 人提前退出，並描述對部分提前退出所造成的缺失療效資料採用末次觀察值延續法（LOCF）。^[2] 這是把較早的觀察用於後續分析的處理方式，不能直接當成每個人都在目標時間完成量測。

缺失資料要先問原因，再看方法。因症狀惡化退出、因副作用停藥、因搬家失聯，或因療效已達特定條件停止治療，對結果的意義可能不同。停藥也不一定代表失去後續資料；退出研究與停止治療應分開確認。

ICH E9(R1) 的估計目標框架，要求先清楚定義想估計的治療效果，並處理停藥、追加其他治療等事件在問題中扮演的角色。^[4] 換句話說，「按分派治療後整體會怎樣」與「假設能持續接受治療會怎樣」，可能是不同問題，不能只因結果都叫療效就混用。

閱讀分析集時也有相同要求。意向治療原則（Intention-to-Treat，ITT）重視保留原隨機分派進行比較；全分析集（FAS）與依計畫書分析集（Per-Protocol，PP），則須看研究實際如何界定納入與排除。不能僅憑名稱，就推定已保留所有隨機分組者或消除選擇偏差。ICH E9 對分析集的討論，強調減少排除對比較造成的影響。^[5]

接著才問敏感度分析：當缺失資料或模型的關鍵假設改變，主要判斷是否穩定？它不是「多做幾次、挑結果最好的一次」。E9(R1) 將其用於檢查同一估計目標下，推論對假設偏離的敏感程度。^[4]

就本例而言，本文沒有取得個人層級資料或完整統計分析計畫，無法獨立重建每一項調整分析與補值結果。這限制了本文能下的結論，也標出後續核對時應補齊哪些資料，而不是替研究補做一個看似精確的答案。

四、P 值之外，還要問效果有多大、估計有多穩

P 值處理的是特定虛無假設及統計模型下，資料與假設的相容程度。它不是產品有效的機率，不是下一期試驗成功率，也不是投資報酬率。

一個結果可以符合預設的統計門檻，卻不足以改變實際採用。患者能感受到多大改善？需要接受幾次治療？能維持多久？與不良反應、費用及替代方案一起看，改善是否值得？這些問題需要臨床與商業證據共同回答。

FDA 的臨床標示指引提醒，應呈現組間效果與不確定性，不能只看治療組相較起點的變化或單一 P 值。^[6] 相對改善與絕對差異也要分清楚：用一個很大的相對百分比描述很小的基礎差異，可能讓讀者誤判效果的大小。

以下完全是假設情境，與 CBL-514 或任何公司無關。 假設同一類二元終點，兩個獨立情境都估計治療組達標比例比對照組高 8 個百分點。情境 A 的 95% 信賴區間為 2 至 14；情境 B 為 -3 至 19 個百分點。這些數字為教學設計，未從實際試驗計算。

兩者的中心估計相同，不確定性不同。A 的區間位於零以上；B 則同時涵蓋較低達標比例、無差異及較高達標比例。閱讀 B 時，不能把未能明確排除零差異直接改寫成「已證明完全沒有效果」。

若研究者另假設「至少提高 10 個百分點，才值得在特定成本下採用」，A 雖呈現正向差異，仍不能說效果已確定超過這個門檻；B 的資訊則更不確定。實際產品需要另行論證採用門檻，不能搬用這張示意圖的數字。

信賴區間也不是「95% 的患者會落在這個範圍」，不能直接解讀為真實效果有 95% 機率落在本次區間。它取決於統計方法與假設，亦不會把未受控制的設計偏差全部涵蓋進去。

五、次要終點、次群與安全性，要放回整體計畫

一項試驗可能同時看多種指標、多個時間點與不同族群。FDA 的多重終點指引說明，若缺乏適當處理，檢驗項目增加會提高做出錯誤結論的機會。^[7]

因此，閱讀重點不只是「有幾項顯著」，還要看哪些是事先安排、哪些是探索性分析，是否有檢定順序或錯誤率控制。主要終點的結果、其他支持性證據與事後發現的線索，應分別描述。

次群同樣如此。某一小群結果較好，可以成為後續研究線索，但還要問樣本是否足夠、是否預先指定、組間差異是否有適當分析，以及能否被新的資料重現。「這群顯著、另一群不顯著」本身，並不等於已證明兩群的治療效果不同。

安全性閱讀則要把發生人數、分析分母、嚴重度、與治療的關聯、停藥及追蹤時間一起看。「嚴重」的程度描述與「嚴重不良事件」的分類也不能任意互換；一個百分比不足以描述完整負擔。

小型、短期研究即使沒有觀察到某種罕見事件，也無法據此保證更大族群或長期使用都不會出現。這不是先假定產品有問題，而是讓安全性結論與研究能觀察的範圍相符。

對既有產品作比較時，還需要一致的疾病階段、患者條件、比較治療與終點。若這些不同，研究者可以列出差異與證據缺口，不能把不同試驗的數字直接排成優劣榜。

六、把臨床閱讀轉成下一步投資問題

完成閱讀後，可以把研究紀錄寫成三段：目前已支持的主張、仍未排除的解釋，以及下一步需要什麼證據。這是本文的投資研究整理方法，並非主管機關的核准清單。

例如，某份結果支持在特定條件下繼續開發，下一步可能仍需要更充分的對照、更長追蹤、不同族群、劑量確認或獨立驗證。應選哪一項，必須回到產品目標與實際開發計畫，不能套用固定答案。

再把證據需求接到執行：下一項研究由誰負責？需要多少時間與資金？製程及供應是否支持擴大研究？重要問題若未被解決，公司還有其他有意義的開發選擇嗎？臨床結果只有放進這個工作計畫，才容易看清對企業價值的影響。

這也讓投資價格與風險有了討論基礎。科學問題獲得部分解答，可以降低某些不確定性；但增加的企業價值，仍可能伴隨後續投入、延後與稀釋。本文不把一個 P 值換算成成功率或估值，也不把授權或融資視為療效證明。

研究不一定能立即填滿所有空白。較有用的成果，是知道缺少哪份原始文件、哪項分析仍需專家協助，以及什麼新證據會讓原本的判斷需要修正。能把未知說清楚，才有條件討論下一筆資金應該承擔什麼風險。

資料來源