本文重點介紹了單病例隨機對照試驗（N-of-1）的設計、優缺點及其應用范圍，并介紹了N-of-1常用的評價方法，包括非參數檢驗和參數檢驗方法（t檢驗、配對t檢驗、方差分析）、混合效應模型、Meta分析方法。N-of-1符合個體化治療的需要，希望其可以在現代醫學及中醫藥學研究中得到廣泛使用。
引用本文： 陳新林, 李海文, 劉鳳斌, 李先濤, 侯政昆, 莫傳偉, 徐謙. 單病例隨機對照試驗的設計和評價方法. 中國循證醫學雜志, 2016, 16(2): 242-245. doi: 10.7507/1672-2531.20160038 復制
隨機對照試驗（randomized controlled trial，RCT）的發展，催生了循證醫學，促進了系統評價和Meta分析的發展和應用，也正在改變著古老的以經驗為基礎的醫學實踐。在循證醫學年代，更加關注個體化的治療效果，而RCT本身存在的一些缺陷：部分患者不能得到有效的治療，無法揭示個別患者對干預的異同，無法研究患者的特殊規律等，都為研究方案提出了挑戰，并滋生出其他設計方案，其中包括單病例隨機對照試驗。
1 單病例隨機對照試驗
單病例隨機對照試驗英文名稱有Randomized controlled trial in individual patient，Single cases of randomized controlled trials，N-of-1 trials，N-of-1 RCT和N-of-1 study等，簡稱為N-of-1 [1]。
N-of-1是一種基于單個病例進行隨機、多周期二階段交叉設計的研究方案，屬于RCT，其用于評價某種藥物與安慰劑（或另一種藥物）的療效 [1-4]。N-of-1設計一般安排兩種干預和3個或3個以上周期，每個周期形成一個二階段交叉設計。隨機分配每個周期兩個階段的干預，階段間有一個洗脫期；相鄰周期之間亦安排一個洗脫期。圖 1為3周期N-of-1設計示意圖。
圖1
3周期N-of-1設計示意圖
早在1945年，Fisher等 [5]就開始介紹N-of-1的設計方案。20世紀60年代，心理學領域應用N-of-1觀察藥物及行為干預的效果 [6]。隨后，N-of-1逐漸應用于臨床研究中，如骨關節炎、骨骼肌痛性痙攣、持久性咳嗽、風濕病、心臟病、慢性阻塞性肺病、失眠、神經衰弱癥引起的疼痛等慢性病。在國內，研究者也開始使用N-of-1研究多種慢性病，如針刺方法治療脊髓損傷后下肢痙攣 [7]，牛黃降壓膠囊治療原發性高血壓病 [8]，十味益元顆粒治療骨髓抑制患者 [9]等。
N-of-1的應用需要考慮以下幾個方面 [2, 3, 10]：① 疾病：要求非自限性、病情較為穩定但需長期服藥的疾病，特別是病情穩定的慢性病。不穩定的疾病，病程容易受到干預措施影響的疾病，或者疾病的進展期等都不適合開展N-of-1。② 參與者：N-of-1需要較長時間，且有額外負擔，需要招聘依從性高的參與者。③ 干預措施：要求起效快、半衰期短，停止使用后藥效消失快的藥物，以減少殘留效應對結果的影響。半衰期長，需要很長時間才顯示臨床效果的藥物，或改變病程的藥物不適合N-of-1。另外，醫療器械或心理干預也已經成功用于開展N-of-1 [11]。
N-of-1的優點主要包括：① N-of-1為個體患者的決策提供了最有力的證據。RCT在諸多科研方法中論證強度大，循證醫學工作組提出了證據的層次結構，其中N-of-1為患者的決策提供了最有力的證據 [4]，見框 1。② N-of-1具有強大的臨床實用性，可解決臨床的特殊問題，如稀有疾病或非常規治療的疾病 [1]。③N-of-1只針對單個病例，容易被患者接受；該設計采用隨機雙盲對照等方法，可合理分析隨機誤差，避免偏倚，比較真實反映試驗結果，且易于重復。④ N-of-1使用多循環的設計，增加了研究的功效 [12, 13]。隨著周期數的增加，發現干預之間差異的概率也增加 [10]。
圖框 1
證據的層次結構（Guyatt et al. 2002）
N-of-1也有一定的局限性。N-of-1對疾病和藥物有較為嚴格的要求，部分疾病和治療方法（特別是外科治療方法）不適于使用該設計。患者病情的自然變化、治療指標的趨中現象都會影響結果的可比性。另外，N-of-1統計分析方法不統一，且缺少N-of-1實施指南，不利于N-of-1的推廣使用。N-of-1結果雖然有借鑒作用，但類推到其他患者時需要謹慎。
2 N-of-1的評價方法
Gabler等 [14]綜述了1986年到2010年發表的N-of-1文獻，研究發現：N-of-1數值（計量）資料的分析方法主要包括視覺/圖形分析方法、非參數檢驗（符號檢驗，Wilcoxon秩檢驗）和參數檢驗（t檢驗、配對t檢驗、方差分析）、時間序列、混合（固定/隨機）效應模型、Meta分析方法、貝葉斯分層模型等 [3, 15, 16]。計數資料的分析方法主要包括卡方檢驗、廣義估計方程等。
視覺/圖形分析方法繪制患者隨著時間的變化，其療效的變化，這種方法只對資料進行描述，沒有進行統計推斷，因此不能得出統計學意義的結論，甚至可能產生錯誤或誤導性的結果 [17]。時間序列分析用于N-of-1資料的分析，得到的信息比較有限 [18]。N-of-1最簡單的統計方法為非參數符號檢驗，這種檢驗是根據每個周期內的治療差別（即符號）來判斷最終結果，越長的治療周期越容易獲得統計學意義的結果。t檢驗或方差分析不考慮時間點、個體效應的影響，直接比較不同干預方法之間的差別。它們比非參數符號檢驗有更強的功效，因為它們同時考慮了每個周期內治療效果的方向和強度 [19]。t檢驗或方差分析沒有考慮重復測量資料的特點，因此部分學者認為應該采用混合效應模型 [3, 15]。雖然混合效應模型最符合實際情況，但其原理比較復雜，并未被廣泛使用。另外，基于個體資料或匯總資料的Meta分析方法也應用于N-of-1資料 [20, 21]。Meta分析方法把一個患者當作一個研究看待，也沒有考慮重復測量資料的特點。
下面以3個治療周期的N-of-1試驗為例，介紹混合效應模型和Meta分析方法。
2.1 混合效應模型
N-of-1設計中，每個患者在每個治療周期都接受兩種干預措施（試驗組、對照組分別用A和B表示），D代表A、B干預得分的差異（得分為數值資料）。每個患者都有3個D得分，每次得分之間不可避免受到個體自身因素的影響，其可能存在相關性，這就構成了研究數據的層次（或嵌套）結構。
Zucker等 [10]提出了N-of-1的混合效應模型：yij=αi+βiXij+εij。其中yij為第i個患者（i=1,2,3,…n）第j個階段（j=1,2,3,…6）的效應值，αi表示第i個患者接受B干預的平均效果，服從正態分布N（α,σα2）。βi表示第i個患者兩種干預措施之間（A-B）的平均得分，即D，服從正態分布N（β,σβ2）。Xij為指示變量，表示干預方法，A干預（Xij=1），B干預（對照組，Xij=0）。一般情況，假設αi和βi之間不相關。εij為第i個對象第j個階段的誤差，服從正態分布N（0,σi2）。圖 2展示了 的結構和估計過程 [10]。
圖2
N-of-1混合效應模型的模型圖（D代表每個周期A、B干預得分的差值）
可以在模型中增加其他協變量（如中心、醫療環境和參與者特征）。比如對象來自不同的研究中心，則需要在模型中增加中心這個變量，模型寫成Yij=αi+βiXij+κiZi+eij，其中Zi為協變量，表示第i個對象所在的中心。
二分類資料的基本模型 [22]為。其中sih為第i個患者第h（h=1,2,3）個周期階段，得到試驗組優于對照組的實際頻數，其概率表示為θih，sih服從二項分布Binomial(si,θi)。其他符號跟前面一樣。
筆者認為Zucker等提出的混合效應模型并沒有考慮階段效應和殘留效應，因此構建模型：yij=α+μ3+τj+λ+γixi+εij[23, 24]。其中yij為第i個患者第j個階段的效應值。常數項α為截距；μ3為A、B干預效應差值的總均數，μ3存在統計學意義說明兩種干預的效應不一致。固定效應τj為階段效應，為多分類變量。λ為殘留效應，分為三個分類：無殘留類、A殘留、B殘留，對應的效應值分別為λ0，λA，λB。xi是第i個對象的指示變量，γi表示其對應的隨機效應。εij為誤差。當樣本量n=1時，簡化為yj=α+μ3+λ+εj。
2.2 Meta分析模型
把一個患者當作一個研究，對樣本量不為1的N-of-1設計開展Meta分析。
。其中n1i和n2i分別為第i個患者接受A、B干預的樣本量；
3 討論
N-of-1是一種基于單個病例進行隨機對照的研究方案，N-of-1對個體患者開展兩種治療方法，從而比較不同方法的效果。N-of-1只針對單個病例，容易被患者接受；該設計采用隨機雙盲對照等方法，避免各種偏倚，比較真實地反映試驗結果，為個體患者的決策提供了最有力的證據，研究人員已經使用該方法用于研究多種疾病。然而，N-of-1對疾病和藥物有較為嚴格的要求，其結果難于類推到其他患者；而且缺少N-of-1實施的指南，不利于N-of-1的推廣。
N-of-1的分析方法主要包括視覺/圖形分析方法、時間序列、非參數檢驗和參數檢驗方法（t檢驗、配對t檢驗、方差分析）、混合效應模型、Meta分析方法、貝葉斯分層模型等。N-of-1評價方法不統一、不規范對N-of-1的實施也造成了一定的影響。混合效應模型是最符合N-of-1設計的實際情況，因此，筆者推薦采用混合效應模型分析N-of-1數據。
隨著循證醫學的深入發展，現代醫學的醫療模式正逐漸向個體化治療轉變，N-of-1設計正好適應個體化治療的需要。另外，中醫藥的研究以傳統的辨證論治及個體化研究為主。劉保延等 [25]認為中醫藥的辨證論治是典型的“個體化診療”方法，難于采用傳統的RCT進行研究。而N-of-1設計是研究個體患者的研究方案，適合于中醫藥的研究。相信N-of-1設計可以為現代醫學及中醫藥學研究提供新的研究思路。
隨機對照試驗（randomized controlled trial，RCT）的發展，催生了循證醫學，促進了系統評價和Meta分析的發展和應用，也正在改變著古老的以經驗為基礎的醫學實踐。在循證醫學年代，更加關注個體化的治療效果，而RCT本身存在的一些缺陷：部分患者不能得到有效的治療，無法揭示個別患者對干預的異同，無法研究患者的特殊規律等，都為研究方案提出了挑戰，并滋生出其他設計方案，其中包括單病例隨機對照試驗。
1 單病例隨機對照試驗
單病例隨機對照試驗英文名稱有Randomized controlled trial in individual patient，Single cases of randomized controlled trials，N-of-1 trials，N-of-1 RCT和N-of-1 study等，簡稱為N-of-1 [1]。
N-of-1是一種基于單個病例進行隨機、多周期二階段交叉設計的研究方案，屬于RCT，其用于評價某種藥物與安慰劑（或另一種藥物）的療效 [1-4]。N-of-1設計一般安排兩種干預和3個或3個以上周期，每個周期形成一個二階段交叉設計。隨機分配每個周期兩個階段的干預，階段間有一個洗脫期；相鄰周期之間亦安排一個洗脫期。圖 1為3周期N-of-1設計示意圖。
圖1
3周期N-of-1設計示意圖
早在1945年，Fisher等 [5]就開始介紹N-of-1的設計方案。20世紀60年代，心理學領域應用N-of-1觀察藥物及行為干預的效果 [6]。隨后，N-of-1逐漸應用于臨床研究中，如骨關節炎、骨骼肌痛性痙攣、持久性咳嗽、風濕病、心臟病、慢性阻塞性肺病、失眠、神經衰弱癥引起的疼痛等慢性病。在國內，研究者也開始使用N-of-1研究多種慢性病，如針刺方法治療脊髓損傷后下肢痙攣 [7]，牛黃降壓膠囊治療原發性高血壓病 [8]，十味益元顆粒治療骨髓抑制患者 [9]等。
N-of-1的應用需要考慮以下幾個方面 [2, 3, 10]：① 疾病：要求非自限性、病情較為穩定但需長期服藥的疾病，特別是病情穩定的慢性病。不穩定的疾病，病程容易受到干預措施影響的疾病，或者疾病的進展期等都不適合開展N-of-1。② 參與者：N-of-1需要較長時間，且有額外負擔，需要招聘依從性高的參與者。③ 干預措施：要求起效快、半衰期短，停止使用后藥效消失快的藥物，以減少殘留效應對結果的影響。半衰期長，需要很長時間才顯示臨床效果的藥物，或改變病程的藥物不適合N-of-1。另外，醫療器械或心理干預也已經成功用于開展N-of-1 [11]。
N-of-1的優點主要包括：① N-of-1為個體患者的決策提供了最有力的證據。RCT在諸多科研方法中論證強度大，循證醫學工作組提出了證據的層次結構，其中N-of-1為患者的決策提供了最有力的證據 [4]，見框 1。② N-of-1具有強大的臨床實用性，可解決臨床的特殊問題，如稀有疾病或非常規治療的疾病 [1]。③N-of-1只針對單個病例，容易被患者接受；該設計采用隨機雙盲對照等方法，可合理分析隨機誤差，避免偏倚，比較真實反映試驗結果，且易于重復。④ N-of-1使用多循環的設計，增加了研究的功效 [12, 13]。隨著周期數的增加，發現干預之間差異的概率也增加 [10]。
圖框 1
證據的層次結構（Guyatt et al. 2002）
N-of-1也有一定的局限性。N-of-1對疾病和藥物有較為嚴格的要求，部分疾病和治療方法（特別是外科治療方法）不適于使用該設計。患者病情的自然變化、治療指標的趨中現象都會影響結果的可比性。另外，N-of-1統計分析方法不統一，且缺少N-of-1實施指南，不利于N-of-1的推廣使用。N-of-1結果雖然有借鑒作用，但類推到其他患者時需要謹慎。
2 N-of-1的評價方法
Gabler等 [14]綜述了1986年到2010年發表的N-of-1文獻，研究發現：N-of-1數值（計量）資料的分析方法主要包括視覺/圖形分析方法、非參數檢驗（符號檢驗，Wilcoxon秩檢驗）和參數檢驗（t檢驗、配對t檢驗、方差分析）、時間序列、混合（固定/隨機）效應模型、Meta分析方法、貝葉斯分層模型等 [3, 15, 16]。計數資料的分析方法主要包括卡方檢驗、廣義估計方程等。
視覺/圖形分析方法繪制患者隨著時間的變化，其療效的變化，這種方法只對資料進行描述，沒有進行統計推斷，因此不能得出統計學意義的結論，甚至可能產生錯誤或誤導性的結果 [17]。時間序列分析用于N-of-1資料的分析，得到的信息比較有限 [18]。N-of-1最簡單的統計方法為非參數符號檢驗，這種檢驗是根據每個周期內的治療差別（即符號）來判斷最終結果，越長的治療周期越容易獲得統計學意義的結果。t檢驗或方差分析不考慮時間點、個體效應的影響，直接比較不同干預方法之間的差別。它們比非參數符號檢驗有更強的功效，因為它們同時考慮了每個周期內治療效果的方向和強度 [19]。t檢驗或方差分析沒有考慮重復測量資料的特點，因此部分學者認為應該采用混合效應模型 [3, 15]。雖然混合效應模型最符合實際情況，但其原理比較復雜，并未被廣泛使用。另外，基于個體資料或匯總資料的Meta分析方法也應用于N-of-1資料 [20, 21]。Meta分析方法把一個患者當作一個研究看待，也沒有考慮重復測量資料的特點。
下面以3個治療周期的N-of-1試驗為例，介紹混合效應模型和Meta分析方法。
2.1 混合效應模型
N-of-1設計中，每個患者在每個治療周期都接受兩種干預措施（試驗組、對照組分別用A和B表示），D代表A、B干預得分的差異（得分為數值資料）。每個患者都有3個D得分，每次得分之間不可避免受到個體自身因素的影響，其可能存在相關性，這就構成了研究數據的層次（或嵌套）結構。
Zucker等 [10]提出了N-of-1的混合效應模型：yij=αi+βiXij+εij。其中yij為第i個患者（i=1,2,3,…n）第j個階段（j=1,2,3,…6）的效應值，αi表示第i個患者接受B干預的平均效果，服從正態分布N（α,σα2）。βi表示第i個患者兩種干預措施之間（A-B）的平均得分，即D，服從正態分布N（β,σβ2）。Xij為指示變量，表示干預方法，A干預（Xij=1），B干預（對照組，Xij=0）。一般情況，假設αi和βi之間不相關。εij為第i個對象第j個階段的誤差，服從正態分布N（0,σi2）。圖 2展示了 的結構和估計過程 [10]。
圖2
N-of-1混合效應模型的模型圖（D代表每個周期A、B干預得分的差值）
可以在模型中增加其他協變量（如中心、醫療環境和參與者特征）。比如對象來自不同的研究中心，則需要在模型中增加中心這個變量，模型寫成Yij=αi+βiXij+κiZi+eij，其中Zi為協變量，表示第i個對象所在的中心。
二分類資料的基本模型 [22]為。其中sih為第i個患者第h（h=1,2,3）個周期階段，得到試驗組優于對照組的實際頻數，其概率表示為θih，sih服從二項分布Binomial(si,θi)。其他符號跟前面一樣。
筆者認為Zucker等提出的混合效應模型并沒有考慮階段效應和殘留效應，因此構建模型：yij=α+μ3+τj+λ+γixi+εij[23, 24]。其中yij為第i個患者第j個階段的效應值。常數項α為截距；μ3為A、B干預效應差值的總均數，μ3存在統計學意義說明兩種干預的效應不一致。固定效應τj為階段效應，為多分類變量。λ為殘留效應，分為三個分類：無殘留類、A殘留、B殘留，對應的效應值分別為λ0，λA，λB。xi是第i個對象的指示變量，γi表示其對應的隨機效應。εij為誤差。當樣本量n=1時，簡化為yj=α+μ3+λ+εj。
2.2 Meta分析模型
把一個患者當作一個研究，對樣本量不為1的N-of-1設計開展Meta分析。
。其中n1i和n2i分別為第i個患者接受A、B干預的樣本量；
3 討論
N-of-1是一種基于單個病例進行隨機對照的研究方案，N-of-1對個體患者開展兩種治療方法，從而比較不同方法的效果。N-of-1只針對單個病例，容易被患者接受；該設計采用隨機雙盲對照等方法，避免各種偏倚，比較真實地反映試驗結果，為個體患者的決策提供了最有力的證據，研究人員已經使用該方法用于研究多種疾病。然而，N-of-1對疾病和藥物有較為嚴格的要求，其結果難于類推到其他患者；而且缺少N-of-1實施的指南，不利于N-of-1的推廣。
N-of-1的分析方法主要包括視覺/圖形分析方法、時間序列、非參數檢驗和參數檢驗方法（t檢驗、配對t檢驗、方差分析）、混合效應模型、Meta分析方法、貝葉斯分層模型等。N-of-1評價方法不統一、不規范對N-of-1的實施也造成了一定的影響。混合效應模型是最符合N-of-1設計的實際情況，因此，筆者推薦采用混合效應模型分析N-of-1數據。
隨著循證醫學的深入發展，現代醫學的醫療模式正逐漸向個體化治療轉變，N-of-1設計正好適應個體化治療的需要。另外，中醫藥的研究以傳統的辨證論治及個體化研究為主。劉保延等 [25]認為中醫藥的辨證論治是典型的“個體化診療”方法，難于采用傳統的RCT進行研究。而N-of-1設計是研究個體患者的研究方案，適合于中醫藥的研究。相信N-of-1設計可以為現代醫學及中醫藥學研究提供新的研究思路。
