2017年發表在Ann Intern Med（SCI IF=17）的研究，題目是咖啡攝入量和全因死亡與疾病特異性死亡的關係，一項基於非白種人的研究。Association of Coffee Consumption With Total and Cause-Specific Mortality Among Nonwhite Populations.原文摘要請點文末「查看原文」。
表2是文章的核心結果，摘要結果部分的HR就是這個表中標黃的部分。放大了看：
X是咖啡攝入量（Coffee Consumption），分別按分類變量和連續變量分析。分類變量分為：不喝咖啡（None）、每月1至3杯（1–3 cups/mo）、每周1至6杯（1–6 cups/wk）、每天1杯（1cup/d）、每天2至3杯（2-3cups/d）、每天至少4杯（≥4 cups/d）。連續變量的單位是杯（Increase per cup）。
Y是總死亡（Total Mortality），考慮到隨訪時間得出HR（Hazard Ratio）。調整不同變量得出3個模型。除了在總人群（Total）做分析，還按是否含咖啡因做了亞組分析。
0.88表明在考慮到其它因素影響後，每天一杯咖啡和不喝咖啡相比總死亡降低12%。95%CI為0.85至0.91是0.88的波動範圍，95%CI不包括1表明風險降低是顯著的，因此不需要再列p值。具體調整了哪些因素，在表的注釋中寫清楚了。
下面兩個0.82分別表明每天2-3杯咖啡或至少4杯咖啡和不喝咖啡相比總死亡降低18%，同樣也調整了混雜。
有學友提問：P for trend 是什麼意思？本表中很多HR可信區間包括1，最後的結論是怎麼得出的？
首先看趨勢性檢驗（P for trend）的意義：從效應值的變化（1、0.97、0.88、0.82）可以看出，隨著咖啡攝入量等級增加，死亡風險降低的幅度有逐漸變大的趨勢，這個趨勢是否顯著呢？因為P for trend小於0.001，表明這個趨勢是顯著的，即咖啡攝入量每增加一個等級，死亡風險降低的趨勢顯著。
理解了P for trend也就理解了雖然有的組HR的95%CI包括1，然而結論可以寫風險降低是顯著的。最後一行0.95表明每增加一杯咖啡，死亡風險降低5%。跟分類變量的結果是一致的。
看臨床型SCI論文，不少高質量文章的核心結果都會出現趨勢性檢驗的P值（P for trend）。例如JAMA這篇研究體力活動和增重的文章，在表3中列出了P Value for Trend。
又例如柳葉刀子刊（SCI影響因子26.3分）研究腦出血患者血壓波動和預後的研究，摘要中就列出了P trend。
【看懂了結果，還要自己做得出】
例如：易侕軟體自帶的練習數據（demo）中，年齡4分組對是否高血壓（HBP）做趨勢性檢驗。操作如下：
方法一：在AGE.Q4上點右鍵，選「按連續型變量處理」，軟體會新生成變量AGE.Q4.CONT。使用數據分析菜單下-單因素分析模塊。給出應變量Y（HBP），暴露變量X（AGE.Q4.CONT），可以給出調整變量（例如性別）也可以不調整，點擊「查看結果」。
得出結果如下：
結果中2.5表示年齡每增加一個等級（是四分位的等級）發生Y的風險比是2.5，最後面P<0.001表明2.5的作用是顯著的，也就是趨勢性檢驗的p值。這個方法有局限性，因為是假定X每個分組內中位數等距的情況下做的，但是大部分情況每個分組內中位數是不等距的，需要用第二種方法做。
方法二的易侕軟體操作。在AGE.Q4上點右鍵，選「分類變量取值重編碼」。出現這個對話框，勾選「取用另一變量的中位數」，下面「另一變量名」選AGE。點擊「保存」。
會得到一個新變量AGE.Q4.NEW。在該變量（AGE.Q4.NEW）上點右鍵，選「按連續型變量處理」，軟體會新生成變量AGE.Q4.NEW.CONT。做回歸分析操作設置同前，只是把暴露變量X換成新變量AGE.Q4.NEW.CONT。得出下面結果：
結果中1.1表示年齡每增加一歲對應的比值比，P<0.001，這個P值相當於趨勢性檢驗的P值。注意，若X原始測量值不是連續變量，而是分類變量（如：文化程度）就不能這樣做了，只能用第一種方法。
統計分析方法怎麼寫呢？可以參考這篇Ann Intern Med喝咖啡的文章，趨勢性檢驗是先分組（category），再用每組中位數（median value）按連續型變量（continuous variable）進入方程得出的。
臨床研究關聯分析的核心結果一定要用回歸分析做，因為可以得出作用大小。一定要做多元回歸，因為可以調整其它因素影響。
一朝習得回歸術，
一式破盡世間法。
觀察研究多混雜，
多元回歸來調整。
此文獻給愛喝咖啡的雲天、濤哥和燾哥！
校稿：初雲天
歡迎關注我們的微信公眾號！