資料收集及分析方法

所有資料收集及鍵入都經過二人次的驗證比對，並以簡單之統計方法檢查極 端值，以排除可能之錯誤及減少資料缺失，若兩位研究人員之判斷有衝突，將由第 三位獨立之研究人員一起討論並以投票之方式決定結果。

在家庭會議紀錄方面，本研究收集之變數包含出席人數、醫療團隊中出席者身 份、是否包含患者本人、出席之患者及親友中是否包含男性、會議時間長度、會議 時之病情走向、會議之治療目標、會議中特別討論項目及會議紀錄中是否有討論 DNR 相關議題。出席者簽名欄位分為醫療人員和患者及其親友兩欄，可判斷雙方 出席之人數。醫療團隊出席者身份可由台大醫院系統中查詢其身份，患者本人是否 出席亦由簽名判斷，出席之親友中是否有男性則由姓名及筆跡，由研究者做主觀之 判斷，若無法判斷則會參考該病歷中其它醫療同意書之簽名欄位比對，若有「與患 者之關係」之欄位即可透過親屬稱謂間接確定性別。若經由兩位研究者判斷仍無法 確定是否為男性，則由第三位獨立研究人員協助判斷。

是否不施行心肺復甦術之決定將在四個時間點上收集：家庭會議後一週、家庭 會議後二週、家庭會議後一個月、追蹤結束時，如圖 3.4.1 所示。

所有收集之資料將建檔於excel 檔案中，並以 SAS for Windows 9.4 版統計軟 體進行分析。描述性統計將用以分析病患特性的分佈情形：Student’s t-test 與卡方 檢定(Chi-squared test)分別檢定連續性與類別性變項，在有無 DNR 上是否有顯著差 異。由於卡方檢定是近似檢定方法，其假設基於多變量中央極限定理，一般要求每 一個空格的期望次數至少為5，若有觀察次數之分布無法達成這樣的要求時，檢定 方法會改採費雪精確檢定 (Fisher's exact test)。

針對上述統計結果顯著(p<0.05)或趨向顯著(p<0.1)的變數，將會計算其效果量 (effect size, ES)。連續變項的效果量使用 Cohen’s d 計算，類別變項則使用 Cramer’s V 計算。效果量愈大代表差異愈明顯，一般認為效果量在 0.5 以上代表有中等以上 的強度，0.2 以下則代表差異甚小。效果量大小之解釋如表 3.4.1、表 3.4.2 所示。

表 3.4.1 使用 Cohen’s d 計算效果量的詮釋

表 3.4.2 使用 Cramer’s V 計算效果量的詮釋 接下來將進行迴歸分析及診斷：

多 變 數 邏 輯 迴 歸 分 析 (multivariate logistic regression) ， 在 控 制 干 擾 因 子 (confounding variables) 後，分析影響在不同時間點是否決定「不施行心肺復甦術」

的因子。

多變數迴歸分析(multiple regression analysis)，觀察收集之變數對於家庭會議到 決定「不施行心肺復甦術」天數的影響。

多變數邏輯迴歸分析，分析影響「患者本人是否出席家庭會議」的因子。

所有建立之迴歸模型都狀以容忍度（tolerance）、變異數膨脹因子（variance inflation factor, VIF）及共線性診斷(collinearity diagnostics)來檢驗自變項中可能存 在的共線性。當容忍度小於0.1，變異數膨脹因子>10 或是條件指標（Condition index, CI）> 30 時，表示有共線性的問題。存在共線性之多個變數，將在審慎考慮後保留 必要之項目。最後之迴歸模型都會以Hosmer-Lemeshow goodness-of-fit test 檢定其 模型之好壞，並計算receiver operating characteristic (ROC) 曲線下之面積(area under the curve, AUC)。迴歸檢定皆設定以雙尾 p≦0.05 為具備統計顯著性。