對於使用鋰鹽治療精神疾病的患者，由於目前沒有任何有效的方式可以預測血中鋰濃度狀況，患者必須定期抽血確認，以調整劑量。許醫師團隊思考，是否能以大量的臨床參數，做機器學習，去建立一個可以預測血中鋰濃度的模型，於是有此研究。
研究使用了 1505 個樣本建立模型，並以 204 個獨立樣本評估準確度。預測目標有二，第一個是濃度為 0.6-1.2 mmol/L 或 0.0-0.6 mmol/L 的二分法，第二個則是以其濃度值作連續值預測。
所建立的模型，預測二分法的準確率為 0.70-0.73，預測數值的準確率為 0.68-0.75。作者辨認出其中最重要的七個特徵後，以較少的特徵重新建模，仍有 0.67-0.74 的準確度。
作者認為，機器學習所建立的模型，或許能有助於臨床決策，並降低患者的抽血頻率。值得進一步研究開發。
機器學習最適合作的主題，就是預測。尤其在臨床上，藉由預測而能減少花費、增進資源利用或避免危險者，意義尤其重大。本篇文章所示範的，就是一個很適合做機器學習的主題。
恭喜許醫師！
過去的研究，從美國 NCBI 資料庫中發現，MLPH 基因與直腸癌患者接受術前的化療放療合併治療效果不彰，有顯著關聯。李醫師團隊想在實際的患者上驗證，於是進一步在 172 個患者的直腸癌檢體中，檢測 MLPH，並與之後所做的術前放化療結果做比對。
結果發現，MLPH 的過度表現，的確與較低的疾病專一存活率、無轉移存活率有關，而且經過多變項分析後，其 hazard ratio 並不低（10.110 / 5.621）。
作者總結認為，在直腸癌患者，檢測 MLPH 是否過度表現，對於預測患者治療效果，並提供個人化治療調整，應有幫助。
恭喜李醫師！
β2 腎上腺素受體（β2AR）遍佈全身，與許多重要的生理功能有關。有部分研究指出，使用 β2 腎上腺素受體相關藥物，可能與罹患巴金森氏症的機會有關，一般認為，刺激 β2AR 的藥物會降低巴金森氏症機會，而阻斷 β2AR 的藥物如 propranolol，會升高巴金森氏症機會。莊醫師與其團隊，對這個議題很有興趣，想統合一下既有文獻，看看是否真有這樣的趨勢。
研究收入了八篇研究，統合後發現，刺激 β2AR 的藥物的確跟較低的巴金森氏症機率有關，RR = 0.859；而阻斷 β2AR 的藥物，則與較高的巴金森氏症機綠有關，RR = 1.49，其中 propranolol，RR 高達 2.82。
作者認為，雖然目前研究樣本數偏小，不過這樣的發現，值得後續進一步的研究，尤其這類藥物都是臨床上常會長期使用的。
恭喜莊醫師！
答：（蔡依橙）
首先呢，要給同學心理支持一下。「沒有能夠指導論文的老師」，在所有的醫學中心地區醫院，都是常態。就算老師有論文，人家也不一定想教你；就算想教你，方法也不見得對，效果往往很有限。所以不用難過，大家都是這樣的。
至於院外資源，我們就老實說吧，社會是現實的，要先想的是，「人家為什麼要教我？」以及「我能提供人家什麼技能交換？」除非遇到把教學當成自己的使命感，而且還沒燃燒殆盡的老師，否則期望其他醫院的人能幫忙自己，我自己看過的成功案例非常之少。
阿茲海默症用藥 donepezil，其中一個副作用，就是會影響睡眠品質。不過對於整體睡眠結構的改變究竟如何，曾醫師與其團隊，預計整理現有的文獻，並做出歸納。
本次收入了 12 篇關於 donepezil 與睡眠結構的研究，經整理分析後，會發現用藥後，的確會增加動眼期睡眠，跟對照組相比，動眼期睡眠比例也是增加的。而在不同的分析狀況下，donepezil 也跟較少的淺睡期（第二期）睡眠、較差的睡眠效果、較少的總睡眠時間有關，但這部分仍需進一步的釐清與研究。
恭喜曾醫師！
