1 Part 1：認識 paper + 認識資料

預計時間：30–40 分鐘。這一章你會：把工作環境弄好、用 AI 摘要 paper、用 R 讀進模擬資料。

🚀 一鍵 Prompt：整章一次跑完

如果你已經在 RStudio / Posit.Cloud 開好了，可以直接複製下面這段給 AI，一次跑完本章：

我手上有兩個 csv：data/faricimab_baseline.csv（一筆病人一列，欄位有 patient_id, arm, study, region, age, sex, bcva_baseline, cst_baseline, irf_baseline, srf_baseline, bcva_strat, lld_strat）和 data/faricimab_followup.csv（long format，每筆病人 × 回診一列，欄位有 patient_id, week, bcva, cst, irf, srf）。請給我一段 R code：

用 readr::read_csv() 讀入這兩個檔案

用 dplyr::glimpse() 印出欄位結構

算出 baseline 中兩臂的人數（arm 是 faricimab vs aflibercept）

算出 followup 中每個 week (4/8/12) 的 row 數量

請加上中文註解，每段都可以直接貼到 RStudio 跑。

1.1 任務 1：開好 Posit.Cloud

老師會在現場給你一個 Posit.Cloud 連結——那是「預烤好的 project」，套件都已經幫你裝好了。

📋 拿到那個連結後：

打開瀏覽器、貼上連結
用 Google 帳號登入 Posit.Cloud（免費）
右上角點 Save a Permanent Copy（把這份 project 存成你自己的）
RStudio 會開起來，套件已裝好
右下角 Files 視窗 → 雙擊 part1.qmd

整個過程 < 30 秒。

🎯 如果你拿不到那個預烤連結（fallback）

Plan B（自己 fork）： 1. Posit.Cloud → New Project → New Project from Git Repository 2. 貼 https://github.com/htlin222/roche-vabysmo-rwe-workshop 3. RStudio 開起來，Console 跑 source("START.R")，等 5–10 分鐘 4. 之後跟 Plan A 一樣

Plan C（完全沒 R 環境）：直接讀 https://htlin222.github.io/roche-vabysmo-rwe-workshop/。你看不到自己改 csv 的效果，但內容都讀得到。可以跟旁邊的同學共用螢幕做 hands-on。

🎯 其他常見坑

「中文亂碼」→ Tools → Global Options → Code → Saving → Default text encoding 改 UTF-8
「畫面卡住」→ 重整頁面，Posit.Cloud 偶爾會 idle disconnect
「Save a Permanent Copy 是灰的按不下去」→ 你還沒登入，右上角點人頭 → Sign In

🧠 對話管理：🆕 開新對話 vs ↩︎️ 續前對話

每個「📋 複製這段話，貼給 AI」都標了該 開新對話 還是 接續上一個——這是用免費版 AI 的關鍵習慣：

🆕 開新對話：開一個全新 chat。用在「概念問答」或「某個新主題的第一個 code 任務」。免費版 AI 的上下文（記憶）長度有限，把無關內容塞進同一個對話會讓它變慢、變鈍、甚至忘記前面的設定。概念問答問完可直接關掉；若這是一段 code 流程的起點，請留著這個對話給接下來的 ↩︎️ 續前對話用。
↩︎️ 續前對話：在「剛剛那個對話」裡繼續問。用在「改剛剛那段 code」「把剛剛的表存檔」「沿用剛剛建好的 model / 變數」——AI 需要記得前面產出的內容才接得下去。

小訣竅：每開一個新對話，第一句先貼 glimpse(df) 的輸出，AI 才不會幻想欄位名（見 Appendix C）。

1.2 任務 2：第一次安裝套件

📋 複製這段話，貼給 AI（🆕 開新對話）：

我在 Posit.Cloud 上的 RStudio，請給我一段 R code 安裝這些套件：tidyverse, gtsummary, mmrm, emmeans, broom, broom.mixed, survival, survminer, gt, patchwork, ggsci。請用 pak 套件，repo 設成 Posit Public Package Manager 來加快下載。

1.2.1 參考程式碼

source("START.R")
# START.R 是「一鍵入口」：它會幫你呼叫 setup/install.r 把套件全部裝好。
#
# 進階 / 想直接呼叫安裝腳本：
# source("setup/install.r")
#
# 或完全手動：
# options(repos = c(CRAN = "https://packagemanager.posit.co/cran/latest"))
# install.packages("pak")
# pak::pak(c("tidyverse","gtsummary","mmrm","emmeans","broom","broom.mixed",
#            "survival","survminer","gt","patchwork","ggsci"))

第一次跑大約 3–5 分鐘。之後不用再裝。

1.3 任務 3：讓 AI 用 100 字摘要這篇 paper

📋 複製這段話，貼給 AI（🆕 開新對話）：

下面是一篇 Ophthalmology 期刊的 abstract，請用繁體中文 100 字內告訴我：（1）它在比較哪兩個藥；（2）為什麼比較；（3）主要結論；（4）用了什麼統計方法。

【貼上 abstract — 在 refs/tenaya-lucerne-paper.pdf 第 1 頁】

Tip

你會發現 AI 摘出來的「統計方法」一定會提到 MMRM 與 CMH-weighted——這就是今天 Part 3 / Part 4 要做的事。

1.4 任務 4：讀進模擬資料，看欄位

我們已經幫你準備好兩個 csv（在 data/ 資料夾下）。這份資料不是真的病人資料，是用 R 模擬出來的，但統計特性接近 TENAYA/LUCERNE paper。

📋 複製這段話，貼給 AI（🆕 開新對話）：

請給我 R code，用 readr::read_csv() 讀入 data/faricimab_baseline.csv 和 data/faricimab_followup.csv，然後用 dplyr::glimpse() 看欄位。請加中文註解。

1.4.1 參考程式碼

library(readr)
library(dplyr)

baseline <- read_csv("data/faricimab_baseline.csv", show_col_types = FALSE)
followup <- read_csv("data/faricimab_followup.csv", show_col_types = FALSE)

glimpse(baseline)

Rows: 1,329
Columns: 12
$ patient_id    <chr> "P0001", "P0002", "P0003", "P0004", "P0005", "P0006", "P…
$ arm           <chr> "faricimab", "aflibercept", "aflibercept", "faricimab", …
$ study         <chr> "LUCERNE", "LUCERNE", "TENAYA", "LUCERNE", "TENAYA", "LU…
$ region        <chr> "US-Canada", "US-Canada", "Rest-of-world", "Rest-of-worl…
$ age           <dbl> 64, 83, 56, 73, 78, 60, 68, 81, 85, 80, 77, 79, 60, 76, …
$ sex           <chr> "F", "M", "F", "F", "F", "F", "F", "F", "F", "M", "F", "…
$ bcva_baseline <dbl> 64, 79, 76, 73, 74, 46, 81, 55, 67, 45, 74, 71, 53, 69, …
$ cst_baseline  <dbl> 300, 381, 290, 382, 381, 496, 240, 539, 328, 310, 378, 4…
$ irf_baseline  <dbl> 0, 1, 0, 0, 1, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 1,…
$ srf_baseline  <dbl> 1, 0, 0, 1, 0, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 1, 1, 1, 1,…
$ bcva_strat    <chr> "55-73", ">=74", ">=74", "55-73", ">=74", "<=54", ">=74"…
$ lld_strat     <chr> ">=33", "<33", "<33", ">=33", "<33", "<33", "<33", "<33"…

glimpse(followup)

Rows: 3,987
Columns: 6
$ patient_id <chr> "P0001", "P0001", "P0001", "P0002", "P0002", "P0002", "P000…
$ week       <dbl> 4, 8, 12, 4, 8, 12, 4, 8, 12, 4, 8, 12, 4, 8, 12, 4, 8, 12,…
$ bcva       <dbl> 69, 74, 71, 86, 78, 83, 80, 73, 78, 79, 85, 85, 83, 85, 92,…
$ cst        <dbl> 142, 110, 148, 368, 306, 286, 166, 143, 128, 187, 250, 219,…
$ irf        <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0,…
$ srf        <dbl> 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0,…

1.4.2 看一下兩臂人數對不對

baseline |>
  count(arm)

# A tibble: 2 × 2
  arm             n
  <chr>       <int>
1 aflibercept   664
2 faricimab     665

(對照 paper：faricimab 665、aflibercept 664)

1.4.3 每個 week 有多少筆？

followup |>
  count(week)

# A tibble: 3 × 2
   week     n
  <dbl> <int>
1     4  1329
2     8  1329
3    12  1329

每個 visit 應該都接近 1329 筆（會少一點點，因為有 missing）。

1.5 任務 5：long format vs wide format

📋 複製這段話，貼給 AI（🆕 開新對話）：

請用「給小學生聽得懂」的方式，告訴我什麼是 long format（長表格）跟 wide format（寬表格）。為什麼 longitudinal data（同一個病人測多次）通常存成 long format？

1.5.1 參考解釋

格式	一筆 row 是什麼	例子
wide	一個病人	`patient_id, bcva_w0, bcva_w4, bcva_w8, bcva_w12`
long	一個病人 × 一次測量	`patient_id, week, bcva`

MMRM 需要 long format——因為它把「同一隻眼睛被量很多次」當成 random effect 來建模，需要每次測量都是獨立一筆。

我們的 followup 已經是 long format。Part 3 馬上會用到。

本章重點

Posit.Cloud 是「在瀏覽器裡跑 RStudio」，零安裝
AI 是你的 R 助手，但你要看懂結果
data/faricimab_baseline.csv 是病人層級、data/faricimab_followup.csv 是回診層級
MMRM 吃 long format，等下會看到

# Part 1：認識 paper + 認識資料 ```{r} #| label: setup-part1 #| include: false source("_common.R") ``` 預計時間：30–40 分鐘。這一章你會：把工作環境弄好、用 AI 摘要 paper、用 R 讀進模擬資料。 ::: {.callout-note collapse="true" title="🚀 一鍵 Prompt：整章一次跑完"} 如果你已經在 RStudio / Posit.Cloud 開好了，可以直接複製下面這段給 AI，一次跑完本章： > 我手上有兩個 csv：`data/faricimab_baseline.csv`（一筆病人一列，欄位有 patient_id, arm, study, region, age, sex, bcva_baseline, cst_baseline, irf_baseline, srf_baseline, bcva_strat, lld_strat）和 `data/faricimab_followup.csv`（long format，每筆病人 × 回診一列，欄位有 patient_id, week, bcva, cst, irf, srf）。請給我一段 R code： > > 1. 用 `readr::read_csv()` 讀入這兩個檔案 > 2. 用 `dplyr::glimpse()` 印出欄位結構 > 3. 算出 baseline 中兩臂的人數（`arm` 是 `faricimab` vs `aflibercept`） > 4. 算出 followup 中每個 week (4/8/12) 的 row 數量 > > 請加上中文註解，每段都可以直接貼到 RStudio 跑。 ::: --- ## 任務 1：開好 Posit.Cloud 老師會在現場給你**一個 Posit.Cloud 連結**——那是「預烤好的 project」，套件都已經幫你裝好了。 📋 **拿到那個連結後**： 1. 打開瀏覽器、貼上連結 2. 用 Google 帳號登入 [Posit.Cloud](https://posit.cloud/)（免費） 3. 右上角點 **Save a Permanent Copy**（把這份 project 存成你自己的） 4. RStudio 會開起來，套件已裝好 5. 右下角 Files 視窗 → 雙擊 `part1.qmd` 整個過程 < 30 秒。 ::: {.callout-tip title="🎯 如果你拿不到那個預烤連結（fallback）"} **Plan B（自己 fork）**： 1. Posit.Cloud → **New Project** → **New Project from Git Repository** 2. 貼 `https://github.com/htlin222/roche-vabysmo-rwe-workshop` 3. RStudio 開起來，Console 跑 `source("START.R")`，等 5–10 分鐘 4. 之後跟 Plan A 一樣 **Plan C（完全沒 R 環境）**：直接讀 <https://htlin222.github.io/roche-vabysmo-rwe-workshop/>。你看不到自己改 csv 的效果，但內容都讀得到。可以跟旁邊的同學共用螢幕做 hands-on。 ::: ::: {.callout-tip title="🎯 其他常見坑"} - 「中文亂碼」→ Tools → Global Options → Code → Saving → Default text encoding 改 `UTF-8` - 「畫面卡住」→ 重整頁面，Posit.Cloud 偶爾會 idle disconnect - 「`Save a Permanent Copy` 是灰的按不下去」→ 你還沒登入，右上角點人頭 → Sign In ::: --- ::: {.callout-important title="🧠 對話管理：🆕 開新對話 vs ↩️ 續前對話"} 每個「📋 複製這段話，貼給 AI」都標了該 **開新對話** 還是 **接續上一個**——這是用免費版 AI 的關鍵習慣： - **🆕 開新對話**：開一個全新 chat。用在「概念問答」或「某個新主題的第一個 code 任務」。免費版 AI 的上下文（記憶）長度有限，把無關內容塞進同一個對話會讓它變慢、變鈍、甚至忘記前面的設定。概念問答問完可直接關掉；若這是一段 code 流程的起點，**請留著這個對話**給接下來的 ↩️ 續前對話用。 - **↩️ 續前對話**：在「剛剛那個對話」裡繼續問。用在「改剛剛那段 code」「把剛剛的表存檔」「沿用剛剛建好的 model / 變數」——AI 需要記得前面產出的內容才接得下去。小訣竅：每開一個新對話，第一句先貼 `glimpse(df)` 的輸出，AI 才不會幻想欄位名（見 Appendix C）。 ::: ## 任務 2：第一次安裝套件 📋 **複製這段話，貼給 AI**（🆕 開新對話）： > 我在 Posit.Cloud 上的 RStudio，請給我一段 R code 安裝這些套件：tidyverse, gtsummary, mmrm, emmeans, broom, broom.mixed, survival, survminer, gt, patchwork, ggsci。請用 pak 套件，repo 設成 Posit Public Package Manager 來加快下載。 ### 參考程式碼 ```{r} #| label: install-pkgs #| eval: false source("START.R") # START.R 是「一鍵入口」：它會幫你呼叫 setup/install.r 把套件全部裝好。 # # 進階 / 想直接呼叫安裝腳本： # source("setup/install.r") # # 或完全手動： # options(repos = c(CRAN = "https://packagemanager.posit.co/cran/latest")) # install.packages("pak") # pak::pak(c("tidyverse","gtsummary","mmrm","emmeans","broom","broom.mixed", # "survival","survminer","gt","patchwork","ggsci")) ``` 第一次跑大約 3–5 分鐘。之後不用再裝。 --- ## 任務 3：讓 AI 用 100 字摘要這篇 paper 📋 **複製這段話，貼給 AI**（🆕 開新對話）： > 下面是一篇 Ophthalmology 期刊的 abstract，請用繁體中文 100 字內告訴我：（1）它在比較哪兩個藥；（2）為什麼比較；（3）主要結論；（4）用了什麼統計方法。 > > 【貼上 abstract — 在 `refs/tenaya-lucerne-paper.pdf` 第 1 頁】 ::: {.callout-tip} 你會發現 AI 摘出來的「統計方法」一定會提到 **MMRM** 與 **CMH-weighted**——這就是今天 Part 3 / Part 4 要做的事。 ::: --- ## 任務 4：讀進模擬資料，看欄位我們已經幫你準備好兩個 csv（在 `data/` 資料夾下）。這份資料**不是真的病人資料**，是用 R 模擬出來的，但統計特性接近 TENAYA/LUCERNE paper。 📋 **複製這段話，貼給 AI**（🆕 開新對話）： > 請給我 R code，用 `readr::read_csv()` 讀入 `data/faricimab_baseline.csv` 和 `data/faricimab_followup.csv`，然後用 `dplyr::glimpse()` 看欄位。請加中文註解。 ### 參考程式碼 ```{r} #| label: load-data library(readr) library(dplyr) baseline <- read_csv("data/faricimab_baseline.csv", show_col_types = FALSE) followup <- read_csv("data/faricimab_followup.csv", show_col_types = FALSE) glimpse(baseline) ``` ```{r} #| label: glimpse-followup glimpse(followup) ``` ### 看一下兩臂人數對不對 ```{r} #| label: check-n baseline |> count(arm) ``` (對照 paper：faricimab 665、aflibercept 664) ### 每個 week 有多少筆？ ```{r} #| label: check-weeks followup |> count(week) ``` 每個 visit 應該都接近 1329 筆（會少一點點，因為有 missing）。 --- ## 任務 5：long format vs wide format 📋 **複製這段話，貼給 AI**（🆕 開新對話）： > 請用「給小學生聽得懂」的方式，告訴我什麼是 long format（長表格）跟 wide format（寬表格）。為什麼 longitudinal data（同一個病人測多次）通常存成 long format？ ### 參考解釋 | 格式 | 一筆 row 是什麼 | 例子 | |---|---|---| | **wide** | 一個病人 | `patient_id, bcva_w0, bcva_w4, bcva_w8, bcva_w12` | | **long** | 一個病人 × 一次測量 | `patient_id, week, bcva` | **MMRM 需要 long format**——因為它把「同一隻眼睛被量很多次」當成 random effect 來建模，需要每次測量都是獨立一筆。我們的 `followup` 已經是 long format。Part 3 馬上會用到。 --- ::: {.callout-note title="本章重點"} 1. Posit.Cloud 是「在瀏覽器裡跑 RStudio」，零安裝 2. AI 是你的 R 助手，但**你**要看懂結果 3. `data/faricimab_baseline.csv` 是病人層級、`data/faricimab_followup.csv` 是回診層級 4. MMRM 吃 long format，等下會看到 :::