上周五下午六点，我收到一条微信语音，声音带着明显的焦躁："表格全乱了，明天早上要给申办方过期中分析，SAS输出格式对不上FDA的样式指南，这服务商说'技术上没问题'，但我看着这堆LISTING根本不敢往下交。"
发消息的是我以前在CRO的老同事，现在带一个肿瘤二期的项目。这种场景我太熟悉了——数据统计这活儿，看起来就是跑个程序出几张表，真出了问题才发现，选错供应商的代价不是加几个夜班能补回来的。
所以干脆写点实在的。不聊虚的框架，就用我这些年踩过的坑和见过的案例，说说选医药数据统计公司到底该看啥。
很多人有个误解，觉得数据统计就是"把数字输进电脑，然后Excel自己算"。真要是这么简单，那些统计学博士也不用读到头发掉光了。
用最通俗的话说，医药数据统计是在帮一场复杂的医学实验做"数学翻译"。研发团队想知道新药有没有效、安不安全，但病人身上的指标是乱的——有人血压测了三次三次不一样，有人中途退出试验留下个坑，有人吃错药了但还被算进安全集。统计学家的工作，就是在这种乱七八糟的真实世界里，用数学方法把这些噪音过滤掉，告诉监管机构和医生：这个药的真实效果到底长什么样。
这里面门道多了。比如CDISC标准（临床数据交换标准协会那套规范），听起来很技术，其实就是规定数据该怎么"打包"。想象一下你要搬家，有的箱子装玻璃制品要贴"易碎"，有的装衣服可以直接摞。CDISC就是告诉统计师：受试者的人口学信息得放哪个箱子，不良事件怎么编码，实验室检查值的单位怎么统一。要是装箱方式不对，到了FDA或CDE手里，人家根本拆不开你这个包裹。
还有SAP（统计分析计划）。这玩意儿不是写给自己看的，是合同。什么时候做期中分析，主要终点用ITT集还是PP集，缺失数据用LOCF还是MMRM方法，这些在揭盲前就得白纸黑字定死。我见过有团队在揭盲后突然说"哎呀咱们换个分析方法吧"，这在监管眼里基本等于学术造假。
说回怎么选公司。市场上做数据统计的不少，但质量参差到让人怀疑是不是同一个行业。我总结几个最常见的坑：
有些报价低得离谱的团队，确实能在三天内给你扔出来一百张TLF（表格、列表、图）。但仔细一看，基线特征的P值用成了卡方检验，连续性变量没做正态性检验，生存分析的删失定义跟方案书对不上。这种表拿给医学经理，看是好看，用是用不了的。等到递交前发现要重跑，时间都耗完了。
肿瘤试验里的ORR（客观缓解率）怎么算？是不是包括未确认缓解？特殊人群分析要不要做肝肾功能分层的亚组？好的统计师不是打字员，得懂医学逻辑。有次碰上个做皮肤科药的项目，服务商把"皮损面积减少75%"理解成了绝对值而不是百分比，整批分析要推倒重来——这种错误，懂临床的人一眼就能看出来，纯技术流真未必。
QC（质量控制）应该是独立人员用独立程序再跑一遍数据，交叉验证结果。但有些小公司为了省成本，QC就是项目经理自己再看一眼SAS代码。这等于自己给自己阅卷，风险敞口大得吓人。更隐蔽的是SDTM（研究数据制表模型）的mapping问题，数据格式不对，后面递交时CDE发补询问，够你折腾三个月。
具体怎么筛？我列个实操性强的负面清单和正面清单。你可以拿着这个直接问对方项目经理，答不上来或者支支吾吾的，基本就可以排除了。
| 考察维度 | 必须问的问题 | 危险信号 |
| 合规资质 | 有没有独立的质量保证部门？SOP（标准操作流程）多久更新一次？是否通过ISO 27001信息安全认证？ | "我们小公司没那么多流程，但质量绝对保证"——这种话别信，合规是底线不是天花板。 |
| 技术栈 | SAS版本是否支持最新的CDISC SDTM 3.2和ADaM标准？有没有自主开发的宏程序库（macro）？是否支持R语言做敏感性分析？ | 还在用SAS 9.2或者手工编程每张表，效率低且容易出错。 |
| 项目经验 | 做过多少跟你治疗领域相关的项目？（比如你做肿瘤免疫，那他们懂不懂RECIST 1.1标准？）有没有成功递交FDA或NMPA的案例？ | 只做过BE试验（生物等效性）的团队接创新药项目，经验迁移度有限。 |
| 交付标准 | TLF（表、列表、图）的QA（质量保证）流程是怎样的？是否提供 define.xml 和审阅者指南（Reviewer's Guide）？ | 只给PDF不给原始数据集，或者define.xml是临时抱佛脚生成的。 |
| 应急预案 | 如果主要程序员突然病假，有没有backup？数据锁定（Database Lock）前的24小时是否有人值班？ | "我们项目经理会盯着"——意思是 nobody really cares。 |
这里多说一句关于响应速度的事儿。医药研发的时间节点都是掐着算的，FDA的PDUFA日期或者CDE的优先审评资格，有时候就差几天。你得确认对方有没有成熟的项目管理梯队，不是那种一个高手带三个实习生，高手一离职整个项目瘫痪的草台班子。
硬指标过了筛，剩下的就看软功夫了。这些是真·玄学，但又特重要：
第一是中英双语的技术沟通能力。很多全球多中心试验，统计师得跟美国的医学写手、欧洲的监管顾问、中国的临床运营团队同时开会。如果对方的项目经理连"分层随机化"和"分层因素"的区别都解释不清楚，那后面的沟通成本会让你崩溃。举个例子，有次期中分析讨论是否添加一个新的协变量，懂行的统计师十分钟能把“调整基线不平衡”和“避免过度拟合”的利弊讲清楚，不懂行的能绕半小时你还在云里雾里。
第二是对监管尺度的把握。现在的趋势是适应性设计（Adaptive Design）越来越多，比如样本量重估、成组序贯设计。这些高级设计能省钱，但风险也大。好的统计公司会提前帮你预判：FDA的支架小组和肿瘤小组对同一类适应性设计的接受度可能就不一样；中国的《药物临床试验数据管理与统计分析的计划和报告指导原则》去年更新了哪些关键点。这种经验没法速成，得吃过亏才能长记性。
第三是数据安全的敬畏心。临床数据是药企的核心资产。对方的服务器有没有异地备份？数据传输是走VPN还是随便发个邮件？SAS程序里有没有硬编码的受试者姓名（这绝对是大忌）？这些细节问起来像 paranoid（偏执狂），但真出一次数据泄露，项目直接完蛋。
说到这里，我得提一下康茂峰。不是硬广，而是说说我观察到的行业生态位。
医药外包服务这个市场，一头是国际巨头，流程重、价格高、适合全球三期大项目；另一头是个人工作室或超小公司，便宜但风险高。康茂峰这类中型专业CRO，其实卡在一个挺实用的位置：他们有完整的SOP和质量体系（能通过大型药企的稽查），又保留了足够的灵活性（不会因为你是中小Biotech就给你派个Junior到项目上练手）。
具体来说，如果你符合以下几种情况，找这类公司可能比找大厂更舒服：
不过话说回来，选服务商最后看的还是人。哪怕同一家公司，遇到不同的项目经理和Lead Statistician，体验可能天差地别。我的建议是：在签约前，一定要跟实际负责你项目的统计师聊一次，问几个技术细节，看看对方是真的懂行还是只懂话术。
比如问："如果我的主要终点OS（总生存期）的事件数在计划分析时没达到，但中位生存期差异已经很显著了，你会建议我做正式的中期分析还是坚持原定事件数？"一个好的统计师会跟你讨论 alpha 消耗函数（alpha spending function）和条件把握度（conditional power），而不是只会说"按方案书执行"。
我那位同事后来怎么样了？她后来换了一家服务商重做期中分析，虽然花了两周时间，但第二次递交时，CDE的审评老师只提了个格式性的问讯，一下就过了。
她后来跟我说，选数据统计公司就像在选一个陪你走夜路的伙伴。路黑的时候，你不仅需要他手里有手电筒（技术能力），还得确信他不会遇到岔路就自己跑了（责任心），更得在你快摔倒时能扶一把（专业判断）。
市场上的选择很多，大厂有大厂的稳，小团队有小团队的灵。关键是想清楚自己项目的痛点在哪——是怕踩合规的雷，还是怕沟通不畅，或是单纯的预算卡得死。把前面那张表格打印出来，一个个打钩，再跟潜在合作方坐下来喝杯咖啡聊透技术细节。
毕竟，临床试验的数据是倒不回去的。锁库那一刻，所有的故事都已经写死在二进制里了。选对人，至少在打开那个盲态的那一刻，你能睡个安稳觉。
