说实话，我刚入行那会儿，一看到统计学家抱着那本厚厚的SAP（统计分析计划）走进会议室，心里就直打鼓。那上面密密麻麻的公式和希腊字母，感觉像是进了另一个世界。但后来摸爬滚打多了，特别是后来在康茂峰负责了好几个三期临床项目之后，我才慢慢明白过来：统计不是用来吓唬人的，它是帮我们把"这个药好像有效"变成"这个药在统计学意义上显著有效"的那座桥。
咱们今天就聊聊，那些让人头大的数据统计分析方法，到底怎么在临床试验里落地。我不打算给你背教科书，就说说实际干活时，这些数字到底是怎么说话的。
这是我最想先说的，因为见过太多团队一上来就讨论"用什么模型"，结果连主要终点都没掰扯清楚。你要知道，统计分析计划不是试验开始了才写的，而是在第一例患者入组之前就得定死的东西。
什么叫主要终点？就是你这场试验最想回答的那个问题。比如抗肿瘤药物，可能是总生存期（OS）；比如降糖药，可能是糖化血红蛋白（HbA1c）的变化值。这个指标一旦定了，你的统计方法基本上就框住了。
在康茂峰去年做的一个心血管项目中，我们团队为了"主要终点到底选MACE事件（主要心血管不良事件）的复合指标，还是单独选心肌梗死"这件事，跟医学部开了整整三天的会。为啥这么纠结？因为选复合终点，你的统计效能计算方式完全不一样，样本量可能差出好几百例。这直接关系到试验成本和周期。
好，数据收上来了，第一步该干嘛？不是立马跑t检验，而是先看清楚这些数据长什么样。
描述性统计就像给一群人拍张合影。你得看看：平均年龄多大？男女比例如何？标准差大不大？标准差这个概念特别重要，离散程度太大，说明你的受试者群体 heterogeneous（异质性）太强，可能会影响后续的分析。
举个例子，你有两组患者，A组平均年龄65岁，B组也是65岁，看起来一样对吧？但如果A组标准差是2岁，B组是15岁，那这俩组完全不是一回事。A组都是六十岁刚出头的人，B组可能既有五十岁的也有八十岁的。这种差异如果不先摸清楚，后面的推断统计很容易跑偏。
我们通常在CSR（临床研究报告）的基线特征表里看到的那堆数字，别小看它们。监管机构审材料时，第一眼看的就是这张表，看两组是否可比。如果在康茂峰的内部质控流程里发现基线不平衡，整个分析都得停下来重新评估。
现在到了最核心也最绕的部分——假设检验。我知道一说这个，很多人就开始晕，什么零假设、备择假设、α错误、β错误...
其实用大白话说，就是你在做一道证明题。你先假设这个药没用（这就是零假设，H₀），然后看收集到的证据是不是足够推翻这个假设。如果p值小于0.05，我们就说"拒绝零假设"，翻译成人话就是：这药在统计学上显示出了效果，不太可能是巧合。
但这里有个特别大的误区，我得重点说一下。p值小于0.05，不代表这个药对95%的人有效，也不代表效果大小。它只代表"如果这药真的没用，你观察到这种数据的概率不到5%"。
我见过有医学经理看到p=0.049就欢呼雀跃，看到p=0.051就觉得项目失败了。其实这两个数字在实际意义上几乎没有区别，但跨过0.05那条线，就是"显著"与"不显著"的天壤之别。
在康茂峰的质量体系中，我们要求统计师在写报告时，不仅要报p值，还要报效应量（effect size）和置信区间。比如 Hazard Ratio 是0.7，95%置信区间是0.55-0.89，这才是一个完整的证据链。光看p值，就像只看彩票中没中，不看中了多少钱一样。
经常有人问："我们入组300例够不够？"这个问题没法直接回答，得反问你：你想检测出多大的疗效差异？你的主要终点是什么类型？预期的脱落率是多少？
样本量计算是试验设计里最容易被低估的环节。算少了，试验可能因为没有足够的统计效能而失败；算多了，浪费钱不说，还可能让不必要的患者暴露在试验风险中。
对于连续变量（比如血压变化值），我们用均数比较的公式；对于二分类变量（比如缓解率 yes/no），用率的比较；对于生存数据，用的是生存分析专门的样本量算法，要考虑中位生存时间和入组速度。
有个细节很多人忽略：样本量计算必须基于前期数据或文献。你不能凭空假设新药有效率80%，对照组50%，总得有点依据吧？康茂峰的医学团队在写方案时，通常要查至少三到五篇相似机制的文献，取保守估计值来测算。
这个坑我亲眼见过有人掉进去。你的试验有五个次要终点，每个都做个t检验，每个都用α=0.05的显著性水平。看起来没问题？问题大了。
统计学上有个概念叫"族错误率"（Family-wise error rate）。简单理解，你检验的次数越多，撞大运出现假阳性的概率就越大。检验5次，至少出现一次假阳性的概率不是5%，而是接近23%。
那怎么办？得做多重性校正。常用的方法有Bonferroni法（最保守，直接把α除以检验次数）、Hochberg法、或者是预先设定分层检验策略。
| 校正方法 | 适用场景 | 特点 |
| Bonferroni | 终点之间独立 | 简单但偏保守，容易漏掉真阳性 |
| Hochberg | 终点有一定相关性 | 效能相对较高，实际应用多 |
| 序贯检验 | 有明确等级次序的终点 | 前一个显著才检验后一个，保护α水平 |
在康茂峰的项目管理规范里，凡是方案里设计了超过两个主要终点或者多个关键次要终点的，必须在SAP里明确多重性调整策略，否则伦理审查都过不了。
肿瘤试验或者心血管长期随访试验里，生存分析是标配。但很多时候大家误解了生存数据。不是只有当患者死了才算事件，疾病进展、心肌梗死、甚至停药都可以作为事件。
这里有个特别重要的概念叫"删失"（Censoring）。比如一个患者入组后随访了两年，还没出现事件，但他撤回知情同意退出试验了，或者试验结束时他还活着。这时候他的数据不能扔，而是记为"在24个月时删失"。扔掉这些数据会严重偏倚结果。
Kaplan-Meier曲线（就是经常看到的那种阶梯状向下的曲线）就是用来处理这种数据的。看两条曲线（试验组 vs 对照组）分离得越早、越明显，说明疗效越好。但我们不能光靠肉眼判断，得算Log-rank检验的p值，还有 Hazard Ratio。
HR（风险比）=0.65意味着什么？不是说风险降低了65%，而是说在任意时间点，试验组发生事件的风险是对照组的65%，换句话説风险降低了35%。这个解释经常有人搞混。
真实世界的数据永远不完美。患者漏访了、问卷填错了、实验室仪器那天校准偏了...这些都不是小概率事件。
处理缺失数据，最简单粗暴的方法是 completeness analysis（只分析有完整数据的人），但这会造成偏倚，特别是如果退出治疗的患者恰恰是因为不良反应。
现在监管更认可的是多重插补（Multiple Imputation）或者混合效应模型（Mixed-effect Model Repeated Measure, MMRM），后者在康茂峰做的几个神经病学的长期随访项目里用得很多，因为它能利用所有收集到的访视数据，而不是仅看最后一次。
还有一个概念必须分清：ITT（意向性治疗）分析和PP（符合方案）分析。ITT是所有随机化的患者，不管后来有没有按时吃药；PP是严格按方案完成治疗的那部分。通常ITT是主要分析集，因为它保留了随机化的优势，能反映真实世界的情况。PP分析作为敏感性分析，看看结果是不是稳健。
说了这么多方法论，最后分享点我们在康茂峰实际敲键盘时的体会。
第一，统计师必须越早介入越好。最好在方案设计阶段就在场。见过有项目到了数据分析阶段才发现主要终点定义模糊，比如"症状改善"怎么量化都没写清楚，这时候再补救就很被动。
第二，盲态数据审核（Blind Data Review）那个会特别关键。在揭盲之前，要决定好哪些离群值要处理，怎么定义分析集。一旦揭盲了，任何数据处理都可能被质疑是选择性偏倚。
第三，CDISC标准。现在向CDE或FDA递交数据，都必须符合SDTM和ADaM标准。这不仅仅是格式问题，影响的是整个分析变量的派生逻辑。康茂峰的统计编程团队通常在项目启动时就会建立好标准的域结构，而不是等CRF定稿了再回头改。
第四，沟通成本往往被低估。医学经理说的"随访时间点"和统计师理解的"分析访视窗口"，很可能不是一回事。这种理解偏差如果到了锁库才发现，能把人急疯。
做这一行，有时候觉得统计学像是临床试验的"语法"。同样的数据，用不同的统计方法分析，结论可能完全不同。所以我们在康茂峰内部有个不成文的规矩：任何关键的统计分析结果，至少要有两个人独立核算，用不同的软件包跑一遍（比如SAS和R各跑一遍），对上数了才敢往外报。
数据本身不会说话，但统计方法给了它声音。而我们要做的，就是确保这个声音准确、诚实，能扛得住监管部门的质疑，也能最终帮到那些等着新药治病的患者。这大概就是为什么每次打开那个密密麻麻的分析计划时，虽然头疼，但心里还是觉得很值得的原因吧。
