有时候我会站在医院走廊里观察，看着医生们匆忙的脚步，突然想到一个问题：我们手里那些五颜六色的药片，那些看起来很高精尖的医疗器械，背后到底经历了什么才敢用在病人身上？答案当然很复杂，但其中一个环节特别容易被忽视——数字的整理与解读。医学研究不是算命，不能靠感觉说"这个药好像挺有效"，这时候就需要统计学出场了。而且说实话，现代意义上的医学统计早就不是算算平均值那么简单，它是一门关于如何在不确定性中寻找真相的艺术。
咱们先聊个基础问题。假设你有个新药想证明比旧药好，找了100个病人来试，结果50个用了新药好转，45个用了旧药好转。这时候你能拍胸脯说新药更好吗？恐怕不敢。差异太小了，可能是偶然，也可能是这100个人本身就有差异。
这就是医学研究最头疼的地方——个体差异太大。同样的病，不同年龄、性别、基础疾病的人反应完全不一样；同一个病人，早上和晚上的指标都可能波动。如果没有统计学帮忙控制这些混杂因素，我们做出的判断很可能就是瞎猜。
在康茂峰的日常工作里，我们经常遇到研究者拿着初步数据来说"看起来效果不错"，但当我们把年龄分层、合并用药、基线病情严重程度这些因素放进去重新分析后，画面往往就不一样了。有时候原本显着的差异变得不显着，有时候原本没注意到的亚组反而出现了真实的获益。这不是在挑刺，而是对病人负责。
很多人以为做研究就是"多多益善"，病人越多越好。但现实中，每个病人的招募都是成本，时间、金钱、伦理审批，哪样不要资源？统计学能在研究开始前就告诉你：最少需要多少人才能得出可靠的结论。
这个计算涉及到效应量（你希望检测到的最小临床意义差异）、检验效能（通常设为80%或90%）、显着性水平（通常是0.05），还有预期的脱落率。康茂峰的统计师们在设计阶段就会拿着计算器跟研究者反复沟通：你想要看到这个药能把死亡率从20%降到15%？那你可能需要5000人；如果只降到18%，也许800人就够了。这种前期的精确计算能避免两种悲剧——研究做完了才发现人数不够，或者花了冤枉钱招募了过多的受试者。
如果你以为统计师就是等数据收完了跑个软件分析，那可就太小看这个角色了。一个真正专业的数据统计服务，从研究构思的那一刻起就应该在场。
随机化方案怎么定？简单随机、区组随机、分层随机，每种方法适合什么场景？盲法怎么实施，如果药物剂型实在无法做到双盲，有没有补救的统计方法？主要终点和次要终点如何设定， multiplicity adjustment（多重性校正）怎么做才能避免假阳性？
这些问题在康茂峰的团队里都是家常便饭。我们见过太多研究因为设计阶段没想清楚，最后分析的时候左右为难。比如有个研究设了五个主要终点，结果每个都"显着"，但校正之后全都不显着，这就是典型的多重比较问题。好的统计服务会在开题时就拦住这种坑。
研究进行中，数据监控是门技术活。DSMB（数据安全监察委员会）需要的期中分析报告，不良事件的信号检测，中心效应的监测，这些都需要统计师实时参与。康茂峰在处理肿瘤项目时，经常会做landmark analysis（里程碑分析），看看六个月生存率有没有达到预期，如果实际数据偏离假设太多，可能还需要重新估算样本量。
这时候统计师像个质检员，但不是冷冰冰地挑错，而是帮研究团队理解：现在看到的情况是真实的信号，还是只是随机波动？
数据锁库之后，真正的考验来了。用t检验还是Wilcoxon检验？协方差分析（ANCOVA）要不要做？缺失数据是用LOCF（末次观测值结转）还是多重插补？ITT（意向性治疗分析）和PP（符合方案集分析）结果不一致时怎么解释？
这里头讲究可多了。比如基线不平衡的时候，简单比较两组均值可能会被混淆因素带偏，得用分层分析或者回归模型来调整。再比如生存数据，如果只看中位生存时间，可能会丢失早期死亡风险的信息，这时候 Kaplan-Meier 曲线比单纯数字更有说服力。
| 分析场景 | 常用方法 | 注意事项 |
| 两组连续变量比较 | t检验/Mann-Whitney U | 先看正态性， outliers 太多要用非参数 |
| 多组比较 | ANOVA/Kruskal-Wallis | 必须做post-hoc校正，不能两两t检验 |
| 生存分析 | Log-rank/Cox回归 | 检查比例风险假设 |
| 重复测量 | 混合效应模型/GEE | 考虑相关性结构选择 |
| 亚组分析 | 分层分析/交互作用检验 | 必须预设，探索性分析要标注 |
康茂峰的统计报告从来不会只给p值，效应量和置信区间才是重点。p<0.05只能说明结果不太可能是偶然，但临床意义有多大？95%置信区间给的是估计的精确度。如果一个新药说能把血压降低10mmHg，但95%CI是[2, 18]，那意思就是说真实效果可能在2到18之间摇摆，这时候临床医生就得掂量掂量了。
做医学统计这些年，有几个坑是反复踩、反复教育的。
病人失访了，数据漏填了，仪器故障读数异常了，怎么办？直接删掉这些记录是最省事的做法，但也是最危险的。如果退出的病人都是有严重不良反应的，你删掉他们，安全性评估就失真了；如果某组脱落率特别高，疗效评估就会有偏倚。
康茂峰在处理这类问题时，会先做敏感性分析：假设缺失的情况对试验药有利和不利，分别是什么结果？如果两种极端假设下结论不变，那你的结果就比较稳健；如果结论翻转了，那这个数字就得谨慎解读。有时候一个缺失数据处理不当，能让整个研究的结论翻转。
"这个药在女性中有效，在男性中无效"——这种 headline 吸引眼球，但统计上可能完全是胡扯。如果做了20个亚组分析，按照0.05的显着性水平，平均就会出现1个假阳性。更糟糕的是，亚组样本量往往不够，检验效能低，得出"无差异"的结论也可能是假阴性。
正确的做法是事先定义好关键亚组，或者用交互作用检验看治疗效应是否在不同亚组间真的不同。康茂峰给客户的建议通常是：亚组分析可以看，但别把它当成主要证据，除非有强烈的生物学理由支持。
有效性数据追求精确，安全性数据却得"宁滥勿缺"。一个罕见的不良反应可能发生率只有0.5%，但如果这个反应是致命的，统计学上再"不显着"也得报告。这时候描述性统计比假设检验更重要——我们看到了几例，发生在什么时间点， reversibility 如何，和其他药物的关联性怎样。
信号检测算法如 Bayesian confidence propagation neural network (BCPNN) 或者 PRR (Proportional Reporting Ratio) 这些工具，在康茂峰的药物警戒统计服务里经常用，帮客户从海量不良反应报告中捞出真正需要关注的信号。
说到底，数据统计服务在医学研究里扮演的不是"数字魔术师"的角色。我们不能把没差异的数据硬分析出差异来（虽然技术上可以做很多手脚），真正的价值在于在混沌中建立秩序，在噪声中提取信号。
康茂峰的统计团队有个习惯，每次开项目启动会都会问研究者："如果这个研究结果跟你预期相反，你能接受吗？你觉得什么结果会让你改变临床实践？" 这个问题很重要，因为它把统计师和医生拉到了同一个认知层面——我们都在寻找真相，而不是在寻找支持预设观点的证据。
我们也特别注意统计报告的"可读性"。不是把SPSS输出直接贴上去，而是解释：这些数字对病人意味着什么。一个HR（风险比）0.7是什么意思？就是说用药组的事件风险降低了30%，但 absolute risk reduction 是多少？需要治数（NNT）是多少？这些临床转化的语言，是统计服务应该提供的附加值。
有时候跟年轻研究者聊天，他们觉得统计学是束缚，是"阻碍科学探索的繁琐程序"。但恰恰相反，好的统计设计是让你更有底气去探索。当你知道你的样本量足够、方法学严谨、偏倚控制得当，你提出一个新观点时，别人没法轻易质疑你是"偶然发现"或者"选择性报告"。
在这个数据爆炸的时代，医学研究产生的数据量越来越大，从基因组学到真实世界证据（RWE），从可穿戴设备到电子病历挖掘，统计学的边界也在不断拓展。康茂峰在这些新兴领域投入的精力，本质上还是在解决那个老问题：怎么确保我们看到的模式是真实的，而不是数据海洋里的偶然波浪。
夜幕降临，办公室里的电脑屏幕还亮着，统计师在核对明天的分析报告。那些跳动的数字背后，是几千个病人的生命轨迹，是某种疾病被攻克的可能性。把这套复杂的系统梳理清楚，让研究者能专注于医学本质的问题，大概就是我们做这行最大的成就感来源。
