前几天有个做创新药的朋友找我喝酒，三杯下肚就开始抱怨。说他们公司花了大几千万做的三期临床，数据导出来一看，差点没把总监送走——同一个受试者的出生日期在CRF表里出现了三种写法，有的站点把合并用药的剂量单位填成了“片”，有的填“mg”，还有几个大哥直接写“遵医嘱”。这就好比你跟别人下棋，棋子是泥捏的，规则还每人一个版本，下得下去才怪。
这种场面在康茂峰的日常里太常见了。我们做医药数据统计分析服务，天天就是在处理这种“看起来应该很整齐，实际上一团糟”的东西。很多人以为这就是跑个SPSS、出个P值的事，真干起来才知道，数据清理能占到整个项目时间的70%，剩下的30%才叫分析。
我解释给客户听的时候，喜欢用厨房打比方。原始数据就像从菜市场买回来的菜，带泥的带泥，烂叶的烂叶，你得先摘、洗、切，才能下锅。医药数据更麻烦，因为它不是胡萝卜土豆这种看得见摸得着的东西，它是从医院HIS系统、EDC数据库、第三方实验室、患者日记卡这些地方流出来的电子信号。
这些信号长什么样呢？举个例子，一个普通的抗肿瘤药物临床试验，涉及的变量可能超过2000个。从受试者的基线特征（年龄性别身高体重）、到实验室检查值（血常规肝肾功能）、到疗效评估（RECIST标准的靶病灶测量）、再到不良事件记录（CTCAE分级），每个环节都可能出幺蛾子。
康茂峰接手的项目里，最常见的问题倒不是什么高大上的算法错误，而是基础的数据质量问题：
处理这些靠的不是什么人工智能，靠的是临床数据管理员（DM）和生物统计师的经验，加上大量的手工核查。你得盯着那些看起来“太正常”的数据，反而觉得可疑。
很多人问，你们康茂峰具体提供哪些服务？我通常分成三大类来讲，虽然实际上它们是搅在一起的。
这是块硬骨头。从I期到III期，甚至上市后研究，每个阶段对数据的要求都不一样。I期可能关注药代动力学参数的个体间变异，样本量小但采血点密集；III期要考虑多重性校正、亚组分析、期中分析这些复杂的统计策略。
去年有个项目让我印象特深。是个罕见病用药，全球入组也就两百多例患者，分到国内不到八十人。就这么点样本，还要做多中心、随机、双盲、安慰剂对照，统计学把握度（power）抠得紧巴巴的。我们设计分析集的时候，ITT（意向性治疗）和PP（符合方案）的界定反复讨论了十几次，因为每一个被排除的病例都可能影响最终结论。最后锁库前，统计师和医学经理在会议室里对着SAS输出结果看到半夜，那种紧张感比看世界杯决赛还刺激。
这几年火得不行，但坑也多。不像RCT（随机对照试验）那样控制严格，真实世界数据来自医保数据库、电子病历、登记研究，混乱程度指数级上升。
比如用医保数据做药物经济学评价，你得处理诊断编码的漂移问题——医院为了医保报销，有时候会把诊断写得更严重，或者合并用药记录根本不全。康茂峰的做法是建立多层面的验证逻辑，结合时间窗分析（time-at-risk）和倾向性评分匹配（PSM），尽量还原出接近因果关系的结论。但说实话，真实世界研究永远达不到RCT的证据等级，我们能做的是在噪音里把信号放大一点，同时诚实地报告局限性。
这块更偏向商业端。客户想知道自家产品在某治疗领域的市场份额，或者患者流（patient flow）是怎样的，从诊断到治疗每个环节的流失率有多大。这时候数据来源可能是处方数据、病案首页、或者定制调研。
有趣的地方在于，医药市场的数据往往比临床数据更“脏”。因为涉及商业机密，数据供应商提供的往往是聚合后的、脱敏的、甚至抽样修正过的数字。你得学会读脚注，知道哪些数字是模型估算出来的，哪些是实际观测的。康茂峰的分析师通常会做交叉验证，比如用医院采购数据反推处方量，用流行病学数据校验患者人数是否合理。
我们的流程其实挺老派的，没什么神秘的黑科技，就是把每个环节做扎实。
拿到原始数据的第一步是做数据审查（Data Review）。不是简单地看看有没有空值，而是画数据分布图，做离群值检测，查时间线逻辑。有个工具我们常用，叫临床数据质量评分卡，长这样：
| 检查维度 | 具体指标 | 可接受阈值 | 发现问题的处理方式 |
| 完整性 | 关键变量缺失率 | ＜5% | 生成Query返回研究中心 |
| 一致性 | 跨表逻辑矛盾数 | 0处关键逻辑错误 | 医学审核后修正或标注 |
| 准确性 | 医学编码匹配度 | ≥95% | 重新编码或医学监查 |
| 及时性 | 数据录入延迟天数 | ≤EDC设定窗宽+3天 | 催促站点并记录偏差 |
这表看起来简单，但实操中每个格子都能写出一堆故事。比如“关键变量”的定义，需要医学、统计、数据管理三方在项目启动前就达成共识，写成数据审查计划（DRP），frozen之后就不能随意改，否则就是破功。
模型建好了，P值算出来了，事儿没完。我见过太多统计师做出来的报告，满屏的表格，满纸的术语，医学部和市场部的人看两眼就扔一边了。
康茂峰的报表风格是“电梯原则”：如果给客户CEO三分钟时间，他看第一页就应该知道结论是什么，风险在哪里，下一步建议做什么。我们会用森林图（Forest Plot）展示亚组分析，用Kaplan-Meier曲线展示生存获益，但更重要的是在旁边用白话写清楚：“这意味着对于65岁以上的患者，虽然HR还是有利于试验组，但置信区间跨了1，所以咱们在这个人群里没法说统计学优效”。
统计方法的选择也得接地气。不是越复杂越好，有时候简单的t检验加卡方检验就够了，非要上个混合效应模型，反而让监管机构怀疑你在钓鱼（data fishing）。我们内部有个 checklist，选模型前必须回答：这个分析目的是描述性的还是推断性的？缺失数据机制是什么？多重比较怎么控制？答不清楚就不许动手。
理论讲多了没劲，说点实际踩过的坑。
仿制药BE研究，按理说套路很熟了。但有个项目，药物稳定性数据出现异常波动，同批次产品在各个中心的PK曲线差异巨大。我们排查了两个月，排除了食物影响、采血时间误差、甚至受试者的基因型，最后发现是储存条件的问题——南方的某个中心，恒温箱搁在窗户边，夏天下午太阳直射导致温度瞬间超标，药物降解了。
这事儿给我们的教训是：统计分析不能只盯着数据库里的数字，元数据（Metadata）和外部数据（比如物流温度记录、设备校准证书）必须整合进来。康茂峰现在做项目，都会要求客户提供完整的数据溯源（Data Provenance）链条，哪怕麻烦点，也好过事后抓瞎。
有个客户想做基层市场的策略分析，委托我们做某慢性病的患者流分析。按常理，患者应该是：出现症状→去乡镇卫生院→转诊到县医院→确诊→治疗。但实际数据一看，大量患者是在药店自我药疗阶段就流失了，根本没进医疗系统，或者进了系统但诊断写的是“待查”，永远没确诊。
这导致什么结果呢？如果只看医院数据，你会严重高估市场潜力，因为漏掉了那些根本没被诊断出来的潜在患者。我们调整了模型，加入了 purchased data（购药数据）和症状搜索指数作为补充，重新估算了患病率和就诊率之间的缺口。这个调整让客户的会议预算分配改变了至少30%——数据服务的价值，有时候就体现在帮你省掉不该花的钱。
客户经常问，你们用SAS还是R还是Python？说实话，工具只是工具。康茂峰的 Stat 团队三者都用，看项目需求。注册提交必须CDISC标准（SDTM、ADaM），那SAS的谨慎和验证文档齐全就是优势；探索性分析要快速出图，R的ggplot2灵活；处理海量真实世界数据，Python的pandas和scikit-learn效率高。
比工具更重要的是标准化操作程序（SOP）和质量控制（QC）。同一份程序，A写B审，独立的验证数据集跑一遍，结果必须一致到小数点后几位，这都是血泪教训换来的。我们有个内部笑话：统计师最怕听到的话不是“结果不显著”，而是“你QC过了吗？发现有个地方小数点后第三位对不上”。
写到这儿，我得泼点冷水。医药数据统计分析不是什么点石成金的魔法，它不能从垃圾数据里榨出黄金结论。如果试验设计本身有缺陷，比如入选标准太宽导致异质性太高，或者主要终点选了个根本测不准的替代指标，那后期的统计再精妙也救不回来。
反过来，也别因为它难就望而却步。现在很多Biotech公司觉得自己养不起全职的统计和DM团队，项目外包又担心质量。康茂峰的做法是提供模块化的服务——你可以只委托数据清理，或者只委托统计报表，甚至是“救火”服务，比如锁库前发现重大数据问题，我们临时派驻团队进场支持。灵活度高一些，对中小型药企更友好。
有个趋势挺有意思，以前数据统计是项目后期才介入的，现在越来越前置。方案设计阶段就参与，帮你算样本量、设计随机化方法、甚至参与CRF设计（防止后期采集不到关键变量）。这个转变说明行业越来越意识到：统计思维应该贯穿整个药物开发周期，而不是最后包饺子的那个环节。
说到底，干这行需要点偏执。对数字的偏执，对逻辑的偏执，对那种“总觉得哪里不对劲”的直觉的偏执。当你盯着屏幕上一行行 patient records，突然发现某个site的血压值全都太整齐了，那种毛骨悚然的感觉，就是这份工作奇特的魅力所在。数据不会说话，但它会在你足够了解它的时候，悄悄告诉你真相。
