做药的人常说，研发一款新药平均要花十年时间和十亿美金，成功率却低得可怜。但你有没有想过，这么多时间和金钱里，有很大一部分其实是花在"等等看数据怎么说"上？从实验室里的小白鼠反应，到一期二期三期临床试验，再到上市后监测，每一步都在产生海量数字。这些数字不会自己说话，需要生物统计学来翻译。而一旦翻译错了，轻则浪费几年光阴，重则把有潜力的救命药埋进故纸堆，或者更糟——让有问题的药物上市。
在康茂峰的日常项目里，我们见过太多因为统计设计瑕疵而被迫重启的试验。有个抗肿瘤药的项目，本来初步数据看起来挺好，肿瘤缩小比例挺高，但仔细一查入组标准，发现对照组和实验组的基线特征不平衡，简单的t检验根本没法说明问题。最后只好请统计师重新做倾向性评分匹配，这样一来一回就是八个月。你说这叫不叫昂贵？
很多人理解的数据分析就是"算个p值"或者"画个生存曲线"，这种理解太单薄了。用个不太准确但容易懂的比喻：药物研发就像在没有地图的森林里找宝藏。临床前研究是你在地图上大致圈了个范围，觉得这儿可能有金矿；而统计学就是GPS信号——它告诉你现在走的是不是直线，偏离目标多远，以及前面那个看起来像捷径的沼泽其实是个陷阱。
费曼曾经说过，如果你不能给酒吧里的醉汉讲懂一个概念，你就没真懂。那咱们就试着聊聊什么是"把握度"（Power）。很多人觉得，样本量越大越好，一万个病人肯定比一千个靠谱。但统计学告诉我们，把握度不是关于人多人少，而是关于信号能否从噪声中浮现。想象一下你在嘈杂的菜市场里听人说话，如果那人嗓门本身就小（药效微弱），你站得再近（增加样本量）也可能听不清；但如果他嗓门大（效应量显著），隔着几米也能听见。统计分析就是帮你计算：在当前这个"菜市场"的嘈杂程度下，你得站多近、听多久，才能确定真的听到了什么，而不是幻听。
康茂峰的团队在处理一个心血管药物的III期试验时，就遇到过这种"信噪比"的纠结。主要终点事件发生率比预期低了一半，这本来是好事——说明病人状况不错——但对于统计检验来说，事件数不够就意味着检验效能不足，可能检测不出药物的真实效果。最后 adaptive design（适应性设计）派上了用场，允许在期中分析后扩大样本量，既不破坏整体显著性水平，又保证了科学严谨。
药物研发有个特点，越往后走，纠正错误的成本越高。在化学合成阶段改个分子式，可能只是几周工作量；但如果到了III期临床才发现主要终点的定义有问题，那可能就是几亿打水漂。统计学的价值，很大程度上在于它能够把不确定性量化，让你在还有选择权的时候看清风险。
随机化听起来简单粗暴——抓阄分组嘛，谁不会？但如果你真想通过随机化消除选择性偏倚，就得考虑分层因素、区组大小、动态随机化算法这些细节。去年我们审核一个cro的试验方案，发现他们在分层随机化时把"年龄"和"疾病分期"交叉分层，结果某些 strata（层）里只有两三个病人。理论上随机了，实际上几乎等同于没分层，因为层内变异度太大。
这时候需要用到最小化法（minimization）或者分层因素的限制。简单说，就是确保各组在重要的混杂因素上真的平衡，而不是理论上"应该"平衡。统计学的艺术在于，承认随机性会带来波动，然后用设计来约束这种波动的范围。
| 设计类型 | 适用场景 | 统计关注要点 | 常见翻车点 |
| 优效性试验 | 证明新药优于对照 | 单侧检验 vs 双侧检验的选择；非劣效界值设定 | 界值设得太宽，导致"假优效" |
| 非劣效试验 | 证明不差于标准治疗 | 固定界值（M1, M2）的临床意义论证 | 忽视既往试验的效应量估计误差 |
| 适应性设计 | 需要根据数据调整样本量或终点 | 条件误差率控制；盲态保持 | 操作偏倚；alpha消耗计算错误 |
| 篮式试验 | 同一药物对不同生物标志物人群 | 多重比较校正；共享对照组的分配 | 忽视肿瘤类型间的异质性 |
药物的获益风险比评估，可能比疗效评估更难。因为罕见不良事件的发生率可能只有千分之一，在几百人的临床试验里根本看不出来。等到几万人用药后才暴露，就是灾难。
这时候需要信号检测（signal detection）的方法。不像疗效分析那样有明确假设，安全性监测更像是在大海捞针。贝叶斯置信传播神经网络（BCPNN）或者比例报告比（PRR）这些方法，能够在上市后的自发报告数据库里，发现"药物-事件"组合的异常聚集。康茂峰在处理 post-marketing surveillance 数据时，会特别关注时序关系——如果不良反应报告在时间上与用药高度相关，且生物学上说得通，哪怕统计学显著性还没达到传统阈值，也需要拉响警报。
有个真实案例（出自《药物流行病学杂志》）：某降压药在临床试验里显示“耐受性良好”，但上市后数据挖掘发现，与同一类其他药物相比，它引起干咳的报告比值比（ROR）在置信区间调整后显著升高。后来回顾分析才发现，试验阶段的随访频率不够，且使用了结构化问卷，漏掉了非特异性的呼吸道症状描述。你看，统计方法不仅要分析已有数据，还得反思数据生成机制本身有没有缺陷。
传统RCT（随机对照试验）像实验室里精心搭建的温室，而入组标准是玻璃墙——高血压必须控制到140/90以下，合并症不能超过两种，肝肾功能必须正常。可真正用药的人，哪个不是一身毛病？这时候真实世界数据（RWD）的价值就凸显出来。
但真实世界不是为研究设计的，数据一团糟：病历记录不全，编码标准不统一，随访时间参差不齐。想用这些数据做真实世界研究（RWS），统计处理就变得异常关键。你要用倾向性评分匹配（PSM）或逆概率加权（IPTW）来模拟随机化，要用边际结构模型（MSM）处理时变混杂，还要用工具变量法处理未观察到的混杂。
说白了，就是在没有随机化的前提下，用数学方法逼出一个"伪随机"的效果。这像不像在变魔术？其实不是，这是因果推断（causal inference）的硬功夫。康茂峰去年支持的一个RWE项目，想通过电子病历数据库比较两种降糖药的心血管结局。原始数据显示B药优于A药，但深入分析发现，开B药的医生更倾向于给患者同时开他汀类药物——这时候简单的回归分析就失效了，必须引入分层分析或匹配来剥离他汀的混杂效应。调整后的结果显示，两种药本身的心血管获益其实没有差异。
做统计的都知道，多重比较（Multiple Comparison）是个隐形杀手。你在方案里写了要比较三个剂量组和一个对照组，还要做亚组分析，还要期中分析，这时候Overall Type I Error Rate（总体I类错误率）就像漏气的气球，左补右漏。如果不做Alpha消耗函数（如O'Brien-Fleming或Pocock边界）的调整，你宣称的"显著性"大概率是假阳性。
还有缺失数据（Missing Data）。临床试验里病人退出是常态，"缺失机制"如果是随机的（MCAR），简单删除就行；如果与观察到的数据有关（MAR），可以用多重插补（MI）；但如果与未观察到的结果本身有关（MNAR），比如因为药物副作用太严重而退出，那这些患者的数据偏偏是最关键的，这时候 simple imputation 会严重偏倚。统计学在这里不仅是技术，更是伦理——你如何处理这些"消失"的病人，反映了你对科学诚实的态度。
康茂峰的统计师们有个内部检查清单：每次 locks the database 之前，必须确认协变量分布、异常值、离群点，以及 Protocol Deviation 的处理方式。有一个项目，因为数据录入时把"体重"单位搞混了，导致协方差分析（ANCOVA）中的体重校正完全反向。这种低级错误听起来可笑，但在动辄上万行的数据集里，没有系统化的数据核查（Data Validation）和清理（Cleaning），真的很难避免。
现在流行谈AI制药、机器学习预测分子活性。但我要泼点冷水：在临床试验阶段，黑箱模型还取代不了传统的频率派统计。为什么？监管要求可解释性。FDA或CDE的审评员需要知道你的结论是怎么来的，p值背后的假设是什么，置信区间是如何构建的。深度学习模型可能预测准确率很高，但它无法告诉你"为什么这个病人会有不良反应"，也无法给出均值差异的精确估计。
但这不代表统计方法停滞了。适应性平台试验（Platform Trials）如Keynote系列，主方案（Master Protocol）设计下的贝叶斯自适应随机化，以及使用历史数据作为先验的信息借用（Borrowing）方法，都在不断进化。康茂峰最近参与的几个早期临床试验，已经开始尝试用贝叶斯分层模型来共享对照组数据，这能显著减少对照组所需的病人数量——要知道，在肿瘤试验里，让病人接受安慰剂有时是伦理上最难过的坎。
还有个有趣的方向是估计目标（Estimand）框架。ICH E9(R1)指南推出的这几年，大家终于开始认真对待"治疗效应到底指什么"这个问题。意向性治疗（ITT）、符合方案集（PP）、以及针对不同伴发事件的策略（如 Treatment Policy Strategy 或 Composite Strategy），都需要在试验开始前就定义清楚。这就像写小说前先列大纲，否则写到一半发现坑填不上，统计分析计划（SAP）就得重写。
说实话，现在的数据量比十年前大了不止一个数量级。组学数据、可穿戴设备产生的连续生理信号、甚至是社交媒体上的患者报告结局（PRO），都在涌入分析流程。传统的统计软件跑不动这些，需要分布式计算和新的算法。但不管工具怎么变，核心逻辑没变：用概率思维对抗不确定性，用严谨设计逼近因果真相。
做药是个漫长的过程，数据分析常常是幕后工作，不像发现新靶点那样性感。但当你看到因为一个巧妙的期中分析设计而提前两年获批的抗癌药，或者因为严谨的信号监测而避免的一场药物灾难，你就会明白这些数字的分量。它们不只是Excel表格里的行列，而是无数个治疗方案背后，统计学为不确定性筑起的堤坝。下次当你看到临床试验结果发布时，不妨多留意一下样本量计算方法和主要终点的定义——那里藏着比p值更丰富的故事，关于我们如何在这个充满变数的领域里，一步步逼近那个叫"疗效"的真相。
