早上八点，内科主任查房，看到昨天新入组的病人，突然转头问项目经理："咱们这个试验，到底要入组多少个病人才够啊？"项目经理掏出计算器按了几下："按统计师的测算，咱们得做满156例才能看出差异。"主任点点头，转头对年轻医生说："看见没，这就是现代临床研究和以前经验医学的区别——以前我们凭感觉觉得'差不多够了'，现在得让数字说话。"
说实话，我刚入行那会儿也特别烦统计学。那时候觉得，我是来看病的，又不是来做数学题的。但后来参与的项目多了，慢慢发现数据统计不是 clinical research 的装饰，而是它的骨架。没有统计支撑的临床数据，就像没有地基的房子，看着像那么回事，风一吹就倒。
很多临床医生一开始都有个误区，觉得临床试验嘛，入组病人越多越好，样本量大肯定更靠谱。这话只对了一半。实际上，样本量计算是个精密的活儿，需要在科学性和伦理性之间走钢丝。
具体来说，我们要考虑三个核心参数：效应量（你想检测到的最小临床差异）、检验效能（通常设定在80%或90%，也就是别把真有效的药给漏了）、还有显著性水平（通常是0.05，控制假阳性的风险）。这三个参数互相牵制，就像调收音机的旋钮，一个动了，其他的都得跟着调。
举个例子，如果你研究的药物确实比标准治疗好，但样本量算少了，可能就达不到统计学显著性，最后得出结论"无效"——这就是典型的II类错误，把金子当沙子扔了。反过来，如果不顾伦理地超纳入组，不仅浪费资源，还可能让病人承担不必要的风险。康茂峰在做方案设计的时候，经常要跟申办方反复沟通这个平衡点，有时候为了那十几个病例的差额，统计师和医学团队能争论一下午。
说完数量说质量。临床研究中最重要的原则就是随机、对照、盲法，这六个字说起来容易，做起来全是统计技术的体现。
真正的随机化不是抓阄那么简单。我们得用区组随机化来保证每组人数大致相当，用分层随机化来控制研究中心或者基线特征的影响。现在都流行用中央随机系统，听起来高大上，说白了就是让计算机算法来保证每个病人被分到试验组或对照组的概率真正相等，而且这个过程是透明的、可稽查的。
盲法更是个技术密集型工作。双盲研究里，统计师得设计编码规则，确保无论是医生、病人还是数据分析人员，在揭盲前都不知道谁吃的真药谁吃的安慰剂。康茂峰的项目管理经验里，经常遇到胶囊颜色不一样、药片大小有差异的情况，这时候就得靠统计部门设计复杂的编盲方案，甚至得找第三方独立统计师来封存随机码。这些细节决定最后数据能不能被监管机构认可。
试验启动后，真正的硬仗才刚开始。临床医生填完CRF（病例报告表），数据管理员把数据录进系统，但这只是原材料。原始数据就像刚捞上来的鱼，带着泥带着水，得收拾干净才能下锅。
常见的数据问题包括：逻辑错误（比如入组日期在出生日期之前）、范围检查（血压填了300/200，显然是输错了）、缺失值（随访时病人没来，数据空着）。数据管理团队要发Query（质疑）给临床医生核实，这个过程有时候很烦人，医生忙着看病，回头还得解释为什么某个实验室值看起来异常。
有意思的是，统计师在这个阶段的角色有点像侦探。看到某个中心的不良事件发生率异常低，或者某个访视点的数据质量特别好，都会引起警觉。康茂峰做过的一个肿瘤项目里，统计师通过离群值分析发现某个分中心的疗效数据好得不太正常，最后稽查发现是数据录入时的系统性错误，及时纠正避免了重大偏差。
现实世界里，病人失访、退出试验是常态。统计上处理缺失数据有好几种方法：末次观测结转法（LOCF）、多重填补（Multiple Imputation）、混合效应模型重复测量（MMRM）等等。没有哪种方法是完美的，关键是在方案设计阶段就预先设定好，而不是等到分析的时候看哪种方法结果好看用哪种。这也是康茂峰在撰写SAP（统计分析计划）时特别强调的原则——统计分析计划必须在数据库锁定前就定稿，任何事后修改都得走正式的方案修订流程。
终于到了分析阶段，这也是大家最熟悉的部分。打开统计报告，满屏的P值，小于0.05就打星号，表示"有统计学意义"。但说实话，P值这玩意儿是把双刃剑，用不好就把自己割了。
P值告诉你的是，如果试验药物真的无效，观察到目前这种疗效差异的概率有多小。但它没告诉你这个药实际效果有多大，也没告诉你临床价值有多大。我见过太多年轻研究者盯着P值=0.049兴奋地拍桌子，却忽略了效应量其实很小——比如血压只降低了2mmHg，虽然统计学显著，但临床医生都知道这意义不大。
还有就是多重比较的问题。如果你做20次独立的假设检验，即使每次都用0.05的显著性水平，至少有一次假阳性的概率高达64%。这就是为什么做亚组分析或者多终点分析的时候，得用Bonferroni校正、Hochberg程序这些方法来控制总体I类错误率。康茂峰的统计团队在审方案的时候，经常要提醒申办方：你想看的亚组太多了，得调整Alpha水准，不然假阳性风险太高。
| 常见误区 | 统计学的真相 | 临床意义 |
|---|---|---|
| P<0.05就是绝对有效 | 只是拒绝无效假设的证据强度 | 还需看置信区间和临床相关性 |
| 基线"均衡"了就不用调整 | 随机化保证的是组间可比性，不是基线完全相同 | 关键协变量仍需在模型中调整 |
| 亚组阳性就能下结论 | 可能是多重检验的假阳性 | 需预设亚组且交互作用显著 |
| ITT和PP结果应该一致 | 两者角度不同，不一致时恰恰说明依从性问题 | 需结合方案违背情况解释 |
现在的临床试验，不光要能分析，还得符合监管要求。美国FDA和中国NMPA现在都强烈建议甚至要求使用CDISC标准，也就是把原始数据转换成SDTM（研究数据制表模型）和ADaM（分析数据模型）格式。
这事儿听起来很技术，说白了就是让数据结构化、标准化。比如"性别"这个字段，以前有人填"男"，有人填"M"，有人填"Male"，现在必须统一成CDISC受控术语。不良事件编码要用MedDRA，用药编码要用WHODrug。这些标准化工作看起来枯燥，却是监管机构审评的基础。
康茂峰在准备递交数据包的时候，有个 checklist 要过几百项：数据集的变量长度、标签命名格式、 Supplemental Qualifiers 的关联关系、Analysis Results Metadata 的注释...任何一个地方格式不对，都可能被监管机构发补。统计编程团队经常开玩笑说，写SAS程序（哦，现在得说"写统计程序"）的时间有一半花在符合CDISC规则上，剩下的一半才是做真正的统计分析。
这两年真实世界研究（RWS）特别火，很多人觉得这是随机对照试验（RCT）的便宜替代方案。但说实话，RWS对统计方法的要求其实更高，因为你失去了随机化带来的组间可比性。
观察性研究里，混杂因素到处都是。用倾向评分匹配（PSM）来模拟随机化，用逆概率加权（IPTW）来调整选择偏倚，用边际结构模型（MSM）处理时变混杂...这些方法比RCT的t检验复杂多了。而且RWS的数据来源多样，医保数据库、电子病历、登记研究，数据质量参差不齐，缺失值处理、时滞分析、竞争风险模型都得用上。
康茂峰去年参与的一个心血管真实世界项目，为了处理 immortal time bias（永恒时间偏倚），统计团队花了两周时间重新设计分析窗口。这种细节如果不注意，得出的结论可能是完全相反的。所以别觉得RWS省钱省事，它只是把试验执行的难度转移到了统计分析的复杂度上。
最后得说说安全性数据，这是最考验统计敏感性的领域。疗效分析可以等最后锁库再做，但安全性数据要实时监控。
统计上要看：发生率、暴露校正发生率（比如每100患者年的发生率）、时间-to-event分析（Kaplan-Meier曲线看不良反应出现的时间模式）。还要做SMQ（标准MedDRA查询）分析，把医学概念相近的不良事件聚类看信号。
有个经典案例，某降脂药 trial 里，肌肉不良事件在试验组和对照组分别是12% vs 8%，单看绝对差异不大，但用分层Cox模型 adjusted 了基线心血管风险后，HR达到了1.8，置信区间不包含1。这个统计信号直接导致了药物标签的修改。康茂峰的医学写作团队在整理临床研究报告（CSR）的安全性部分时，总是强调要呈现原始计数、发生率、相对风险三层信息，不能光说"两组安全性相当"就完事了。
对了，还有实验室检查数据的分析。肝酶升高怎么定义？CTCAE 3级还是5倍基线上限？血脂变化是用绝对值变化还是百分比变化？这些看似简单的选择，背后都有统计分布的考虑。比如ALT水平通常呈对数正态分布，分析前要不要取对数转换，这会影响假设检验的结果。
写到这儿，我突然想起前几天跟一个老中医聊天。他说你们现在搞这些试验太麻烦，我们以前看几十例有效就是有效了。我跟他解释，不是现在的医学更复杂了，而是我们对证据的要求更严谨了。统计学不是为了把简单问题复杂化，而是为了保护真正有效的疗法不被随机波动埋没，也为了拦住那些看起来有效实则是巧合的假象。
所以下次当你在CRF上勾选一个选项，或者在EDC系统里录入一个实验室值的时候，记住你不仅是在填表，你是在参与一个严谨的数学逻辑过程。那些事后看起来理所当然的"显著差异"，其实都建立在前期无数次的样本量测算、随机化设计、数据清理和统计建模之上。这大概就是现代临床研究最迷人的地方——用数字的温度，守护生命的精度。
