总结系列
Python
一文解析临床研究的基本套路
-04·30-
宜分享
在临床研究中，我们常常可以看到三表一图的相关性研究。
临床研究有三大基本要素：
①因素；②对象；③指标
根据三大基本要素，可将临床研究分为：
①影响因素研究；②预测研究；③干预/疗效研究；④诊断学研究；
其中，诊断学研究是按照金标准诊断结果进行分组，比如，根据肺部CT诊断结果将两组患者分为社区获得性肺炎组和非肺炎组。
然后，比较拟研究的诊断方法与金标准的诊断结果，通过一系列诊断学指标（敏感性、特异性等）来评价拟研究的诊断方法的效能。
在上一篇的《一文搞清临床预测模型》中，已对该类型的研究进行了详细阐述。可参看：总结系列
一文理清临床预测模型
而，干预/疗效类研究则略有不同，此类研究在确定研究对象后，进行随机/非随机分组，然后观察记录干预组以及对照组的各项检测指标，通过统计学分析，对比两组间的差异，最后分析干预措施的影响。
呐，今天先从干预/疗效类研究入手，为大家带来这样一套：
《临床研究的基本套路》
赞赏本文，即可解锁资源哦~
干预/疗效类研究套路的概述
BriefIntroduction
一般来说，各种类型的干预/疗效类研究根据其设计类型不同，其统计分析思路与方法也会有所不同。
但，总体而言，干预/疗效类研究具有一定的范式特点。多数干预/疗效类研究项目的统计分析思路基本上可归纳为三步：
（1）描述基线信息；
（2）估计效应大小；
（3）补充敏感性分析；
下面，我们将对这三个步骤进行逐步讲解。
1-描述基线信息
BriefIntroduction
干预/疗效类研究论文的结果部分首先需呈现的是研究人群的基本信息。
基线（baseline）的概念：
基线是研究人群在前瞻性研究中最开始时的健康状况，是研究对象在接受试验组或对照组干预措施前的“0”时刻。药物的安全性和有效性可从基线数据的变化中评估，基线数据组间分布的差异或对结果评估造成偏倚。
通常所谓的“基线”，实则相对“随访”而言，专用于前瞻性研究设计，不过其它研究设计类型也可用“基线“泛指研究人群的基本情况。
基线信息回答如下几个部分：
多少人参与筛选？
经过入选排除标准筛选后，多少人纳入研究？
经过数据清理后，多少人纳入统计分析？
研究人群基线特征信息如何？
纳入统计分析的人群与排除的人群特征差异如何?
基线信息需包括两方面内容：
（1）研究人群的入选排除过程；
先用入选标准粗略圈定分析人群，再用排除标准修正分析人群；
（2）研究人群基线特征的描述与比较；
基线特征常包括社会人口学特征、临床特征、实验室检查指标及疾病史和用药史等；
基线信息的展示形式：
（1）图1-研究流程图
提供从最初筛选到最终纳入统计分析各阶段人数，用于展示研究人群的入选排除情况。
不同研究设计类型在具体的入排流程上有所不同。
A）临床试验：
从筛选、随机化、随访、方案遵循情况等阶段进行例数统计；
B）抽样调查研究：
从各阶段的抽样人数、应答情况等方面进行描述；
C）基于已有登记注册库的研究：
从研究的亚人群、变量的缺失情况等方面筛选；
D）Meta分析：
是对检索的文献进行剔除；
（2）表1-基线信息表
研究人群基线特征的描述与比较常用基线表格展示，即文中的“表1”。
基线信息表需包括如下信息：
分组变量、描述变量和统计量、P值
A）分组变量：
依据研究情形的不同，有不同形式：
干预性研究→按实验组和对照组分组；
观察性研究→按不同的暴露因素分组；
观察性研究→按暴露因素的不同水平分组；
回顾性研究→分“病例”和“对照”组；
B）描述变量和统计量：
基线特征的描述与比较，需依据描述变量的不同特性+组别数选择相应的描述形式和检验方法。
不同特性：连续变量、分类变量，正态、非正态；
组别数：两组、三组及以上；
以上两者的不同组合构成了不同的检验方法。
a）连续变量：
描述：“均数±标准差”或“中位数（四分位数间距）”
检验：两组时采用t检验或Wilcoxon秩和检验；
三组时采用方差分析或Kruskal-Wallis检验；
b）分类变量：
描述：“频数（百分比）”
检验：卡方检验评估组间均衡性
C）P值：
传统的假设检验采用P值评估协变量的组间均衡性，但P值评价组间差异，有两个缺陷：
a）P值只给出定性结论，无法给量化差异大小；
b）大样本时，P值过于敏感，假阳性过高；
因此大样本的随机对照临床试验直接看描述性统计量（均数和百分比），并不报告组间比较的P值。
大样本的观察性研究则常采用标化的组间差值或Hodges-Lehmann估计数评估两组间均数或中位数的差异，具体计算方法如下：
基线信息表的分析工具：
R语言提供多个包可以用于生成基线信息表：
arsenal、qwraps2、amisc、table1、tangram、furniture、tableone、
