期中分析（Interim analyses）是对正在进行中的研究收集的数据进行统计评估的过程。这些分析可为干预措施的有效性和安全性提供早期证据，促进研究者对是否继续试验或修改研究设计做出明智的决定，以优化试验结果。如合理使用，期中分析可提供潜在的好处，例如节省资源和时间，加速治疗进展，也能保护患者免受无效或不安全的干预措施。

期中分析可分为不同的类型：预先计划（在初始研究设计和方案中已有具体的分析方案）vs. 非计划（在研究开始后才添加）；比较性（涉及假设检验）vs.非比较性（通常涉及描述性分析）。

比较性期中分析的一个主要挑战是在重复测量时会增加犯Ⅰ类错误的风险。因此，一般应避免非计划的比较性期中分析，特别是在研究设计和样本量固定的情况下。Ⅰ类错误指的是错误地拒绝零假设（H0），并得出干预有效的结论。因此，当对相同的假设进行重复测量时，对干预措施的有效性和安全性做出错误结论的风险就会增加。

为降低这种风险，应按照严格的统计原则进行期中分析，并预先设定好试验终止原则和决策的具体标准。成组序贯研究设计（Group sequential studies）包含一系列预先计划的比较性期中分析，在这种设计中，试验终止原则通常是基于有效或无效（研究不太可能显示有效性）的充分证据，做出终止试验的决定。

为解决重复假设检验导致Ⅰ类错误风险增加，需调整期中分析的显著性水平。确定总体Ⅰ类错误概率如何分布的过程称为“α消耗（α-spending）”。基于不同的α消耗，存在多种方法来确定合适的终止边界，例如O’Brien–Fleming法[1]，需要具有说服力的早期结果；或者Pocock法[2]，允许是不那么令人信服的早期证据，因此提前终止的概率更高。相比没有期中分析的试验，计划进行期中分析的试验通常需要更大的样本量。

非比较性期中分析指在分析中不使用受试者的治疗分组来评估已积累的试验数据。在临床研究中，当研究设计中的某些参数不够明确时，通常会做计划的非比较性期中分析。通过期中数据，研究者可根据研究方案预先规定的方法来调整样本量，以确保最终分析的预期功效（power）。在某些情况下（如基于非比较性期中结果进行的样本量重估计），期中分析对Ⅰ类错误概率的影响很小甚至没有。这使得非比较性期中分析在许多设计中成为有吸引力的选择。