本文整理自《JAMA Surgery》期刊推出的“统计和方法学指南（Guide to Statistics and Methods）”系列的一篇文章，原文题目为“Practical Guide to Statistical Considerations in Clinical Trials in Surgery”[1]，介绍了在外科临床试验中统计学相关注意事项。

原文链接：https://jamanetwork.com/journals/jamasurgery/article-abstract/2797685

关键点总结

• 从研究项目一开始，就让统计专家参与到研究的各个阶段。
• 根据文献综述、专家建议，预先确定最小临床重要性差值（MCID）。
• 根据研究问题提出一个可检验的假设。
• 计算样本量，同时考虑到研究设计在执行时可能出现的瑕疵。
• 根据相关报告规范，预先确定研究设计方案和统计分析计划。 

研究注册

统计分析依赖于概率，会出现偶然性结果。研究行为不端会增加偶然结果出现的概率，不公开报告或选择性报告试验结果，可能会进一步削弱结果的可信度[1]。因此，临床研究要遵循已有的报告规范，预先制定好研究方案和统计分析计划，并进行试验注册，以便研究方案能得到同行评审[2,3]。遵循这些步骤能保证研究的透明度、可重复性和可信度，确保统计得到了正确使用。

提出研究假设，确定MCID

统计分析计划的基础是研究假设。为了从临床相关问题中提出一个可检验的假设，从而能得出有意义的结论，重要的是预先定好相关结局的最小差异，这将为临床实践中选择一种治疗方法（而非另一种）提供依据，也为样本量计算提供了信息。

在进行统计检验时，任何小于这个预定的最小差异，都可能是偶然结果。然而，预设差异过小可能导致样本量过大而无法实现，也会使众多参与者暴露于不必要的随机化和潜在的欠佳治疗中。反之，预设差异过大会导致样本量过小，可能会忽略临床有意义的差异。这是一种微妙的平衡，预设差异过大/过小都可能导致资源浪费。

为避免这一情况发生，应彻底查阅文献，以确定具有治疗效果的最佳可用估计值，也可以咨询患者和领域专家。在极少数情况下，已经尽可能去查了，但仍然没有相关文献，在确定最小差异时只能靠经验，研究者们可就该差异达成一个共识，制定假设，计算样本量。

样本量

样本量是回答研究问题所需的最小受试者数量，也是伦理层面允许暴露于试验疗法的最大受试者数量。此外，样本量计算还应考虑错误风险（即α和β值）。

由于临床实践的复杂性，计算样本量时也应预先考虑到入组失败、参与者退出和失访的情况。如果对某些参与者亚组也感兴趣，样本量应该足够大[4]。虽然有许多软件帮助计算样本量，但还是建议让具有经验的统计学家参与。

随机化

即使在完全随机的情况下，组间不平衡也可能发生，特别是在样本量较小的情况下。分层随机化方案有助于避免一些重要指标的组间不平衡。即便如此，基线变量仍会偶然出现不平衡，此时，该差异的重要性应结合其大小和指标的价值来考虑。

在随机对照试验中，对基线差异进行统计学检验是多余的。两个组的人群来源相同，具有相同的人群分布，随机化产生的差异可归因于偶然。对于重要的基线差异，可以通过统计分析中预先指定的调整来予以处理。

统计分析