当一个临床研究得到阴性结果时，研究者典型的第一反应是：什么出错了？治疗是否真的无效？是否还有一线希望？接下来该怎么做? 

新英格兰医学杂志发表的一篇文章，列举了试验的主要结局为阴性时，应该考虑的问题[1]。

今天我们来讨论第10个问题：“改变分析方法有帮助吗？”。

要知道，选择什么样的数据统计方法对于临床试验来说非常重要，古人言“行百里者半九十”，数据统计分析和结果解释就是那最后的“十”。不论你在试验设计、过程执行等方面如何标准、如何严格，如果选择了不恰当的数据统计方法，那么很可能得到阴性结果甚至完全相反的结果。

所以，如果你的临床试验数据分析结果为阴性，也不妨反思下自己的统计方法是否合适，或者尝试做出改变。下面，我们将结合临床试验实例给大家介绍几种临床试验中常用的数据分析方法，或许能给你一些提示~

一、协变量校正

协变量是指受试者在开始临床试验之前被测定或观察到，预期会对所分析的因变量产生影响的定性或定量变量，如年龄、体重、疾病特征或研究中心等。协变量校正就是在数据统计时应用数学模型评估协变量的变化对研究结果的影响，是统计学中必不可少的一个重要环节。将与主要结局密切相关的基线变量作为协变量进行校正分析可提高统计效力。

下面我们用强化降胆固醇水平预防脑卒中（SPARCL）试验为例来具体说明。

SPARCL试验[2]是比较阿托伐他汀与安慰剂治疗卒中或短暂性脑缺血发作（TIA）患者疗效的大型二级预防临床试验。试验将4731例前1-6月内患有脑卒中或TIA的患者随机双盲分别给予阿托伐他汀或安慰剂治疗，随访中位年限为5年。主要结局为首次发生致死或非致死性卒中。

研究者分别使用未校正和协变量校正两种方法对该数据进行统计分析。未校正的分析结果显示，相比安慰剂组，阿托伐他汀组的主要结局呈改善趋势（11.2% vs. 13.1%），绝对危险减少2.2%（P = 0.05）；使用地理区域、入组疾病特征及其持续时间、年龄和性别等基线因素作为协变量进行校正分析后显示，相比安慰剂组，阿托伐他汀组的主要结局发生风险比为0.84（95% CI, 0.71-0.99；P = 0.03）（图1）。