医学论文统计分析怎么做：从研究问题到表1、P值和置信区间

统计页曝光高但点击低：首屏必须直接回答“我哪里会被审稿人追问”

该页持续有曝光但 CTR 偏低，说明标题摘要需要更像一张投稿前自查表。用户进入后，应马上看到统计方法、结果表达和可复现记录三类风险，而不是泛泛讲“统计很重要”。

• 方法风险：研究设计、样本量、变量类型和模型选择是否对应。
• 结果风险：是否只写 P 值，而缺少效应量、置信区间和临床意义。
• 复现风险：缺失值、多重比较、亚组分析、敏感性分析和软件版本是否有记录。

相关入口：easystats 工具页、jamovi 工具页、论文结构写作。

先判断研究问题，再谈统计方法

医学论文统计分析最常见的问题，不是不会跑软件，而是还没想清楚研究问题就开始点 SPSS、R 或 Python。统计方法应该服务于问题：你是想描述人群特征，比较两组差异，评估暴露与结局关联，预测风险，还是验证诊断模型？问题不同，变量类型、模型、表格和解释方式都不同。

一个简单判断是：如果你还说不清主要结局、主要暴露、协变量和分析人群，就不要急着做 P 值。先把研究问题写成一句话：在什么人群中，哪个暴露或干预，与哪个结局，在多长时间内，存在怎样的关联或差异。

第一步：把变量分成 4 类

统计分析从变量分类开始。变量类型决定了描述方式、检验方法和模型选择。

• 连续变量：年龄、BMI、血压、实验室指标。通常用均值±标准差或中位数（四分位数）描述。
• 分类变量：性别、分期、治疗组、是否发生事件。通常用频数和百分比描述。
• 有序变量：疾病分级、评分等级、Likert 量表。不能简单当作普通连续变量处理。
• 时间到事件变量：总生存期、无进展生存期、复发时间。通常涉及 Kaplan-Meier 曲线和 Cox 回归。

把变量整理成 data dictionary 比直接分析更重要：变量名、定义、单位、取值范围、缺失含义、测量时间点、是否为主要分析变量，都要写清楚。

第二步：表1不是“先比较一下”，而是描述研究对象

医学论文里的 Table 1 常常被误用成“显著性狩猎场”。表1的核心任务是让读者理解研究对象是谁、基线特征是否均衡、样本是否符合研究问题。是否放 P 值取决于研究设计和期刊要求，但不要把表1里每个 P 值都当作主要发现。

表1建议包含：人口学特征、疾病严重程度、关键合并症、重要治疗史、与结局相关的基线指标、随访时间或数据来源。对连续变量，先看分布：近似正态可用均值±标准差，偏态分布更适合中位数（IQR）。

如果是观察性研究，表1还应该帮助读者判断混杂风险。比如两组年龄、疾病严重程度、合并症明显不同，后面的模型就必须解释如何调整。

第三步：组间比较要按变量类型选方法

常见组间比较可以先用这个粗略框架：

• 连续变量，两组：近似正态可考虑 t 检验，偏态或样本很小可考虑非参数检验。
• 连续变量，多组：方差分析或非参数方法，必要时做多重比较校正。
• 分类变量：卡方检验或 Fisher 精确检验。
• 时间到事件：Kaplan-Meier 曲线、log-rank 检验，进一步用 Cox 模型调整协变量。

但这只是入门框架，不是机械规则。医学数据经常有重复测量、聚类、非独立样本、倾向评分、竞争风险和缺失值。只要数据结构超出简单两组比较，就应该在统计方案里提前说明，而不是事后补救。

第四步：回归模型回答的是“调整后关联”

回归不是为了让 P 值变好看，而是为了在控制关键混杂因素后，估计暴露或干预与结局之间的关联。常见选择包括：

• 线性回归：连续结局，如血压变化、评分变化。
• Logistic 回归：二分类结局，如是否发生并发症、是否缓解。
• Cox 回归：时间到事件结局，如死亡、复发、进展。
• Poisson / 负二项回归：计数结局，如住院次数、事件发生次数。
• 混合效应模型：重复测量、多中心、医生或医院层级数据。

协变量选择要基于临床知识、研究设计和预先方案，而不是只把单因素 P<0.05 的变量塞进模型。单因素筛选很容易漏掉临床上重要的混杂因素。

第五步：P 值不是结论，效应量和置信区间才更接近答案

P 值只能告诉你在某些假设下观察到当前或更极端数据的概率，并不能告诉你效果大不大、临床上重不重要、研究是否可靠。医学论文更应该报告效应量和置信区间：均值差、风险比、优势比、风险差、HR、相关系数等。

例如 OR=1.20，95% CI 1.02-1.41 和 OR=3.80，95% CI 1.10-13.00 都可能 P<0.05，但解释完全不同。前者效应较小但估计更稳定，后者效应看似很大但不确定性很高。读者真正需要的是“方向、大小、不确定性和临床意义”。

第六步：缺失值不要偷偷删掉

医学数据几乎一定有缺失值。最差的做法是默认完整案例分析，却不报告缺失比例和处理策略。缺失值处理至少要回答三个问题：哪些变量缺失、缺失多少、缺失是否可能与结局或暴露有关。

• 少量随机缺失：完整案例分析可能可以接受，但仍要报告。
• 关键变量缺失较多：需要解释原因，考虑多重插补或敏感性分析。
• 结局缺失：尤其要谨慎，可能直接影响研究结论。

不要把缺失值简单填 0，除非 0 在临床含义上真的代表“没有”。很多实验室指标缺失不是 0，而是未测量。

第七步：多重比较和亚组分析要克制

如果你比较了很多指标、很多亚组、很多时间点，总会有一些 P 值看起来显著。问题是这些显著结果可能只是偶然。亚组分析应该有临床或机制理由，并且提前定义。探索性亚组可以写，但要诚实标记为探索性发现。

对医学论文来说，最危险的写法是：主分析不显著，就在大量亚组里寻找显著结果，再把它写成核心结论。审稿人通常能看出来，而且这会严重伤害可信度。

第八步：统计结果要和研究设计一起解释

同样一个 HR 或 OR，在随机对照试验、前瞻性队列、回顾性队列、病例对照和横断面研究里的解释不同。观察性研究即使调整了很多协变量，也不能轻易写成因果结论。横断面研究尤其要避免把相关写成“导致”。

结果部分尽量克制：报告主要发现、效应量、置信区间、模型调整因素和敏感性分析。讨论部分再解释临床意义、可能机制、与既往研究的关系和局限。

投稿前统计检查清单

1. 是否明确主要结局和主要分析？
2. 是否说明样本量来源或效能考虑？
3. 表1是否清楚描述研究对象，而不是堆满无意义 P 值？
4. 每种变量是否用了合适的描述统计？
5. 模型选择是否匹配结局类型？
6. 协变量选择是否有临床和方法学理由？
7. 是否报告效应量和 95% 置信区间？
8. 缺失值比例和处理方式是否透明？
9. 亚组分析和敏感性分析是否提前定义或明确标注探索性？
10. 结论是否避免把相关性写成因果性？

AI 能帮统计分析做什么，不能做什么？

AI 可以帮你检查统计方案是否遗漏变量类型、提示模型选择思路、解释统计结果、生成 R/Python 代码草稿、润色方法学表述。但 AI 不能替你承担研究设计责任，也不能在不理解数据来源、变量定义、缺失机制和临床背景的情况下决定最终模型。

比较稳的做法是让 AI 做“第二双眼睛”：把研究问题、变量字典、结局类型和初步方案给它，让它指出潜在问题；然后由研究者和统计人员决定最终分析。正式论文中，所有结果都必须能由代码、数据和统计方案复现。

延伸阅读和站内入口

如果你的问题还停留在“怎么把论文结构写清楚”，可以看 学术论文结构写作方法；如果你正在做综述，可以看 文献综述证据地图写作法。报告规范可以从 EQUATOR Network 查找不同研究设计对应的指南，医学期刊写作可参考 ICMJE manuscript preparation recommendations。