场景案例 · 2026-06-24

临床试验数据分析全流程 — AI 一句话完成 RCT 基线均衡/组间比较/ITT/生存分析/CONSORT

随机对照试验（RCT）统计全攻略：AI 一句话完成基线均衡性检验、t/ANOVA/卡方组间比较、协变量调整 ANCOVA、意向性分析 ITT、KM 生存曲线/Cox 回归、亚组分析，自动输出符合 CONSORT 规范的论文报告。

随机对照试验（RCT）是循证医学的金标准，但它的数据分析从来就不简单：基线均衡要不要检验？ITT 集和 PP 集怎么区分？协变量调整用什么方法？生存分析如何加入？亚组交互检验往往被忽略……这篇文章带你走完 RCT 分析的全部关键步骤，并展示如何用 AI 一句话搞定每一步。

为什么 RCT 的统计分析比普通研究更复杂

随机对照试验拥有最高级别的证据等级，但这背后是更严格的分析规范：

设计复杂：随机化、分层、盲法、多中心——每个设计特征都对应特定的统计处理
分析集多：意向性分析（ITT）、符合方案集分析（PP）、安全性集（SS）需分别报告
终点类型多：连续结局（均值差）、二分类结局（率差/OR/RR）、时间到事件结局（HR/KM 曲线）同时存在
缺失数据处理：临床试验缺失不可忽视，多重插补（MI）或混合效应模型是标准方法
报告规范严格：CONSORT 2010 核对清单要求 25 个条目，缺项直接被编辑退稿

ChatSRS 把这些专业分析压缩到对话层级，60 秒完成 RCT 全流程。

RCT 分析的 6 个核心步骤

步骤 1：基线均衡性检验（Table 1）

步骤 2：主要终点组间比较

步骤 3：协变量调整（ANCOVA）

步骤 4：意向性分析（ITT）与符合方案集分析（PP）

步骤 5：生存分析（KM 曲线 + Cox 回归）

步骤 6：亚组分析与交互检验

案例数据：新型降压药 RCT（2 臂 Phase III）

假设你正在分析一项 III 期随机对照试验：

trial_arm      分配组别（0 = 安慰剂，1 = 新药）
age            年龄（连续）
sex            性别（0 = 女，1 = 男）
bmi            BMI（连续）
baseline_sbp   基线收缩压（mmHg，连续）
baseline_dbp   基线舒张压（mmHg，连续）
comorbidity    基线合并症（0 = 无，1 = 有）
sbp_wk12       第 12 周收缩压（主要终点）
sbp_wk24       第 24 周收缩压
event          心血管事件（0 = 无，1 = 有）
time_to_event  随访时间（周）
site           研究中心（A/B/C/D）
completed      是否完成方案（0 = 脱落/失访，1 = 完成）

共 380 名高血压患者，按 1:1 随机分配，主要终点为第 12 周收缩压变化量（从基线至第 12 周）。

步骤 1：基线均衡性检验（Table 1）

为什么要检验基线均衡性

随机化的目的是让两组在基线特征上尽量均衡，但"尽量"不等于"一定"。基线均衡性检验是 CONSORT 要求的第一张表格，用于：

报告两组基线特征的描述统计
通过统计检验或标准化差值（SMD）评估均衡程度
识别可能影响结果解读的潜在混杂

注意：对随机化后的基线均衡性做 p 值检验，在方法学上有争议（CONSORT 2010 不推荐）。SMD（标准化均值差）|SMD| < 0.10 是更广泛使用的均衡标准，不受样本量影响。两种方法 ChatSRS 均支持。

在 chatsrs.com 上传数据，输入：

"按 trial_arm 分组，生成 RCT 基线均衡性 Table 1：

连续变量（age、bmi、baseline_sbp、baseline_dbp）报告均数 ± 标准差，t 检验或 Wilcoxon；正态性先用 Shapiro-Wilk 检验

分类变量（sex、comorbidity、site）报告频率（%），卡方检验或 Fisher 精确检验

同时计算每个变量的标准化均值差（SMD），|SMD| < 0.10 为均衡

输出 CONSORT 风格三线表，注明检验方法"

输出：基线特征 Table 1

表 1  研究对象基线特征（N = 380）

变量                     新药组（n=190）          安慰剂组（n=190）       统计量           p        SMD
年龄（岁）               58.3 +/- 9.1             57.8 +/- 9.4            t = 0.52         .602     0.054
性别（男，%）             52.6%                    50.5%                   chi^2 = 0.17     .680     0.042
BMI（kg/m^2）           26.4 +/- 3.2             26.8 +/- 3.5            t = -1.15        .250     0.119
基线收缩压（mmHg）       152.4 +/- 14.8           153.1 +/- 15.2          t = -0.45        .651     0.046
基线舒张压（mmHg）       92.6 +/- 9.3             93.0 +/- 9.7            t = -0.40        .690     0.041
合并症（有，%）          38.4%                    40.0%                   chi^2 = 0.10     .754     0.032
研究中心（A/B/C/D）      47/49/47/47              48/48/46/48             chi^2 = 0.08     .994     —

注：连续变量以均数 +/- 标准差报告；正态性 Shapiro-Wilk 检验 p > .10（均满足）；分类变量以频率（%）报告。
   SMD = 标准化均值差，|SMD| < 0.10 提示良好均衡，|SMD| < 0.20 可接受。
   BMI 的 SMD = 0.119，略超 0.10 临界值，需在敏感性分析中纳入协变量调整。

解读要点：所有 p 值均 > .05，7 项基线特征中 6 项 SMD < 0.10，BMI SMD = 0.119 稍高，随机化整体成功。

步骤 2：主要终点组间比较

主要终点分析：第 12 周收缩压变化量

主要终点是从基线到第 12 周收缩压的变化量（sbp_wk12 - baseline_sbp），即 delta_sbp_12。

在 chatsrs.com 输入：

"计算每位患者的 delta_sbp_12（= sbp_wk12 - baseline_sbp），对 ITT 集（所有随机化患者）做：

两组描述统计（均数 ± SD，95% CI）

独立样本 t 检验（检验方差齐性，不齐则 Welch）

效应量 Cohen's d

APA 医学格式完整报告句式"

输出：主要终点 Table 2

表 2  主要终点：第 12 周收缩压变化量（ITT 集，N = 380）

                         新药组（n=190）    安慰剂组（n=190）    均值差（95% CI）          t           p         Cohen's d
delta_sbp_12（mmHg）    -18.4 +/- 11.2    -8.7 +/- 10.6        -9.7（-12.0, -7.4）      -8.22      <.001 ***   0.89

Levene 方差齐性：F(1,378) = 1.24，p = .266（方差齐，使用标准 t 检验）

结论：新药组收缩压变化量（-18.4 mmHg）显著大于安慰剂组（-8.7 mmHg），
     两组均值差为 -9.7 mmHg，95% CI [-12.0, -7.4]，Cohen's d = 0.89（大效应）。

步骤 3：协变量调整（ANCOVA）

CONSORT 推荐：若随机化时用了分层因素，或基线存在不均衡变量，主要分析应使用 ANCOVA（协方差分析），以基线值和预设协变量作为协变量，提高检验效能。

在 chatsrs.com 输入：

"以 delta_sbp_12 为因变量，trial_arm 为处理因素，以 baseline_sbp、age、sex、bmi 为协变量，做 ANCOVA。输出：

ANCOVA 方差分析表（各效应 F 值、df、p、偏 eta 平方）

校正后处理组均值（Estimated Marginal Means，EMM）+ 95% CI

组间 EMM 差值 + 95% CI + 效应量（偏 eta 平方）

同质性假设检验（Levene 检验）+ 回归斜率同质性检验"

输出：ANCOVA Table 3

表 3  主要终点协变量调整分析（ANCOVA，ITT 集）

效应              SS            df    MS            F          p          偏 eta^2
处理因素          8421.4        1     8421.4        84.72     <.001 ***   0.186
基线收缩压        12846.3       1     12846.3       129.24    <.001 ***   0.255
年龄              312.8         1     312.8         3.15      .077        0.008
性别              88.4          1     88.4          0.89      .346        0.002
BMI               428.6         1     428.6         4.31      .039 *      0.011
误差              37218.1       374   99.5          —         —           —

校正后处理组均值（EMM）：
  新药组：-18.2 mmHg（95% CI: -19.6, -16.8）
  安慰剂组：-8.9 mmHg（95% CI: -10.3, -7.5）
  组间差值（新药 - 安慰剂）：-9.3 mmHg（95% CI: -11.1, -7.5），p < .001***，偏 eta^2 = .186

Levene 检验：F(1, 378) = 1.18，p = .279（同质性满足）
回归斜率同质性检验：F(1, 373) = 0.84，p = .360（交互不显著，ANCOVA 前提成立）

解读：控制基线 SBP、年龄、性别、BMI 后，新药组较安慰剂组多降低 9.3 mmHg（p < .001），偏 eta^2 = .186（大效应）。

步骤 4：意向性分析（ITT）vs 符合方案集分析（PP）

ITT 与 PP 的区别

分析集	定义	用途
ITT（Intention-to-Treat）	所有随机化患者，无论是否完成治疗	主要分析，保守估计（有利于安全性）
mITT（Modified ITT）	接受至少 1 次治疗的随机化患者	常见折中方案
PP（Per-Protocol）	符合方案完成整个治疗的患者	敏感性分析，估计依从下的效应
SS（Safety Set）	接受至少 1 次治疗的患者	安全性分析

CONSORT 要求同时报告 ITT 和 PP 分析，若结论一致则增加可信度；若不一致需讨论原因。

在 chatsrs.com 输入：

"比较 ITT 集和 PP 集（completed = 1）的主要终点分析结果：

先报告各分析集的样本量（脱落率、脱落原因摘要）

分别做 ANCOVA（协变量同步骤 3），输出 EMM 差值 + 95% CI + p

两个分析集结果并排汇总表

对缺失数据做多重插补（MI，m=20）敏感性分析，报告插补后主要结果"

输出：ITT vs PP 汇总 Table 4

表 4  ITT 集与 PP 集主要终点对比

                        ITT 集（N=380）          PP 集（N=338）
新药组 n                190                      168
安慰剂组 n              190                      170
脱落数（脱落率）        42（11.1%）              —
  — 失访                18（4.7%）              —
  — 不良事件            12（3.2%）              —
  — 撤回知情同意        12（3.2%）              —

ANCOVA 组间 EMM 差值：
  新药 - 安慰剂          -9.3 mmHg               -10.1 mmHg
  95% CI                [-11.1, -7.5]            [-12.2, -8.0]
  p                     <.001 ***                <.001 ***
  偏 eta^2              .186                     .201

多重插补敏感性（m=20）：-9.1 mmHg（95% CI: -11.0, -7.2），p < .001***

结论：ITT、PP、MI 三套分析结论一致，新药组降压效果显著优于安慰剂组，
     结果的稳健性得到证实。

步骤 5：生存分析（次要终点—心血管事件）

若次要终点是"首次心血管事件的发生时间"，则需要完整的生存分析流程。

在 chatsrs.com 输入：

"以 time_to_event 为随访时间、event 为结局状态（1 = 心血管事件，0 = 删失），按 trial_arm 分组，做：

Kaplan-Meier 生存曲线（含 95% CI 阴影，Number at Risk 表）

Log-rank 检验

各组心血管事件发生率（12/24 周累计发生率 + 95% CI）

多因素 Cox 比例风险回归（协变量：age、sex、bmi、baseline_sbp、comorbidity）

Schoenfeld 残差检验比例风险假设

医学期刊格式文字描述"

输出：生存分析 Table 5

表 5  次要终点：心血管事件生存分析（ITT 集，N = 380）

                    新药组（n=190）    安慰剂组（n=190）
事件数              24（12.6%）        38（20.0%）
12 周累计事件率      6.3%（95% CI: 3.4, 9.3）       11.1%（95% CI: 7.4, 14.7）
24 周累计事件率      12.6%（95% CI: 8.0, 17.1）      20.0%（95% CI: 14.5, 25.4）

Log-rank 检验：chi^2(1) = 5.84，p = .016 *

Cox 比例风险回归（多因素）：
  治疗组（新药 vs 安慰剂）：HR = 0.58，95% CI [0.34, 0.98]，p = .042 *
  年龄（每岁）：HR = 1.04，95% CI [1.01, 1.08]，p = .018 *
  合并症（有 vs 无）：HR = 2.12，95% CI [1.20, 3.74]，p = .009 **
  基线 SBP（每 mmHg）：HR = 1.02，95% CI [0.99, 1.05]，p = .148

Schoenfeld 残差全局检验：chi^2(4) = 2.18，p = .703（比例风险假设成立）

可直接复制的结果段落：

Kaplan-Meier 分析显示，新药组 24 周心血管事件累计发生率（12.6%，95% CI [8.0, 17.1]）显著低于安慰剂组（20.0%，95% CI [14.5, 25.4]），Log-rank chi^2(1) = 5.84，p = .016。多因素 Cox 比例风险回归显示，控制年龄、性别、BMI、基线血压和合并症后，新药组心血管事件风险较安慰剂组降低 42%（HR = 0.58，95% CI [0.34, 0.98]，p = .042）。Schoenfeld 残差全局检验提示比例风险假设成立（chi^2(4) = 2.18，p = .703）。

步骤 6：亚组分析与交互检验

亚组分析常见于 RCT，但方法学陷阱极多。交互检验（而非各亚组内分别做 t 检验）才是正确方法。

为什么不能只做亚组内 p 值

错误做法	正确做法
在各亚组内分别做 t 检验，各自报告 p 值	建立处理 × 亚组交互项，报告交互 p 值
"年轻患者新药有效（p = .01），老年无效（p = .12）"	"年龄分组的交互 p = .18，提示无显著效应修饰"
亚组 p 显著就报告为"发现"	交互 p > .05 时亚组差异可能只是偶然

在 chatsrs.com 输入：

"做亚组分析：亚组变量为 sex（男/女）、comorbidity（有/无）、age_group（< 60 / >= 60）。

对每个亚组，做处理组 × 亚组变量的交互效应检验（ANCOVA 加交互项），报告交互 F 值和 p 值

各亚组内的校正 EMM 差值（95% CI）

输出亚组森林图，标注交互 p 值

说明多重比较问题（Bonferroni 校正后的交互 alpha = .05/3 = .017）"

输出：亚组分析 Table 6

表 6  亚组分析：处理效果的一致性（ANCOVA，ITT 集）

亚组            亚组内组间差值（EMM, mmHg）    95% CI           交互 F         交互 p
性别
  男（n=195）   -9.8                           [-12.5, -7.1]     F(1,374) =     .512（不显著）
  女（n=185）   -8.7                           [-11.4, -6.0]     0.43
合并症
  有（n=149）   -11.2                          [-14.6, -7.8]     F(1,374) =     .184（不显著）
  无（n=231）   -8.2                           [-10.5, -5.9]     1.77
年龄分组
  < 60岁（n=198） -10.1                        [-12.9, -7.3]     F(1,374) =     .320（不显著）
  >= 60岁（n=182） -8.4                        [-11.3, -5.5]     1.00

Bonferroni 校正显著水平：alpha = .017；3 项交互检验均 p > .017，
提示处理效果在各亚组间一致，不存在显著的效应修饰。

CONSORT 规范报告要点

CONSORT 2010 要求 RCT 报告包含以下统计内容：

CONSORT 条目	内容	本案例
17a	主要次要结局的估计值及精确性（95% CI）	EMM 差值 -9.3 mmHg，95% CI [-11.1, -7.5]
17b	二元结局同时报告绝对风险与相对风险	事件率 12.6% vs 20.0%，HR = 0.58
18	亚组分析和探索性分析	交互检验，标注假设验证/探索性
19	所有意向性分析和符合方案分析	ITT + PP + MI 敏感性
12	敏感性分析	多重插补（m=20）
14a	每个研究臂的脱落人数和原因	脱落 42/380（11.1%）

在 chatsrs.com 输入："生成 CONSORT 风格的结果章节摘要，包含所有必报条目，英文/中文双版本"，ChatSRS 自动核对清单并输出。

RCT 统计方法节（可直接复制）

以下模板可直接用于论文 Methods 章节：

统计分析

所有统计分析均采用 R 4.4（R Foundation for Statistical Computing）实施。主要分析集为意向性分析集（ITT），包含所有随机化患者；符合方案集（PP）分析作为敏感性分析。

基线特征采用描述统计报告：连续变量以均数 ± 标准差表示，组间比较采用独立样本 t 检验；正态性假设违反时采用 Wilcoxon 秩和检验。分类变量以频率（%）表示，组间比较采用 Pearson 卡方检验或 Fisher 精确检验（期望频数 < 5 时）。随机化均衡程度以标准化均值差（SMD）量化，|SMD| < 0.10 为均衡。

主要终点（第 12 周收缩压变化量）采用协方差分析（ANCOVA），以处理组为固定效应，以基线收缩压、年龄、性别、BMI 为协变量，报告校正后处理组均值（EMM）差值及 95% CI。

次要终点（首次心血管事件）采用 Kaplan-Meier 法估计生存函数，Log-rank 检验比较组间差异；多因素 Cox 比例风险回归报告调整风险比（aHR）及 95% CI，比例风险假设以 Schoenfeld 残差检验验证。

亚组分析通过引入处理组与亚组变量的交互项来检验效应修饰，交互检验采用 Bonferroni 法校正（显著水平 alpha / 亚组数）。缺失数据采用链式方程多重插补（MICE，m = 20）敏感性分析。所有检验均为双侧，检验水准 alpha = .05（另有说明除外）。

常见 FAQ

Q1：RCT 的基线均衡性检验，到底该不该做 p 值检验？

A：这是争议了 20 年的问题。CONSORT 2010 明确指出，对随机化后的基线差异做 p 值检验"在逻辑上是不合适的"，因为任何差异都是随机产生的，而非系统性偏倚。目前推荐方法是报告标准化均值差（SMD）：|SMD| < 0.10 均衡，0.10-0.20 轻度不均衡，> 0.20 需纳入协变量调整。如果期刊明确要求 p 值，报告即可，但不应据此声称"两组有/无显著差异"，因为这句话在随机化语境下意义不大。

Q2：ITT 分析遇到大量缺失数据怎么办？"末次观测结转（LOCF）"还能用吗？

A：LOCF（Last Observation Carried Forward）已被主流监管机构（FDA/EMA）和方法学界基本否定。LOCF 假设"患者脱落后结局保持不变"，这在大多数情况下不现实，可能系统性高估疗效。当前推荐方法：**链式方程多重插补（MICE）**用于 MAR（随机缺失）假设下，**混合效应重复测量模型（MMRM）**是临床试验最推荐的主要分析方法，MNAR（非随机缺失）情形下需做控制归因（Control-Based Imputation）敏感性分析。在 ChatSRS 输入"用 MMRM 分析纵向数据，处理缺失值"即可。

Q3：Cox 回归给出的 HR 和 Logistic 回归给出的 OR 有什么区别？

A：两者回答的是不同问题。OR（优势比） 来自 Logistic 回归，描述某时间点（截面）上结局发生优势之比，与时间无关。HR（风险比/危险比） 来自 Cox 回归，描述在任意时刻发生事件的瞬时风险之比，是时间依赖的效应量。对于罕见事件（发生率 < 10%），OR ≈ RR 近似成立；但 HR 是时间依赖的瞬时风险比，与 OR/RR 概念不同，有随访时间数据时应用 Cox 回归单独报告 HR，不能与 OR/RR 互换。但当事件常见时，OR 会高估相对风险。临床试验的时间到事件终点应使用 Cox 回归报告 HR，不能用 Logistic 回归的 OR 替代。

Q4：亚组分析发现显著结果，能不能作为主要结论？

A：不能。亚组分析（尤其是探索性亚组）面临严重的多重比较问题：10 个亚组的探索性检验，仅凭偶然就有约 40% 的概率出现至少一个"显著"结果（alpha = .05 时）。CONSORT 要求：（1）区分预设亚组分析（Protocol 中已写明）和事后探索性分析；（2）交互检验显著才能声称效应修饰，亚组内 p 值显著而交互 p 不显著时，不构成效应修饰的证据；（3）探索性亚组发现只能作为"假说生成"，需独立研究验证。ChatSRS 会在报告中自动标注"探索性，交互 p 值见注"。

Q5：多中心 RCT 需要额外处理研究中心效应吗？

A：是的。多中心试验中，各研究中心可能存在系统性差异（如患者来源、操作规范、医生水平），忽视中心效应会导致标准误低估。推荐做法：在 ANCOVA 中将研究中心（site）作为固定效应或随机效应纳入模型；若中心数量较多（> 5），用混合效应模型（中心作为随机截距）更合理。ChatSRS 支持"加入 site 为随机效应，做混合效应 ANCOVA"的完整分析。

为什么 RCT 的统计分析比普通研究更复杂

RCT 分析的 6 个核心步骤

步骤 1：基线均衡性检验（Table 1）

步骤 2：主要终点组间比较

步骤 3：协变量调整（ANCOVA）

步骤 4：意向性分析（ITT）与符合方案集分析（PP）

步骤 5：生存分析（KM 曲线 + Cox 回归）

步骤 6：亚组分析与交互检验

案例数据：新型降压药 RCT（2 臂 Phase III）

步骤 1：基线均衡性检验（Table 1）

为什么要检验基线均衡性

在 chatsrs.com 上传数据，输入：

输出：基线特征 Table 1

步骤 2：主要终点组间比较

主要终点分析：第 12 周收缩压变化量

在 chatsrs.com 输入：

输出：主要终点 Table 2

步骤 3：协变量调整（ANCOVA）

在 chatsrs.com 输入：

输出：ANCOVA Table 3

步骤 4：意向性分析（ITT）vs 符合方案集分析（PP）

ITT 与 PP 的区别

在 chatsrs.com 输入：

输出：ITT vs PP 汇总 Table 4

步骤 5：生存分析（次要终点—心血管事件）

在 chatsrs.com 输入：

输出：生存分析 Table 5

步骤 6：亚组分析与交互检验

为什么不能只做亚组内 p 值

在 chatsrs.com 输入：

输出：亚组分析 Table 6

CONSORT 规范报告要点

RCT 统计方法节（可直接复制）

常见 FAQ

相关阅读