临床研究统计分析与绘图：从方案到发表

引言Introduction

临床研究里，很多问题不是“不会做”，而是“做到一半才发现设计错了”。方案没定清，数据格式不统一，统计方法选错，图表也难以发表。从研究设计到统计分析，再到绘图输出，前后必须一体化规划。

1. 先把研究方案做对

1.1 方案不是形式，而是统计和发表的起点

临床研究能否顺利推进，第一步不是跑统计，而是先把方案写清楚。方案决定研究类型，也决定后续能用什么统计方法、输出什么图。没有方案，后面的数据分析和绘图很容易返工。

对于临床研究，方案通常至少要明确这些要素。

• 研究目的和假设。
• 研究对象的纳入与排除标准。
• 分组方式和主要终点。
• 观察指标、随访时间点。
• 样本量估算思路。
• 统计分析计划。

这些内容不是写给审稿人看的“包装”，而是后续数据处理的依据。若一开始没有定义主要终点，后面就容易出现“哪个结果都想讲”，最后反而削弱文章的说服力。

1.2 临床研究常见的两个路径

临床研究中，较常见的路径有两类。第一类是临床研究。第二类是生物信息学分析。前者依赖真实患者数据，通常涉及伦理审批、立项、入组和随访。后者则更多依赖公开数据库，重点在分析流程和图表输出。

对医学生和年轻医生来说，临床样本不足时，不等于不能做研究。 公开数据库、既往队列和多中心数据集，都是可行的研究来源。但无论哪种路径，研究问题都必须先清楚，再去找数据。

1.3 伦理、立项和统计方案要同步推进

很多团队把伦理和统计分开做，这是常见误区。实际上，伦理审批需要明确研究目的、数据来源、风险控制和分析框架。立项也需要知道研究是否可行。

建议在进入医院或数据库之前，先完成三件事。

1. 文献检索和问题聚焦。
2. 形成初步假设。
3. 写出可执行的统计分析框架。

这样做的好处很直接。后续采集的数据更完整，变量定义更统一，发表时也更容易回应审稿意见。

2. 数据类型决定统计方法

2.1 先分清数据类型，再选方法

统计分析的第一步，不是打开软件，而是识别数据类型。数据类型分不清，后面的检验和图表就可能全部选错。

临床研究里常见的数据大致包括四类。

• 计数资料，如性别、是否吸烟、是否复发。
• 等级资料，如轻、中、重，或分期分级。
• 计量资料，如年龄、BMI、血清指标、肿瘤大小。
• 生存资料，如总生存期、无进展生存期。

计量资料还要进一步判断是否连续、是否正态、方差是否齐。对于统计绘图来说，这一步尤为重要。因为不同分布的数据，图形表达方式也不同。

2.2 常用统计方法的选择逻辑

如果是两组计量资料比较，通常先看是否满足正态分布和方差齐性。

• 正态且方差齐，用独立样本t检验。
• 正态但方差不齐，按校正方法或秩和检验处理。
• 非正态，优先用非参数检验。

如果是配对数据，就要看差值分布。

• 差值服从正态分布，用配对t检验。
• 差值不服从正态分布，用秩和检验。

如果是多个组比较，则要考虑方差分析。若存在重复测量，比如术后1个月、3个月、6个月和12个月的连续监测数据，则应使用重复测量方差分析。

2.3 计数资料、生存资料和相关分析

计数资料常用卡方检验或Fisher精确检验。样本量小、理论频数不足时，Fisher检验更稳妥。

生存资料分析则更常见于肿瘤、预后和疗效研究。通常会用Kaplan-Meier曲线和log-rank检验比较组间差异。若要进一步控制混杂因素，可用Cox比例风险回归模型。

对于双变量关系分析，若变量满足正态分布且满足线性趋势，可用Pearson相关。若不满足正态分布，常用Spearman相关。需要解释多个影响因素时，再进一步做回归分析。

3. 临床统计绘图技巧决定论文质感

3.1 图表不是装饰，而是结果表达

临床论文能否让人快速看懂，图表很关键。好图表能替代长段解释，差图表会让结果显得松散。 绘图不是把数据“画出来”就行，而是要让数据逻辑清晰、信息完整、格式规范。

常见图表包括：

• 基线资料表。
• 单因素分析表。
• 多因素回归表。
• 生存曲线图。
• ROC曲线图。
• 相关性散点图。
• 柱状图、箱线图、折线图。

其中，基线表和统计结果表是基础。图形部分则负责强化结论。

3.2 不同数据适合不同图形

连续型数据通常适合箱线图、散点图、折线图或直方图。离散型或分类变量更适合条形图、堆叠条形图或百分比图。

这里有一个容易被忽略的点。条图更适合离散型资料，线图更适合连续变化趋势。 如果把分类资料画成线图，审稿人可能会认为表达不严谨。

绘图时还要注意图像本身的规范性。

• 标题要准确。
• 横轴、纵轴要清楚。
• 单位必须完整。
• 图例要统一。
• 刻度范围要合理。
• 颜色不要过度花哨。

对于生存曲线图，建议明确标注中位生存时间、风险人数和p值。对于ROC曲线图，要标出AUC、敏感度、特异度和最佳截点。这样，读者不需要额外查表就能理解核心信息。

3.3 数据处理要先净化，再输出

很多图不好看，不是软件问题，而是数据没处理好。正式分析前，应该先做数据净化。

重点检查三类问题。

1. 逻辑错误，比如年龄为负数、日期前后矛盾。
2. 录入错误，比如单位混乱、缺失值编码错误。
3. 离群值和极端值。

离群值不是发现就删。要先判断是真实值还是错误值。若是真实值，应解释其来源；若是录入错误，则应修正或剔除。没有解释的删改，会直接影响研究可信度。

4. 从输入到输出，统计流程要闭环

4.1 研究流程最好按“输入—处理—输出”设计

临床研究最稳妥的做法，是把整个过程设计成闭环。

• 输入：病例资料、数据库信息、随访结果。
• 处理：清洗、分组、统计、建模。
• 输出：表格、图形、p值、效应量。

这样设计的好处是，数据采集和统计分析能够对齐。比如你打算做Cox回归，就必须提前准备生存时间、结局变量和协变量。如果你打算做ROC分析，就要提前明确预测变量和阳性定义。

4.2 结果呈现要兼顾统计学和临床意义

统计显著不等于临床有意义。论文结论必须同时考虑统计结果和专业判断。 例如，某指标虽有统计学差异，但差异幅度太小，临床上并无实际价值，这时不能过度解读。

反过来，如果临床趋势明确，但统计学不显著，也不能简单否定。常见原因包括样本量不足、随访时间不够、误差偏大，或统计方法不合适。此时更应回到研究设计本身，重新检查假设、样本量和终点设置。

在结果报告时，建议写清楚检验统计量和精确p值。若p值极小，通常写p<0.001即可，不必机械写成0.000。规范的结果表述，是论文专业度的重要标志。

5. 发表前的最后一步，是让分析可复现

5.1 审稿人最关注的是一致性

临床研究投稿时，审稿人通常会检查三件事。

• 研究设计是否清楚。
• 统计方法是否匹配数据。
• 图表和正文是否一致。

因此，正文里的数字、表格中的数值、图中的标注，必须保持一致。尤其是样本量、分组人数、p值和回归结果，前后不能冲突。

另外，统计软件输出后不要直接贴结果。应根据论文格式统一整理。基线资料表、单因素分析表、多因素分析表和生存分析图，最好在提交前统一校对一次。

5.2 让专业工具提升效率

对于很多医生和科研人员来说，最大痛点不是“不知道做什么”，而是“知道要做什么，但执行太耗时”。方案整理、数据结构梳理、统计路径规划、图表输出，这些环节都需要较强的专业判断。

这也是为什么越来越多研究者会借助专业工具提升效率。比如解螺旋 这类平台，可以帮助你更快完成文献梳理、研究思路搭建、统计框架规划和论文结构整理，把原本分散的流程串起来。对临床研究来说，这种工具的价值，不只是省时间，更是减少设计偏差，让统计分析和绘图输出更符合发表要求。

总结Conclusion

临床研究从方案到发表，本质上是一个连续流程。先定研究问题，再定方案；先分清数据类型，再选统计方法；先做好数据净化，再做绘图和写作。真正高质量的临床论文，不是图表多，而是每一步都逻辑一致、方法匹配、结果可信。

如果你正在准备临床研究、回顾性队列、预后分析或生信文章，建议尽早把统计和绘图纳入整体设计。也可以借助解螺旋 来提升方案设计、统计分析和结果输出效率，让研究更快走向可投稿、可发表的标准。