临床数据可视化，教你高效作图与结果解读

引言Introduction

临床研究里，数据不缺，缺的是能被快速理解的图。很多医学生和研究者会遇到同样的问题，结果算出来了，图却不好看，信息也传递不清。临床数据统计作图的核心，不是“做出图”，而是“让结果一眼可读、可解释、可发表”。

1. 临床数据可视化，先搞清楚你要表达什么

1.1 图不是装饰，是结果的载体

临床数据可视化的第一步，不是打开软件，而是先明确变量类型和研究目的。不同问题，对应不同图形。连续变量适合箱线图、小提琴图、散点图。分类变量适合柱状图、堆叠图。随访结局适合生存曲线。效应量比较适合森林图。

如果图形和数据类型不匹配，结论会失真。 例如，把中位数和四分位间距明显偏态的数据硬画成均值柱状图，读者会误以为分布接近正态。相反，临床研究中常见的年龄、住院天数、实验室指标，往往更适合用中位数和四分位间距展示。

1.2 常见临床图形对应关系

在实际写作和投稿中，可以先按目的选图：

• 比较两组连续变量，优先箱线图或小提琴图。
• 比较多个分组的频数，优先堆叠柱状图。
• 展示时间结局，优先生存曲线。
• 展示多因素回归结果，优先森林图。
• 展示变量整体模式，优先热图。

图形选择本质上是在帮助读者减少理解成本。 图越符合变量属性，越容易被审稿人接受，也越容易通过图注把关键信息讲清楚。

1.3 临床作图前要先整理好数据

作图前的数据整理，比作图本身更重要。建议先完成以下步骤：

1. 统一变量命名。
2. 确认缺失值、异常值和删失值的处理方式。
3. 按统计类型区分连续变量与分类变量。
4. 明确每个结局事件的编码方式。

例如，生存分析中通常用 1 表示终点事件，0 表示删失数据 。这个编码必须在数据表中提前固定，否则后续绘图和分析都可能出错。对于临床数据统计作图来说，数据结构清晰，图才会稳定。

2. 不同临床图形怎么画，怎么读

2.1 生存曲线，重点看时间维度和删失

生存曲线是临床论文中最常见的图之一。它用于描述随访过程中事件发生的累计概率，常见于肿瘤、心血管、预后研究。X轴是生存时间，Y轴是生存率。分组后可以直观看出不同人群的预后差异。

在数据录入时，要注意三点：

• 每个受试者都要有生存时间。
• 终点事件用 1 标记。
• 随访结束仍存活者用 0 标记为删失。

删失数据不是“没有结果”，而是“截至观察终点未发生事件”。 这是生存分析最容易被误读的地方。绘图时还要注意坐标轴范围、刻度间距和组间颜色区分。通常建议让曲线颜色清晰区分，图例放在不遮挡主体信息的位置。

2.2 列联表和堆叠图，适合分类变量展示

列联表的作用，是把两个或多个分类变量放在同一张表里，观察频数分布。它常用于卡方检验，也可用于堆叠图展示。比如不同分组的性别构成、分期分布、阳性率分布，都可以用这种方式展示。

如果要把列联表转成图，建议关注：

• 每组样本量是否一致。
• 柱形是否从零轴开始。
• 颜色是否足够区分。
• 图中是否同时保留百分比或频数。

分类数据最怕只看图不看数。 因为视觉上很容易受颜色和比例影响。对于投稿图，最好在图注中说明总例数和统计方法，这样更符合 E-E-A-T 中的可信度要求。

2.3 箱线图、小提琴图和散点图，适合连续变量

临床连续变量不建议只画均值±标准差，尤其是偏态分布数据。箱线图可以展示中位数、上下四分位数、极值和离群点。小提琴图则进一步展示分布密度。散点图能保留每个个体的信息，适合样本量不大或想突出原始数据时使用。

常见解读方式如下：

• 箱体中线表示中位数。
• 箱体上下边缘表示第25和第75百分位。
• “须”通常反映数据的扩展范围。
• 离群点提示可能的异常值或真实极端值。

如果组间差异主要来自少数极端值，箱线图比柱状图更诚实。 这也是临床统计作图中强调分布展示的原因。对于医学生和科研人员来说，先学会读箱线图，再做图，会更稳。

2.4 热图和火山图，更适合多变量和组学数据

热图常用于展示多个变量在不同样本中的模式。比如基因表达、临床指标矩阵、相关性矩阵，都很适合用热图表达。火山图则适合展示差异分析结果，横轴通常为变化倍数，纵轴为统计显著性。

这两类图的重点不在“好不好看”，而在“有没有信息密度”。热图适合找模式，火山图适合找重点。常见做法是通过颜色深浅、阈值线和标记点，突出显著差异部分。

如果是临床组学联合分析，建议遵循以下原则：

• 热图按分组和变量层级排序。
• 火山图标出显著上调和下调的关键点。
• 图例清晰，避免颜色过多。
• 阈值标准要在图注中写明。

颜色服务于信息，不是为了炫技。 这是高质量临床数据可视化的基本原则。

3. 图做出来以后，结果怎么解读才专业

3.1 先看统计意义，再看临床意义

很多人只会看 P 值，却忽略了效应量。临床研究更重要的是差异有多大，是否有临床价值。比如两组指标差异虽有统计学意义，但实际差值只有 0.2，可能并没有临床解释价值。

因此解读图形时，建议同时看三点：

• 差异方向。
• 差异大小。
• 置信区间或离散程度。

P 值只能说明“是否存在差异迹象”，不能说明“差异有多重要”。 这句话在科研写作里非常关键。森林图尤其适合把效应量和置信区间一起展示，帮助读者快速判断结果是否稳定。

3.2 图注和坐标轴，决定读者能不能正确理解

一张图是否专业，往往不在主体，而在细节。坐标轴名称是否准确，单位是否完整，图例是否自洽，这些都会影响读者判断。比如生存曲线应明确时间单位，Y轴应写明生存率或百分比。箱线图应注明是均值还是中位数。堆叠图应说明显示的是频数还是百分比。

建议在图注中写清楚：

• 数据来源。
• 分组方式。
• 统计方法。
• 显著性标记含义。
• 主要结论。

图注不是附属品，而是图的一部分。 读者往往先扫图，再读图注。图注写得清楚，图的可信度就会明显上升。

3.3 结果解读要避免三个常见错误

临床图表解读中，常见错误有三类：

1. 只讲显著，不讲方向。
2. 只看均值，不看分布。
3. 只报结果，不说明方法。

例如，若两组生存曲线分离明显，但 log-rank 检验未达显著，不能简单写成“预后明显不同”。应如实表述为“曲线存在分离趋势，但统计学差异未达到显著水平”。这种写法更符合科研规范，也更经得起审稿。

严谨的解读，比漂亮的图更重要。

4. 高效作图的实用流程，适合临床研究团队

4.1 建议使用统一流程管理作图

如果一个课题组经常做临床数据统计作图，建议建立标准流程。这样可以减少反复修改，也便于多人协作。基本流程可以是：

1. 数据清洗。
2. 变量分类。
3. 选择图形类型。
4. 统一字体、颜色和图例。
5. 输出高分辨率文件。
6. 和正文结果互相核对。

这个流程能显著减少返工。尤其在投稿前，图表和结果表之间要一致，否则很容易被编辑或审稿人发现矛盾。

4.2 让图更容易发表的细节

高质量论文图通常有几个共同点：

• 颜色克制，通常 2 到 4 种为宜。
• 字体统一，保证印刷后清晰。
• 坐标轴简洁，避免信息噪声。
• 图例位置合理，不遮挡主体。
• 输出格式符合期刊要求。

如果是临床研究图，建议优先保证可读性，再考虑美观。审稿人首先看的是信息是否完整，其次才是视觉效果。

4.3 结合工具，提高效率

无论是 GraphPad Prism，还是其他可视化工具，核心都不是软件本身，而是规范的数据输入和清晰的分析思路。对于临床研究团队而言，掌握标准模板后，作图效率会明显提高。比如固定生存曲线、列联表、箱线图和森林图的出图模板，后续只需替换数据即可。

如果你希望把临床数据统计作图做得更稳、更快，关键是建立一套可复用的流程和模板。解螺旋提供的科研作图与数据分析内容，能帮助你更系统地理解图形逻辑、统计结果和发表规范。 对于经常需要处理临床数据的人来说，这类系统化工具和课程，能直接减少试错成本。

总结Conclusion

临床数据可视化的核心，是把复杂结果变成清晰证据。先选对图，再规范作图，最后准确解读，才是高质量科研表达的完整路径。对于医学生、医生和科研人员来说，真正重要的不只是会画图，而是能用图讲清临床问题，讲清统计结论，讲清研究价值。

如果你正在提升临床数据统计作图能力，建议从变量类型、图形选择、数据结构和结果解读四个层面一起训练。想更高效地建立自己的科研作图体系，可以进一步了解解螺旋 提供的相关工具与课程，让临床数据展示更规范、更高效，也更接近发表标准。