基线疾病严重程度比较：阴性结果该不该全放？

引言Introduction

基线疾病严重程度比较，是RCT和队列研究里最容易被忽视，却最影响读者判断的一步。很多作者只展示显著差异，阴性结果则省略。但基线是否平衡，直接关系到组间可比性、偏倚风险和后续结论可信度 。

1. 为什么基线疾病严重程度比较不能只看“显著差异”

1.1 基线表不是装饰，是偏倚判断的起点

基线疾病严重程度比较，核心不是“有没有P值显著”，而是看随机后或入组时两组是否在关键预后因素上接近。对临床研究而言，疾病严重程度往往比年龄、性别更能影响结局。比如感染范围、肿瘤分期、器官功能分级、APACHE II、SOFA、NIHSS、NYHA，这些都可能改变疗效判断。

如果基线严重程度不平衡，后续疗效差异就可能混入混杂。
这时你看到的“治疗有效”，未必全是干预本身造成的。

1.2 只报阳性结果，会放大选择性报告风险

很多论文在基线表里只放“显著不平衡”的变量，认为无差异项目没有意义。这个做法的问题有两个。

1. 读者无法判断整体平衡情况。
2. 作者可能在无形中做了选择性呈现。

对于基线疾病严重程度比较，阴性结果同样重要。
因为它告诉读者，研究对象是否真的来自同一疾病谱，是否存在系统性偏倚。

1.3 研究设计不同，基线比较的意义也不同

• RCT中 ，基线比较主要用于检查随机化是否大体成功。
• 观察性研究中 ，基线比较更关键，因为组间本来就可能存在明显选择偏倚。
• 回顾性队列中 ，疾病严重程度常常是最重要的混杂因素之一。

所以，基线疾病严重程度比较不是形式步骤，而是解释全文的前提。

2. 阴性结果该不该全放，关键看“信息价值”

2.1 该放，尤其是与预后相关的严重程度指标

凡是能直接影响结局的基线指标，建议完整呈现。
尤其包括以下几类：

• 疾病分期、分级、分层
• 器官功能状态
• 病情持续时间
• 既往治疗史
• 主要合并症负担
• 关键实验室和影像学严重程度指标

这些变量即使“P值不显著”，也应该放在基线表里。因为它们决定了读者能否判断两组起点是否一致。

2.2 不必把所有无关变量都堆进正文

阴性结果“全放”不等于“无差别地全塞”。
如果变量与主要结局几乎无关，且对疾病严重程度解释价值有限，可以放入补充材料。

更合理的原则是：

• 正文放关键预后变量
• 补充材料放扩展变量
• 方法部分说明预设基线指标选择依据

这样既完整，又不冗余。

2.3 “全放”最适合什么场景

以下场景尤其建议把阴性结果完整展示：

1. 样本量较小，随机失衡风险更高。
2. 疾病异质性大，严重程度分布可能影响结论。
3. 文章采用亚组分析、敏感性分析或合并结局。
4. 期刊要求透明报告基线平衡情况。

当研究的可信度依赖“起点是否可比”时，阴性结果就不是累赘，而是证据。

3. 怎么判断基线疾病严重程度比较是否足够严谨

3.1 不要只盯着P值，先看临床意义

基线比较最常见的误区，是把P>0.05当成“完全平衡”。这并不严谨。
因为P值受样本量影响很大，样本小可能看不出差异，样本大则微小差异也会显著。

更好的做法是同时看：

• 均值或中位数差异
• 标准化差异，SMD
• 95%CI
• 是否符合临床可接受范围

在基线平衡判断中，SMD比单纯P值更稳定。
一般经验上，SMD < 0.1 常提示平衡较好，但仍需结合疾病背景判断。

3.2 严重程度指标最好分层展示

对医学研究而言，单一总分有时不够。
建议把疾病严重程度拆成多个层面：

• 病理严重程度
• 结构损害程度
• 功能损害程度
• 炎症或感染负荷
• 生命体征不稳定程度

例如同样是肺炎，氧合指数、呼吸支持方式、影像累及范围，信息价值不同。
只给一个总分，往往不足以说明两组病情起点一致。

3.3 需要预先定义“关键严重程度变量”

严谨的研究不会等到结果出来再挑变量。
应该在方案或统计分析计划里预先规定：

• 哪些指标属于关键基线变量
• 哪些是次要变量
• 哪些进入多变量模型
• 哪些用于敏感性分析

这样做的好处是避免“结果导向选择”。
也能让阴性结果展示更有逻辑，而不是堆数据。

4. 阴性结果如何呈现，才更像高质量论文

4.1 基线表要完整，但信息层级要清楚

一张高质量基线表，通常应做到：

• 主要疾病严重程度指标放前面
• 次要一般人口学特征放后面
• 变量定义清晰
• 单位统一
• 统计方法一致

不要让读者在一堆无关变量里找重点。
重点是让人一眼看到，两组是否在“病情起点”上可比。

4.2 文字结果要解释，而不是重复表格

正文不需要把基线表每一项再念一遍。
更好的写法是概括性总结，比如：

• 两组在主要严重程度指标上总体可比。
• 个别次要变量存在轻度不平衡。
• 相关混杂因素已在多变量分析中调整。

这样既简洁，也符合医学论文的阅读逻辑。

4.3 阴性结果不能掩盖真正的不平衡

如果某些关键严重程度变量确实不平衡，不能因为“阴性结果很多”就淡化。
这种情况应如实报告，并说明处理方式，例如：

• 多变量回归
• 倾向评分匹配
• IPTW
• 分层分析
• 敏感性分析

高质量论文的核心不是“看起来平衡”，而是“如实呈现并正确处理不平衡”。

5. 从论文解读角度看，基线严重程度比较要和结论一起读

5.1 基线平衡好，结论可信度更高

如果两组在关键严重程度指标上接近，而主要结局又有稳定差异，那么读者更容易相信干预效应。
这也是为什么很多系统评价和临床研究解读会优先关注基线表。

5.2 基线不平衡，不代表文章一定不能信

如果作者提供了足够的调整分析、敏感性分析，并且结果方向一致，那么结论仍可能成立。
但这时你需要更谨慎地阅读。

可重点看：

• 调整前后效应是否一致
• 亚组结果是否稳定
• 95%CI是否跨线
• 证据等级是否足够高

在证据分级上，通常更应优先采信 high 或 moderate 证据。
如果基线严重程度比较不充分，再好的显著性也要打折扣。

5.3 森林图和GRADE也能帮助判断“阴性结果值不值得全放”

很多高质量文章会把所有主要结局都做成森林图，不只展示阳性结果，也展示阴性结果。
这有两个好处：

• 让读者看到完整证据链
• 避免只报有利结论

同时，GRADE证据等级表能帮助判断结果可采信程度。
如果基线严重程度比较清楚、结局报告完整、证据等级较高，阴性结果本身就是论文质量的一部分。

6. 写作实操：基线疾病严重程度比较怎么写更稳妥

6.1 推荐写法

可以采用“总括+关键变量”的结构：

• 先说明两组基线总体可比。
• 再点出主要疾病严重程度指标的差异情况。
• 如有不平衡，说明调整方法。
• 将完整数据放入表格或补充材料。

6.2 避免的写法

以下表达不够严谨：

• “两组完全一致。”
• “无任何差异。”
• “P值都>0.05，所以平衡。”
• “未发现不平衡，因此无需调整。”

这些说法都过于绝对。
医学研究更适合用“总体可比”“主要指标接近”“存在轻度不平衡但已调整”这类表述。

6.3 一个实用原则

凡是可能影响主要结局解释的基线严重程度指标，都应该优先完整展示。
这比只筛选阳性结果更符合E-E-A-T要求，也更有利于同行评审。

6.4 如果你要高效完成论文解读和写作

在基线疾病严重程度比较、结果图表整理、证据分级和论文结构化写作上，专业工具能显著提升效率。
如果你需要更快完成文献筛选、图表整理和论文表达优化，可以借助解螺旋 ，把分散的基线信息、阴性结果和结局证据整合成更清晰、更可发表的表达。

总结Conclusion

基线疾病严重程度比较，决定了研究起点是否可信。阴性结果不应简单删除，尤其是关键预后变量，最好完整呈现。 但“全放”不等于无差别堆砌，正文应突出与结局最相关的严重程度指标，其他变量可放补充材料。对于医生、医学生和科研人员来说，真正重要的是：如实报告、正确解释、合理调整。若你希望把基线表、阴性结果和结局分析写得更规范、更高效，可以进一步借助** 解螺旋**来优化论文表达与整理流程。