医疗器械真实世界数据的统计方法

真实世界数据来自常规医疗环境，暴露分配不受控，混杂因素众多，因此统计方法的核心任务是在尊重数据结构的前提下尽可能接近因果效应。与随机对照试验不同，真实世界研究的分析既要处理组间基线不均衡，也要应对缺失数据、随访不等长与结局事件稀疏等问题。分析方法必须在统计分析计划中预先设定，并在报告中完整呈现假设与局限。本文梳理常用统计方法的适用条件与分析思路。

一、统计分析的整体框架

统计分析通常按数据准备、描述性分析、效应估计、混杂调整、稳健性检验的顺序展开。数据准备阶段需明确分析人群、处理缺失数据并派生所需变量；描述性分析用于比较暴露组与非暴露组的基线特征，识别潜在混杂；效应估计关注结局发生率、效应量与置信区间；混杂调整通过多变量模型或加权方法实现；稳健性检验则借助敏感性分析验证结论不依赖特定假设。整个框架应在分析前固化，避免因看到结果而调整方法。

• 数据准备：定义人群、处理缺失、派生变量
• 描述性分析：比较基线，识别混杂
• 效应估计与混杂调整
• 稳健性检验：以敏感性分析验证结论

二、描述性分析与倾向性评分

描述性分析应报告暴露组与对照组的基线特征，并采用标准化差异等指标衡量均衡性，而非仅看P值。当组间基线差异明显时，倾向性评分是常用手段，可通过匹配、分层、加权或作为协变量纳入模型等方式使用。构建倾向性评分时，应基于临床与统计学知识选择协变量，避免纳入暴露之后的变量以免引入偏倚。使用后需评估匹配质量或权重分布，并报告处理后的均衡性改善情况。

• 以标准化差异衡量基线均衡性
• 倾向性评分可用于匹配、分层、加权与协变量调整
• 协变量应基于专业判断并限于暴露前变量
• 需报告处理后均衡性改善情况

三、生存分析与事件结局处理

对于以时间为维度的结局，如器械失效时间、再手术时间或首次不良事件发生时间，宜采用生存分析方法，通过Kaplan-Meier曲线描述事件累积概率，采用Cox比例风险模型估计风险比。使用Cox模型时应检验比例风险假设，若假设不成立可考虑时依协变量或分层模型。对于竞争风险情形，应选用相应的竞争风险模型，避免高估目标事件的累积发生率。随访时间不等长与失访问题需在分析中明确处理方式。

• Kaplan-Meier曲线描述事件累积概率
• Cox模型估计风险比并检验比例风险假设
• 竞争风险情形选用相应竞争风险模型
• 明确失访与随访不等长的处理方式

四、混杂调整与敏感性分析

除倾向性评分外，多变量回归、工具变量、双重稳健估计等方法也可用于混杂调整，选择时应结合数据结构与假设的合理性。真实世界研究难以排除未测混杂，因此需通过敏感性分析评估结论的稳健性，如变换分析人群、调整模型规格、采用不同缺失数据处理方式或进行阴性对照分析。敏感性分析结果若与主要结果方向一致，可增强结论可信度；若出现明显不一致，应分析原因并在报告中如实讨论。

• 多变量回归、工具变量与双重稳健估计可选用
• 未测混杂需借助敏感性分析评估
• 可变换人群、模型规格与缺失处理方式
• 结果不一致时应如实讨论其原因

五、方法选择中的常见误区

常见误区包括把P值作为唯一判断标准而忽视效应量、在数据稀疏时滥用复杂模型、纳入暴露后变量导致过度调整、倾向性评分构建后未评估均衡性、把统计显著直接解释为因果、以及未说明缺失数据机制即采用默认填补方法。此外，多重比较问题在亚组分析中尤为突出，应通过预先设定、控制错误率或明确其探索性质来处理。方法选择应服务于研究问题，而非追求形式上的复杂。

• 仅看P值，忽视效应量与置信区间
• 纳入暴露后变量导致过度调整
• 把统计显著直接等同于因果
• 缺失处理与多重比较未作说明

真实世界数据的统计方法既要处理数据结构带来的偏倚，也要保持假设透明、过程可复现。研究者应在方案与统计分析计划中预先设定主分析方法、混杂控制策略与敏感性分析方案，并在报告中完整披露假设与局限。规范的方法学设计，是真实世界数据转化为可靠证据、进而支持器械评价与监管决策的必要条件。

官方来源：国家药监局·法规文件