医疗器械真实世界研究常见统计分析方法
一、实效性随机对照试验的统计方法
与传统随机对照临床试验相比，实效性随机对照试验（以下简称pRCT）在现实医疗环境中开展，患者个体差异可能较大，接受干预的标准化程度可能降低，患者依从性可能较差，临床专业人员的医疗技术可能存在不同，研究失访可能增加。pRCT的统计分析需遵循事先制定的统计分析方案，考虑因素包括但不限于以下情形：
（一）意向性分析是常用的统计分析方法，需重视对患者失访的处理，预先明确失访患者的处理办法并说明原因；
（二）pRCT的研究人群、临床环境等存在较大异质性，研究结果检验效能可能较低，应谨慎使用非劣效设计。
（三）pRCT在随机后可能仍会出现混杂，例如患者接受的干预发生变化，不同组别患者的依从性不同等。研究者需根据研究问题与研究假设，采取适当统计方法调整随机后混杂的影响。
（四）pRCT如果来自于多个中心，需要对中心效应进行控制，当主要结局变量是连续性指标时，可采用协方差分析方法；当主要结局变量是分类指标时，可采用考虑Cochran-Mantel-Haenszel方法。当除中心效应外还有其他协变量需要考虑时，可采用随机效应模型。
（五）在pRCT统计分析中，建议重视敏感性分析，以评估统计推断的稳健性。
二、观察性研究常用的统计分析方法
在观察性研究中，数据分析的关键是采用统计分析技术最大限度的控制混杂因素造成的偏倚。可用的分析方法包括但不限于以下情形：
（一）分层分析
分层分析是指将数据按可能的混杂因素分为多层，每层的内部数据有较好的同质性，是常用的识别和控制混杂造成的偏倚的方法之一。Mantel- Haenszel法是常用的分层分析方法，来评估混杂因素对结果的影响。该分析可判断外来因素是混杂还是效应修饰作用，或以哪种作用为主，以及确定混杂的大小和方向或效应修饰的大小。但是分层分析只能控制少数混杂因素，若混杂因素数过多可能导致过度分层，使层内样本量少；对连续性变量只能用等级分层法，常引起不合理的分组。
（二）多变量回归模型
多变量回归模型是最常见的控制混杂因素的统计分析方法，根据结局变量的特点选择logistic回归、线性回归、Poisson回归和Cox比例风险回归等。值得注意的是，大多数回归模型用于估计相对效应值。针对存在层次结构的数据可考虑多水平模型，针对存在重复测量的数据可考虑广义线性混合效应模型和广义估计方程。但在应用这些模型的时候，仍需考虑其模型的模型假设以及模型适用性。
（三）倾向性评分分析方法
倾向性评分分析是目前观察性研究中因果推断常用的分析方法，是一种针对较多混杂因素的调整方法，尤其适用于暴露因素常见而结局事件罕见的研究，或者有多个结局变量的研究。常见的倾向性评分应用方法包括倾向性评分匹配法，倾向性评分分层法，逆概率加权法，以及将倾向性评分作为唯一协变量纳入统计模型进行调整分析的方法。其中，倾向性评分的匹配和分层法在医疗器械临床评价的真实世界研究中已有较为成熟的应用。
值得注意的是，若使用倾向性评分方法，应首先在统计分析计划中，预先指明用于建立倾向评分模型的变量，以及对模型拟合优度和预测效果进行判断的标准；在对基线指标建立倾向评分模型时，应保持对结局指标的“盲态”，避免根据结局指标重新调整倾向评分模型，从而获得“理想”或“预期”结果的情况。
应用倾向性评分进行效应估计时，需判断倾向性评分接近的患者在不同处理组间的协变量分布是否均衡，报告使用倾向性评分之前和之后的结果，考虑倾向性评分处理后可能对研究结果造成的影响，例如，用倾向性评分匹配后可能导致的估计精度降低（因样本量下降）；或使用倾向性评分加权时，个别极大权重的样本可能对分析结果造成较大影响等。
倾向性评分方法仅能处理可观测到的混杂因素，不能控制研究中未采集的混杂因素可能带来的潜在影响，建议研究中针对评价结果进行合理的解读和讨论，并开展可能的定量分析。 | 
