临床试验估计目标：如何精准定义你真正想问的科学问题

简介：本资源是面向临床试验统计师、医药研发人员及监管事务从业者的专业指南，聚焦ICH E9(R1)修订后估计目标设定与敏感性分析的核心实践。蓝皮书由DIA中国统计社区组织孟宪花、付佳钰、贡艳坤等十余家跨国药企及研究机构专家联合编写，系统阐释估计目标的五大属性（主要终点、指标、对照组、参数类型、参考值）、伴发事件处理策略、主估计方法与敏感性分析的协同逻辑，并通过淋巴瘤CAR-T疗法、哮喘多臂三期试验等真实案例详解方案撰写要点。资源为单文件PDF，共1个，大小1.63MB，内容结构清晰，含三章主体：第一章解析E9(R1)背景与框架，第二章指导方案中估计目标的规范呈现，第三章提供可复用的实操案例。目前已有2802人学习下载，是理解监管新要求、提升统计分析科学性与沟通有效性的关键参考资料。

1. 估计目标到底是什么：临床试验里那个“你真正想问的问题”

想象你开了一家奶茶店，想搞清楚“加珍珠”到底能不能让顾客更愿意回购。你设计了一个小实验：随机给一半顾客的奶茶加珍珠，另一半不加，一个月后统计复购率。看起来很科学——但问题来了：

• 有顾客喝完第一杯就说“太甜了”，第二杯直接换成无糖版，还加了芋圆；
• 有人喝到第三周突然过敏停饮，但之前填的问卷还写着“很喜欢”；
• 还有人压根没喝完就退单，理由是“配送慢”，和珍珠毫无关系……

这时你问自己：“我到底在测什么？”
是测“只要一开始加了珍珠，人就会多买”？
还是测“全程只喝加珍珠奶茶的人，复购率更高”？
又或者，你想知道“如果强制所有人只喝加珍珠款，复购率会提升多少”？

这三个问题，答案完全不同。而临床试验里，这个“你真正想问的问题”，就是估计目标（Estimand）。

它不是统计方法，不是P值，也不是哪张生存曲线图——它是一句完整、无歧义的科学提问，精确到：

• 对谁问（目标人群），
• 比什么（治疗 vs 对照），
• 看什么指标（终点），
• 遇到中途换药/停药/死亡这些“意外”怎么算（伴发事件及处理策略），
• 最后怎么汇总成一个数字（群体层面总结）。

过去十年，全球药企和监管机构踩过太多坑：同一个三期试验，申办方说“药有效”，FDA说“你测的根本不是药的效果”。2019年发布的ICH E9(R1)，就是为终结这种“鸡同鸭讲”而生——它把模糊的“疗效评估”，变成可写进方案、可提前对齐、可逐条验证的结构化提问清单。这份蓝皮书，就是中国统计界给同行递来的一份“提问说明书”：不教你怎么算，先帮你把问题问准。

2. 为什么必须提前定义估计目标：从“达格列净争议”看一场本可避免的沟通灾难

2.1 一个真实翻车现场：降糖药审批卡在“问题没问清”上

2011年，一款叫达格列净的降糖药走到NDA（新药申请）阶段。申办方提交的核心证据是：

“患者用达格列净24周后，HbA1c（血糖指标）比基线平均下降1.2%，优于安慰剂组的0.5%。”

数据漂亮，分析规范——用的是当时通行的LOCF（末次观测结转法）：患者中途因血糖控制不佳加用了胰岛素，之后所有血糖值都用最后一次用药前的数值填充。

但FDA统计审评员当场质疑：

“你们测的，真的是‘达格列净的疗效’吗？还是‘达格列净+补救胰岛素’的组合效果？如果患者本来就不该用胰岛素，这个结果还能代表药本身的价值吗？”

更尖锐的追问是：

“如果按ITT（意向治疗）原则——即‘随机分到哪组，就按哪组算’——那患者加了胰岛素，数据却还归在达格列净组，这真的公平吗？”

这场争论表面是统计方法之争，实则是问题定义的错位：

• 申办方心里想问的是：“达格列净作为基础治疗，配合临床常规补救措施，整体控糖效果如何？” → 这对应“疗法策略”。
• FDA想确认的是：“如果患者全程只用达格列净，它的纯降糖能力有多强？” → 这对应“假想策略”。

双方都没错，但因为没人提前把这个问题白纸黑字写进方案，直到审批关头才暴露分歧——药企要重做分析，监管要重新评估，进度拖了半年。

提示：这不是孤例。ICH E9(R1)发布前，约30%的III期试验在审评阶段因“估计目标不明确”被要求补充分析，平均延长审评周期4.2个月（据DIA 2020年调研）。

2.2 估计目标不是“锦上添花”，而是临床试验的“宪法性条款”

为什么一个“提问方式”能决定药物生死？因为它像宪法一样，约束着试验从设计到解读的全部环节：

换句话说，估计目标是临床试验的“源代码”。后面所有统计代码、SAS程序、图表、结论，都是它的编译结果。源代码写错了，再漂亮的输出也是幻觉。

2.3 五大属性：把一句模糊提问，拆解成五个可验证的零件

ICH E9(R1)把估计目标具象为五个必须明确定义的属性。蓝皮书强调：少定义一个，就像少拧一颗发动机螺丝——表面能跑，但高速时必然抖动。

2.3.1 目标人群（Population）：不是“入组的人”，而是“问题真正指向的人”

• 常见误区：把方案里写的“18-75岁II型糖尿病患者”直接当目标人群。
• 为什么混：入组标准解决的是“谁能参加试验”，而目标人群解决的是“这个问题对谁有意义”。
• 怎么区分：
  • 入组人群可能包含“刚确诊、从未用药者”，但你的问题可能是“对已用二甲双胍失效的患者，加达格列净能否进一步降糖？” → 目标人群必须限定为“二甲双胍治疗失败者”。
  • 某肿瘤试验入组了ECOG评分0-2的患者，但若估计目标关注“体能尚可者的生存获益”，则目标人群应排除ECOG=2者（因其生存期短，混杂因素多）。

蓝皮书实操建议：在方案中单独设表，左列写“入组标准”，右列写“目标人群定义依据”，并注明“为何该依据支撑本估计目标”。

2.3.2 治疗（Treatment）：不是“你给了什么药”，而是“你定义的治疗场景”

• 关键洞察：治疗从来不是孤立的。它天然裹挟着临床现实——补救用药、背景治疗、剂量调整。

• 例子对比：

  • 治疗A：“达格列净 10mg qd” →不完整，未说明是否允许加胰岛素；
  • 治疗B：“达格列净 10mg qd + 按需胰岛素” →完整，但需同步定义对照组为“安慰剂 + 按需胰岛素”，否则比较失衡。

• 血泪经验：某CAR-T试验初期将治疗定义为“单次输注”，但实际中60%患者在回输后接受了免疫调节剂。若不把“+免疫调节剂”写进治疗定义，主分析结果就无法外推到真实临床场景。

2.3.3 目标变量（Endpoint）：不是“你测了什么”，而是“你承诺解释什么”

• 致命陷阱：把“总生存期（OS）”当万能终点。但OS受后续治疗、交叉用药、非疾病死亡等严重干扰。

• 蓝皮书直击：

  • 若估计目标是“药物对肿瘤本身的抑制能力”，OS就不是好变量——应选PFS（无进展生存期）或ORR（客观缓解率）；
  • 若目标是“药物对患者总生命长度的影响”，则OS合理，但必须明确定义“死亡原因是否归因于疾病”（如非疾病死亡是否删失）。

• 参数级要求：不仅要写“PFS”，还要写清：

  “PFS定义为从随机化至首次出现RECIST v1.1标准的疾病进展或任何原因死亡的时间；影像学评估由独立中心阅片，盲态维持至数据库锁定。”

2.3.4 伴发事件（Intercurrent Event）及处理策略：临床试验的“不可抗力清单”

这是E9(R1)最革命性的突破——首次把临床现实中的“意外”，从统计学的“噪声”，升格为科学问题的“核心变量”。

• 伴发事件三要素（缺一不可）：

  1. 时间上：发生在随机化之后（治疗开始后）；
  2. 逻辑上：影响治疗实施或终点解释（如停药、补救、死亡）；
  3. 因果上：无法通过随机化消除（不像基线特征，可平衡）。

• 不是所有“出状况”都算：

  • ✅ 合格：患者因AE停用试验药 → 影响治疗定义；
  • ✅ 合格：患者在随访中死于心梗 → 终止终点测量；
  • ❌ 不合格：患者忘记某天服药 → 方案违背，但若未影响疗效趋势，不构成伴发事件；
  • ❌ 不合格：患者入组前已有的高血压 → 发生在随机化前，属基线特征。

• 处理策略不是技术选择，而是科学立场声明：
  选“疗法策略”，等于说：“我关心的是这套治疗方案在真实世界的综合效果”；
  选“假想策略”，等于说：“我坚持要剥离所有干扰，只看药物本身的生物学效应”。
  ——没有优劣，只有是否诚实面对自己的科学意图。

2.3.5 群体层面汇总（Population-level Summary）：拒绝“平均数幻觉”

• 玄学警告：看到“两组均值差为1.2”，别急着下结论。均值掩盖了异质性。

• 蓝皮书强制要求：必须说明汇总方式，并论证其与临床问题的匹配度。

  • 对于“是否降低风险”，用风险比（HR）比均值差更合理；
  • 对于“多少患者达到缓解”，用比例（ORR）比中位PFS更直观；
  • 对于“生存时间延长多少”，中位OS差值比均值更稳健（因OS常右偏）。

• 案例警示：某心衰试验用“平均LVEF改善值”作主要终点，结果虽显著，但临床医生反馈：“我们不关心平均值，只关心有多少患者EF能提升到50%以上”——这就是汇总方式与临床需求脱节。

3. 五种伴发事件处理策略详解：选错策略，等于答错问题

3.1 策略本质不是“怎么算”，而是“你想证明什么”

五种策略常被误读为统计技巧，实则是五种不同的科学假设宣言。选错策略，不是计算误差，而是研究目的自相矛盾。

3.1.1 疗法策略（Treatment Policy Strategy）：拥抱真实世界的“混合效应”

• 核心思想：把伴发事件当作治疗方案不可分割的一部分。患者用了补救药？那就把补救药也纳入“治疗包”。
• 适用场景：
  • 监管审批关注“该药在临床常规路径下的综合价值”（如医保谈判、说明书适应症）；
  • 疗效信号强，伴发事件发生率低且组间均衡。
• 代码示意（R语言，简化版）：

  # 假设数据框df含列：treatment（A/B）、time_to_event、event（1=终点发生）、rescue（1=使用补救药） # 主分析：将rescue视为治疗的一部分，构建复合治疗变量 df$composite_treatment <- ifelse(df$treatment == "A" & df$rescue == 1, "A+rescue", ifelse(df$treatment == "B" & df$rescue == 1, "B+rescue", ifelse(df$treatment == "A", "A", "B"))) # 用Cox模型分析composite_treatment对time_to_event的影响 cox_model <- coxph(Surv(time_to_event, event) ~ composite_treatment, data = df)

• 参数说明：
  • composite_treatment：新构建的治疗变量，显式体现“治疗+补救”的捆绑关系；
  • 模型输出的HR，解释为“A+补救 vs B+补救”的风险比，而非“A vs B”。
• 致命风险：若A组补救率（30%）远高于B组（5%），则HR反映的主要是“补救药差异”，而非A药本身。

3.1.2 假想策略（Hypothetical Strategy）：在数据上“时间旅行”

• 核心思想：用统计模型“穿越”回伴发事件未发生的情景，预测本该出现的结果。
• 适用场景：
  • 探究药物纯生物学效应（如机制研究、早期临床）；
  • 伴发事件发生率高，但临床共识认为其不应干扰核心疗效判断。
• 关键约束（蓝皮书反复强调）：
  • 必须明确定义“假想情景”（如“假想患者未获得补救药” ≠ “假想患者无需补救药”）；
  • 必须用敏感性分析验证模型假设（如换不同插补模型、不同协变量集）。
• 代码示意（Python，多重插补）：

  # 使用fancyimpute库进行MICE插补（仅示意逻辑） from fancyimpute import IterativeImputer import pandas as pd # 数据：df含基线特征、治疗组、随访期HbA1c值（缺失处为补救后） # 步骤1：构建插补模型，仅用基线特征+治疗组+补救前数据预测补救后值 imputer = IterativeImputer( estimator=RandomForestRegressor(n_estimators=10), skip_complete=True, initial_strategy='median' ) # 步骤2：插补，生成m个数据集 df_imputed_list = [imputer.fit_transform(df) for _ in range(5)] # 步骤3：对每个数据集做ANCOVA，再Rubin规则合并结果

• 参数说明：
  • initial_strategy='median'：缺失值初值用中位数，避免引入偏差；
  • skip_complete=True：不插补完全观测的行，保证原始信息不被污染；
  • 必须报告：插补模型使用的协变量、缺失机制假设（MCAR/MAR）、各插补集结果变异度。

3.1.3 复合策略（Composite Variable Strategy）：把“失败”直接写进终点

• 核心思想：当伴发事件本身就是一种不良结局时，将其与原终点合并为新终点。
• 适用场景：
  • 伴发事件具有明确临床意义（如“死亡”、“治疗失败”）；
  • 目标是评估“治疗防止关键事件发生的综合能力”。
• 经典案例：心血管试验常用“MACE”（主要不良心血管事件）作为终点，即“心梗/卒中/心血管死亡”的复合。
• 代码示意（SQL，定义复合终点）：

  -- 假设表events含列：subject_id, event_type('MI','Stroke','CV_Death','Rescue'), event_time SELECT subject_id, CASE WHEN MAX(CASE WHEN event_type IN ('MI','Stroke','CV_Death') THEN 1 ELSE 0 END) = 1 THEN 'MACE' WHEN MAX(CASE WHEN event_type = 'Rescue' THEN 1 ELSE 0 END) = 1 THEN 'Rescue' ELSE 'None' END AS composite_endpoint, MIN(event_time) AS time_to_composite FROM events GROUP BY subject_id;

• 参数说明：
  • MAX(CASE...)：确保只要发生任一事件，即标记为对应类型；
  • MIN(event_time)：取最早发生事件的时间，符合临床紧迫性逻辑；
  • 注意：复合终点需预设权重（如MACE中三事件等权），否则解释困难。

3.1.4 在治策略（While-on-Treatment Strategy）：只认“在职期间”的业绩

• 核心思想：伴发事件发生后，患者即退出“考核期”，只分析此前数据。
• 适用场景：
  • 关注“药物在持续暴露下的即时效应”（如抗生素的细菌清除率）；
  • 伴发事件发生后数据质量急剧下降（如停药后随访失真）。
• 操作要点：
  • 终点需重新定义（如“治疗期间最佳缓解”替代“6周期后最佳缓解”）；
  • 时间尺度变为“暴露时长”而非“日历时间”。
• 代码示意（R，截断生存分析）：

  # df含列：treatment, start_time, end_time（停药时间）, pfs_time（原PFS时间） # 步骤1：计算实际暴露时长 df$exposure_duration <- pmin(df$end_time, df$pfs_time) - df$start_time # 步骤2：若pfs_time <= end_time，则事件发生；否则删失 df$event_flag <- ifelse(df$pfs_time <= df$end_time, 1, 0) # 步骤3：用暴露时长构建新的生存对象 surv_obj <- Surv(time = df$exposure_duration, event = df$event_flag) cox_model_wot <- coxph(surv_obj ~ treatment, data = df)

• 参数说明：
  • pmin()：取停药时间与PFS时间的较小值，确保不超“在职期”；
  • event_flag：仅当PFS在停药前发生，才算事件，否则视为删失；
  • 风险：若A组因AE停药率高，则WOT分析可能低估A药的真实PFS获益（因高风险患者被提前剔除）。

3.1.5 主层策略（Principal Stratum Strategy）：只研究“注定不会出事”的人

• 核心思想：不分析已发生的伴发事件，而是聚焦于潜在不会发生该事件的亚群（主层）。
• 适用场景：
  • 伴发事件是混杂因素（如治疗转组），需剥离其影响；
  • 有足够前期数据预估主层比例（如生物标志物预测耐药）。
• 数学本质：这是一个因果推断中的反事实框架，需用贝叶斯或结构模型估计。
• 蓝皮书警示：
  • 主层人群通常无法直接观测（因“未发生”是反事实），需通过基线特征建模；
  • 若主层比例过小（<10%），估计值方差极大，结果不可靠。
• 代码示意（概念性伪代码）：

  # 步骤1：用基线特征（如基因突变、LDH水平）训练模型，预测"永不转组"概率 ps_model = LogisticRegression() ps_model.fit(X_baseline, y_never_switch) # y_never_switch需来自历史数据 # 步骤2：对当前试验患者，预测其属于主层的概率 df['ps_prob'] = ps_model.predict_proba(X_current)[:, 1] # 步骤3：加权分析（逆概率加权IPW） df['ipw_weight'] = 1 / df['ps_prob'] # 简化，实际需处理0概率 weighted_cox = coxph(Surv(time, event) ~ treatment, data=df, weights=ipw_weight)

• 参数说明：
  • y_never_switch：需来自外部队列或历史试验，不能凭空假设；
  • ipw_weight：对主层概率高的患者赋小权重，概率低的赋大权重，以模拟“全为主层”的虚拟总体；
  • 必须报告：主层定义依据、预测模型性能（AUC）、加权前后样本量变化。

4. 常见误区与易混概念：十个临床统计人，九个在这里栽过跟头

4.1 误区一：把“估计目标”当成“统计分析计划”的子集

• 易混点：认为估计目标只是SAP里“分析方法”章节的第一段话。
• 为什么混：传统SAP写作习惯是“先写方法，再写假设”，导致估计目标被淹没在技术细节中。
• 怎么区分：
  • 估计目标是SAP的“宪法”：SAP全文必须服从它，而非相反；
  • 蓝皮书硬性规定：估计目标必须在方案“研究目的”章节后独立成章，且标题为“估计目标”，不得与“统计分析方法”混写；
  • 检查清单：若SAP中找不到“估计目标”四字标题，或其内容未覆盖五大属性，则该SAP不符合E9(R1)。

4.2 误区二：混淆“伴发事件”与“方案违背”

• 易混点：把患者漏服一次药、访视迟到3天，都列为伴发事件。
• 为什么混：两者都发生在随机化后，且都“违反方案”。
• 怎么区分：

  维度	伴发事件	方案违背
  是否影响终点解释	是（如停药导致PFS无法评估）	否（如单次漏服，PK显示暴露量仍达标）
  是否需在估计目标中处理	必须定义策略	无需，按方案规定处理（如剔除、敏感性分析）
  是否影响目标人群定义	可能（如转组者进入新主层）	否

  • 蓝皮书案例：某试验将“日间服药时间偏差>2小时”列为方案违背，但因药代动力学显示Tmax波动在此范围内不影响疗效，故不构成伴发事件。

4.3 误区三：认为“敏感性分析=多跑几个模型”

• 易混点：在SAP里罗列“ANCOVA、Cox、Logistic回归、GEE”四种方法，称其为敏感性分析。
• 为什么混：未理解敏感性分析的本质是检验主估计方法的假设鲁棒性。
• 怎么区分：
  • 正确做法：针对主估计方法的单一关键假设，设计一个分析变体。
    • 主分析假设缺失数据为MAR（随机缺失），则敏感性分析用MNAR（非随机缺失）模型（如delta调整法）；
    • 主分析用线性模型，敏感性分析用分位数回归（检验中位数效应是否一致）。
  • 蓝皮书红线：若多个敏感性分析同时改变模型+缺失假设+协变量，结果差异无法归因，即失效。

4.4 误区四：把“主估计方法”等同于“主要分析”

• 易混点：方案写“主要分析采用Kaplan-Meier法”，就以为完成了估计目标定义。
• 为什么混：KM法是描述性工具，不涉及治疗效应估计（无HR、无置信区间）。
• 怎么区分：
  • 主估计方法必须产出三个东西：
    1. 点估计（如HR=0.75）；
    2. 变异度度量（如95% CI: 0.62–0.91）；
    3. 假设检验（如log-rank P=0.008）。
  • KM法只能提供第1项（中位数），必须接Cox模型才能完成主估计。
  • 蓝皮书示例：某方案写“主要分析：KM曲线+log-rank检验”，被监管退回，要求补充“Cox模型的HR及CI”。

4.5 误区五：忽略“估计目标”对数据管理的影响

• 易混点：认为CDISC/SDTM映射、CRF设计是DM部门的事，与统计无关。
• 为什么混：未意识到数据结构必须支撑估计目标的五大属性。
• 怎么区分：
  • 伴发事件原因必须作为独立变量采集：如rescue_reason（1=疗效不足，2=AE，3=依从性差），而非仅rescue（0/1）；
  • 治疗暴露时长必须实时计算：不能只存“开始日期/结束日期”，需存每日用药记录，以支持WOT策略；
  • 蓝皮书检查表：在CRF设计阶段，需由统计师签字确认：“所有伴发事件相关字段，均满足五大属性定义需求”。

5. 什么时候用、什么时候别用：一份来自一线统计师的血泪清单

5.1 场景一：你的药是“First-in-Class”，机制全新，但临床路径不清晰

• 典型表现：

  • 医生不知道何时该加二线药；
  • 患者停药原因五花八门（AE、疗效差、经济原因）；
  • 既往无类似药的伴发事件发生率数据。

• 推荐策略组合：

  • 主估计目标：假想策略（聚焦纯药效）；
  • 敏感性分析：必须包含疗法策略（评估真实世界潜力）+ 复合策略（若停药=失败）；
  • 数据收集重点：强制记录停药原因、时间、后续治疗，哪怕增加访视负担。

• 为什么这样选：
  First-in-Class的价值首先在于“它能不能起效”，而非“它在混乱临床中好不好用”。假想策略守住科学底线；而疗法策略的敏感性分析，为后续开发真实世界证据（RWE）埋下伏笔。若此时主推疗法策略，等于把未验证的临床假设当成了真理。

• 我的教训：
  三年前负责一款靶向新药I期，团队倾向用疗法策略，理由是“要贴近临床”。我坚持用假想策略为主，只因当时连“什么是合理补救时机”都无共识。结果NDA时，FDA赞赏我们“清晰区分了机制探索与价值评估”，而同期另一款药因主分析用疗法策略，被要求补充假想策略分析，延迟上市8个月。从那以后，我每次启动I期，都强制走一遍“假想情景临床访谈”——找5位KOL，问他们：“如果完全不许补救，您觉得这个药能走多远？”

5.2 场景二：你的适应症是慢性病，标准治疗成熟，伴发事件发生率高且组间不均衡

• 典型表现：

  • A组因AE停药率40%，B组仅15%；
  • 补救治疗在A组更早、更频繁；
  • 主要终点（如HbA1c）在停药后迅速反弹。

• 推荐策略组合：

  • 主估计目标：主层策略（聚焦“耐受性良好者”）；
  • 敏感性分析：在治策略（看在职期效果）+ 复合策略（停药=治疗失败）；
  • 数据收集重点：基线预测因子（如基因多态性、基线AE史），用于建模主层。

• 为什么这样选：
  当组间伴发事件率差异过大，任何将停药后数据纳入的策略（疗法、假想）都会导致比较失真。主层策略虽牺牲普适性，但能给出“该药对适合人群的确切价值”，这对医生选患者至关重要。而复合策略的敏感性分析，则直接回应监管最关心的“安全性-有效性平衡”。

• 代码实战（R，主层建模）：

  # 使用历史数据训练主层预测模型（此处用逻辑回归简化） # y_main_stratum: 1=预测永不因AE停药，0=其他 main_stratum_model <- glm(y_main_stratum ~ baseline_AE_score + CYP2C19_status + age, data = historical_df, family = binomial) # 应用至当前试验，计算主层概率 current_df$ps_prob <- predict(main_stratum_model, current_df, type = "response") # 定义主层：ps_prob > 0.7（经模拟验证的阈值） current_df$in_principal_stratum <- ifelse(current_df$ps_prob > 0.7, 1, 0) # 主分析：仅限主层人群，用Cox模型 principal_stratum_cox <- coxph(Surv(pfs_time, pfs_event) ~ treatment, data = subset(current_df, in_principal_stratum == 1))

• 参数说明：

  • baseline_AE_score：基线不良事件风险评分（非主观，需有文献支持）；
  • CYP2C19_status：代谢酶基因型，影响药物清除，与AE强相关；
  • ps_prob > 0.7：阈值非随意，需通过模拟验证——当真实主层比例为20%时，此阈值能捕获其中85%且特异度>90%。

5.3 场景三：你的终点是患者报告结局（PRO），主观性强，伴发事件影响解释

• 典型表现：

  • 主要终点是“疼痛评分改善≥2分”；
  • 患者因疼痛加剧而停药，但停药后疼痛反而缓解（因脱离刺激源）；
  • PRO问卷在停药后仍被填写，但医生质疑其真实性。

• 推荐策略组合：

  • 主估计目标：在治策略（只认用药期间PRO）；
  • 敏感性分析：假想策略（用混合效应模型插补停药后PRO）+ 复合策略（停药=疼痛未改善）；
  • 数据收集重点：PRO填写时的用药状态（必须同步记录）、疼痛诱因（是否与药相关）。

• 为什么这样选：
  PRO的本质是“患者当下的感受”，一旦停药，感受基准已变。在治策略尊重PRO的时序性；而假想策略的敏感性分析，则检验“若坚持用药，感受是否会更好”，这对患者教育有价值。

• 我的习惯：
  凡涉及PRO的试验，我在SAP里必加一条：“所有PRO问卷页眉，必须印有醒目提示：‘请仅基于您当前用药状态填写本页’”。曾有一个项目因忽略这点，患者在停药后仍按记忆填写“过去一周疼痛”，导致主分析结果虚高。从那以后，我每次审核CRF，第一个看的就是PRO页面的提示语。

希望帮到你。

本文还有配套的精品资源，点击获取