长期以来，随机对照试验（RCT）被视为临床证据的“金标准”，但实际实施过程中RCT往往不可行，太昂贵或不符合伦理。
因此，观察性研究成为重要的替代手段。然而，优势同样伴随着风险，观察性研究很容易引入偏倚。正因如此，STROBE声明才强调：观察性研究必须接受严格评估。
今天分享一篇发表在《Intensive Care Medicine》（医学一区top，IF=21.2）文章，探究团队旨在加强读者对观察性研究的评估，总结了此类研究中的关键方法和统计考量。
研究团队首先提炼出9个核心问题，这9个问题看似零散，实则可以归类为三个主线：
- 因果关系的有效性（问题1、2、5、6）：我们看到的关联是真实的吗？
- 数据的完整性（问题3、7）：数据是否可靠？缺失和多重比较是否扭曲了结论？
- 模型的可靠性（问题4、8、9）：模型本身靠谱吗？结论能推广吗？
对于些问题，研究团队是如何解答的呢？下面我们一条一条拆解。
问题1：调整混杂变量，必须尊重“时间顺序”
混杂变量是与暴露和结局都相关的变量，若不正确调整会扭曲真实关联。文章强调，调整混杂变量时必须尊重时间顺序。
- 只有发生在暴露之前、或者和暴露同时发生且不受其影响的变量，才有资格进模型。暴露发生后才出现的变量，哪怕看着像混杂，也不能调，否则偏倚更大。
举个例子，一项研究探讨“既往健康”对脓毒症短期死亡率的影响。年龄是基线混杂变量，应在模型中调整。
如果考虑阴离子间隙水平也可能是短期死亡率的混杂因素，则应在入院时测量，而不是在随访期间测量，以避免暴露后变量引入偏倚。
问题2：构建DAG，避开“碰撞偏倚”的陷阱
有向无环图（DAG）是基于先验知识绘制的因果图，用于识别哪些变量需要调整、哪些不能调整——尤其是碰撞变量。文章强调，DAG不能证明因果关系，但能帮助研究者识别潜在的碰撞偏倚。
例如，在前面提到的脓毒症研究中，患者按CDC标准（血培养阳性+至少4天抗生素）入选。
- 有合并症的患者因治疗更积极，更早达到标准；
- 而健康患者较晚才达到。
结果，在入选人群中“既往健康”反而与更差的结局相关。
这里的CDC标准就是一个碰撞变量——它同时受暴露（健康状态）和结局的决定因素（疾病严重程度）影响，对它的条件限制产生了虚假关联。
【特别补充】中介变量：别把它当混杂调了！
中介变量位于暴露和结局的因果路径上。也就是，暴露先影响中介，中介再影响结局。
举个例子，还是前面那项脓毒症研究。
先前的健康状态会影响入院时的肾小球滤过率（GFR），而GFR的好坏又会影响短期死亡率。
在这里，GFR就是一个中介变量——它解释了“为什么健康的人结局更好（或更差）”。
文章特别提醒，中介变量和混杂变量，在模型里处理方式完全不同。
- 混杂变量：必须调整，否则关联是偏的。
- 中介变量：不能当作普通协变量直接调整！一旦调整，就等于切断了暴露→中介→结局这条路径，反而会低估真实的总效应。
想研究中介作用，需要用专门的中介分析方法，而不是把它扔进多因素回归里了事。
问题3：缺失数据怎么处理？先看机制和比例
观察性研究几乎必然存在缺失数据，关键是如何处理。文章提醒读者盯住三件事：
- 缺失机制是完全随机缺失（MCAR）、随机缺失（MAR）还是非随机缺失（MNAR）？
- 是否展示了缺失模式图？
- 是否比较了完整数据与不完整数据患者的基线特征？
若为MCAR或MAR且缺失比例不高，可采用多重插补，但当缺失超过60%时应谨慎。
问题4：谨慎选择模型，警惕“过拟合”
过拟合指模型过度贴合训练数据，失去对新数据的推广能力。文章指出，过拟合的影响因建模目的而异。
- 预测模型若过拟合，会高估预测效能；
- 调整模型若过拟合，则可能导致效应估计不稳定。
可采用惩罚回归（如Lasso）、交叉验证等技术控制模型复杂度。文章特别提醒，“每个协变量10个事件”的经验法则并非铁律，模拟研究表明，许多方法可适应更少的每个协变量事件数。
问题5：倾向性评分，必须看“共同支持”和“协变量平衡”
倾向性评分（PS）是观察性研究中最常用的调整方法之一。研究团队指出，读者应重点关注两个关键信息：
- 第一，共同支持区域：即治疗组和未治疗组PS分布的重叠程度。加权之后两组曲线能叠在一起，才说明可比性有了基础。
- 第二，协变量平衡：加权后各协变量的标准化均值差（SMD）应降至0.1以下，表明组间协变量已达到平衡，可比性增强。
另外，PS加权和PS匹配回答的是不同问题：
- 加权：干预在全人群的效果（ATE）
- 匹配：干预在实际治疗者中的效果（ATT）
选择哪种，取决于临床问题。
问题6：稳健性+敏感性，双重检验更可靠
即使经过PS调整，观察性研究仍无法完全排除未测量混杂的影响。这时候得看两个分析：
- 稳健性分析：结果会不会被一两个极端值带跑？
- 敏感性分析：改一下假设，结果还稳吗？
常用工具是E值——算出来数值越大，说明结论越扛打。如果不同的统计方法得出一致的结果，则可信度再加分。
问题7：多重比较，校正与否是个问题
观察性研究经常一次测一堆假设，假阳性风险（I类错误）自然高。但也有学者提醒，过度校正可能漏掉真发现（II 类错误），尤其在探索性分析中。
合理做法是，主要结局和关键次要结局，事先定好，不用校；其他结果，就当探索性看看，不宜过度解读。
不过，在组学等大数据研究中，多重比较调整已是常态。
问题8：模型假设，必须在方法部分说清楚
任何统计模型都有其假设——线性回归要求残差正态分布、独立观测；逻辑回归假设对数优势与自变量呈线性关系。
文章强调，作者应在方法部分明确说明这些假设，并描述如何检验。
而最理想的做法是，公开统计代码和数据，让读者能自行验证模型假设。
问题9：结果能否推广？关注“目标人群”
可推广性（即外部有效性）指研究样本的结论能否有效扩展到目标人群。
研究者应当评估：研究样本是否具有代表性？入选标准是否过于严苛？选择偏倚是否可能影响结论？
事实上，研究者应仔细考虑选择偏倚。这种偏倚可能来自于用于选择感兴趣人群的方法，例如，不适当的抽样方法可能导致对结果的误导性解读。
总结
生物统计方法越来越强，观察性研究也能拿出硬核证据。但方法越复杂，解读门槛越高。
这9个问题，其实就是三件事：
- 关联是不是真的？
- 数据是不是稳的？
- 模型是不是对的？
下次看观察性研究，把这9个问题过一遍。能答上来的，值得细读；答不上来的，随手翻翻就行。
方法对了，数据才能说话；方法错了，再大的样本也是噪音。
