如何阅读临床结果

终点

在任何数字有意义之前，先问：一个关于什么的数字？

一项研究测量和计数的东西就是其终点。其他一切——比值、范围、p 值——都围绕着那个选定的结局。改变终点，每个数字也随之改变。

在 AI 试验中，主要终点是14 天内的治疗失败——在试验开始前决定，由一组不知道哪些患者使用了 AI 的临床医生判定。最后那个细节很重要：一个预先固定并盲法打分的结局，远比一个在结果出来后才挑选的结局更难欺骗自己。

注意当一个研究有超过一个终点时会发生什么。在我们报道的一项诺如病毒疫苗试验中，疫苗同时以两种方式接受测试：它是否阻止了实际疾病（胃肠炎），以及它是否阻止了实验室可检测到的感染？它错过了第一个，击中了第二个。两个结果都是真实的；它们只是回答不同的问题。试验预先选定的主要终点是疾病那一项——因此，诚实地报告，该试验未达到其主要终点，尽管它显然做了些事情。

• 它意味着什么： 终点是记分板。先读它。
• 它不意味着什么： 在次要的或事后指标上的一个好结果，不等同于达到预先注册的主要终点。
• 陷阱： 标题可以引用听起来最好的那个终点。永远问实际测量了什么，以及它是否就是研究人员预先承诺的那个结局。

比值比

比值比 0.77。 比值比是比较两组的一个单一数字。经验法则：

• 1.0 意味着组间无差异。
• 低于 1.0 意味着该事件在治疗组中较少发生。
• 高于 1.0 意味着它更多发生。

因此 0.77 表示 AI 组出现不良结局的比值大约是对照组的四分之三——如果数字是真实的。（把握住那个"如果"；接下来的部分就是我们要如何检查它。）

“调整后”——即 aOR 里的a——意味着研究者使用了统计学来解释组间的其他差异，这里是有些诊所从一开始就与其他诊所不同。你会遇到比值比的近亲：风险比 (RR) 和风险比率 (HR)。它们的计算方式不同，但解读方式相同：1.0 是"无差异"线。

• 它意味着什么： 两组之间一个紧凑的"多了多少，或少了多少"。
• 它不意味着什么： 它不告诉你事件有多常见，或多少真实的人受到了影响。比值隐藏了其基线。
• 陷阱： "比值降低 25%"听起来很戏剧化。它是否重要完全取决于结局一开始有多常见——这正是下一个数字。

绝对 vs 相对

这是几乎骗倒所有人的一个，因此值得放慢速度。

以诺如病毒的数字为例。疾病发生在安慰剂组的 56.9% 和疫苗组的 44.7%。你可以用两种诚实的方式描述同一个差距：

• 绝对： 低 12.2 个百分点（56.9 减去 44.7）。
• 相对： 低约 21%（12.2 大约是 56.9 的五分之一）。

两者都是真实的。它们描述的是同一个结果。而它们感觉完全不同——这正是听起来更大的那个，相对数字，成为新闻稿宠儿的原因。

"百分点"和"百分比"不是同一个词。利率从 5% 降到 4% 是下降一个百分点，但你所支付的利息是削减了 20%。把它们搞混是一个微小变化被吹成巨大变化的方式。

最清晰的警告来自罕见事件。"减少 50%"听起来巨大。但如果该事件在 1000 人中发生 2 例，现在变为 1000 人中 1 例，那个 50% 是一千人中少了一个人。回到 AI 试验，比值比 (0.77) 听起来像提高了 23%——然而在绝对意义上，不良结局发生在对照组的 2.0% 和 AI 组的 2.2% 之间，差距不到一个百分点。（原始百分比和调整后估计在组间不同时可能指向不同方向；这就是为什么两者都必须仔细阅读——此处调整后的 0.77 偏向一个方向而原始比率偏向另一个。）

• 它意味着什么： 永远找到绝对数字——每组的实际比率。
• 它不意味着什么： 一个大的相对数字不承诺一个大的真实世界变化。
• 陷阱： 没有基线的相对数字。如果有人只给你一个百分比缩减，问"在多少人当中，且原来有多常见？"

置信区间

95% CI 0.55 到 1.08。 单一数字 (0.77) 是研究的最佳单一猜测。置信区间是与数据仍合理相容的值的范围。狭窄区间意味着研究锁定了答案；宽阔区间意味着"我们诚实地说不确定。"

一个问题在这里做大部分工作：区间是否包含"无效应"？ 对于一个比值来说，"无效应"是 1.0。我们的区间从 0.55 到 1.08——它跨越了 1.0。因此数据与一个真实益处 (0.55)、与毫无效应 (1.0)，甚至与一个轻微伤害 (1.08) 都相容。当区间包含无效应时，你不能声称一个效应——句号。研究就是没有锁定结果。

比较来自同一试验的两个诺如病毒终点：

• 疾病： 差异 12.2 个百分点，95% CI −4.24 到 28.61。该范围跨越了零（无差异），因此结果是不确定的。
• 感染： 差异 23.6 个百分点，95% CI 7.4 到 38.0。该范围完全在零以上，因此这一个是一个真实信号。

同一项研究，同一种疫苗，两个区间，两个不同的定论。区间是诚实所在的地方。

• 它意味着什么： 我们有多确定，表示为一个范围。
• 它不意味着什么： 点估计不是"答案"，两个端点也不是同等可能——靠近中间的值更可信。
• 陷阱： 读单一数字而忽略范围。范围就是要点。

P 值

P = 0.13。 p 值回答一个狭窄的、滑溜的问题：如果事实上不存在任何效应，纯粹的偶然性多久会产生一个至少这么大的差距？ P = 0.13 意味着大约 13% 的情况下——足够常见以至于我们无法排除巧合。

按照长久以来的惯例，研究者通常在 P 低于 0.05 时称一个结果为"统计显著"。知道 0.05 是一个约定——一条由习惯画下的线，而非自然定律——会有所帮助。我们的 P = 0.13 位于其上，因此 AI 结果是"不显著的"。

两个陷阱住在这里，两者都很大：

• “显著"不意味着"大"或"重要”。 在一项足够大的研究中，一个太小以至于无关紧要的差异仍然可能过线。
• “不显著"不意味着"被证明为零”。 很多时候它意味着"这项研究无法判断。"证据的缺失不是缺失的证据。

这就是为什么，在可以的时候，置信区间比 p 值告诉你更多：区间显示了仍在桌上的全部范围，而不是将其压成一个单一的通过/不通过印章。

样本量

研究中包含多少人，且这足以看到他们正在寻找的效应吗？那种能力——一项研究在真实效应存在时检测到它的能力——被称为其统计功效。

AI 试验招募了约 9,700 名患者，听起来足够多了。但不良结局是罕见的——约 2%——而罕见结局需要巨大的数字才能可靠比较。作者令人耳目一新地坦诚：要确认他们看到的那种大小的效应，你将需要大约10 万名患者之类的东西。因此"不显著"在这里主要意味着"这项试验规模太小无法判断"，而非"肯定什么都不存在。"

想想在一个嘈杂的房间里听一声低语。一次快速聆听几乎不告诉你什么；你可能需要许多次仔细重复才能诚实地判断低语是否真实。一项低功效的研究就是一次快速聆听。

• 它意味着什么： 规模更大的研究能看见更小的效应；罕见结局要求大规模研究。
• 它不意味着什么： 一项小型研究的无效结果不是什么都没发生的证明。
• 陷阱： 将"我们无法检测到它"当作"它不存在"。

综合起来

现在我们有全部五个。一旦你看到它们如何配合，一句翻译就浮现出来：

aOR 0.77, 95% CI 0.55–1.08, P = 0.13 → “在试验的约 9,700 名患者中，该 AI 工具在总计上略微偏向于将不良结局减少约四分之一，但分析显示该效应可能在零到接近一半之间变化，且该数据与纯偶然性的解释并无明显区别——我们不确定。”

这就是整件该死的事情。不是"它有效。"不是"它失败了。"只是我们还不确定——诚实而完整。

临床结果阅读清单

• 终点： 我们测量了什么，能相信那个测量吗？
• 比值比 / 风险比 / 风险比率： 效应的方向和大致大小是什么？
• 绝对数字： 实际比率是多少，受影响的真实人数是多少？
• 置信区间： 与数据相容的效应范围是什么？它是否包括无效应？
• P 值： 如果实际上什么都不存在，纯偶然性有多容易产生这个结果？
• 样本量 / 功效： 该研究规模是否足以检测一个合理大小的影响？

按顺序阅读，任何临床结果都会自行翻译成一句你不需要 MBA 就能评判的诚实句子。