真实世界临床研究专栏：敏感性分析理论与方法课程上线
《真实世界临床研究（回顾性数据分析）》专栏课程：敏感性分析理论与方法
摘要
2026年8月6日，医学论文与统计分析平台发布《真实世界临床研究（回顾性数据分析）》专栏课程，聚焦敏感性分析理论与方法。课程面向临床研究者，系统讲解敏感性分析在回顾性数据分析中的应用，包括方法选择、实施步骤及结果解读，旨在提升真实世界研究的稳健性。
AI 主编 · 推荐理由推荐理由
真实世界证据是药械注册和监管决策的重要支撑，敏感性分析是评估结果稳健性的关键。建议注册、医学事务及统计人员学习，以提升研究质量，满足监管机构对真实世界证据的严格要求。
五维评分
正文
本文整理自郑老师统计团队《真实世界临床研究（临床回顾性数据分析）》专栏课程，重点介绍敏感性分析理论与方法。完整视频教程，请点击文末“阅读原文”获取。
审稿人想让我加一个敏感性分析，到底是什么方法，应该要怎么做
？今天这篇推文就给大家讲清楚。
在观察性研究中，我们常常被问到一个“灵魂拷问”：你的结果可靠吗？如果换一种缺失数据处理方法，结论还会一样吗？如果多调整几个协变量，效应会不会消失？”这些问题直指研究的稳健性。而回答它们，正是敏感性分析的使命。
什么是敏感性分析？
先看两个词：敏感 vs 稳健。
研究结果是稳健的(Robust)，即使改变了某些条件或者调整了某些因素以后，结果依然稳定；反之，如果条件稍有变动，结论就大相径庭，说明结果过于敏感（Sensitive）——这时候，我们使用结论就得格外小心。
著名的著作“流行病学词典” 给出的定义是:
敏感性分析是一种通过改变方法、模型、未测量的变量值及假定来考察结果的改变程度，以确定评估方法的稳健性。敏感性分析的目的是识别那些最易被可疑的，无支持的假设影响的结果。
简单说：它是观察性研究的“压力测试”。
为什么要做敏感性分析？
观察性研究没有随机化，面临大量“干扰源”。
缺失数据如何处理？
指标定义（暴露、结局、协变量）如何界定？
回归模型选哪个？协变量调哪些？
数据来自异质性人群，是否存在偏倚？
未测量的混杂因素是否暗中作祟？
这些问题每个都可能“带偏”结论。敏感性分析就是主动“拷问”自己的结果，看它在不同合理设定下是否仍然站得住脚。
敏感性分析应该怎么做？
1️⃣ 换“分析人群”
采用不同的分析集（如ITT、FAS、PPS）或筛选特定亚组（如只选基线高认知人群、排除早期发病者），看结果是否一致。
2️⃣ 换“分析数据”
离群值：剔除离群值再跑一遍，或改用稳健回归；
缺失值：用完全数据（不填补）跑一遍，与多重插补后的结果做对比。
3️⃣换“指标定义”
改变暴露因素或结局的定义（如定量转等级、按不同切点分组），重新进行分析。
4️⃣换“统计学方法”
单因素分析换成多因素回归；
普通Cox回归换成竞争风险模型（Fine-Gray模型），检验方法选择带来的影响。
5️⃣ 换“协变量控制”
采用多模型策略或改用倾向性评分匹配、加权等方法，观察效应值的变化。
6️⃣ 检验“模型假定条件”
正态性：做log转换后比较参数与非参数检验结果；
线性：改用限制性立方样条（RCS）或趋势性检验；
等比例风险：改用限制性平均生存时间（RMST）。
7️⃣评估“未测混杂”
直接计算 E-value：
E值大 → 需要很强的未测混杂才能推翻结论，结果较稳健；
E值小 → 很弱的混杂就可能推翻结论，需谨慎解读。
一句话概括，就是针对研究中关键的方法学决策点（如缺失数据处理、协变量调整策略、未测混杂控制等），逐一采用合理的替代方案进行重复分析，若主要效应估计值的方向保持一致且置信区间重叠，则认为结果具有较好的稳健性。
针对上述敏感性分析内容，我们的 “ 真实世界临床研究（临床回顾性数据分析） ” 课程中有详细讲解，并且结合文献案例，带你快速掌握。
部分课程截图：
本文内容摘自郑老师统计专栏课程《真实世界临床研究（临床回顾性数据分析）》，点击左下方“阅读原文”可以观看完整讲解视频及获取全套课程资料。
更多医学统计培训课程（含因果推断，机器学习，公共数据库挖掘，临床数据分析等）：
购买方式
可以添加下方助教微信咨询详情，扫描购课二维码购课。
可开技术服务费、培训费、咨询费等发票；可出具课程学习通知，方便报销，可以对公转账。
助教二维码，联系咨询
购课二维码，直接购买