医学统计学上的2个陷阱，你知道怎么避开么？
David Freedman提出“统计学是对令人困惑费解的问题作出数学假象的艺术”。医学统计学是从事物同质性与变异性的数量表现出发，通过一定数量的观察、对比、分析，揭示那些困惑费解的医学问题的规律性，即由偶然性的剖析中，发现事物的必然性，并用于指导医学的理论和实践的科学。
医学统计学同时作为一门艺术，必须在统计理论的指导下，正确运用统计学思维，针对数据特点，巧妙地选用恰当、高效的统计学分析方法，从而得出可靠的结果和科学的结论。
随着医学的发展，作为医学科学研究方法的医学统计学已逐渐为广大医务工作者和医学科学工作者所认识，接受并广为应用[1]。然而，在统计调查和分析中，人们往往会受到一些表象或虚假片面信息的影响而作出误判，由此而产生偏见，下面，我们就来谈谈我们在工作中经常会被带偏的两个偏差——随访时间偏差和幸存者偏差。
随访时间偏差：
随访时间越短，生存时间被高估
首先我们要了解一下生存分析的概念，在许多肿瘤研究中，评估的主要终点是病人接受干预后到某个事件发生的时间，这段时间通常被称为生存时间，最常见的2个终点指标是无进展生存期（PFS）和总生存期（OS）。
然而生存分析中最大的难题在于，在一定时间内并不是所有试验对象都会经历定义的目标事件，以至于我们并不能确切地知道这些试验对象的生存时间，这种现象我们称为数据的删失（censoring）。
在医学研究中，被删失的生存时间大多会低估真实（但未知）的事件发生时间，为了避免删失对结果的影响，我们需要有足够有效的随访时间，以获取足够多的目标事件来确保统计检验有足够的效能。
举个例子
某一类型的肿瘤患者在现行干预手段下5年生存率有50%，而现在有一项新药研究，随访时间只有3年，那么很有可能在3年随访期内不足以获取足够的目标事件（死亡），大多数数据为删失状态，在这种情况下，试验组的生存率会被高估[2,3]。因此，中位随访时间的长短也是判断研究结果是否可靠的一个重要指标。之后，还请认真对待中位随访时间，这个在文献中经常出现又经常被你忽视的数据。
思考
有两个结构非常相似的第三代表皮生长因子受体酪氨酸激酶抑制剂（EGFR-TKI），分别展开了名为AURA Ex（奥希替尼）[4]和APOLLO（国产三代EGFR-TKI）[5]的研究。这两个研究都是Ⅱ期剂量扩展队列，样本量分别是201例和244例。在AURA Ex[4]研究中，随访时间是13.2个月，PFS是12.3个月，缓解持续时间（DOR）是15.2个月；在APOLLO[5]研究中，随访时间是11.8个月，PFS也是12.3个月，DOR是12.4个月，那么您认为到底哪个数据的结果更可靠？
幸存者偏差：
请不要再用不良事件预测疗效了
幸存者偏差一词的出现还要从二次世界大战的一则故事说起。第二次世界大战时，美英联军对德国展开了大轰炸。但由于德国防空力量强大，美英空军损失惨重。国防部找来飞机专家，要求研究战斗机受损情况，以便对战斗机进行改进。专家们检查了执行任务归来的飞机，发现所有返回的飞机机腹都遍布弹痕，但机翼却完好无损。于是专家们推断，机腹非常容易受到炮火攻击，应该改进机腹的防护能力。
但美国国防部特邀的美国哥伦比亚大学著名统计学家沃德教授却认为：这证明被击中机翼的飞机都坠落了，而仅仅被击中机腹的飞机都返航了，故应该加强防护的是机翼，而不是机腹。最终国防部采纳了沃德教授的建议。不久之后，联军轰炸机被击落的比例，果然显著地降低了。
为了确认这个决策的正确性，一段时间后，英国军方动用了敌后工作人员，搜集了部分坠毁在德国境内的联军飞机残骸，他们中弹的部位，果真如沃德教授所预料，主要集中在驾驶舱与发动机的位置。真所谓看不见的弹痕最致命!
飞机专家们之所以得出改进机腹的结论，是以能飞回来的飞机作为研究对象；而统计学家之所以得出相反的结论，是以那些没能飞回来的飞机作为主要研究对象得出的。观察和分析的角度不同，结论就不同。统计学里将上述情况称为幸存者偏差。它给我们的启示是：我们不能只看到成功者，因为这可能会总结出一些不靠谱的“经验之谈” [6]。
在临床研究中也经常发生类似的偏差，比如某药物疗效不错，但不良事件发生率较高，为了让医生能更加接受这款药物，因此做了一个事后分析。结果发现：不良事件发生率较高的患者，疗效更好。所以得出结论，不良事件发生率高的患者疗效更好。很显然，这个分析也掉进了“幸存者偏差”这个陷阱。因为只有用药时间足够长的患者，不良事件的发生率才会更高，所以不良事件发生率高的患者正是那些被“幸存”下来的患者！
如何消除幸存者偏差？最显而易见的办法当然是让“沉默的数据”说话。双盲研究设计和详细、全面、客观的数据记录都是消除幸存者偏差的良方。所谓兼听则明也是这个道理，抛掉对个案的迷信，全面系统地获取调查资料，才能克服幸存者偏差的出现[6]。
