内容解读
研究实施时看起来一切正常，为什么到了统计分析才发现数据不能用？
在IIT临床研究中，研究实施时看起来一切正常，为什么到了统计分析才发现数据不能用？这并不是个别项目的偶然现象，而是研究设计、数据采集和质量管理没有被作为一个整体考虑时经常出现的结果。
问题不在表面
最常见的认识偏差是：认为数据能导出、表格有数值，就一定能够完成统计分析。这种做法看起来节省了前期时间，却容易把问题推迟到入组、随访、数据清理甚至统计分析阶段。到了这个时候，修改数据库、回溯补录和重新解释数据的成本都会明显增加。
本讲核心结论
本讲的核心结论是：数据采集关注“有没有记录”，统计分析关注“能否按预定规则计算、比较和解释”，两者若未提前对齐，问题就会在末端集中暴露。
问题为什么发生
问题通常来自三个层面。第一，终点算法所需变量没有完整采集或时间点不一致。第二，编码、单位、缺失值和重复测量缺少统一规则。第三，数据结构不适合分析，修改历史和衍生规则缺少说明。这些问题相互叠加后，会表现为缺失值增加、Query反复、中心间口径不一致、统计阶段无法直接使用等现象。
一个典型场景是：研究计划比较治疗前后变化，但数据库只有检查日期，没有明确“基线/治疗后”标识，也没有统一允许窗口。统计时无法稳定判断每条记录属于哪个分析时间点。
四步改进路径
更可执行的改进路径可以分为四步。第一，在CRF设计阶段邀请统计人员参与关键变量评审。第二，提前制作模拟数据集，验证终点能否计算。第三，中期开展一次面向统计的可分析性检查。第四，交付时同时提供数据字典、编码、单位和衍生规则。这四步的关键，不是增加更多表格和审批，而是让研究目的、数据标准、执行流程和最终分析保持一致。
项目自查清单
判断提示：若其中两项以上无法明确回答，说明项目仍存在需要优先处理的数据管理风险。
- ✓每个终点能否用现有字段完整计算已满足 / 待改进
- ✓分组、时间点和分析人群是否可识别已满足 / 待改进
- ✓缺失和异常值是否有统一处理说明已满足 / 待改进
- ✓统计人员是否能理解每个变量的含义和来源已满足 / 待改进
NEED SUPPORT?
把这份清单用于您的真实项目
我们可协助完成方案数据审阅、CRF设计、EDC建库、质量管理与数据资产沉淀。
预约项目诊断 →