简介：本资源是面向临床试验统计师、医药研发人员及监管事务从业者的专业指南，聚焦ICH E9(R1)修订后估计目标设定与敏感性分析的核心实践。蓝皮书由DIA中国统计社区组织孟宪花、付佳钰、贡艳坤等十余家跨国药企及研究机构专家联合编写，系统阐释估计目标的五大属性（主要终点、指标、对照组、参数类型、参考值）、伴发事件处理策略、主估计方法与敏感性分析的协同逻辑，并通过淋巴瘤CAR-T疗法、哮喘多臂三期试验等真实案例详解方案撰写要点。资源为单文件PDF，共1个，大小1.63MB，内容结构清晰，含三章主体：第一章解析E9(R1)背景与框架，第二章指导方案中估计目标的规范呈现，第三章提供可复用的实操案例。目前已有2802人学习下载，是理解监管新要求、提升统计分析科学性与沟通有效性的关键参考资料。

1. 估计目标到底是什么：一个临床试验里“真正想回答的问题”说明书

你有没有见过这样的场景？
一款新药做完三期临床试验，数据漂亮，P值显著，统计团队信心满满交报告——结果监管审评员皱着眉头问：“你们这个分析，到底在回答什么科学问题？”
申办方愣住：“啊？就是看药有没有效啊。”
审评员摇头：“可你们把用了补救治疗的患者数据全删了，又用LOCF（末次观测结转）填补缺失值……这算的是‘从没用过补救药的人’的疗效，还是‘实际临床中边用药边补救’的真实效果？这两个问题的答案，可能完全相反。”

这不是杠精挑刺，而是ICH E9(R1)想解决的根本矛盾：临床试验不是数学题，而是一场有明确目的的科学对话；统计分析不是套公式，而是为那个目的服务的翻译工具。
“估计目标”，就是这场对话的“第一句话”——它不告诉你怎么算，而是先斩钉截铁地定义：我们这一整场试验，到底想搞清楚哪一个问题？
比如，是想知道“如果患者严格按方案吃满6个月，药本身能带来多大改善？”（纯药物效应），还是“在真实世界里，患者一边吃药一边随时可能加用其他治疗，整体治疗策略比对照组强多少？”（策略性效应）。前者像实验室里的精密钟表，后者像医院门诊的实战沙盘。
过去，大家默认用“主要终点+ITT分析集+ANCOVA模型”打包解决，结果常在申报NDA（新药上市申请）阶段才被追问：“你这个‘主要终点’，到底对应哪个临床问题？”——就像菜谱写“炒一盘菜”，却没说清是清炒时蔬还是宫保鸡丁，厨师和食客各做各的，端上桌才发现根本不是一盘菜。
蓝皮书的出现，就是给这盘菜配上清晰的菜名、食材清单、火候说明和尝味标准。它不教你怎么写代码、调参数，而是帮你把脑子里模糊的“应该有效”变成一句能写进方案、能和医生聊、能向审评员解释、能经得起十年后回看的硬核陈述：“本试验旨在估计：在成年晚期非小细胞肺癌患者中，接受A药联合铂类化疗 vs 单纯铂类化疗，自随机化起至疾病进展或死亡发生前的无进展生存期（PFS）的中位数差异。”
这句话里，人群、治疗、终点、时间框架、汇总方式，全部锚定——它不是统计技巧，而是临床思维的结晶。搞懂它，你就拿到了打开现代临床试验设计逻辑大门的钥匙；绕开它，再漂亮的统计图表，也可能是一张精美但错位的地图。

2. 为什么必须提前定义估计目标：从“补救治疗之争”看一场没有硝烟的因果战争

2.1 补救治疗：那个让统计师和审评员吵翻天的“日常操作”

想象一个降糖药三期试验：

• 主要终点：24周时HbA1c（糖化血红蛋白）较基线的变化值；
• 方案允许：当患者血糖控制不佳时，可加用其他降糖药（即“补救治疗”）；
• 申办方分析：只纳入“完成24周且未用补救药”的患者，用LOCF填补中途退出者的缺失值；
• 监管审评员质疑：“你们剔除了35%用过补救药的患者，又用LOCF假设他们血糖一直稳定——这算的到底是‘理想条件下药的潜力’，还是‘真实临床中药的实际价值’？如果医生开药时就知道患者大概率要加药，那这个‘纯药效应’对临床决策有什么用？”

这个案例并非虚构，它直接催生了ICH E9(R1)的诞生。表面看是分析方法之争，内核却是因果推断的根基动摇：

• 随机分组保证了“治疗分配”的可比性，但补救治疗的发生不是随机的——它往往由疗效不足或不良反应驱动，本身已是治疗效果的“反馈信号”；
• 若强行删除这些患者或用LOCF“抹平”其影响，等于把“药效差→加药→数据被删”这个因果链硬生生剪断，再假装从未发生；
• 结果就是：你估计的不再是“A药 vs B药”的因果效应，而是“A药在一群特别幸运（或特别耐受）的患者中”的表现——这个群体，可能根本不能代表未来开药的广大患者。

提示：补救治疗只是伴发事件的一种。其他常见伴发事件包括：因不良反应提前停药、疾病进展后换用新疗法、研究期间死亡、漏服/错服关键剂量、合并使用禁用药物等。它们共同特点是——治疗开始后发生、影响疗效判断、无法通过随机化消除。

2.2 五大属性：把模糊的“疗效”拆解成可执行的五维坐标系

ICH E9(R1)提出的“估计目标五大属性”，就是一套防杠精、防歧义、防返工的结构化语言。它逼你把脑子里的“疗效”概念，像拆解一台精密仪器一样，逐个拧开螺丝检查：

这五大属性不是填空题，而是一个动态校验环：定义人群时要考虑哪些伴发事件会影响其代表性；定义治疗时要预判哪些伴发事件会改变“治疗”的实质；定义终点时要明确伴发事件（如死亡）是否终止观察……漏掉任何一个，整个估计目标就可能在逻辑上坍塌。

2.3 五种处理策略：面对“意外”，你选择哪种哲学？

当伴发事件（如补救治疗、停药、死亡）发生时，统计上没有“标准答案”，只有与临床问题匹配的哲学选择。E9(R1)明确列出五种策略，每一种都对应一个截然不同的科学问题：

2.3.1 疗法策略（Treatment Policy Strategy）：拥抱现实，算“组合拳”的效果

• 核心思想：“发生了就发生了，数据照用，把伴发事件当作治疗方案的一部分。”
• 回答的问题：“在真实临床路径下，A治疗策略（含可能的补救） vs B治疗策略（含可能的补救），哪个整体更好？”
• 操作示例：某哮喘药试验，患者可在症状加重时吸入急救支气管扩张剂。采用疗法策略，则所有随访数据（含急救药使用后）均纳入PFS分析，终点定义为“从随机化到首次重度哮喘发作”。
• 关键约束：对终末事件（如死亡）不适用——人死了，后续指标自然不存在，无法“照用”。
• 代码示意（R语言，简化版）：

# 假设数据框df含列：id, treatment, time_to_event, event_type, rescue_used # 疗法策略：所有患者数据保留，event_type包含"progression", "death", "rescue_escalation" # 分析时直接用Cox模型，无需剔除或特殊标记 library(survival) fit_tps <- coxph(Surv(time_to_event, event_type %in% c("progression", "death")) ~ treatment, data = df) summary(fit_tps)

注意：此策略下，“治疗”属性必须更新为“A药+急救药” vs “安慰剂+急救药”，否则比较失去意义。

2.3.2 假想策略（Hypothetical Strategy）：回到平行宇宙，算“纯药”的潜力

• 核心思想：“假设那个意外从未发生，患者的病情会如何发展？”
• 回答的问题：“如果患者全程严格按方案用药（无补救、不停药），A药本身能带来多大获益？”
• 操作示例：同上哮喘试验，假想策略要求：对使用了急救药的患者，其后续肺功能指标（FEV1）不再观测，而是用基线+早期数据，通过混合效应模型（MMRM）预测其“未用药时”的FEV1轨迹。
• 致命弱点：假设不可验证！若模型错误（如低估了急救药对肺功能的挽救作用），估计值将系统性偏倚。因此必须配敏感性分析（见第4章）。
• 代码示意（Python，使用statsmodels）：

import statsmodels.api as sm from statsmodels.regression.mixed_linear_model import MixedLM # 假设df_long为长格式数据：id, visit, fev1, treatment, rescue_flag # 仅用未使用急救药的患者（rescue_flag==0）的早期数据拟合模型 df_hypo = df_long[df_long['rescue_flag'] == 0].copy() # 模型：fev1 ~ treatment + visit + treatment:visit + (1|id) model_hypo = MixedLM.from_formula( "fev1 ~ treatment * visit", groups=df_hypo["id"], data=df_hypo ) result_hypo = model_hypo.fit() # 预测：对所有患者（含已用急救药者），用该模型预测其"未用药"下的fev1 # （实际应用需更复杂协变量和交互项）

2.3.3 复合策略（Composite Variable Strategy）：把“意外”直接变成结局的一部分

• 核心思想：“发生这个意外，本身就是治疗失败的标志。”
• 回答的问题：“A药能否减少‘疾病进展或因疗效不足而启用补救治疗’这一复合事件的发生？”
• 操作示例：某银屑病药试验，将“PASI75未达标且启动生物制剂”定义为复合终点“治疗失败”。此时，伴发事件（启用生物制剂）被吸收到终点定义中，分析直接比较两组“治疗失败”发生率。
• 优势：直观、稳健、无需复杂模型。
• 代价：牺牲了对“纯疗效”的洞察，且复合终点的临床意义需强共识（如“死亡或心梗”公认严重，“停药”则需论证）。

2.3.4 在治策略（While-on-Treatment Strategy）：只算“还在吃药时”的表现

• 核心思想：“药停了，故事就结束了；只关心吃药期间的效果。”
• 回答的问题：“在患者实际接受A药治疗期间，其疾病控制水平如何？”
• 操作示例：某抗病毒药试验，关注“治疗期间病毒载量下降幅度”。采用在治策略，则患者一旦停药（无论原因为何），其后续所有病毒载量数据均被截断，分析仅基于停药前的数据。
• 警示：此时终点不再是“24周变化”，而是“停药前最后一次有效测量的变化”——汇总方式（如均值）需重新定义，且易受停药时间偏倚影响（如不良反应早停者，数据少）。

2.3.5 主层策略（Principal Stratum Strategy）：聚焦“注定不会出事”的那群人

• 核心思想：“我们只关心那些天生就不会发生伴发事件的人（如永不转组者），并估计对他们而言的疗效。”
• 回答的问题：“对于那些即使随机分到对照组也绝不会转用A药的患者，A药比对照组优多少？”
• 操作难点：主层（principal stratum）是潜在状态，无法直接观测！需通过基线特征（如基因标志物、早期应答）构建预测模型，再用统计方法（如G-estimation）估计。
• 现实限制：通常仅用于探索性分析，因主层人群定义困难、估计精度低。

常见误区 / 易混概念
误区1：把“伴发事件”等同于“方案违背”

• 为什么混：两者都发生在治疗后，都可能导致数据异常。
• 怎么区分：方案违背是违反方案操作（如漏服1次药），伴发事件是临床自然进程（如因疗效差主动要求停药）。前者是执行问题，后者是科学问题。漏服若不影响疗效解读，可忽略；因疗效差停药，则是核心伴发事件，必须定义策略。

误区2：认为“ITT分析集”自动满足所有估计目标

• 为什么混：传统ITT强调“按随机分组分析”，被误认为万能。
• 怎么区分：ITT是数据集定义原则（谁该被分析），而估计目标是科学问题定义（分析什么、怎么分析）。一个ITT集可服务于多个估计目标（如用同一ITT集，分别用疗法策略和假想策略分析），反之，一个估计目标也可能需多个分析集（如主分析用ITT，敏感性分析用PP集）。

误区3：将“敏感性分析”误解为“多跑几个模型看看哪个P值小”

• 为什么混：实践中常被简化为技术动作。
• 怎么区分：敏感性分析是有明确靶向的稳健性检验，必须针对主估计方法中某一具体假设（如“缺失数据为MAR机制”、“模型线性假设成立”），并证明当该假设松动时，结论是否依然可靠。乱跑模型不叫敏感性分析，叫玄学调参。

误区4：在方案中只写“采用E9(R1)框架”，却不定义五大属性

• 为什么混：以为贴标签即合规。
• 怎么区分：E9(R1)是方法论，不是模板。不写出人群、治疗、终点、伴发事件、汇总方式的具体文字定义，等于说“我按菜谱做饭”，却没写清“盐放几克、火候几分”。监管审评看的是定义，不是口号。

误区5：认为“主估计方法”必须是复杂模型，越高级越好

• 为什么混：技术优越感作祟。
• 怎么区分：主估计方法的核心是与估计目标严格一致。一个定义清晰的t检验（如比较两组PFS中位数差异），只要其假设（如log-rank检验的等比例风险假设）被充分讨论并验证，就是合格的主估计方法。堆砌复杂模型却脱离目标，是本末倒置。

3. 估计目标如何落地到方案：从“一句话声明”到“可执行条款”的转化手册

3.1 方案中哪里写？——打破“统计分析计划专属”的思维定式

很多申办方习惯把估计目标塞进《统计分析计划》（SAP）的角落，认为那是统计师的内部文件。但E9(R1)明确指出：估计目标是整个试验的“宪法”，必须在方案（Protocol）中前置、显性、可审计。

• 最佳位置：在“研究目的”（Study Objectives）章节之后，单独设立“估计目标（Estimand）”小节（如2.2节蓝皮书示例），或将其深度融入“主要终点”（Primary Endpoint）的定义中。
• 为什么必须在方案？
  • 临床运营团队需据此设计CRF（病例报告表）：若伴发事件“补救治疗”按假想策略处理，则CRF必须强制收集“补救治疗开始日期”和“原因”，否则模型无法拟合；
  • 数据管理团队需据此制定缺失数据规则：若采用疗法策略，则所有随访数据必须100%录入，不得因“患者停药”而停止采集；
  • 医学监查团队需据此设定DSMB（数据安全监查委员会）审查重点：若主层策略关注“永不转组者”，则DSMB需特别关注转组率的组间平衡。
• 反面教材：某方案在“主要终点”写：“主要终点为PFS，定义为从随机化至疾病进展或死亡的时间。”——这连五大属性的影子都没有！没提人群（是否含脑转移？）、没提治疗（是否含补救？）、没提伴发事件（死亡如何处理？）、没提汇总（中位数？HR？）。这种写法，等于给后续所有环节埋下雷。

3.2 怎么写才过关？——一份能通过监管质询的估计目标声明

蓝皮书提供的TransCelerate模板是黄金标准，但需警惕“填空式套用”。真正的过关写法，必须体现临床逻辑闭环。以下以一个虚构的“类风湿关节炎（RA）口服JAK抑制剂III期试验”为例，展示如何逐条构建：

3.2.1 第一步：锚定临床问题（The Clinical Question）

“在中重度活动性RA成人患者中，接受X药（10mg QD） vs 安慰剂治疗24周，能否更有效地降低疾病活动度（DAS28-CRP）？”

3.2.2 第二步：定义五大属性（The Five Attributes）

• 目标人群（Population）：

  “符合ACR/EULAR 2010 RA分类标准、DAS28-CRP ≥3.2、既往对≥1种csDMARDs（如甲氨蝶呤）反应不足的成年患者（18-75岁）。排除：活动性感染、恶性肿瘤病史、妊娠哺乳期女性、中重度肝肾功能不全者。注：目标人群不等同于入组人群；本试验入组标准允许轻度肝功能异常（ALT/AST ≤2.5×ULN），但目标人群定义中已排除中重度者，确保结论外推至典型RA患者。”

• 治疗（Treatment）：

  “试验组：X药 10mg 每日一次口服，允许背景csDMARDs（如甲氨蝶呤）维持稳定剂量；对照组：匹配安慰剂，同样允许背景csDMARDs。注：补救治疗（如短期口服激素）在方案中允许，但根据本估计目标，其使用被视为治疗策略的组成部分，故治疗定义为‘X药+允许的背景治疗’ vs ‘安慰剂+允许的背景治疗’。”

• 目标变量（Variable/Endpoint）：

  “主要终点：24周时DAS28-CRP较基线的变化值（ΔDAS28-CRP）。DAS28-CRP计算基于28个关节压痛/肿胀计数、患者整体评估（VAS 0-100mm）及CRP（mg/L）；基线定义为首次服药前7天内任一次评估；24周访视定义为±7天窗口期内的最近一次评估。注：若24周访视缺失，则按方案规定进行访视窗内插补（如用±3天内数据），而非LOCF。”

• 伴发事件及处理策略（Intercurrent Event + Strategy）：

  “本试验识别两类关键伴发事件：
  (a)因疗效不足或不良事件导致的永久停药：按假想策略处理。即，假设患者未停药，其24周DAS28-CRP将通过混合效应模型（MMRM）预测，模型协变量包括基线DAS28-CRP、治疗组、访视时间、治疗组×访视时间交互项、以及基线至停药前的DAS28-CRP斜率。
  (b)因严重不良事件（SAE）导致的死亡：按复合策略处理。即，将‘死亡’直接纳入终点定义，终点更新为‘24周时DAS28-CRP较基线的变化值，或若在24周前死亡则记为最大恶化值（ΔDAS28-CRP=+10）’。
  注：此策略选择理由——停药反映药物固有属性（疗效/安全性），故用假想策略探究‘纯药效’；死亡是终末事件且具绝对临床意义，故用复合策略强调其严重性。”

• 群体层面汇总（Population-level Summary）：

  “主要分析将估计两组ΔDAS28-CRP的最小二乘均值差（LS Mean Difference）及其95%置信区间。采用ANCOVA模型，协变量包括基线DAS28-CRP、研究中心（分类）、以及基线至24周的访视次数（作为依从性代理）。注：选择LS均值差而非中位数差，因DAS28-CRP近似正态分布，且LS均值能校正基线不平衡，更稳健。”

3.2.3 第三步：阐明选择理由（The Rationale）

“选择此估计目标，旨在回答临床医生最关切的问题：‘在真实RA管理中，X药作为一线生物制剂替代方案，能否在24周内提供比安慰剂更显著的疾病活动度改善？’ 假想策略针对停药，确保结论反映X药本身的疗效潜力，避免因停药患者数据缺失导致的乐观偏倚；复合策略针对死亡，因其是RA治疗中不可忽视的终极风险，必须在主要终点中体现。该目标与FDA/EMA对RA药物开发的指导原则一致，且已在方案修订会上与主要研究中心PI达成共识。”

3.3 统计分析计划（SAP）如何承接？——从“目标”到“动作”的精准翻译

方案定义“做什么”，SAP定义“怎么做”。SAP必须成为估计目标的技术镜像，每一行代码、每一个假设，都要能在方案中找到对应。关键承接点：

3.3.1 分析集定义：必须服务于估计目标

• 全分析集（FAS）：所有随机化患者，无论是否接受治疗、是否完成访视、是否发生伴发事件。这是疗法策略和假想策略的基石——假想策略的预测模型，必须基于FAS中所有患者的数据拟合。
• 符合方案集（PPS）：仅用于敏感性分析，验证主估计（基于FAS）的稳健性。若PPS结果与主分析差异巨大，提示伴发事件处理策略可能存在问题。
• 错误示范：SAP写“主要分析使用PPS”，但方案中估计目标明确要求“所有随机化患者”，此为重大不一致。

3.3.2 主估计方法：假设必须白纸黑字

SAP中不能只写“采用ANCOVA”，必须写清：

• 模型公式：ΔDAS28-CRP = β₀ + β₁·Treatment + β₂·Baseline_DAS28 + β₃·Center + ε
• 缺失数据假设：对假想策略下的停药患者，缺失数据机制假设为MAR（Missing at Random），即缺失概率取决于已观测变量（如基线DAS28、早期斜率），而非未观测的未来值。
• 模型诊断：需报告残差正态性、异方差性检验结果；若违反，需在敏感性分析中改用非参数方法（如Wilcoxon秩和检验）。

3.3.3 敏感性分析：必须靶向主估计的脆弱点

• 靶向假设1：MAR机制是否成立？

  敏感性分析1：采用多重插补（MI），并设置插补模型中加入“停药原因”（疗效不足/不良事件）作为辅助变量，模拟MNAR（Missing Not at Random）机制。比较MI后LS均值差与主分析差异。

• 靶向假设2：ANCOVA线性假设是否稳健？

  敏感性分析2：改用广义估计方程（GEE），不假设误差分布，仅依赖重复测量相关性结构（如Exchangeable）。

• 靶向假设3：假想策略的模型是否过度拟合？

  敏感性分析3：在假想策略模型中，移除“治疗组×访视时间”交互项，仅保留主效应，观察LS均值差变化。

提示：SAP中必须明确“若敏感性分析结果与主分析差异超过预设阈值（如LS均值差绝对值差>0.3），则需在DSMB会议中讨论原因并考虑方案修正”。这体现了E9(R1)的“过程可控”精神。

4. 敏感性分析不是备胎，而是主估计的“压力测试仪”

4.1 为什么敏感性分析不可或缺？——来自达格列净审评的血泪教训

回看第一章提到的达格列净案例：申办方用LOCF分析，监管方质疑其假设（LOCF隐含“患者血糖将永远停留在末次值”）不成立。若当时申办方在SAP中已规划：

• 敏感性分析1：用多重插补（MI）处理缺失，假设缺失与基线HbA1c、体重相关（MAR）；
• 敏感性分析2：用跳过缺失值的混合效应模型（MMRM），假设缺失与时间无关；
• 敏感性分析3：用假想策略，建模预测“若未用补救药，HbA1c将如何变化”；
  那么，在NDA提交前，他们就能看到：LOCF结果（-0.8%）与MMRM（-0.5%）、假想策略（-0.4%）差异显著。这会立刻触发内部讨论：“我们的主分析是否过于乐观？是否需要重新审视补救治疗的临床意义？”——从而避免在审评高压下仓促补救。

敏感性分析的本质，是主动暴露主估计方法的“阿喀琉斯之踵”，并在可控环境下测试其承压能力。它不是为了“凑出一个好看的结果”，而是为了回答：“当现实比我们假设的更复杂时，我们的结论还站得住脚吗？”

4.2 如何设计一场有效的敏感性分析？——四步靶向法

4.2.1 步骤1：锁定主估计的“单点脆弱假设”

• 错误做法：同时修改模型、缺失处理、协变量——结果差异无法归因。
• 正确做法：一次只动一个“开关”。例如：
  • 主分析：ANCOVA + LOCF（假设缺失为MCAR）；
  • 敏感性分析1：ANCOVA + MI（靶向“缺失机制”假设）；
  • 敏感性分析2：MMRM + MI（靶向“模型函数形式”假设）；
  • 敏感性分析3：ANCOVA + MI，但MI模型中加入“补救治疗使用”作为辅助变量（靶向“MAR是否成立”）。

4.2.2 步骤2：选择与临床问题匹配的替代方法

• 不是技术炫技，而是临床求真。例如：
  • 若主分析用假想策略预测停药患者疗效，敏感性分析不应简单换一个回归模型，而应：

    (a) 改变假想情景：主分析假设“停药后疾病自然进展”，敏感性分析改为“停药后疾病状态冻结在停药当日”；
    (b) 改变预测依据：主分析用所有患者数据建模，敏感性分析仅用“未停药且基线特征匹配的亚组”建模，降低外推风险。

4.2.3 步骤3：预设可操作的“稳健性判定标准”

• 不能模糊说“结果相似即可”。必须量化：

  “若敏感性分析得到的LS均值差与主分析的绝对差异 > 0.25分（DAS28-CRP的最小临床重要差值MCID），或95%CI重叠度 < 50%，则判定主分析稳健性存疑，需在DSMB会议中讨论。”

• 为什么是0.25？因为RA领域共识：DAS28-CRP变化≥0.22分即具临床意义。此标准将统计稳健性与临床意义直接挂钩。

4.2.4 步骤4：将结果转化为决策语言

• 敏感性分析报告不是统计表格堆砌，而是决策备忘录：

  “敏感性分析1（MI）显示LS均值差为-0.48（95%CI: -0.62, -0.34），与主分析（-0.52）高度一致，支持MAR假设合理；
  敏感性分析2（MMRM）显示LS均值差为-0.45（95%CI: -0.58, -0.32），虽略小但CI完全重叠，表明ANCOVA线性假设稳健；
  敏感性分析3（假想情景变更）显示LS均值差为-0.35（95%CI: -0.49, -0.21），差异达0.17分，接近MCID阈值。提示：主分析对‘停药后疾病进展速度’的假设有一定敏感性，建议在讨论部分强调此局限，并在上市后研究中验证真实进展模式。”

4.3 一个真实案例的敏感性分析全景图：某心衰药物的“运动能力”试验（蓝皮书案例4）

该试验主要终点为“6分钟步行距离（6MWD）变化”，但大量患者因心衰恶化住院（伴发事件），导致6MWD无法测量。

关键启示：这份敏感性分析没有“否定”主分析，而是立体刻画了结论的边界：主分析在统计上稳健，但临床获益可能被住院事件部分抵消。这直接指导了说明书撰写：“X药显著改善运动能力，但心衰住院风险需持续监测。”

5. 什么时候用？什么时候别用？——一份来自十年实战的边界判断指南

5.1 必须用估计目标框架的七种场景（否则大概率返工）

5.1.1 场景1：试验涉及高发生率伴发事件

• 典型：肿瘤免疫治疗（高比例免疫相关不良事件导致停药/激素治疗）、慢性疼痛药（高比例因疗效不足启用阿片类药物）、抗凝药（高比例因出血事件调整剂量）。
• 为什么必须：伴发事件发生率>15%且组间不均衡时，传统ITT分析极易产生严重偏倚。不定义策略，等于放弃对因果效应的控制。
• 血泪经验：某PD-1抑制剂试验

本文还有配套的精品资源，点击获取