原文链接：https://mp.weixin.qq.com/s/Re-Wu6vlsHmyG4YuhjxI2A

敏感性分析在临床研究中使用的越来越多，主要用于评价各种假设对分析结果的影响。在DIA 2024大会的专题研讨9中，圣方医药研发首席科学官陈杰博士分享了“临床研究中的敏感性分析”，其专业观点与前沿洞见，赢得与会者的共鸣。

敏感性分析：数据分析的重要组成部分

临床研究（无论是传统的RCT、还是真实世界研究），数据分析和结果的解释依赖于一系列假设；其中有的假设可以在一定程度上得到验证，而有的假设无法验证。临床试验中，传统的敏感性分析主要关注缺失数据的各种填补机制对结果的影响。

自从ICH E9（R1）发布以来，敏感性分析被定义为“一系列意在探索主要估计量在偏离模型假设和数据受限的情况下，其推断结果的稳健性。”

目前，敏感性分析已经扩大了包括对缺失数据填补机制评价在内的影响，其主要关注各种伴发事件造成的数据缺以及估计疗效的各种假设是否成立等，已经成为临床研究数据分析中的重要组成部分。

敏感性分析：验证结果稳健性

在应用敏感性分析前，研究人员需要明确主要分析、补充分析和敏感性分析之间的区别与联系。主要分析（或主分析）是针对主要估计目标（通常针对主要研究终点）而预设的分析方法，其目的是要回答研究所关注的主要问题。敏感性分析是针对数据分析时所涉及的各种假设的偏离和数据局限，探索主分析得出的结果的稳健性的一系列分析；补充分析是围绕主要分析和敏感性分析之外的一般描述性分析，目的是更多地了解治疗效应。

对于所有用于监管决策的估计目标的主分析，都应有相应的敏感性分析作为主要分析的附加支持，但不能作为结论的主要依据。而补充分析不是必要的，其主要作用不是用来解释试验结果，而是提供支持性证据。

敏感性分析：选择合适的分析方法和顺序

陈杰博士还就如何在实际研究中实施敏感性分析给出了具体建议。他表示，在敏感性分析中，需要关注分析的层次和顺序。一般情况下，敏感性分析的顺序应与偏倚可能发生的顺序反向进行；例如，敏感性分析应首先探索数据分布和模型的假设，其次探索信息偏倚（包括缺失数据），最后探索因果假设（包括选择偏倚和混杂偏倚）对结果的影响。

数据分布和模型假设的敏感性分析主要关注数据的分布和使用的模型是否符合特定的假设，如正态分布、线性模型等。通过不同的模型，如ANOVA、逻辑回归等，来检验数据分布的稳定性及其对研究结果的影响。该层次的敏感性分析在一定程度上可以通过统计检验来验证假设是否成立。

伴发事件和缺失数据的敏感性是指对于特定估计目标，而引起的缺失数据，研究者需通过敏感性分析检验不同缺失数据填补的潜在影响。

因果假设的敏感性分析包括一致性（consistency）、正向性（positivity）和可交换性（exchange ability）三个因果估计目标的可识别性假设。这是最复杂且最具挑战性的层次。对于无法直接验证的假设条件，研究者需要通过添加干扰参数（如检验正向性）、E-值（如检验未测量的混杂因素）等手段，来评估这些假设对研究结果可能造成的潜在影响。