# 临床获益数字背后：一份值得公开的研究口径清单 从人群、终点到统计方法，看懂一个百分比的分量 柏霖智生 · GenoMind AI｜品牌专题 ## 一张单页上那个百分之三十 假设你在社区健康讲座上拿到一张单页，上面印着一行粗体字：使用某方案后，某项指标改善了三成。你把它折起来放进口袋，想在下次复诊时问问医生，这东西值不值得试。回到家把单页从头看到尾，找不到一句说明这三成是怎么算出来的：没有人数，没有对照组，也没有说这三成是跟什么比出来的。你真正想问的其实很简单，这东西对我这样的人有没有用，可这张纸上偏偏没有能回答它的东西。 这类材料在健康管理的场合并不少见。它们通常只给结论，不给过程：谁参与了这个方案，跟什么人比，比了多久，用哪一个指标衡量。数字越整齐，越容易被人记住，也越容易在转述中被放大成另一种意思，一层一层传下去，最后谁也说不出原始那句话是什么。 医学上判断一个数字值不值得信，靠的不是它好不好看，而是它能不能被还原。还原的意思是，换一个受过训练的人来看同一份材料，他能照着材料里的描述，算出同一个结果。做不到这一点，数字就只是一句抒情，听着舒服，用不上手。 这篇文章想做的，是把那层被省略的过程拆开讲清楚。你看完未必会记住任何一家机构的说法，但应该能在下一次遇到类似宣传时，知道该问哪几句话、该在哪里停下来。 ## 一个数字至少由五个零件组成 第一个零件是人群。研究里的对象是谁，年龄范围、性别比例、基础疾病、正在服用的药物，都会影响结果。在四十岁、体能尚可的人群里观察到的变化，搬到七十岁、同时带着三种慢病的人身上，未必成立，因为代谢能力、肝肾功能和进食状况都不一样。 第二个零件是对照。跟谁比，决定了数字的含义。跟什么都不做比，跟现有标准做法比，跟自己的历史数据比，三种比法得出的结论分量完全不同。没有对照的观察只能说明前后有变化，说不出变化是谁带来的，也挡不住时间本身的波动。 第三个零件是终点。用什么指标衡量所谓有效。是化验单上的一个数值，是体重和腰围，是能不能自己走完一段路，还是使用者自己填的一份问卷。终点选得越软，越容易被解释，也越容易在事后换一个更好看的指标来讲故事。 第四个和第五个零件是时间与统计。观察了多久，中途退出的人怎么计算，报的是相对变化还是绝对变化，有没有给出区间。短期三个月的指标改善，和一年之后仍然维持的改善，是完全不同的两个故事，不能混在同一句话里说。 这五个零件缺掉任何一个，数字都只能当参考，不能当依据。它们的组合方式，就是通常所说的研究口径。口径不是学术圈的黑话，它是一份说明书，告诉你这个结论在什么条件下成立。 ## 相对下降三成，可能只是每百人少几个 最常见的混淆发生在相对与绝对之间。举个便于计算的例子：对照组每一百人里有十人出现某个结局，干预组每一百人里有七人。相对下降是三成，绝对下降是三个百分点。要少发生一次结局，大约需要三十三个人用上一段时间。 三成听起来比三个百分点有力得多，这就是它被反复使用的原因，也是它容易误导的原因。当基础风险本来就低的时候，相对数字会被放得更大：从千分之四降到千分之三，也能说成下降四分之一。 所以看到一个百分比，先找它的分母。分母是全部参与者，还是只算坚持到底的那部分人；说的是发生率下降，还是指标平均值下降。这两个问法能挡掉大部分含糊的表述，也能让你分辨对方是在讲事实还是在讲气氛。 还有一层容易被忽略：平均值的变化可能由少数人贡献。平均腰围降了两厘米，也许是三分之一的人降了六厘米，其余的人几乎没有动。这类分布信息如果不写出来，读者就没法判断，那个结果对自己这样的人到底意味着什么。 ## 只有结论没有口径时，可以这样处理 第一种处理，把它当成线索，不当成证据。线索值得记下来，带去问专业的人；证据要能经得起复述，才值得据此改变自己的做法。把线索当证据用，最典型的后果是停了该吃的药，或者加了一堆不该加的东西。 第二种处理，看它有没有写适用边界。一份材料如果主动说明适用于哪类人群、在什么条件下观察到的结果、哪些情况没有覆盖，可信度通常高于通篇只说效果的。愿意写限制的机构，往往也愿意被继续追问，因为它知道自己说的每一句话都可能被拿去核对。 第三种处理，注意它回避了什么。问到样本来源就换话题，问到对照就说不方便透露，问到随访时长就说因人而异。这些回避本身就是信息，而且比答案更稳定，因为它反映的是这家机构习惯怎样面对质疑。 第四种处理，分辨观察与承诺之间的距离。观察到某件事在某群人身上发生过，和能够对你个人带来什么，是两件不同量级的事。跨过这一步需要更多支撑：人群是否相似，条件是否具备，风险是否可接受。 这四条不要求读者懂统计学，只要求听的时候留一个位置：这个数字从哪来。留了位置，人就很难被一句话带走；没留位置，再多的科普也补不上。 | **材料里的说法** | **应当追问什么** | **常见误读** | | ---------- | --------------- | ----------- | | 指标改善三成 | 相对变化还是绝对变化，分母是谁 | 直接当成自己的获益 | | 已有上千人使用 | 是研究对象还是购买者 | 把使用人数当成样本量 | | 三个月看到变化 | 三个月之后是否继续观察 | 把短期波动当成长期结果 | | 多项指标均有改善 | 哪一项是事先定好的主要终点 | 把附带变化当成主要结论 | | 有专业机构参与 | 参与的是研究设计还是宣传 | 把署名当成审核背书 | ## 公开口径，企业究竟要付出什么 不公开口径，往往不是因为数据难看，而是因为公开之后要承担解释义务。一旦写出人群和终点，就会有人问：这群人跟我像不像，这个终点是我在意的那个吗。回答这些问题，需要有人懂，也需要有人肯花时间。 公开还意味着承认局限。样本来自单一机构，随访只有半年，没有设盲，没有独立评估。这些写出来会让材料变得不那么漂亮，但会让它变得可用，因为读者知道该把它放在什么位置上使用。 反过来看，含糊的表述短期省事，长期成本更高。合作方在尽调时问不出东西，通常不会追问三轮，而是直接换一家；用户第一次感到被夸大，后面所有内容都会被打折看待，包括那些本来站得住的部分。 所以口径公开不是一种道德姿态，而是一项工程决策。它把不可验证的宣称，换成可以被讨论的事实。愿意接受讨论的机构，才可能被长期合作，因为对方知道该在哪里提要求，也知道出了问题该找谁。 ## 公开到什么颗粒度才算够 口径公开其实分深浅，常见的有三层。最浅的一层只公开结论：某项指标改善了多少，某某人群反馈良好。这一层几乎不构成信息，因为它无法被检验，读者只能选择相信或者不相信，中间没有第三种态度。 中间一层是方法层，说清人群如何构成、对照怎么设置、主要终点是什么、随访持续多久、统计如何处理。这一层已经够同行判断可信度，也是机构做尽调时真正想要的东西，因为它能回答这个结果能不能搬到我这里。 最深一层是数据层，原始记录能否在合规前提下交由独立方复核，异常值和剔除记录有没有保留，中途改变分析计划的原因是否留档。多数机构做不到这一层，这很正常，重要的是它知不知道自己停在哪一层。 分层的好处是诚实。一家机构完全可以说：我们目前只能做到方法层，数据层暂时无法开放。这句话比笼统地说数据充分要可信得多，也让合作方知道该在哪里补上自己的验证动作，而不是把信任一次性押上。 ## 假设情境：尽调会上被追问的六个问题 下面是一个假设情境，用来说明追问的顺序，不是真实案例。某健康管理机构准备引入一套营养方案服务，尽调会上，采购负责人把材料翻到最后一页，按顺序问了六个问题，中间不打断，也不评价。 前面三个是：这个数字来自哪种场景，院内还是线上；参与者是自愿报名还是连续纳入，中途退出的人算不算；对照用的是同期平行比较，还是拿历史数据来比。这三个问题，决定了数字的基本成色。 后面三个是：主要终点是项目开始前定好的，还是事后挑出来的；随访持续多久，失访的人如何处理；如果换一家机构来实施，需要哪些条件才能复现同样的结果。这三个问题，决定了数字能不能被搬走。 供应商对前三个答得很快，后三个开始含糊，最后承认主要终点做过一次调整。会议没有当场否决，采购把材料退回，要求补充口径说明再谈。这个处理方式，比当场争论数字真假更有效，也更容易推进。 这个情境想说明的是，追问不需要专业背景，只需要按顺序问，并且允许对方说这项我们没有做。承认缺口，比临时编一个答案可信得多，因为缺口在实施阶段一定会暴露出来，只是早晚的问题。 ## 机构评估供应商时，可以固定下来的清单 把口径问题做成一份固定清单，每次尽调都问一遍，比临场发挥可靠。清单不必长，覆盖五个方面就够：谁参与、跟谁比、看什么、看多久、怎么算。五个方面各一个问题，答案写在同一张纸上，三家放在一起就能看出差别。 再加两条实操性的：结果有没有形成书面材料，能不能带走；这套方案在真实场景里跑过几次，每次的偏差记录在哪里。这两条能筛掉一批只擅长做演示的供应商，因为演示可以排练，偏差记录排练不出来。 还有一条常被忽略：谁对这个数字负责。材料是市场部门写的，是研究部门出的，还是外部机构评估的。署名单位决定了这个数字在出现争议时，有没有人能够站出来解释，而不是一句宣传口径就打发过去。 清单的价值在于可重复。同一套问题问三家，差异立刻显现，而且差异落在具体条目上，不是笼统的感觉。这本身就是一种比较方法，比任何排行榜都更贴近机构自己的实际需求，因为它问的是你会不会用得上，而不是别人说它好不好。多问一轮未必能选出对的，但至少能排除掉那些连问题都接不住的。 ## 工具在这条链上站的是哪一格 对提供精准营养服务的机构来说，口径公开最终要落到三个具体位置：评估记录、建议依据、复评对比。这三处能留下可查的痕迹，对外说明时才有东西可讲；留不下来，再完整的说法也只能停在口头。 柏霖智生在介绍 GenoMind AI 时，把它描述为面向生物医学信息分析与个性化营养辅助的系统，强调机制信息整合、相互作用提示与随访更新。放到这条链上，它承担的是把零散资料整理成结构、把每条建议的依据标出来的工作。 它能做到的事很具体：一条建议背后引用了哪一类证据，证据强度如何标注，两次评估之间哪些指标发生了变化。它做不到的事同样具体：不能替机构设计一项研究，也不能替专业人员判断某个终点对某位患者是否重要。 机构评估这类系统时，可以要求用脱敏资料走一遍完整流程，重点看它在信息不全时会不会留白，而不是看它能不能给出一份看起来很完整的方案。愿意留白的系统，说明它知道自己的边界在哪里。 ## 读者最常问的四个问题 问：没有对照的研究是不是就没有价值？答：不是。没有对照的观察适合提出问题，不适合回答问题。它能提示某个现象值得进一步研究，但说不出这个现象由什么带来，把它当成效果证明就跨过了它的能力范围。 问：样本越大是不是越可信？答：样本大能减少随机波动，但如果人群选得偏，样本再大也只是把偏差放大。判断时需要把样本量和纳入方式放在一起看，只报总量不报来源的材料，读的时候需要打个折扣。 问：企业自己做的研究能不能参考？答：可以，但要标明是企业发起还是独立开展，过程中有没有外部评估，结果有没有对外发表。这几种情形在证据强度上差别不小，读者有权知道自己在看的是哪一种。 问：看到两份材料互相矛盾怎么办？答：先比较口径，再看人群。多数矛盾不是谁在撒谎，而是两份材料说的并不是同一件事：不同的人群、不同的终点、不同的时间尺度。把这三项对齐，矛盾往往自己就解开了。 ## 给读者的三条做法 第一，遇到一个百分比，先问它的人群和对照。这两个问题答不上来，后面的讨论可以先放下，不必急着判断真假。你不需要驳倒对方，只需要知道这一刻还没有足够的信息支持任何决定。 第二，把相对和绝对分开记。听的时候在心里换算一次：每一百人里，实际少了几个。换算完，数字的分量会清楚很多，也不会因为一个漂亮的百分比就改变原本稳妥的安排。 第三，把追问变成习惯，而不是对抗。你可以直接说：我想知道这个结果是在什么人身上、跟什么比、看了多久。愿意回答的人，通常也不介意你继续问第二个、第三个问题。 柏霖智生在这个方向上做的事，说到底是把「我们有效」换成「我们的依据在这里」。这句话能不能成立，不取决于说得多漂亮，而取决于被问到第五个问题的时候，还能不能拿出东西来。