研究中总有那么一瞬间，你会怀疑自己的结论：真的是可靠的吗？
数据分析明明得出了结论，但换个方法或稍微调整一下数据，结果可能就全变了... ...
这时，敏感性分析就像科研里的“安全气囊”——帮你检验结论的稳健性，让研究更可靠，也让读者更放心。
什么是敏感性分析？
简单来说：敏感性分析就是测试你的研究结果对各种假设、方法或数据变化有多“敏感”。
它帮我们回答两个问题：
-
我们的结论稳不稳？
-
哪些因素对结果影响最大？
敏感性分析常用方法
1️⃣ 改变变量处理方式
-
缺失值处理：比如删除、均值填充、插值法
-
极值处理：Winsorization或log转换等
2️⃣ 改变模型设定
-
不同回归模型：线性 vs. logistic vs. Cox
-
调整协变量：加入 / 去掉可能的混杂因素等
3️⃣ 亚组分析
-
按性别、年龄、地区等分组，观察结果是否一致
-
注意：亚组分析有时候也被当做探索性分析，因为样本量减少后统计能力下降，容易出现假阴性或假阳性
4️⃣ 外部验证 / 重抽样
-
Bootstrap / 交叉验证：反复抽样看结果稳定性
-
替代数据集验证：使用类似的数据集或其他时间点的数据等
5️⃣ 极端情景分析
-
对关键参数设定极端值，看看结果波动情况，常用于政策模拟、经济预测和流行病模型
敏感性分析的好处
-
提高结论的可靠性：通过测试不同数据处理方法、模型设定或变量定义，验证结果是否稳健。让研究结论不被单一方法或数据异常左右。
-
发现关键变量或潜在偏倚：可以找出哪些变量对结果影响最大。有助于发现潜在的混杂因素或数据问题，提前规避研究偏差。
-
增强透明度和说服力：让审稿人、同行和读者看到研究结果经得起“考验”。提高科研报告的可信度和透明度。
-
辅助研究决策和政策制定：在公共卫生、经济预测或临床决策中，敏感性分析帮助理解结果在不同假设下的变化范围。支持更稳妥的科学建议或政策制定。
-
识别研究局限：通过不同场景、不同模型或不同子组分析，可以明确研究结论的适用范围。有助于在讨论中更科学地说明研究局限性。
四、案例文章
案例文章一：
研究内容和结果：这项基于NHANES 1999-2018数据的研究分析了40,702名美国成年人的血清白蛋白校正阴离子间隙（ACAG）与全因、心血管疾病及癌症死亡的关系。结果显示，ACAG升高与全因（HR=1.08）、心血管疾病（HR=1.08）和癌症死亡（HR=1.06）风险显著增加相关，且最高ACAG四分位组的死亡风险明显高于最低组。这一正向关联在60岁以下、男性、吸烟者及伴有高脂血症或糖尿病的亚组中更为明显，且敏感性分析结果稳健。研究表明，ACAG可作为评估人群死亡风险的潜在指标。
敏感性分析：1.排除随访早期死亡者：为减少反向因果偏倚，剔除了随访两年内死亡的参与者。2.排除年龄≥80岁的参与者：NHANES将所有80岁及以上个体统一记录为80岁，可能引入年龄偏差，因此将其排除。3.额外调整变量：在基础模型（Model 3）基础上，进一步调整了血常规和生化指标，包括白细胞计数、中性粒细胞、淋巴细胞、单核细胞、血红蛋白、总胆红素及血钙水平。4.缺失值多重插补：采用链式方程法进行5次多重插补，处理缺失数据。对每个插补数据集应用Cox回归模型，再汇总估计值及标准误。5.临床ACAG阈值分析：使用16 mEq/L作为临床ACAG异常界值，将高于该水平定义为异常，并重新分析数据。6.竞争风险分析：针对不同死因作为竞争事件，重复使用Fine & Gray竞争风险模型进行分析。7.受限立方样条（RCS）模型稳健性：除了三节点RCS模型外，还使用四节点（5th, 35th, 65th, 95th百分位）和五节点（5th, 27.5th, 50th, 72.5th, 95th百分位）模型进行重复分析。
案例文章二：
研究内容和结果：这项基于2011–2018年中国健康与养老纵向研究（CHARLS）的队列研究纳入了7,256名45岁及以上成年人，旨在探讨糖化血红蛋白与高密度脂蛋白胆固醇比值（HbA1c/HDL-C）和抑郁症对心血管代谢多病共存（CMM）风险的独立及联合作用。研究发现，随访7年期间共有419名参与者（5.77%）发生CMM。HbA1c/HDL-C升高和抑郁症均与CMM累积发生率增加相关，且HbA1c/HDL-C与CMM风险呈非线性正相关。联合分析显示，同时存在高HbA1c/HDL-C比值和抑郁症的个体CMM风险显著升高（HR=2.59），且其预测能力优于单一指标。亚组和敏感性分析结果稳健，抑郁症未在HbA1c/HDL-C与CMM关系中发挥中介作用。研究表明，HbA1c/HDL-C比值和抑郁症均可作为CMM的独立风险因素，其联合效应提示在高风险人群中整合代谢与心理评估的重要性，以指导早期识别和个性化预防策略。
敏感性分析：1.排除基线既往病史者：剔除了在基线已有心脏病、中风或糖尿病的参与者，以降低既往疾病可能带来的混杂偏倚。2.处理潜在反向因果：排除了2013和2015年随访期间发生CMM的个体，确保暴露与结局的时间顺序更准确。3.缺失值处理：采用链式方程多重插补（MICE）处理缺失数据，既保留统计功效，又尽量减少因缺失数据带来的偏倚。
案例文章三：
研究内容和结果：这项基于MIMIC-IV数据库的回顾性队列研究纳入了24,043名ICU入住≥24小时且有谵妄评估记录的成年患者，排除了精神分裂症、痴呆、抑郁、酒精滥用及脑血管疾病患者。研究将患者分为尼古丁依赖（ND）组和非ND组，主要结局为ICU谵妄发生率，次要结局包括住院及ICU死亡率、住院天数和ICU停留天数。通过1:1倾向评分匹配（PSM）平衡混杂因素后，ND组的ICU谵妄发生率显著高于非ND组（30.8% vs. 27.2%，P=0.004），但死亡率及住院/ICU停留时间无显著差异。多变量Cox回归及竞争风险模型进一步确认ND是ICU谵妄的独立危险因素，且在PSM及敏感性分析中结果稳健。研究提示，尼古丁依赖显著增加ICU谵妄风险，强调在ICU入院的ND患者中开展针对性风险评估和干预的必要性。
敏感性分析：采用了三种控制混杂因素的方法评估结果的稳健性。1.调整propensity score (PS) 。2.逆概率加权（IPTW）。3.标准化死亡率比（SMR：standardized mortality ratio）加权分析。
总结
敏感性分析让科研结论“经得起推敲”，是提高研究可靠性、透明度和可推广性的关键步骤。
评论列表