从临床日常到科研入门

开篇：先放下对“科研”的三个误解

很多一线医生不是不想做研究，而是被“科研”两个字吓住了。一提到科研，脑海里浮现的是实验室、试管、动物模型、复杂的统计公式和动辄上百万元的经费。于是默认“那是科研型大学和大三甲的事，我一个出门诊、管病床的临床医生做不了”。这是需要先破除的误解。

第一个误解：科研必须有实验室和高精尖设备。事实上，医学研究大体分为基础研究和临床研究两大板块。基础研究确实依赖实验条件，而临床研究依赖的是“人”和“数据”——你每天书写的病历、开具的检查、完成的随访、读到的文献，都是临床研究的原材料。一位门诊医生手里一年经过的成百上千例患者，本身就是一个潜在的研究队列。

第二个误解：科研必须先学会高深的统计。统计是工具，不是研究的起点。研究的起点是一个清晰的临床问题，例如“某类患者术后为什么容易出现并发症”“这种少见表现该如何识别”。统计方法是在问题和数据确定之后才选择的，而且入门阶段完全可以借助成熟软件和专业协作完成，不需要自己推导公式。

第三个误解：临床工作太忙，没有时间做科研。临床研究与日常工作并不对立，反而可以“顺手”完成。关键在于从一开始就按研究的规范去记录和整理，而不是等几年后再回头翻找。选对研究类型，用现成的病历和数据做回顾性分析，往往只需要利用碎片时间，在几周到几个月内完成一篇可以投稿的文章。

需要先建立一个核心认识：科研的本质，是用系统、规范、可重复的方法回答一个问题，并把答案讲清楚、让别人能够检验。临床医生拥有其他研究者难以比拟的优势——你最接近真实的患者，最清楚诊疗中真正的痛点和空白。本文要做的，就是把“临床问题”翻译成“研究设计”，提供四条低门槛、可落地的路径：先学会给问题选对研究类型，再掌握用病历数据做真实世界研究的方法，然后了解不接触患者也能开展的文献类研究，最后讲清变量、对照和样本量这三个底层逻辑。

一、临床常用研究类型选型：给问题配一把合适的“钥匙”

研究设计的第一步，不是找数据，而是判断“我这个问题，适合用哪一类研究来回答”。不同研究类型回答的问题不同，所需的条件和证据强度也不同。对新手而言，最实用的是以下四类：病例报告、病例系列、横断面调查和回顾性队列。它们都可以基于现有临床资料完成，不需要额外干预，是临床医生最容易上手的入门类型。

（一）病例报告：最小投入的“第一块敲门砖”

病例报告是对单个或少数几个特殊病例的详细描述，通常报道的是从未见过或表现反常的情况，例如罕见的临床表现、特殊的并发症、药物的意外不良反应、新颖的治疗尝试或影像学上的意外发现。

适用场景可以用“新、奇、特、罕”四个字概括：国内外文献报道很少的疾病、与典型表现明显不同的病例、两种疾病罕见地同时出现、常规治疗出现意料之外的效果或副作用。判断一个病例值不值得写，可以先做文献检索，如果同类报道屈指可数，就具备了发表价值。

基础设计框架并不复杂：第一步，完整收集该病例的资料，包括主诉、现病史、既往史、查体、实验室和影像检查、诊断过程、治疗经过与转归，并尽量保留清晰的影像和病理图片；第二步，按时间线客观还原诊疗过程，突出“哪里特殊、如何识别、怎样处理”；第三步，结合文献讨论，解释这例病例为什么特殊、与已有报道有何异同、对临床决策有什么提示；第四步，规范标注患者知情同意并做信息脱敏。写作时建议对照国际公认的CARE病例报告写作清单，逐项检查标题、摘要、时间线、讨论等要素是否齐全，能显著提高录用概率。

病例报告的优点是门槛低、周期短、不需要大样本和复杂统计，特别适合作为第一篇论文练手；其局限在于它只描述个体，无法证明因果关系，证据强度较低，结论不能简单推广到其他患者。

（二）病例系列：把同类患者“集合起来观察”

当你手里不是一个特殊病例，而是一批具有相同特征的患者时，就可以做病例系列。它是对一组（通常几例到几十例）同类疾病、同类治疗或同类表现患者的汇总描述，例如连续收治的某类损伤患者的诊疗经验、一种新术式在本科室开展后的早期结果。

它与病例报告的区别在于“数量”和“归纳”：病例报告聚焦个体的特殊性，病例系列则通过观察多个病例，尝试总结出这一类情况的共同规律，例如某病的典型表现谱、治疗的大致有效比例、最常见的并发症。

设计要点是：先明确纳入标准，说清楚“什么样的患者算进来”，并尽量纳入连续时间段内的全部符合病例，而不是只挑效果好的，否则会人为夸大疗效；再统一记录每例患者的关键指标，用描述性统计（例数、百分比、均值、中位数）汇总特征和结局。病例系列仍然没有对照组，因此主要价值是描述现象、提出假说、为后续更严格的研究铺路，不能据此断言某种疗法“优于”其他疗法。

（三）横断面调查：给现状“拍一张快照”

横断面研究回答的是“在某个特定时间点或短时间段内，某个人群里某种情况的现状如何”，如同举起相机拍一张快照。它最常用来调查患病率、认知水平、行为习惯、症状分布或诊疗现状，例如某社区中老年人群高血压的患病率、门诊糖尿病患者对用药知识的知晓率、护士群体职业倦怠的现状、某类患者检验指标的分布。

适用场景有两类：一是需要了解“有多少人、占多大比例”，二是同时分析多个因素之间的关联，例如探讨睡眠时长与血压水平是否相关。数据可以通过一次性问卷、体格检查或调取现有病历获得。

基础设计框架：第一步，明确调查对象和抽样方式，理想情况下采用随机抽样以保证样本能代表总体；第二步，设计调查工具，问卷最好使用经过信效度验证的成熟量表，并提前做小范围预调查；第三步，在统一时间、用统一标准完成数据采集；第四步，做描述性统计并分析因素间的相关性。需要特别注意，横断面研究中暴露和结局是在同一时间测量的，分不清谁先谁后，因此只能提示“相关”，不能推断“因果”。例如调查发现喝咖啡的人焦虑评分更高，并不能说明是咖啡导致了焦虑。

（四）回顾性队列：从“过去的暴露”追踪“今天的结局”

队列研究的核心逻辑是“由因及果”：先按照是否存在某种暴露因素把患者分成两组，再比较两组日后某种结局的发生情况。所谓“回顾性”，是指暴露和结局都已经发生在过去，研究者直接调取历史数据来分析，不需要前瞻性地等待随访，因此省时省力，是临床医生最常用的分析性研究之一。

典型场景如：比较用A方案与B方案治疗的两组患者，并发症发生率有无差异；分析吸烟与不吸烟的患者，术后恢复情况是否不同；评估某项检验指标高低不同的患者，再入院风险是否有别。

设计框架：第一步，确定研究问题中的“暴露”（如治疗方式、危险因素）和“结局”（如并发症、复发、死亡）；第二步，依据过去某个时间段内的病历，按暴露状态分组，并尽量保证两组在纳入时基线可比；第三步，追溯并记录两组的结局；第四步，用统计方法比较结局差异，并通过分层、多因素回归等手段处理年龄、基础病等混杂因素的干扰。

这里要和另一种常见类型“病例对照研究”区分方向：病例对照是“由果及因”，先选出已经患病的一组和未患病的对照组，回头比较两组过去暴露的差异，适合研究罕见病；回顾性队列则是“由因及果”，先按暴露分组再看结局，适合研究暴露人群较明确、结局相对常见的问题。新手选题时，多数基于科室连续病例的疗效或预后分析，用回顾性队列更顺手。

（五）四类研究横向对比与选型方法

为了便于快速判断，下表从回答的问题、数据方向、证据强度、上手难度和典型周期几个维度对四类研究进行对比。

面对一个具体的临床问题，可以用“三步法”选型。第一步，问自己要回答的是“描述现象”还是“检验关联”：只想把特殊或同类情况讲清楚，选病例报告或病例系列；想了解现状和比例，选横断面；想分析某个因素是否影响结局，选回顾性队列。第二步，看数据是否已经存在、能否拿到：如果几年病历齐全，优先做回顾性研究，避免等待。第三步，评估病例数量和时间：样本极少且罕见，做病例报告；有一批同类病例，做病例系列或队列；需要现场调查且能接触目标人群，再考虑横断面。

二、真实世界研究极简入门：把病历变成可分析的数据

在临床研究中，你会频繁听到“真实世界研究”这个词。它听起来前沿，其实正是为一线医生量身定做的路径——核心就是把日常诊疗中自然产生的数据，用规范的方法整理和分析。

（一）什么是真实世界研究

真实世界数据，是指在日常诊疗、健康管理等真实环境中，而非严格控制的随机对照试验环境下收集的数据，例如电子病历、检验检查结果、医保和登记库数据、患者随访记录等。真实世界研究，就是基于这些数据开展的研究。

它与随机对照试验不是对立关系，而是互补。随机对照试验通过严格随机分组和控制条件，能较可靠地验证疗效，但入组标准严格、环境理想化，结论未必完全反映复杂的临床实际；真实世界研究纳入的是形形色色的真实患者，更贴近实际诊疗，样本量往往更大、数据更丰富，尤其适合评估实际疗效、长期预后、安全性和卫生经济学问题。对临床医生而言，它最大的好处是“数据本来就在那里”，不需要额外制造研究条件。

（二）三类核心数据源及其特点

1. 住院病历数据

住院病历信息最完整，包含入院记录、病程、手术记录、护理记录、全套检验影像和出院小结，适合做疗效、并发症、预后等回顾性队列研究。主要“坑”在于：病历由不同医生书写，同一指标的记录口径和完整度不一；部分数据散落在自由文本中，需要人工判读；诊断和手术名称可能使用旧称或口语化表述。

2. 门诊数据

门诊数据量大、流转快，通常结构化程度较高，适合做用药模式、就诊趋势、患病率等横断面或大样本分析。其“坑”是：门诊记录相对简略，随访信息往往断裂，患者可能在多家医院就诊而造成数据不全，需要谨慎处理缺失和重复。

3. 随访数据

随访数据提供患者出院后的长期结局，是预后研究的关键，例如生存率、复发率、功能恢复。其“坑”集中在失访和质量：电话随访容易失联，随访时间点不统一，结局判断若缺乏客观标准会带来回忆偏倚。建议在研究开始前就规定统一的随访时点、方式和结局判定标准，并记录失访情况。

（三）数据提取四步法

把零散病历变成整齐数据，最忌讳一边翻病历一边随手往表格里填。规范的做法分四步。

第一步，明确研究问题与纳排标准。先写清楚研究目的、纳入哪些患者、排除哪些患者（如资料严重不全、诊断不明确、重复入院），并确定具体的时间范围。纳排标准必须在看数据之前定好，避免“看结果下菜碟”。

第二步，定义变量并建立数据字典。把要提取的每个变量都写清楚：变量名是什么、含义如何、取值范围和单位是什么、缺失如何记录。例如“高血压”要写明是依据既往病史、出院诊断还是血压测量值判定；“手术时间”要统一以分钟为单位。数据字典是保证不同人、不同时间提取口径一致的基础。

第三步，制作数据提取表（CRF）。可以用Excel或专用数据管理软件搭建，一行代表一位患者，一列代表一个变量，设置好下拉选项和格式限制，减少录入错误。变量顺序建议按病历出现的顺序排列，方便提取。

第四步，规范提取与质量控制。提取者严格按数据字典填写，关键数据建议由两人独立提取或由第二人抽查核对，发现不一致时回到原始病历裁定。要全程保留可追溯的原始记录，做到每个数据都能回溯到具体病历。

（四）数据清洗的基础方法

原始数据几乎总是“脏”的，清洗是分析前必不可少的环节，主要处理五类问题。

缺失值：先统计每个变量的缺失比例。少量缺失可按规范方法处理；缺失严重的变量要谨慎使用，必要时剔除或在文中说明，绝不能随意编造数值填补。

异常值：用合理范围和逻辑判断识别，如成人收缩压出现300毫米汞柱、年龄超过120岁，要回到原始病历核对是真实极值还是录入错误，不能一删了之。

重复记录：同一患者多次入院或重复登记时，按研究需要确定以哪次就诊为准，或通过唯一标识去重，避免一位患者被重复计数。

口径统一：把同义不同写的内容标准化，例如将“男/M/男性”统一为“男”，把旧病名、简写映射到规范诊断编码，单位统一换算。

分类编码：对分类变量统一编码，如性别男记为1、女记为0，并在数据字典中保留编码说明，方便后续分析。

清洗过程中建议保留原始数据副本，所有清洗操作另存为新文件并记录处理规则，做到过程可追溯、可复核。

（五）伦理与合规：起步前不能跳过的环节

使用患者数据必须先过伦理关。研究开始前应向医院伦理委员会提交申请，回顾性、匿名化、不干预诊疗的研究常常可以申请免除知情同意或快速审查，但能否豁免要由伦理委员会判定，研究者不能自行决定。

数据处理上要遵循“最小必要”和“去标识化”原则：只提取研究必需的信息，删除姓名、身份证号、住院号、联系方式等直接标识，用研究编号代替；数据加密存储、限制访问权限，严禁随意外传或用于研究以外的用途。涉及多中心或对外共享数据时，还需符合相应的数据安全与个人信息保护要求。合规不仅是程序，更是保护患者和研究者自己。

（六）警惕三类常见偏倚

真实世界研究不是随机试验，组间天然可能不可比，需要在设计和解读时主动识别偏倚。选择偏倚指纳入的患者不能代表目标人群，例如只纳入了资料完整的病例；信息偏倚指数据采集或测量存在系统误差，例如两组随访强度不同；混杂偏倚指年龄、基础病等第三方因素同时影响暴露和结局，造成虚假关联。意识到这些问题，并通过统一标准、完整纳入、多因素调整等手段加以控制，同时在文章中如实说明局限，是严谨研究的体现。观察性研究写作可对照STROBE清单，使用常规归档真实世界数据时还可参考RECORD规范。

三、文献类研究入门：不接触患者也能做研究

如果你暂时拿不到科室数据，或对数据分析还没有信心，文献类研究是另一条非常友好的路径。它的研究对象是已经发表的文献，只需要数据库、文献管理工具和清晰的方法，利用业余时间就能推进。主要包括综述、系统评价和Meta分析三个层次。

（一）叙述性综述：对已有知识的“梳理与整合”

综述是围绕某一主题，对大量已有研究进行归纳、整理和评述，呈现该领域的现状、主要观点、争议和发展方向，例如“某疾病诊治进展”“某类药物临床应用现状”。它的选题灵活、写作门槛相对低，适合用来快速熟悉一个领域、训练文献阅读和逻辑组织能力。

但传统叙述性综述没有强制规定检索和筛选方法，作者可能主观挑选文献，结论容易受个人偏好影响，因此更强调作者阅读的全面性和评述的客观性。写作时切忌把文献摘要简单堆砌，而要有自己的主线和判断。

（二）系统评价：用“预设且可重复”的方法回答具体问题

系统评价是针对一个明确的研究问题，按照事先制定的方案，系统、全面地检索所有相关研究，按统一标准筛选、评估质量并整合结果。它与普通综述最大的区别在于“方法严谨、过程透明、结果可重复”：检索式、数据库、时间范围、纳排标准、质量评价工具都要事先明确并写清楚，让别人可以照着复现。

系统评价解决的是“关于这个具体问题，目前全部证据合起来说明了什么”，通常会对纳入的研究逐一做偏倚风险评估，并解释证据的可靠程度。

（三）Meta分析：把多个研究的结果“定量合并”

Meta分析是一种统计方法，当多个独立研究探讨同一问题、且数据具备可合并条件时，用统计学手段把它们的结果加权合并，得到一个更精确、更有把握的综合结论。它常与系统评价结合出现，但二者不是一回事：系统评价是一套系统的检索与评价流程，可以不做定量合并；Meta分析特指其中的定量合并步骤。

理解几个常见概念并不难。效应量是衡量结果的统一指标，比较两组率常用相对危险度或比值比，比较均数常用均数差；森林图是把各研究结果和合并结果用图形展示出来，中间的方块和横线代表单个研究的效应及其可信区间，菱形代表合并后的总体结果；异质性是指不同研究结果之间的差异程度，如果各研究在人群、方法、干预上差异很大、结果明显不一致，就不能强行合并，而应分析差异来源或只做定性描述。牢记一点：Meta分析不是“想合就合”，方法学质量差或彼此不可比的研究硬凑在一起，只会得出不可靠的结论。

（四）零门槛启动路径

系统评价与Meta分析看似复杂，实际可以拆成六个标准动作，按流程推进即可。

第一步，用PICO框架拆题：把问题分解为研究对象（P）、干预或暴露（I）、对照（C）、结局（O），问题越具体越好。例如“某药（I）相比安慰剂（C），能否降低某类患者（P）的某事件发生率（O）”。

第二步，先检索查重并注册方案。先查PROSPERO等注册平台和已发表的同类研究，确认没有重复，再把研究方案公开注册，避免半途发现题目已被做过。

第三步，制定检索策略。确定PubMed、Embase、Cochrane图书馆、Web of Science及中文数据库等，与图书馆员或有经验者合作设计检索式，记录完整检索式和日期。

第四步，筛选文献与提取数据。由两名研究者按纳排标准独立筛选、交叉核对，使用统一表格提取研究特征和结果数据。

第五步，评价偏倚风险。根据研究类型选择相应工具，如随机对照试验常用Cochrane风险偏倚评估工具，观察性研究常用纽卡斯尔—渥太华量表。

第六步，整合分析并按规范写作。可合并时用RevMan、R或Stata完成Meta分析，写作全程对照PRISMA 2020清单及其流程流程图，清晰报告各阶段文献数量和理由。

（五）常用免费工具

文献类研究几乎可以零成本启动：PubMed、Cochrane图书馆、PMC及各中文数据库提供文献来源；EndNote、Zotero、Mendeley等用于文献管理和去重，其中Zotero、Mendeley有免费版本；RevMan是Cochrane提供的免费Meta分析软件，R语言借助免费程序包也能完成大部分分析；PROSPERO提供方案注册，PRISMA网站提供写作清单。新手建议从一篇范围明确、已有若干同类原始研究的题目入手，先完整跟做一遍流程，比阅读十篇教程更有效。

四、临床研究的底层逻辑：变量、对照与样本量

无论选择哪一类研究，最终都绕不开三个最基础的概念：研究中有哪些变量、如何设置对照、需要多少样本。理解了它们，研究方案的骨架就立起来了。

（一）变量设定：先弄清“谁影响谁”

变量就是研究中被测量或记录的、可以取不同值的因素。按在研究中的角色，主要分为四类。

因变量（结局变量）：研究最终关心的结果，例如是否发生并发症、疗效是否有效、住院天数、生存与否。

自变量（暴露变量）：用来解释或预测结局的因素，例如治疗方式、是否吸烟、某项检验指标。

混杂变量：同时与自变量和因变量相关、可能干扰结论的第三方因素，最常见的是年龄、性别、基础疾病、病情严重程度，需要在分析中加以控制。

协变量：其他需要收集、用于描述人群或调整分析的因素，如体重指数、用药情况。

按数据的表现形式，变量又分为三类，这直接决定后面用什么统计方法。计量变量是连续可取数值的，如身高、血压、血糖；计数变量是按类别计数的，如男女、有效与无效、是否死亡；等级变量是有顺序但无精确间距的分类，如疗效分为无效、好转、显效，或病情分为轻、中、重。动手前把每个变量的角色和类型标注清楚，后续统计选择就会水到渠成。

（二）对照设置：没有比较就没有鉴别

对照的意义在于回答“如果不用这个因素，会怎样”。单凭一组患者治疗后好转，无法判断是治疗起了作用，还是疾病自然缓解、安慰剂效应或其他措施的功劳。设置可供比较的对照组，才能把干预或暴露的真实效应分离出来。

对照有多种形式，可靠性不同。同期对照最理想，即对照组和研究组来自同一时间段、同一人群，除了暴露因素外其他条件尽量一致，能最大程度减少时间和环境差异。常见类型包括：标准治疗对照，即用目前公认的常规疗法作为对照，伦理上最稳妥；空白或安慰剂对照，多用于验证疗效，安慰剂需符合伦理要求；自身前后对照，用同一批患者干预前后的数据比较，节省样本，但易受时间和自愈影响；历史对照，拿过去的病例作对照，最省事但两组诊疗条件可能已变化，可靠性较低，应谨慎使用。对回顾性研究而言，关键是在分组时尽量保证两组基线可比，并通过多因素分析控制残余差异。

（三）样本量估算：避开复杂公式的实用技巧

样本太少，结果不稳定、容易漏掉真实存在的差异；样本太多，则浪费时间和资源。合理估算是研究方案的必备内容，也是伦理审查和审稿人关注的环节。新手不必畏惧公式，掌握以下思路和工具即可。

1. 先明确四个输入要素

无论用什么工具，样本量估算都依赖四个参数：主要终点是什么（率还是均数）；预期的效应量有多大（两组率或均数预计差多少）；检验水准（通常取0.05，即容许的假阳性概率）；把握度（通常取0.8或0.9，即真实差异存在时能把它检测出来的概率）。其中效应量是最关键也最难的参数。

2. 效应量从哪里来

不要凭空猜测，可通过三种途径获得合理估计：查阅既往发表的同类研究，参考其报告的率或均数；做小样本预实验，用初步结果估算；没有直接数据时，参考临床公认的“有意义的最小差值”，即临床上认为值得关注的差异幅度。

3. 用软件代替手算

把上述参数输入软件即可得到结果，无需自己求解公式。常用工具包括：G*Power，免费、界面友好，适合均数比较、方差分析、回归等多数常见场景；OpenEpi，免费网页工具，适合率的比较和横断面样本估算；PASS，功能强大但多为付费，常见于专业机构；各类在线计算器和R程序包也可使用。使用时选对研究设计和数据类型，输入参数后读结果，并保留计算过程写入论文。

4. 记住几条经验法则

在没有条件精细计算时，这些被广泛接受的经验可用于初步判断和自查。

多因素回归的“事件数”原则：做logistic回归或Cox回归时，一般要求结局中较少发生的那一类事件数，至少为自变量个数的10倍左右（即EPV不低于10），再纳入更多变量需相应增加样本。

问卷与量表的“10倍”原则：做因子或多因素分析时，样本量粗略应达到题项数的5至10倍，越多越稳妥。

预留损耗：在理论样本量基础上，考虑失访、资料不合格、拒访等，通常再增加约20%的样本，保证最终有效样本充足。

率的估算可参考流行病学常用表格或OpenEpi，依据预期患病率、允许误差和总体规模快速得出。

需要强调，经验法则只用于初步估算和复核，正式方案中仍应报告基于软件的计算过程和参数依据。

（四）统计方法选择速查

入门阶段最常见的困惑是“我这些数据到底该用什么检验”。其实只要先判断变量类型和比较组数，再对照下表即可。核心原则是“方法跟着数据类型和研究设计走”。

实际分析中，先做描述性统计（例数、百分比、均数、中位数、标准差）摸清数据，再选择推断性方法；遇到不确定的设计或复杂数据，应尽早寻求统计学专业人员合作，而不是把数据“凑”进某个熟悉的检验里。

结语：从今天开始的行动清单

科研能力不是等“准备好了”才开始，而是在完成第一个具体研究的过程中长出来的。为了让本文的方法真正落地，最后给出一份可以直接照做的行动清单和工具地图。

（一）选题三问

第一问：这个问题在我的日常工作中是否真实存在、我是否能持续接触到相关病例或文献？

第二问：回答它所需的数据是否已经存在、我能否合法合规地拿到？

第三问：现有的病例数量或文献数量，是否足以支撑相应的研究类型？

三个问题都能给出肯定答案，就是一个值得启动的好题目。新手建议从病例报告或小样本回顾性分析切入，先完整走完一遍流程、拿到第一篇成果，再逐步挑战更复杂的设计。

（二）从0到1的推进节奏

第一步（第1至2周）：确定临床问题，完成文献检索与查重，选定研究类型。

第二步（第3至4周）：撰写研究方案，明确纳排标准、变量字典、样本量与统计计划，提交伦理申请。

第三步（第5至10周）：搭建提取表，完成数据提取、清洗与质控。

第四步（第11至14周）：统计分析，撰写论文，对照相应报告规范逐项自查后投稿。

（三）常用报告规范与工具地图

请记住，临床医生做科研的最大资本，是身处真实诊疗的第一线。你每天遇到的困惑、特殊的病例、反复出现的问题，都是研究的源头。缺的从来不是题目，而是把问题系统化的方法。从一个最小的题目开始，按本文的框架规范地走完它，你就已经跨过了那道大多数人一直没有跨过的门槛。