搜索
导航
医生评职称论文
发布时间：2026-05-26 17:06
在医学、药学、护理学以及公共卫生等领域的临床研究中，“脱落病例(dropout cases)”几乎是不可避免的问题。很多研究生第一次写论文时，都会产生一个疑问：“已经退出实验的患者，为什么不能直接删掉?”
实际上，在规范的临床研究中，脱落病例不能随意删除。尤其是在随机对照试验(RCT)中，如果直接剔除脱落数据，很可能会导致研究结果偏倚，甚至影响论文的科学性。因此，大多数医学统计规范都会要求研究者进行：意向性分析(Intention-to-Treat Analysis，简称ITT分析)
这也是很多SCI论文、医学硕士论文以及医院科研项目中非常重要的一部分。
在临床研究中，“脱落病例”通常是指：
已经进入研究，但没有完成整个试验流程的受试者。
例如：
中途退出治疗
失访
未按要求复诊
出现不良反应停止实验
未完成全部随访
这些都属于典型的脱落病例。
在实际研究中，尤其是长期随访研究，脱落是非常常见的现象。
很多研究者最开始会觉得：
“既然患者都没完成实验，那删掉不就行了吗?”
但问题在于：
如果直接删除脱落病例，会破坏随机化结构。
举个简单例子：
假设一项降压药研究中：
病情较重的人更容易退出
副作用明显的人更容易失访
如果把这些患者全部删除，最后留下来的可能都是“效果较好”的患者。
这样就会导致：
药物疗效被高估
不良反应被低估
研究结果失真
因此，在临床研究中：
“直接删病例”通常是不规范的。
意向性分析(Intention-to-Treat Analysis)是临床研究中的经典统计原则。
核心思想是：
“无论受试者是否完成治疗，都按照最初随机分组进行分析。”
也就是说：
即使患者：
中途退出
没有按方案治疗
未完成随访
也仍然纳入最终统计。
这样做的目的，是为了：
保持随机化优势
减少选择偏倚
更真实反映临床实际情况
目前，ITT分析已经成为很多高质量临床试验的标准要求。
在论文中，通常不能只简单写一句“删除脱落病例”。
规范写法通常包括以下几个部分：
例如：
因不良反应退出3例
因失访脱落2例
因依从性差退出1例
这部分通常写在：
Results
Flow Chart
Baseline Characteristics
中。
很多医学论文会使用CONSORT流程图。
内容包括：
纳入人数
随机分组人数
完成随访人数
脱落人数及原因
这是SCI论文中非常常见的规范格式。
论文统计学部分通常会写：
“本研究采用意向性分析(ITT)原则进行数据处理。”
有时还会进一步说明：
如何补全缺失值
使用了哪种统计方法
由于脱落病例存在缺失数据，因此需要进行数据处理。
常见方法包括：
即：
“最后一次观察值前移”
例如：
患者后续失访，就使用其最后一次随访数据代替。
这是医学论文中非常常见的方法。
属于更高级的数据处理方法。
适用于：
样本量较大
缺失数据较复杂
很多SCI论文都会采用这种方式。
用于验证：
不同缺失值处理方式是否影响最终结论。
这可以增强论文可信度。
一般来说：
如果脱落率过高，研究质量会明显下降。
很多研究会认为：
小于10%：通常可接受
10%–20%：需要解释
超过20%：可能影响结果可信度
因此，在论文讨论部分(Discussion)中，通常需要：
分析脱落原因
讨论可能带来的偏倚
说明研究局限性
因为在循证医学体系中：
ITT分析代表更高水平的研究规范。
尤其是：
RCT研究
药物临床试验
医学SCI论文
如果没有ITT分析，审稿人很可能会质疑：
数据是否存在偏倚
是否人为筛选病例
结果是否可靠
因此，很多导师会反复强调：
“脱落病例不能随便删。”
A：大多数随机对照研究(RCT)中，通常建议纳入最终分析，尤其是采用ITT原则时。
A：不建议直接删除。因为这可能导致选择偏倚，影响研究结果真实性。
A：ITT分析是“按最初分组分析”，即使患者没有完成治疗也纳入统计。
PP分析(Per Protocol)则只分析严格按照方案完成研究的患者。
很多高质量研究会同时报告：
ITT结果
PP结果
用于相互验证。
A：通常需要：
写明脱落人数
说明脱落原因
使用CONSORT流程图
在统计学部分明确ITT分析方法
如果统计处理比较复杂，一些研究生也会咨询导师、统计老师或像海马课堂这类科研辅导资源，帮助梳理ITT分析思路和论文统计写法，避免论文方法学部分出现规范性问题。
相关热词搜索：
