《Journal of Clinical Epidemiology》：How should covariates be handled in randomized trials? Empirical evidence from 50 trials and recommendations for practice
编辑推荐：
Yulin Shao|Liangbo Lyu|Menggang Yu|Bingkai Wang美国密歇根州安阿伯市密歇根大学公共卫生学院生物统计学系摘要背景与目标在随机临床试验中，协变量调整能够提升精确度和统计效力，这也是各大监管机构所推荐的。然而，关于不同调整策略在各种实际试验
Yulin Shao|Liangbo Lyu|Menggang Yu|Bingkai Wang
美国密歇根州安阿伯市密歇根大学公共卫生学院生物统计学系
摘要
背景与目标
在随机临床试验中，协变量调整能够提升精确度和统计效力，这也是各大监管机构所推荐的。然而，关于不同调整策略在各种实际试验中的表现，现有的实证证据十分有限，这就使得人们在制定统计分析计划时难以确定应预先指定哪些方法和协变量。我们旨在填补这一空白，并提供实用的建议。
方法
我们利用50项公开可用的随机试验的个体级数据开展了一项大规模实证研究，这些试验共有29,094名参与者，涉及574组治疗结果比较。我们对比了多种常用的协变量调整估计方法，包括协方差分析、逆概率加权、g计算以及基于机器学习的方法，同时还结合了三种协变量选择策略。评估标准包括精确度提升程度、点估计值的变化、计算可靠性，以及与未进行协变量调整的分析相比，协变量调整是否会影响统计显著性。
结果
在大多数情况下，协变量调整都能提升精确度，连续型结果的方差中位数降低了13.3%，二元型结果的方差中位数降低了4.6%。通过协变量调整，提高统计显著性的可能性远远大于降低显著性的可能性。那些使用少量预先指定的预后协变量的简约回归方法，其表现与更复杂的方法相当，甚至在样本量较小到中等的情况下表现更好。而基于机器学习的估计方法并未带来额外的精确度提升，且在处理二元型结果时更容易出现计算问题。
结论
在各类随机试验中，简约的协变量调整能够在不引入系统性偏差的前提下持续提升效率。这些研究结果支持在主要试验分析中常规使用协变量调整，同时也为制定统计分析计划、选择协变量以及确定样本量提供了实用指导。所有整理好的数据集和分析代码都已公开发布，以便为未来的临床研究提供可复现的参考资料。
