简介：本资源是面向临床试验统计师、医药研发人员及监管事务从业者的专业指南，聚焦ICH E9(R1)修订中核心的估计目标设定与敏感性分析实践。蓝皮书由DIA中国统计社区牵头，联合勃林格殷格翰、辉瑞、罗氏等十余家跨国药企及国内头部Biotech的30余位统计专家共同编写，系统阐释了基于五大属性（主要终点、指标、对照组、参数类型、参考值）的结构化估计目标框架，并通过淋巴瘤CAR-T疗法、哮喘多臂三期试验等真实案例，详解伴发事件处理、主估计方法选择、敏感性分析策略及方案撰写要点。资源为单个PDF文件，大小1.63MB，内容完整覆盖导论、框架应用、方案呈现与实操案例四大部分，排版清晰、术语规范，便于快速查阅与团队对齐。目前已有2811人学习下载，是开展符合国际标准的临床试验设计、统计分析计划（SAP）撰写及监管沟通的重要参考依据。

1. 估计目标到底是什么：一个临床试验里“真正想回答的问题”说明书

你有没有遇到过这种场景？
一款新药做完三期临床试验，数据很漂亮：主要终点显著改善，p值小于0.001，统计学结论非常“硬气”。可到了监管审评阶段，审评员却皱着眉头问：“这个结果，到底在回答什么问题？”
——不是问“算得对不对”，而是问“你当初想搞清楚的，究竟是哪件事？”

这就像医生给病人开降压药，如果试验设计时没想清楚：“我们是想看‘吃药6个月后血压降了多少’，还是‘吃药期间不加其他药、不提前停药的人血压能降多少’，抑或是‘哪怕加了救急药、哪怕中途换药，整体治疗策略带来的血压变化’？”——那最后算出来的数字，可能根本不是监管方、医生或患者真正关心的那个“疗效”。

这就是估计目标（Estimand）的核心意义：它不是统计公式，不是分析代码，而是一份用大白话写成的“临床试验问题说明书”。它把模糊的“我们要看药有没有效”这句话，拆解成五个具体、可操作、无歧义的零件：谁来治（人群）、怎么治（治疗定义）、看什么（终点）、遇到意外怎么办（伴发事件及处理策略）、最后怎么总结（群体汇总方式）。

2019年正式落地的ICH E9(R1)，就是为了解决这类“算得热闹、答非所问”的困局而生。它不再只教你怎么“算”，而是先逼你坐下来，和团队、和监管方一起，把“我们到底想证明什么”这一页纸写清楚。这份《ICH E9 R1估计目标及敏感性分析蓝皮书》，正是国内一线统计师们把这套国际语言“翻译”成中文实践指南的努力——它不讲抽象理论，而是用10个真实案例告诉你：当CAR-T疗法遇上患者提前转组、当哮喘试验碰上多臂交叉设计、当新冠药物面临高死亡率干扰时，“估计目标”这五个字，如何从纸面概念变成方案里一句句可执行的描述、分析中一个个可复现的步骤、沟通中一条条有共识的底线。

它解决的不是“会不会算”的技术问题，而是“该不该这么算”的认知问题。搞懂它，你写的统计分析计划（SAP）才不会在NDA阶段被退回重写；你做的模型才不会被质疑“算的是药效，还是补救药的功劳”；你和监管开会时，才能把“为什么用LOCF”这种玄学争论，升级成“我们选择假想策略，是因为临床问题聚焦于纯药物效应”这样有依据的对话。

2. 为什么必须先定义估计目标：从“算得快”到“答得准”的底层逻辑

2.1 临床试验的本质，是一场有约束的因果推断实验

临床试验不是观察自然现象，而是一次精心设计的“思想实验”：我们想弄明白——如果同一批人，一半吃药、一半不吃，他们最终的结果会差多少？

但现实永远不配合这个理想设定。患者会因副作用停药、会因病情恶化加用其他药、会因搬家失访、会因死亡而无法继续测量……这些在治疗开始后发生的、影响结果解释的事件，就是ICH E9(R1)明确定义的伴发事件（Intercurrent Event）。

提示：伴发事件 ≠ 方案违背。漏服一次药可能是操作疏忽，但因疗效不佳而主动换用下一线治疗，就是典型的伴发事件——它直接挑战了“纯药物效应”这一科学问题的边界。

传统做法常把这些事件当作“噪音”处理：删掉失访者、用末次观测结转（LOCF）填补缺失值、把转组患者归入原治疗组分析……这些方法本身没有错，但问题在于：它们默认回答了一个未经声明的科学问题。比如LOCF，它隐含的假设是“患者如果没转组，后续指标会保持不变”——可如果患者是因为病情急剧恶化才转组，这个假设就极可能崩塌。

估计目标框架的革命性，就在于它把“默认假设”拉到台前，强制你声明：“我们这次试验，就是要回答——在允许患者按需使用补救治疗的前提下，A药+补救治疗 vs B药+补救治疗，哪个整体策略更优？” 或者：“我们严格限定，只评估那些全程未使用任何补救治疗的患者，A药本身的生物学效应有多强？”

前者对应疗法策略（Treatment Policy Strategy），后者对应假想策略（Hypothetical Strategy）。选哪个，不取决于统计方便，而取决于临床问题本身。这就是为什么ICH E9(R1)强调：先有估计目标，再有分析方法；而不是先有数据，再找方法去拟合。

2.2 五大属性：把“疗效”这个词，拆成五把手术刀

估计目标不是一句话，而是一个由五个相互咬合的属性构成的精密结构。缺一不可，改一动全：

这五个属性不是填空题，而是一套逻辑链：人群决定治疗背景，治疗定义影响终点可测性，终点可测性受限于伴发事件，伴发事件的处理方式又反向重塑人群和治疗的定义，最终汇总方式确保结果可被临床理解。蓝皮书中案例3（肾细胞癌术后治疗）就展示了这一点：当“术后辅助治疗”本身存在高复发率，且复发后必然启用系统治疗时，“无复发生存期（RFS）”作为终点，就必须明确——复发是否被定义为伴发事件？复发后的系统治疗是否纳入治疗定义？否则RFS的改善，可能只是反映了后续治疗的获益，而非辅助治疗本身的功效。

2.3 没有估计目标的统计分析，就像没有地图的远征

想象一下：一支探险队出发前，没人确认目的地是“珠峰北坡大本营”还是“南坡二号营地”，只说“往高处走”。路上遇到暴风雪（伴发事件），队长决定绕路（策略），队员记录海拔（终点），最后汇报“我们到达了5200米”。这个数字有意义吗？

没有。因为：

• 如果目标是北坡大本营（约5150米），5200米可能已偏离路线；
• 如果目标是南坡二号营地（约5900米），5200米只是半途；
• 更糟的是，队员可能把绕路时经过的一个山头（5200米）误认为目标。

临床试验亦然。蓝皮书第一章引述的达格列净（Dapagliflozin）案例，正是如此：申办方用LOCF分析HbA1c变化，得到“显著降低”；FDA质疑——这个数字反映的是“达格列净本身的效果”，还是“达格列净+患者自行加用的降糖药”的混合效果？由于方案中从未明确定义“我们究竟想估计什么”，双方在NDA阶段才意识到，他们拿着同一组数据，却在回答两个不同的问题。

这种“后知后觉”的代价巨大：可能需要补充分析、延迟审批、甚至要求开展新试验。而估计目标框架，就是那份出发前必须签下的“目的地确认书”。它让统计师、临床医生、注册专员、监管审评员，在试验启动前，就站在同一张地图前，指着同一个坐标说：“我们要去这里。”

3. 五大属性详解：从定义到落地的实操要点

3.1 目标人群：不是“招进来的人”，而是“药该给谁用”

目标人群（Population）常被误认为等同于“全分析集（FAS）”或“符合方案集（PPS）”。这是最危险的误区之一。

正确理解：目标人群是临床问题的自然外延。它由三个要素锚定：

• 疾病状态（如：既往接受过≤2线系统治疗的转移性结直肠癌患者）；
• 关键基线特征（如：KRAS/NRAS/BRAF野生型）；
• 治疗背景（如：未接受过抗EGFR治疗）。

注意：入排标准（Inclusion/Exclusion Criteria）是筛选工具，目标人群是科学定义。例如，某试验入排标准要求ECOG PS 0-1，但临床问题关注的是“所有适合接受该治疗的mCRC患者”，那么目标人群就应表述为“ECOG PS 0-2的mCRC患者”，而PS 2的患者虽未入组，其潜在疗效仍属目标人群的推断范畴——这直接影响外部有效性（generalizability）的讨论。

蓝皮书案例7（类风湿关节炎）对此有清晰示范：试验入组了甲氨蝶呤（MTX）稳定剂量的患者，但临床问题聚焦于“在标准MTX背景治疗下，新药的附加获益”。因此，目标人群明确为“正在接受稳定剂量MTX治疗的中重度RA患者”，而非“所有RA患者”。这直接决定了后续分析中，MTX剂量变化是否被视为伴发事件、是否需在模型中校正。

3.2 治疗定义：当“吃药”这件事，变得复杂起来

治疗（Treatment）属性最容易被简化为“A药 vs 安慰剂”。但在真实世界，治疗是一个动态过程，受伴发事件深刻影响。

核心原则：治疗定义必须与伴发事件处理策略完全耦合。

• 若采用疗法策略，治疗即为“分配治疗 + 允许的伴发干预”。例如，案例1（CAR-T淋巴瘤）中，患者回输CAR-T后若因CRS使用托珠单抗，该治疗即成为“CAR-T+托珠单抗”方案的一部分，对照组也必须是“标准治疗+同等支持治疗”。
• 若采用假想策略，治疗则回归“分配治疗本身”。此时，方案中必须明确定义假想情景：“假想患者未发生伴发事件，且未接受任何补救治疗”。这要求主估计方法（如多重插补）的模型，必须基于未发生该事件的类似患者数据构建，而非简单用均值填充。

实操陷阱：许多方案写“治疗为随机分配的药物”，却对“药物使用时长、剂量调整、暂停重启”只字不提。ICH E9(R1)要求，这些细节若影响疗效解释，就必须纳入治疗定义。例如，案例4（心衰运动能力）中，“每日固定剂量”与“按耐受性滴定剂量”代表两种不同的治疗定义，直接影响终点（6分钟步行距离）的变异度和效应量估计。

3.3 目标变量：终点不是冷冰冰的数字，而是临床意义的载体

目标变量（Variable/Endpoint）是估计目标的“眼睛”，它决定了你看到什么。但它的定义，必须经得起伴发事件的拷问。

关键区分：

• 原始测量值（如：第24周HbA1c数值）是数据；
• 目标变量（如：“第24周HbA1c自基线的变化值，对因伴发事件导致缺失的数据，按假想策略进行多重插补”）才是估计目标的一部分。

蓝皮书案例6（PRO作为肿瘤终点）极具启发性：患者报告结局（PRO）如疼痛评分，极易因疾病进展、住院、死亡而缺失。若简单删除缺失数据，等于默认“不报告疼痛=无疼痛”，这显然违背临床常识。此时，目标变量必须明确定义：

• 是“最后一次有效报告的疼痛评分”（在治策略）？
• 还是“假想患者未发生进展时的预测疼痛评分”（假想策略）？
• 抑或“进展或死亡即定义为最差疼痛状态”（复合策略）？

每种选择，都导向不同的临床解读。方案中若只写“主要终点为FACT-G总分”，而不说明缺失值处理逻辑，这个终点就失去了估计目标的锚点。

3.4 伴发事件及处理策略：临床试验的“意外管理手册”

伴发事件是估计目标框架的心脏。E9(R1)将其明确定义为：治疗开始后发生的、影响目标变量解释或存在、且无法通过随机化消除的事件。

必须厘清的三类混淆：

1. 伴发事件 vs 方案违背：患者忘记服药一天是违背，但因此导致疗效评估窗口错过，若该错过不影响整体趋势判断，则不构成伴发事件；而因严重AE永久停药，则是典型伴发事件。
2. 伴发事件 vs 终点事件：“死亡”在PFS分析中是伴发事件（导致PFS无法评估），在OS分析中则是终点事件本身。同一事件，角色随目标变量而变。
3. 伴发事件发生率 vs 伴发事件影响：某药组30%患者发生补救治疗，对照组仅10%，这不仅是基线不平衡，更意味着两组的“治疗定义”已实质不同——此时，单纯比较原始终点可能产生严重偏倚。

五种策略的选用逻辑（以“补救治疗”为例）：

# 策略选择决策树（伪代码，供理解逻辑） if clinical_question == "整体治疗策略优劣": strategy = "Treatment Policy" # A药+补救 vs B药+补救 elif clinical_question == "A药本身的生物学效应": strategy = "Hypothetical" # 假想无人使用补救治疗 elif clinical_question == "避免补救治疗是治疗成功标志": strategy = "Composite" # 将补救治疗定义为终点失败 elif clinical_question == "仅关注治疗期间的即时效应": strategy = "While on Treatment" # 只用补救前数据 elif clinical_question == "疗效仅存在于特定亚群（如永不转组者）": strategy = "Principal Stratum" # 需特殊设计（如预筛）

蓝皮书案例5（新冠治疗）生动体现了策略选择的临床重量：在高死亡率背景下，若将“死亡”按疗法策略处理（继续收集死亡后数据），数据不存在；若按假想策略（假想未死亡），模型可靠性存疑；最终采用复合策略，将“死亡或呼吸衰竭”合并为终点，使结果更具临床紧迫感和决策价值。

3.5 群体层面汇总：从个体数据到群体结论的“翻译器”

汇总方式（Summary）是估计目标的“落脚点”，它决定了统计量如何承载临床意义。

常见误区：认为“均值差”或“HR”是通用答案。实则，汇总方式必须匹配终点类型和临床问题：

• 对于二分类终点（如：ORR），风险差（RD）比比值比（OR）更易向临床医生解释“绝对获益是多少”；
• 对于时间至事件终点（如：PFS），中位数易受删失影响，限制平均生存时间（RMST）提供更稳健的平均时间差；
• 对于复合终点（如：心血管死亡/心梗/卒中），胜率（Win Ratio）能处理不同成分的临床权重差异。

蓝皮书案例8（多发性硬化症）采用EDSS评分变化，但指出：EDSS是有序分类变量，若简单用t检验比较均值，会丢失等级信息。因此，主估计方法选用Wilcoxon秩和检验，汇总方式为“优势概率（Probability of Superiority）”，即“随机抽取一名A组和一名B组患者，A组患者EDSS改善更大的概率”，这个数字（如0.65）比均值差0.3分更直观传达临床获益大小。

4. 常见误区与易混概念：十个让你拍大腿的“原来如此”

4.1 误区一：估计目标 = 主要终点

为什么混：两者都出现在方案“主要目的”章节，且终点常是估计目标的组成部分。
怎么区分：

• 主要终点是一个测量指标（如：“第12周HbA1c变化值”）；
• 估计目标是包含该终点在内的完整因果问题（如：“在2型糖尿病患者中，SGLT2抑制剂对比安慰剂，对第12周HbA1c变化的平均处理效应，按假想策略处理补救用药”）。
  后果：只写终点，不写策略，等于只给了枪，没给瞄准镜。审评时会被追问：“补救用药发生时，您的HbA1c数据怎么算？”

4.2 误区二：敏感性分析 = 多跑几个模型看看结果稳不稳

为什么混：实践中常把换一个协变量、换一个缺失值填补法就叫敏感性分析。
怎么区分：

• 真正的敏感性分析，必须针对主估计方法中的核心假设，且与同一估计目标严格对应。例如，主估计用多重插补（假设MAR），敏感性分析就该用模式混合模型（放松MAR假设）；主估计用Cox模型（假设PH），敏感性分析就该用分层Cox或参数模型。
• 错误做法：主估计用LOCF（隐含“缺失=不变”假设），敏感性分析却用Last Observation Carried Forward（LOCF）——这根本不是检验假设，只是重复计算。
  后果：审评员认为“您没理解什么是稳健性”，敏感性分析沦为形式。

4.3 误区三：伴发事件处理策略是统计师的“技术选择”，临床医生只需看结果

为什么混：策略选择涉及统计模型（如插补、建模），易被归为技术细节。
怎么区分：

• 策略本质是临床问题的翻译。选择假想策略，意味着临床团队认定“纯药物效应”是监管决策的关键；选择疗法策略，则表明“真实世界混合治疗效果”才是医生最关心的。
• 临床医生必须参与策略讨论，因为他们最清楚：补救用药的发生，是源于药物无效（支持复合策略），还是源于患者依从性差（支持假想策略）？
  后果：统计师单方面定策略，临床团队不认同，导致方案内部逻辑断裂，后期数据解读时互相质疑。

4.4 误区四：估计目标一旦确定，就不能更改

为什么混：认为它是方案“铁律”，修改等于推翻整个试验。
怎么区分：

• ICH E9(R1)允许在方案修订中更新估计目标，但必须满足：
  (1) 基于期中分析或新科学证据，发现原目标无法回答关键临床问题；
  (2) 修订需经DSMB（数据安全监查委员会）和监管机构书面同意；
  (3) 所有后续分析（包括主分析）必须基于新目标，原目标分析降级为补充分析。
  后果：擅自修改，会导致主分析失去监管认可，整个试验效力受损。

4.5 误区五：所有伴发事件都必须在方案中定义并指定策略

为什么混：追求“全面覆盖”，把所有可能事件都列出来。
怎么区分：

• 只定义对目标变量解释有实质性影响的伴发事件。例如，某试验主要终点是影像学PFS，患者因轻度皮疹暂停用药3天，若该暂停不影响后续扫描时间点和肿瘤评估，则不属于需定义的伴发事件。
• 定义需有临床依据：方案中应说明“为何此事件会影响终点解释”，而非罗列清单。
  后果：过度定义稀释重点，让审评员困惑“哪些是真正关键的”，反而忽略核心伴发事件（如死亡、转组）的策略合理性。

5. 敏感性分析：不是备胎，而是主估计的“压力测试仪”

5.1 敏感性分析的本质：一场有预谋的“证伪实验”

很多人把敏感性分析当成主分析的“保险丝”——主分析万一翻车，还有它兜底。这是巨大误解。

正确理解：敏感性分析是主估计方法的必要组成部分，如同汽车出厂前的碰撞测试。它不预测“会不会出事”，而是主动制造极端工况（如：假设缺失数据机制从MAR变为MNAR），检验主估计在多大程度上还能站得住脚。

ICH E9(R1)对敏感性分析有明确定义：“针对假设的偏离和数据的局限性，探索主估计方法统计推断的稳健性的一系列分析。”
关键词是“一系列”和“稳健性”。它不是跑一个替代模型，而是构建一个分析谱系：

• 一个模型检验统计假设（如：Cox比例风险假设是否成立）；
• 一个模型检验缺失数据假设（如：若缺失非随机，主估计会偏多少？）；
• 一个模型检验伴发事件策略假设（如：若假想策略中“未转组”患者的预后被高估，效应量会缩水多少？）。

蓝皮书案例2（哮喘多臂试验）展示了这种谱系思维：主估计用混合效应模型（假设数据符合混合正态分布），敏感性分析则包括：

• 使用广义估计方程（GEE），放松分布假设；
• 使用多重插补（MI）处理缺失，对比主分析的逆概率加权（IPW）；
• 对高缺失率亚组（如依从性<80%者）单独分析，检验结果一致性。
  这三层检验，共同回答：“我们的主结论，是否顽强到足以承受现实世界的各种不完美？”

5.2 如何设计一次合格的敏感性分析：三步落地法

第一步：锁定主估计的“阿喀琉斯之踵”
不是所有假设都值得检验。聚焦主估计方法中最脆弱、最难验证、对结果影响最大的假设。例如：

• 若主估计用LOCF，其阿喀琉斯之踵是“缺失=不变”这一强假设；
• 若主估计用多重插补，其阿喀琉斯之踵是“缺失为随机（MAR）”这一前提；
• 若主估计用Cox模型，其阿喀琉斯之踵是“比例风险（PH）”假设。

第二步：构造“最坏但合理”的替代场景
敏感性分析不是越极端越好，而是要“坏得有道理”。例如：

• 对MAR假设的检验，不应直接假设“所有缺失都发生在最差结局者中”（MNAR极端情形），而应采用控制阈值法（Controlled Multiple Imputation）：在插补模型中，人为加入一个偏移项δ，让插补值系统性地向更差方向偏移，然后观察δ在什么范围内，结论仍保持显著。

第三步：结果呈现必须“可读、可判、可决策”
避免只输出一堆p值。应制作敏感性分析汇总表：

这张表让审评员一眼看清：“在合理范围的假设偏离下，我们的结论依然成立。” 这比一百句“我们做了敏感性分析”更有力量。

5.3 补充分析：不是“次要分析”，而是“上下文注释”

补充分析（Supportive Analysis）常被误认为“次要终点分析”或“探索性分析”。ICH E9(R1)给了它精准定位：“针对同一估计目标，除主估计方法和敏感性分析之外的其他分析。”

关键区别：

• 次要估计目标（Secondary Estimand）：回答另一个独立的临床问题（如：主要看OS，次要看QoL），它有自己的五大属性，需独立定义；
• 补充分析：只为支撑、丰富、解释主估计目标的结论。例如：
  • 主估计目标是“总体人群的平均效应”，补充分析可做“关键亚组（如年龄≥65岁）的效应”，以说明结果是否普适；
  • 主估计用连续变量（HbA1c变化），补充分析可用分类变量（HbA1c<7%达标率），提供不同维度的临床视角。

红线警告：补充分析不得用于支持主要结论。方案中必须明确：“主要结论仅基于主估计目标及主估计方法。补充分析结果仅作参考，不改变主要结论的判定。” 否则，一旦主分析不显著，拿补充分析“曲线救国”，会被视为严重违规。

6. 什么时候用、什么时候别用：一份来自血泪经验的边界清单

6.1 该用估计目标框架的六个明确信号

当你在临床试验设计中遇到以下任一情况，必须启动估计目标框架，而不是跳过它直接写统计分析计划：

1. 试验涉及高频率伴发事件：如肿瘤试验中预期>20%患者会发生疾病进展或死亡；慢性病试验中补救用药使用率>30%。此时，不定义策略，主分析必然失焦。
2. 主要终点为时间至事件（TTE）：PFS、OS等终点天然受伴发事件（死亡、失访、转组）干扰，E9(R1)的伴发事件处理策略是TTE分析的基石。
3. 计划使用LOCF、BOCF等传统缺失值处理法：这些方法隐含强假设，必须用估计目标框架显性化其对应的科学问题（如LOCF对应“疗法策略+缺失=不变”），否则审评必究。
4. 试验设计为多臂、适应性、平台试验：如案例2的哮喘多臂试验，不同治疗组伴发事件发生率可能差异巨大，必须用统一框架确保各组比较的公平性。
5. 监管沟通中已出现分歧苗头：如预BE会议中，审评员对“如何定义疗效”提出疑问，此时用估计目标框架形成书面共识，是规避NDA风险的最高效方式。
6. 药物作用机制特殊，疗效显现延迟或波动：如CAR-T疗法（案例1），疗效高峰在回输后数月，期间大量患者经历CRS、感染等伴发事件，必须用假想策略或主层策略锚定真正的生物学效应窗口。

我的教训：在负责某款阿尔茨海默病药物II期试验时，初期因觉得“只是小试验”，跳过了估计目标讨论，直接按惯例用LOCF分析ADAS-Cog变化。期中分析时，发现安慰剂组因AE停药率高达35%，而药物组仅15%。当我们用LOCF得出“显著改善”时，内部统计复核发现：若改用假想策略（假想所有停药者继续用药），效应量缩水40%，且95%CI触及零点。幸亏是II期，我们紧急召开跨学科会，用估计目标框架重定义：将“因AE停药”定义为伴发事件，采用复合策略（停药即视为认知恶化），重新分析。最终结论虽仍为阳性，但效应量更真实，为III期方案设计提供了坚实基础。从那以后，我每次启动新项目，第一件事就是召集临床、注册、统计，用蓝皮书第三章的10个案例当模板，逐条填写五大属性表格——哪怕只是草稿，也必须走完这一步。

6.2 该谨慎使用或暂不使用的三个边界场景

估计目标框架强大，但并非万能。在以下场景，需格外谨慎，甚至暂缓应用：

1. 极早期探索性试验（如Ia期）：目标是初步安全性、药代动力学（PK）或药效学（PD），尚未形成明确的临床问题。此时强行套用五大属性，会束缚探索灵活性。应聚焦于清晰描述观察指标和分析方法，待II期明确临床问题后再引入。
2. 真实世界研究（RWS）：RWS缺乏随机化和严格干预，其核心是描述性关联而非因果推断。E9(R1)框架基于随机试验的因果逻辑，直接移植到RWS易水土不服。RWS应优先遵循《ICH E9(R1)增补指南：真实世界证据》等专门文件。
3. 终点为客观物理测量且几乎无伴发事件干扰：如某医疗器械试验，主要终点为“植入后30天内导管通畅率”，通过影像学直接判定，且试验周期短（30天）、失访率<1%、无死亡/转组。此时，伴发事件影响微乎其微，强行定义反而增加不必要的复杂性。

6.3 一份不能省略的落地检查清单

为确保估计目标框架真正落地，而非停留在纸面，我坚持在每个项目关键节点执行这份清单：

这份清单不是官样文章。它是我从蓝皮书10个案例、以及自己踩过的坑里，熬出来的“防翻车”守则。每一次勾选“通过”，都意味着离一个经得起审评拷问的临床试验，又近了一步。

希望帮到你。

本文还有配套的精品资源，点击获取