拿到一张临床 Excel,第一步到底应该看什么?

01 这一行、这一列分别代表什么？

最基础，却非常重要。临床数据通常应该满足：

• 一行 = 一个研究对象

• 一列 = 一个变量

例如：

• 年龄：一个变量

• 性别：一个变量

• BMI：一个变量

• 是否复发：一个变量

但真实数据经常不是这么干净。

比如：

• 一个患者出现了多行；

• 同一个指标拆成多个位置；

• “年龄+性别”写在一个单元格；

• 随访数据和基线数据混在一起。

这时候，后面的分析方法很容易选错。

所以第一眼先问：我的研究对象是谁？一行数据究竟代表什么？

02 哪个是结局变量？

这是后续统计分析的核心。你最终想解释什么？

例如研究：哪些因素与术后并发症有关？那么：“是否发生术后并发症”就是结局变量。如果研究：哪些因素与住院时间有关？那么：“住院时间”就是结局变量。

如果研究：哪些因素影响患者生存？那么通常需要：生存状态 + 生存/随访时间。先找到结局变量，后面的统计路径才会逐渐清晰。

03 每个变量到底是什么类型？

这是统计方法选择最重要的一步之一。临床数据可以先粗略分成两大类：

1. 连续变量

可以直接测量的数值，例如：

• 年龄

• BMI

• 血压

• 血糖

• CRP

• 住院时间

这些变量后面通常还要进一步看：分布是否偏斜、有没有异常值、是否近似正态分布。

1. 分类变量

表示类别，例如：

• 男 / 女

• 有 / 无

• 阳性 / 阴性

• 死亡 / 存活

• A方案 / B方案

这一步非常重要。因为后续很多统计方法，本质上都取决于：你的变量属于什么类型。

例如：

• 连续变量两组比较，可能涉及 t 检验或非参数检验；

• 分类变量比例比较，可能涉及 χ² 检验或 Fisher 精确检验；

• 二分类结局进一步分析危险因素时，常见方法是 Logistic 回归；

• 涉及随访时间和事件结局时，则可能进入生存分析。

04 有没有缺失值和异常值？

这是拿到临床 Excel 后非常容易忽略的一步。比如：

这里已经出现两个问题：一个 BMI 缺失；另一个 BMI = 238。238 是真实值？录入时少了一个小数点？还是单位出了问题？

如果不检查，后面的均值、回归分析甚至模型结果都会受到影响。所以拿到数据后，至少要检查：

• 每个变量缺失多少；

• 有没有明显超出生理范围的值；

• 单位是否统一；

• 编码是否统一；

• 有没有重复患者。

05 数据是怎么编码的？

临床 Excel 中有一类问题特别常见：人看得懂，统计软件不一定看得懂。例如“性别”这一列可能同时出现：

• 男

• 女

• Male

• Female

• 1

• 0

• M

• F

在研究者眼里都能理解。在数据分析里，它们可能被识别成不同类别。再比如：“是否吸烟”这一列里同时出现：

• 是

• 否

• 有

• 无

• Y

• N

• 1

• 0

所以在数据分析之前，需要先统一编码。