功能： 本工具用于单臂（单组）研究设计中，对同一组受试者在三个或更多时间点的连续性结局指标进行重复测量分析。支持MMRM、重复测量方差分析、线性混合效应模型等方法，自动生成出版级别的描述统计表、森林图和趋势图。特别强调： 本模块支持一键生成中英文论文初稿（包括摘要、引言、方法、结果、讨论和参考文献），基于您的分析结果和研究信息，AI自动撰写完整稿件，便于快速起草SCI论文。

结局类型： 疗效结局为连续性变量，如血压值、疼痛评分、生物标志物水平、实验室指标等数值型数据。

研究设计： 单臂多时间点重复测量设计（repeated measures design），即对同一组受试者在基线及多个随访时间点（≥3个）测量同一连续性结局指标。没有对照组，通过不同时间点的变化趋势评估治疗效果。适用于前瞻性或回顾性研究。

主要特点：

一键自动生成以下图表示例：


（Table 1: 基线特征表，仅宽表格式可生成）


（所有时间点描述统计表）


（多时间点趋势折线图）


（主要终点分析表）


（主要终点森林图）


（次要终点两两比较表）


（次要终点森林图）

1 基础知识

1.1 设计概述

单臂多时间点重复测量研究（single-arm repeated measures study）是临床研究中常见的纵向设计，特点如下：

  • 无对照组：仅包含一组受试者，患者作为自身对照
  • 重复测量：在多个时间点（≥3）对同一患者进行测量
  • 连续性结局：结局变量为数值型数据（如血压、评分、浓度等）
  • 时间相关性：同一患者的多次观测值存在相关性，违反独立性假设
  • 专门统计方法：需使用考虑个体内相关性的混合效应模型或重复测量方差分析

1.2 适用场景

  1. 药效学研究：评估药物对生理指标的时间效应曲线
  2. 慢性病管理：观察长期治疗过程中指标的变化趋势
  3. 康复研究：评估康复训练对功能评分的持续改善
  4. 剂量递增研究：探索不同剂量阶段的效应变化
  5. 初步探索性研究：在进行大型RCT前评估干预的可行性

1.3 典型应用示例

  • 收缩压变化：基线、4周、8周、12周、24周的血压值变化
  • 疼痛评分：VAS评分在治疗后1天、3天、7天、14天、28天的变化
  • 肾功能指标：eGFR在透析治疗后每月随访的变化
  • 抑郁量表：HAMD评分在抗抑郁治疗后2周、4周、8周、12周的改善

1.4 研究设计流程

2 设计的优势与局限

2.1 ✅ 优势

  1. 捕捉时间轨迹：完整描述疗效随时间的变化模式，而非单点比较
  2. 提高统计效能：重复测量设计相比多次横断面研究需要更少样本
  3. 控制个体差异：每个患者作为自身对照，消除基线个体间异质性
  4. 灵活处理缺失：混合模型在MAR假设下可充分利用不完整数据
  5. 符合监管要求：MMRM是FDA/EMA推荐的临床试验分析方法

2.2 ⚠️ 局限

  1. 无法控制时间效应：无法区分治疗效果与自然病程、安慰剂效应
  2. 因果推断受限：缺乏对照组，难以建立明确的因果关系
  3. 脱落偏倚风险：如果失访与结局相关（MNAR），结果可能有偏
  4. 统计复杂性：需选择合适的协方差结构，模型拟合可能不稳定
  5. 证据级别较低：在证据等级中低于随机对照试验

3 三种统计方法详解

本模块提供三种重复测量分析方法，各有特点：

3.1 MMRM（Mixed Model for Repeated Measures）⭐推荐

原理：
使用混合模型，将时间点作为固定效应，允许不同时间点间有不同的协方差结构（通常用非结构化协方差矩阵）。模型形式： \[ Y_{ij} = \mu + \alpha_j + u_i + \epsilon_{ij} \] 其中 \(Y_{ij}\) 是受试者 \(i\) 在时间点 \(j\) 的观测值，\(\alpha_j\) 是时间点固定效应，\(u_i \sim N(0, \sigma_u^2)\) 是随机截距，\(\epsilon_{ij}\) 是残差。协方差结构 \(\text{Cov}(Y_{ij}, Y_{ik})\) 可自由估计。

适用场景： - 临床试验（特别是FDA/EMA监管的研究） - 存在缺失值（MAR假设下无偏） - 需要灵活的协方差结构建模

优点： - FDA/EMA指南推荐，业界金标准 - 有效处理MAR缺失数据，无需删除或填补 - 提供稳健的标准误估计 - 允许不平衡数据（各受试者测量次数可不同）

缺点： - 计算复杂度较高 - 对协方差结构设定敏感（本模块自动选择合适结构）

R包： mmrm

3.2 重复测量方差分析（Repeated Measures ANOVA）

原理：
经典的方差分析扩展，考虑组内设计（受试者作为区组）。假设球形性（各时间点方差相等且协方差相等）。模型形式： \[ Y_{ij} = \mu + \alpha_j + u_i + \epsilon_{ij} \] 与MMRM类似，但协方差结构更严格（复合对称或球形假设）。

适用场景： - 完整数据或缺失很少 - 球形假设满足（Mauchly检验，本工具自动检验并校正） - 追求经典方法的研究

优点： - 文献中应用广泛，易于理解 - 计算效率高，结果稳定 - 教科书常见方法，审稿人熟悉

缺点： - 对缺失值敏感，采用列表删除（失去效率） - 球形假设可能不满足（需Greenhouse-Geisser或Huynh-Feldt校正） - 不如MMRM灵活

R包： afex

3.3 线性混合效应模型（Linear Mixed-Effects Model, LMM）

原理：
最灵活的方法，可同时建模固定效应和随机效应。支持随机斜率、复杂嵌套结构等。模型形式： \[ Y_{ij} = \beta_0 + \beta_1 \text{Time}_j + u_{0i} + u_{1i} \text{Time}_j + \epsilon_{ij} \] 其中 \(u_{0i}\) 是随机截距，\(u_{1i}\) 是随机斜率（可选），允许每个受试者有不同的变化速率。

适用场景： - 需要建模个体差异（如探索哪些患者改善更快） - 复杂数据结构（如多中心、嵌套设计） - 研究方法学问题（如协方差选择、缺失机制）

优点： - 灵活性最强，可扩展到广义线性混合模型（GLMM） - 可处理不平衡和缺失数据 - 可建模时间趋势（线性、二次等）

缺点： - 模型复杂，需要统计学背景 - 收敛问题较常见（尤其随机效应多时） - 结果解释需谨慎

R包： lmerTest（提供p值）或 lme4

4 边际均值与对比检验原理

什么是边际均值（Estimated Marginal Means, EMMs）？

边际均值是基于拟合模型预测的、已调整其他变量影响后的各时间点平均值。与原始算术平均值相比： - 原始均值： 直接计算各时间点观测值的平均数，未考虑模型结构和缺失值 - 边际均值： 通过模型估计，考虑了个体随机效应或协方差结构，在数据不平衡或有缺失时更准确反映总体真实水平

例如：
假设某研究中部分患者只测量了基线和4周，另一部分测量了基线、4周和12周。原始均值会因样本构成不同而有偏差，而边际均值通过模型调整，给出更可靠的估计。

对比检验（Contrasts）：

对比检验用于比较不同时间点的边际均值差异。本模块支持以下比较策略：

  1. 相邻比较（Consecutive）： 比较相邻时间点，如 T2 vs T1, T3 vs T2 等。适合探索每个阶段的变化。

  2. 基线比较（Baseline）： 所有后续时间点与基线比较，如 T2 vs T1, T3 vs T1, T4 vs T1。最常用，符合临床逻辑（治疗后vs治疗前）。

  3. 全部两两比较（All Pairwise）： 所有可能的时间点组合，如 T2 vs T1, T3 vs T1, T3 vs T2, T4 vs T1, T4 vs T2, T4 vs T3。适合探索性分析。

  4. 自定义比较（Custom）： 用户指定特定的时间点对，如只比较 T1 vs T4（主要终点）。

每个对比输出： - 变化值（Change）： 边际均值的差值，如 EMM(T2) - EMM(T1) - 标准误（SE）： 差值的标准误 - 95%置信区间（CI）： 差值的可信范围 - P值： 检验差值是否显著不为0

5 多重比较校正详解

为什么需要多重比较校正？

当进行多个统计检验时（如多个时间点两两比较），即使原假设为真，每次检验犯I型错误的概率为 \(\alpha\)（通常0.05）。但整体错误率会累积： \[ \text{整体错误率} \approx 1 - (1-\alpha)^m \] 其中 \(m\) 是检验次数。例如，10次独立检验的整体错误率约 \(1 - 0.95^{10} \approx 0.40\)，远高于名义的0.05。

何时需要校正？

何时可以不校正？

常见校正方法：

本模块支持以下校正方法（通过 emmeans 包的 p.adjust 参数实现）：

方法 原理 特点 推荐场景
无（none） 不校正 最宽松，功率最高 预先指定的单一比较
Bonferroni \(\alpha' = \alpha/m\) 最保守，严格控制FWER 检验次数少（≤5次）
Holm 逐步Bonferroni 比Bonferroni功率高，仍控制FWER 需要严格控制FWER
Dunnett 专为多组与对照比较设计 功率最高，适合基线比较 推荐：所有时点vs基线
BH (Benjamini-Hochberg) 控制FDR而非FWER 比Bonferroni宽松，功率高 探索性研究，关注发现
FDR 同BH FDR ≤ α 大量检验时

FWER vs FDR： - FWER（Family-Wise Error Rate）： 至少犯一次I型错误的概率，严格控制 - FDR（False Discovery Rate）： 假阳性占所有阳性发现的比例，相对宽松

推荐： - 如果次要终点分析是”所有后续时点vs基线”，强烈推荐使用 Dunnett法，它专门为此设计，功率最高。 - 如果是全部两两比较且需要严格控制，用 Holm法。 - 如果是探索性分析，可用 BH法 或 不校正，但在论文中注明。

6 准备数据

6.1 数据格式选择

本模块支持两种数据格式：

1. 宽表格式（Wide Format） ⭐推荐
- 每行代表一个患者 - 每列代表一个时间点的结局值 - 优点：可生成完整的基线特征表（Table 1）和疗效分析 - 示例：

PatientID Age Sex Baseline Week4 Week8 Week12 Week24
P0001 54 Male 148.3 140.5 133.8 135.1 132.4
P0002 62 Female 153.7 145.2 138.6 136.9 NA
P0003 47 Male 145.1 137.8 130.4 131.7 129.8

下载宽表示例数据（右击另存为）

2. 长表格式（Long Format）
- 每行代表一次测量 - 需要患者ID列、时间点列、结局值列 - 缺点：无法生成基线特征表（因为人口学变量重复出现） - 示例：

PatientID Timepoint SBP Age Sex
P0001 Baseline 148.3 54 Male
P0001 Week4 140.5 54 Male
P0001 Week8 133.8 54 Male
P0001 Week12 135.1 54 Male
P0001 Week24 132.4 54 Male
P0002 Baseline 153.7 62 Female
P0002 Week4 145.2 62 Female
P0002 week8 138.6 62 Female
P0002 Week12 136.9 62 Female
P0002 Week24 NA 62 Female

下载长表示例数据（右击另存为）

6.2 数据准备要点

宽表格式： - 每个时间点变量必须是数值型（numeric） - 时间点变量名要有意义（如 Baseline, Week4 而非 V1, V2） - 缺失值用 NA 表示 - 基线特征变量（Age、Sex等）每个患者一行

长表格式： - 患者ID列：唯一标识每个患者 - 时间点列：可以是字符型或因子型，用有意义的标签（如 “Baseline”, “Week4”） - 结局值列：必须是数值型 - 每个患者的时间点值应完整（缺失的时间点直接省略该行）

常见问题： - 变量名无意义： 如果您的数据用 V1, V2, V3 表示时间点，请在”重编码”模块中改为有意义的名称（Baseline, Week4, Week8等） - 时间点顺序： 确保按照时间顺序选择变量（软件会按您选择的顺序分析） - 结局变量不是numeric： 返回”定义字段”模块，将结局变量定义为数值型

7 进入模块

点击软件顶部菜单的”疗效和安全性分析”，然后点击”单臂疗效比较（连续性结局，三次及以上重复测量）“进入模块。

模块分为三个tab： 1. 使用说明：本指南 2. 疗效比较分析：数据分析操作界面 3. 下载Word文件：生成报告和论文初稿

8 疗效比较分析

8.1 第一步：选择数据格式和统计方法

在页面顶部，您会看到两个关键选择：

1. 数据格式选择： - 宽表格式（推荐）： 一个患者一行，可进行完整分析（包括基线特征表） - 长表格式： 一个患者多行，仅进行疗效分析（无法生成基线特征表）

选择后，下方会显示相应的说明和示例数据链接。

2. 统计方法选择： - MMRM（推荐）： 临床试验金标准，适合有缺失值的情况 - 重复测量方差分析： 经典方法，适合完整数据 - 线性混合效应模型： 最灵活，适合复杂探索

点击方法名称旁边的 ⓘ 图标，可查看各方法的详细说明和选择建议。

8.2 第二步：基线特征表（Table 1）- 仅宽表格式

注意： 如果您选择了长表格式，此部分不会显示，直接跳到第三步。

目的： 描述研究人群的基线特征（年龄、性别、BMI等），用于论文的”材料与方法”或”结果”部分。

操作步骤：

  1. 在”选择基线变量”中，选择人口学和临床特征变量

    • 例如：Age, Sex, BMI, Comorbidities等
    • 重要： 不要选择结局变量（如Baseline、Week4等），结局变量在后面分析

  2. 点击”生成/更新Table 1”

  3. 结果显示：

    • 描述性统计表：连续变量显示均值±SD或中位数(IQR)，分类变量显示计数(%)
    • 可点击”生成表格描述”，AI自动撰写表格描述文字
    • 可下载表格图片或复制到Word

统计知识讲解： - 连续变量： 正态分布用均值±SD，偏态分布用中位数(IQR)。软件自动判断分布（Shapiro-Wilk检验） - 分类变量： 报告各类别的频数和百分比 - 单臂研究： 无组间比较，因此不报告p值（p值需要两组）

8.3 第三步：整体分析（所有时间点描述统计）

目的： 描述所有时间点的结局指标变化趋势，为后续分析提供概览。

操作步骤：

1. 变量选择：

如果是宽表格式： - 在”请选择所有要分析的时间点变量”中，选择≥3个时间点变量 - 按时间顺序选择（可拖拽排序）：如 Baseline → Week4 → Week8 → Week12 → Week24 - 必须按照真实的时间顺序，否则结果会出错

如果是长表格式： - 选择患者ID变量（如 PatientID） - 选择时间点变量（如 Timepoint） - 选择结局变量（如 SBP，必须是数值型） - 在”请选择所有要分析的时间点水平”中，选择≥2个时间点值，并按时间顺序排列

2. 时间点标签设置： - 为每个时间点设置标签（如”基线”、“第4周”、“第8周”等） - 这些标签将显示在所有表格和图形中，建议使用简短且有意义的名称

3. 结局指标设置： - 输入结局指标名称，如”收缩压”、“疼痛评分”等 - 选择显示语言（英文或中文）

4. 点击”生成/更新多时间点分析结果”

结果展示：

  1. 描述统计表：
    • 显示各时间点的样本量、均值、标准差、标准误
    • 可点击”生成表格描述”，AI自动撰写描述文字
    • 表格可下载或复制
  2. 多时间点趋势折线图：
    • 显示均值随时间的变化趋势
    • 误差线可选择：95%CI、SD或SE
    • 右侧参数面板可实时调整：
      • 配色方案（NPG、NEJM、Lancet等期刊风格）
      • 误差类型（置信区间、标准差、标准误）
      • 图形标题和轴标签
      • 是否显示数据标签
      • Y轴范围和刻度（自动或手动）
      • 字体大小和边距

统计知识讲解： - 描述统计： 此部分仅对原始数据进行描述，不进行统计检验。目的是展示数据的整体分布和趋势 - 标准误vs标准差： 标准误(SE)反映均值的不确定性，标准差(SD)反映个体变异程度。科研论文通常用SE或95%CI - 缺失值： 不同时间点的样本量可能不同（因为失访），此时不需要做缺失值填补，后续做重复测量分析的时候如果选MMRM法，软件会自动处理缺失值。

8.4 第四步：主要终点分析

目的： 比较基线与预先指定的关键随访时间点（主要终点），这是临床研究的主要结论依据。

什么是主要终点？
主要终点（Primary Endpoint）是研究中预先设定的、用于评价疗效的最重要观察指标和时间点。例如，在一个为期24周的降压研究中，可能将”第12周的收缩压”作为主要终点，因为此时疗效稳定且临床意义最大。

操作步骤：

1. 选择基线和主要终点：

如果是宽表格式： - 基线变量：选择治疗前的结局变量（如 Baseline） - 主要终点变量：选择关键的随访时间点（如 Week12）

如果是长表格式： - 基线时间点：选择治疗前的时间点值（如 “Baseline”） - 主要终点时间点：选择关键的随访时间点值（如 “Week12”）

2. 其他设置： - 研究标题（可选） - 数字格式：均值小数位（如3位）、P值小数位（如3位） - 表格设置：是否显示显著性标记（*表示p<0.05）

3. 点击”生成/更新主要终点分析结果”

结果展示：

  1. 统计分析结果表：
    • 显示基线和主要终点的边际均值、标准误、95%CI
    • 显示变化值（Change from Baseline）及其95%CI和P值
    • 可点击”生成表格描述”，AI自动撰写结果文字
    • P<0.05表示主要终点显著改善
  2. 主要终点森林图：
    • 横轴为变化值，纵轴为比较
    • 点估计值和95%CI一目了然
    • 参考线在0处（表示无变化）
    • 右侧参数面板可调整：
      • 列标题（如”Comparison”、“Change (95% CI)”）
      • 点的形状、颜色和大小
      • 线条宽度和样式
      • 字体大小和类型
      • 表格底纹颜色

统计知识讲解： - 边际均值vs原始均值： 边际均值通过模型调整，考虑了个体差异和缺失值，更准确 - 变化值： 主要终点的边际均值 - 基线的边际均值 - P值： 检验变化值是否显著不为0。P<0.05表示有统计学意义，但需结合临床意义判断（如血压降低5 mmHg是否有临床价值） - 95%CI： 变化值的可信范围。如果CI不包含0，则p<0.05

8.5 第五步：次要终点分析（两两比较）

注意： 此部分需要先完成主要终点分析。

目的： 探索其他时间点的变化，或进行多个时间点的两两比较，提供更全面的疗效评价。

什么是次要终点？
次要终点（Secondary Endpoints）是辅助性观察指标，用于支持主要终点或探索其他效应。例如，除了第12周（主要终点），还想知道第4周、第8周、第24周的变化情况。

操作步骤：

  1. 完成主要终点分析后，“次要终点的对比分析”部分会自动显示

  2. 选择比较类型：

    • 相邻时间点比较： 比较相邻的时间点，如 Week4 vs Baseline, Week8 vs Week4
    • 所有可能的两两比较： 所有时间点的组合，如 Week4 vs Baseline, Week8 vs Baseline, Week8 vs Week4 等
    • 后续时间点与基线比较（推荐）： 所有随访时点分别与基线比较，如 Week4 vs Baseline, Week8 vs Baseline, Week12 vs Baseline
    • 自定义比较： 勾选您想比较的特定时间点对

  3. 多重比较校正方法：

    • 点击校正方法旁边的 ⓘ 图标，查看详细说明
    • 推荐方法：
      • 如果选择”后续时间点与基线比较”，推荐 Dunnett法（专为此设计，功率最高）
      • 如果选择”所有可能的两两比较”，推荐 Holm法（严格控制FWER）
      • 如果是探索性分析，可选 Benjamini-Hochberg (BH)法 或 不校正

  4. 点击”生成/更新次要终点分析结果”

结果展示：

  1. 两两比较统计表：
    • 列出所有比较对的变化值、95%CI（已校正）、P值（已校正）
    • 如果进行了多重比较校正，表头会注明方法
    • 可点击”生成表格描述”，AI自动撰写
  2. 次要终点森林图：
    • 显示所有比较对的变化值和CI
    • 参数调整同主要终点森林图

统计知识讲解： - 多重比较问题： 当进行多个检验时，假阳性率累积。例如，5个比较的整体错误率约 1-(0.95)^5 ≈ 23%，远高于5% - 何时校正： - 确认性分析（用于最终结论）必须校正 - 探索性分析可不校正，但需在论文中说明 - 如果研究方案预先指定只比较基线与特定时点，无需校正 - Dunnett法优势： 当所有比较都是”vs基线”时，Dunnett法考虑了比较间的相关性，功率比Bonferroni高得多

9 生成 R 源代码

在每个分析结果的右侧标签栏，点击”查看 R 源代码和原始输出”，可以： - 查看本次分析的完整R代码 - 查看模型的原始输出（如模型拟合详情、假设检验等） - 下载分析数据集（.RData格式） - 下载R源代码（带中英文双语注释）

这确保了分析的可重复性和透明性，审稿人和期刊编辑可以验证您的分析过程。

10 下载Word文件和论文初稿

点击”下载Word文件”tab，进入报告和论文生成界面。

10.1 选项1：下载分析报告

点击”下载分析报告”，生成包含所有分析结果的Word文档： - Table 1（如果做了） - 多时间点描述统计表和趋势图 - 主要终点分析表和森林图 - 次要终点分析表和森林图（如果做了） - 自动生成的统计方法注释

适合：仅需要分析结果，不需要完整论文的情况。

10.2 选项2：一键生成论文初稿 ⭐强烈推荐

这是本模块的核心功能之一！ AI将基于您的分析结果，自动撰写完整的中英文论文初稿，包括： - 标题：根据研究设计和结局自动生成 - 摘要：结构化摘要（目的、方法、结果、结论）+ 关键词 - 引言：Pubmed数据库检索相关文献，AI综合撰写背景和研究gap - 材料与方法： - 患者资料和入排标准（需您提供） - 干预措施（需您提供） - 随访安排（需您提供） - 统计分析方法（自动生成，基于您使用的方法） - 结果： - 基线特征描述（基于Table 1） - 多时间点结果描述（基于描述统计表和图） - 主要终点结果（基于主要终点分析） - 次要终点结果（基于次要终点分析，如果做了） - 所有表格和图形自动插入 - 讨论：Pubmed数据库检索相关文献，AI综合撰写讨论、局限性和未来方向 - 参考文献：自动标注引用并生成参考文献列表

操作步骤：

  1. 点击”一键生成论文初稿”按钮，弹出信息收集表单

  2. 逐步填写研究信息（AI需要这些信息来撰写论文）：

    问题1： 请描述您的研究人群（必填）

    • 例如：“高血压患者”、“2型糖尿病合并肾病患者”
    • 如果是健康人群，输入”健康人群”

    问题2： 请详细描述治疗/干预的具体方案（必填）

    • 例如：“amlodipine 5 mg 口服，每日一次”
    • 或：“认知行为治疗，每周一次，每次50分钟，共12周”
    • 需要包含剂量、频率、疗程等细节

    问题3： 请选择研究类型（必填）

    • 前瞻性研究：预先设计并前瞻性收集数据
    • 回顾性研究：利用已有的病历或数据库

    问题4： 请描述研究的主要终点（必填）

    • 例如：“从基线到第12周的收缩压变化值”
    • 或：“从基线到第24周的疼痛评分变化值”
    • 软件会自动填充默认值，您可以修改

  3. 确认数据准备（非常重要！）：

    在生成论文前，必须勾选以下三个确认项：

    ☑ 数据集中的变量名使用了有意义的英文单词
    （例如：Age、Gender、Baseline、Week4，而不是 X1、X2、V1、V2）

    ☑ 分类变量的数据标签使用了有意义的文字
    （例如：Male/Female、Yes/No，而不是 0/1、1/2/3）

    ☑ 已完成前面所有必要的统计分析步骤
    （包括整体分析、主要终点分析等）

    为什么这些很重要？
    AI需要理解您的数据才能生成高质量论文。如果变量名是 V1、V2 或数据标签是 0、1，AI无法知道它们的含义，生成的论文将充满错误和无意义的描述。

    如果您的数据尚未符合要求：

    1. 点击浏览器后退按钮
    2. 返回”重编码”或”定义字段”模块
    3. 将所有变量名改为有意义的英文单词
    4. 将所有分类变量的数字编码改为文字标签
    5. 重新完成所有分析步骤
    6. 再回到本页面生成论文

  4. 选择语言并生成：

    • 点击”下载英文论文”或”下载中文论文”
    • AI生成需要5-10分钟，请耐心等待
    • 生成过程中会显示进度提示（如”撰写背景部分”、“检索文献”等）
    • 请勿关闭浏览器或刷新页面

  5. 下载并审阅论文初稿：

    • 生成完成后，Word文档自动下载
    • 用 Microsoft Office Word 打开（WPS可能出现格式问题）
    • 仔细审阅AI生成的内容，特别是：
      • 标题是否准确
      • 摘要是否概括全文
      • 引言和讨论的文献引用是否相关
      • 结果描述是否与表格图形一致
      • 统计方法描述是否准确

  6. 人工修改和完善：

    • AI生成的是初稿，需要您根据研究实际情况修改
    • 重点修改部分：
      • 患者入排标准（AI只给出模板，需补充具体标准）
      • 干预措施细节（根据您的实际方案完善）
      • 随访安排（补充具体的随访时间点和内容）
      • 讨论部分的深度分析（AI提供框架，您需要结合专业知识深化）
    • 检查所有数值和表格是否正确嵌入
    • 润色语言和表达

AI论文生成的优势： - 节省时间：从零开始写论文可能需要数周，AI初稿仅需10分钟 - 文献检索：自动检索Pubmed相关文献，生成有据可依的背景和讨论 - 规范格式：符合医学论文的标准结构和写作规范 - 双语支持：同时生成中英文版本，便于国内外投稿

注意事项： - AI生成的论文是基于模板和文献检索，需要您的专业知识来完善和验证 - 不要完全依赖AI，必须仔细审阅每一部分 - 如果AI生成失败（网络问题），可以重试 - 论文中的统计方法描述是基于您选择的方法自动生成的，一般无需修改

11 常见问题解答（FAQ）

Q1: 我的数据缺失很多，还能用这个模块吗？

A: 可以！这正是MMRM和LMM的优势。只要缺失机制是MAR（Missing At Random，即缺失与已观测变量相关，与未观测变量无关），这些方法能给出无偏估计。但如果缺失率超过30%，建议在论文中讨论缺失数据的影响。

Q2: MMRM、RM-ANOVA和LMM应该选哪个？

A: - 如果您的数据有缺失值或不平衡，推荐MMRM（临床试验金标准） - 如果数据完整且想用经典方法，选 RM-ANOVA - 如果需要探索个体差异或复杂模型，选 LMM - 如不确定，选MMRM是最安全的

Q3: 主要终点和次要终点有什么区别？

A: 主要终点是预先指定的、用于评价主要疗效的观察指标和时间点，通常只有一个，用于确认性推断。次要终点是辅助性指标，用于提供更多信息或探索性分析。在论文中，主要终点的结果是核心结论，次要终点提供支持证据。

Q4: 次要终点的两两比较是否必须进行多重比较校正？

A: 不一定。如果研究方案预先指定了不进行校正（如明确为探索性分析），可以不校正。但在正式的确认性分析中，或者用于监管申报时，通常需要校正。建议： - 确认性分析：必须校正，推荐Dunnett（vs基线）或Holm（全部两两） - 探索性分析：可不校正，但需在论文中明确说明

Q5: 为什么我的森林图CI很宽？

A: 置信区间宽度取决于样本量和变异性。如果： - 样本量小（如<30）：CI会较宽 - 个体差异大：CI会较宽 - 缺失值多：有效样本减少，CI变宽 这是正常的统计不确定性反映，不必过度担心。

Q6: AI生成的论文可以直接投稿吗？

A: 不可以！ AI生成的是初稿，必须经过您的仔细审阅、修改和完善。您需要： - 核对所有数值和分析结果 - 补充具体的入排标准、干预细节、随访安排 - 深化讨论部分，结合您的专业知识 - 检查引用文献的相关性和准确性 - 润色语言表达

把AI初稿当作起点，而非终点。

Q7: 长表格式和宽表格式有什么区别？

A: - 宽表格式：推荐。一个患者一行，每列是一个时间点，可以生成完整的Table 1 - 长表格式：一个患者多行，每行是一次测量，无法生成Table 1（因为人口学变量重复） 如果您有原始数据的控制权，建议整理成宽表格式。

Q8: 为什么边际均值和原始均值不一样？

A: 边际均值是模型调整后的估计，考虑了： - 个体间的随机效应 - 数据的相关结构 - 缺失值的影响 在数据不平衡或有缺失时，边际均值更准确地反映总体真实水平。原始均值只是简单的算术平均，未考虑上述因素。

Q9: 我能同时分析多个结局变量吗？

A: 本模块一次只能分析一个结局变量（单变量分析）。如果您有多个结局变量（如收缩压、舒张压、心率），需要分别运行模块。每个结局变量生成一套完整的分析结果。

Q10: 软件提示”模型不收敛”怎么办？

A: 这通常发生在LMM中。可能原因： - 样本量太小 - 时间点太多相对于样本量 - 数据变异性太大 解决方法： - 尝试更换统计方法（如改用MMRM或RM-ANOVA） - 检查数据是否有极端异常值 - 减少随机效应的复杂度（软件会自动尝试）

如果仍无法解决，请联系技术支持。

12 结果报告要点

在论文中报告单臂多时间点重复测量分析时，应包括：

1. 描述性统计（整体分析）： - 各时间点的样本量、均值、标准差/标准误 - 趋势图展示变化轨迹 - 示例：“收缩压从基线的148.5±12.3 mmHg逐渐下降至第24周的135.2±10.8 mmHg（图1）。”

2. 主要终点分析： - 基线和主要终点的边际均值及95%CI - 变化值及95%CI - P值和统计方法 - 示例：“经MMRM分析，收缩压从基线(EMM: 148.3, 95%CI: 144.5-152.1)到第12周(EMM: 136.7, 95%CI: 132.9-140.5)显著下降，变化值为-11.6 mmHg (95%CI: -14.2 to -9.0, P<0.001)。”

3. 次要终点分析（如果做了）： - 各比较对的变化值、95%CI、P值 - 注明是否进行多重比较校正及方法 - 示例：“所有随访时点与基线的比较均显示显著下降（Dunnett校正后，均P<0.01），其中第24周降幅最大（-13.2 mmHg, 95%CI: -16.1 to -10.3）。”

4. 统计方法部分： - 明确说明使用的统计方法（MMRM/RM-ANOVA/LMM） - 描述性统计的计算方法 - 主要终点和次要终点的定义 - 多重比较校正方法（如果有） - 显著性水平（通常P<0.05） - 使用的软件包

报告示例（完整段落）：

统计分析
描述性统计采用均值±标准误（SE）表示各时间点的收缩压水平。主要终点定义为基线到第12周的收缩压变化，采用混合模型重复测量（MMRM）分析，模型中时间点作为固定效应，受试者作为随机效应，协方差结构采用非结构化矩阵。通过估计边际均值（Estimated Marginal Means, EMMs）及其95%置信区间（CI）评估各时间点的收缩压水平，并计算变化值及其95%CI。次要终点为所有后续时间点（第4周、第8周、第24周）与基线的两两比较，P值采用Dunnett法校正多重比较。双侧检验，P<0.05认为有统计学意义。所有分析使用R软件（版本4.2.2），MMRM分析使用mmrm包，边际均值估计使用emmeans包。

结果
共纳入55例高血压患者，基线收缩压为148.5±12.3 mmHg。图1显示了收缩压随时间的变化趋势，呈持续下降模式。表2展示了各时间点的描述性统计：基线(n=55, mean=148.5, SE=1.7)、第4周(n=53, mean=142.1, SE=1.6)、第8周(n=51, mean=138.3, SE=1.5)、第12周(n=50, mean=136.7, SE=1.6)、第24周(n=48, mean=135.2, SE=1.8)。

MMRM分析显示，收缩压从基线(EMM: 148.3, 95%CI: 144.5-152.1)到第12周(EMM: 136.7, 95%CI: 132.9-140.5)显著下降，变化值为-11.6 mmHg (95%CI: -14.2 to -9.0, P<0.001)（表3，图2）。次要终点分析表明，所有随访时点与基线的比较均显著（Dunnett校正后）：第4周变化-6.4 mmHg (P<0.001)，第8周变化-10.2 mmHg (P<0.001)，第24周变化-13.2 mmHg (P<0.001)（表4，图3）。

13 进一步学习资源

如果您想深入了解重复测量分析的理论和应用，推荐以下资源：

经典教材： 1. Fitzmaurice GM, Laird NM, Ware JH. Applied Longitudinal Analysis (2nd ed). Wiley, 2011. - 纵向数据分析的权威教材，全面覆盖MMRM和LMM 2. Verbeke G, Molenberghs G. Linear Mixed Models for Longitudinal Data. Springer, 2000. - 混合模型理论的经典著作 3. Pinheiro JC, Bates DM. Mixed-Effects Models in S and S-PLUS. Springer, 2000. - 实用性强，含大量R代码示例

方法学论文： 1. Mallinckrodt CH, et al. Recommendations for the primary analysis of continuous endpoints in longitudinal clinical trials. Drug Information Journal, 2008, 42(4):303-319. - MMRM方法在临床试验中的应用指南 2. Molenberghs G, et al. Analyzing incomplete longitudinal clinical trial data. Biostatistics, 2004, 5(3):445-464. - 缺失数据处理方法综述

在线资源： - emmeans包文档：https://cran.r-project.org/web/packages/emmeans/vignettes/ - mmrm包文档：https://openpharma.github.io/mmrm/ - lmerTest包文档：https://cran.r-project.org/web/packages/lmerTest/

统计咨询： 如果您在分析过程中遇到复杂的统计问题，建议咨询专业的生物统计学家。