心血管试验死亡率结局的贝叶斯再分析：突破传统显著性检验局限性的新视角

本研究针对传统p值阈值（如p<0.05）可能掩盖统计不确定性与临床意义的问题，通过贝叶斯分层随机效应模型重新分析EMPULSE和DanGer Shock两项心血管试验的死亡率数据，发现虽然两者传统p值相近（0.04 vs 0.05），但贝叶斯后验概率显示治疗获益确定性存在显著差异，为临近显著性阈值的试验结果提供了更丰富的决策依据。

　　

美国统计协会(ASA)曾警示过度依赖p值可能导致统计不确定性与临床意义被刚性阈值（如p<0.05）所掩盖。为提升临床试验解读深度，研究者采用贝叶斯分层随机效应模型，结合参考先验与数据驱动先验，对两项心血管随机试验——EMPULSE（恩格列净治疗急性心力衰竭）和DanGer Shock（微轴流泵治疗心源性休克）的全因死亡率结局进行再分析。

在EMPULSE试验中，死亡率获益的后验概率显著较高（相对风险(RR)<1的概率为90%–99%；RR<0.85的概率达72%–86%）。而DanGer Shock试验的结果则呈现较低确定性（RR<1的概率为76%–98%；RR<0.85的概率仅为15%–72%）。值得注意的是，尽管两项试验的传统频率学派p值十分接近（分别为0.04与0.05），贝叶斯分析却揭示了二者在治疗效果确定性上的本质差异。

该研究凸显了贝叶斯方法在提供更精细化、与临床决策更相关的证据方面的价值，特别适用于结果接近传统显著性阈值的试验场景。通过计算治疗获益的实际概率，贝叶斯框架为疗效评估注入了新的维度。