摘要：统计检验需要与适当的数据和研究设计相结合，才能得出有效结果。最近一篇关于儿童长新冠的综述文章提供了一个有用的例子，说明研究人员在这方面可能出错。我们使用因果图来分解问题并说明错误发生在哪里。
背景
澳大利亚和瑞士医生最近发表的一篇综述文章《长新冠在儿童和青少年中有多普遍？》在媒体上引发了广泛讨论，共有103家媒体发表了128篇新闻报道。头条新闻令人安心
但实际上，这篇论文并未断言以上任何说法，而是总结称“这种综合征在儿童和青少年中的真实发病率仍不确定。”然而，准确的科学新闻报道所面临的挑战并非我们今天的文章主题。相反，我们将描述这篇综述中统计分析的一个关键缺陷，以此作为更好地理解如何解释统计检验的练习。
这篇综述的一个关键贡献在于它将使用“对照组”的研究与不使用的研究区分开来。作者认为我们应该关注那些带有对照组的研究，因为“在没有对照组的情况下，无法区分长新冠症状与大流行引起的其他症状。”美国国家科学院警告称，“使用不适当的对照组可能导致研究无法得出有意义的结论。”正如我们将要看到的，不幸的是，这篇综述中就发生了这种情况。但首先，让我们简要回顾一下对照组和统计检验。
对照组和随机对照试验
在评估一项干预措施的影响时，例如使用新药，黄金标准是使用随机对照试验 (RCT)。在随机对照试验中，选择有代表性的样本，并随机分成两组，其中一组接受医疗干预（例如，药物），另一组不接受（通常接受安慰剂）。如果进行顺利，这可以清楚地显示药物是否产生了效果。通常会计算一个“p值”，它是如果在病例组和对照组之间确实没有差异（即零假设为真）的情况下，数据中观察到的效果偶然发生的概率，同时还会计算一个“置信区间”，它是考虑随机变异后预期的结果范围。如果p值小于某个数值（通常是0.05），则认为该随机对照试验具有“统计学意义”。如果没有随机对照试验，就更难区分两组的差异是由于干预措施引起的，还是由于两组之间的其他差异引起的。
我们可以将这种分析表示为如下所示的图表
这是一个（简化和非正式的）因果图示例。黑色箭头显示了我们可以测量或控制的直接关系——在这种情况下，我们对对照组和实验组的选择用于决定谁获得药物，然后我们根据我们对组的选择测量每组的结果（例如，症状是否改善）。由于选择是随机的（因为这是随机对照试验），我们可以推断出虚线：服用药物会改变结果多少？如果对照组或实验组的规模很小，那么两组结果之间的差异可能完全是由于随机偶然性造成的。为了处理这种情况，我们将效应大小和样本量输入统计软件，例如R，它将告诉我们效应的p值和置信区间。
由于随机对照试验是评估医疗干预效果的黄金标准，因此只要有可能就会使用它们。市场上几乎所有的药物都经过了多次随机对照试验，并且大多数医学教育都包含了对随机对照试验的使用和解释的讨论。
对照组和观察性研究
有时，正如《人类群体观察性研究的规划》中所讨论的，“使用对照实验是不可行的”，但我们想研究变量之间的因果关系，在这种情况下，我们可能会决定使用观察性研究。例如，研究“吸烟与健康之间的关系”、“机动车事故伤害的风险因素”或“新社会项目的效果”。在这种情况下，不可能像在随机对照试验中那样创建一个真正的“对照组”，因为我们通常无法随机分配人们，例如，将他们分配到一个被告知开始吸烟的组。
相反，我们必须努力找到两组尽可能相似、但仅在研究变量上有所不同的群体——例如，一组吸烟者和一组在人口统计学特征、健康等方面相似的非吸烟者。这可能具有挑战性。事实上，尽管进行了多次观察性研究，但“吸烟是否致癌”的问题几十年来一直存在争议。
研究人员指出，“观察性研究的结果可能会混淆关注效应与其他变量的效应，从而导致非因果关联。如果临床医生和研究人员能够可视化临床研究中偏差的结构，那将会很有帮助”。他们建议为此目的使用因果图，包括帮助避免在流行病学研究中的混杂偏倚。那么，现在就让我们试试吧！
长新冠综述的结构
在《长新冠在儿童和青少年中有多普遍？》一文中，作者建议我们关注包含对照组的长新冠患病率研究。其思路是选取一组患有（或曾患有）COVID的儿童，以及一组未患COVID的儿童，然后在几周或几个月后观察他们是否出现长新冠症状。因果图如下所示：
这里我们试图确定COVID感染是否会导致长新冠症状。由于COVID感染是对照组选择的基础，并且我们可以比较各组的长新冠症状，这将使我们能够推断出问题的答案。综述文章中报告的统计检验仅在这种结构正确时才适用。
然而，事情并非如此简单。我们并不能直接知道谁感染了COVID，而是必须通过检测（例如血清学、PCR 或快速检测）来推断。如今，在计算机上运行统计检验非常容易，人们很可能会禁不住直接使用软件并报告其结果，而忽略仔细检查数据和研究设计是否符合其中隐含的统计假设。
我们可能希望可以像这样修改我们的图表
在这种情况下，我们仍然可以直接推断出虚线（即“COVID感染是否导致长新冠症状？”），因为只有一个未知关系，并且所有箭头都指向同一方向。
但不幸的是，这也不行。检测结果与感染之间的关联并非完美无缺。例如，一些研究人员估计PCR检测可能会漏掉一半，甚至90%的感染。部分原因在于“SARS-CoV-2抗体检测的阈值通常是使用有症状、经常住院的患者样本确定的”。其他研究发现，36%的感染者不会血清转化，尤其是儿童可能出现血清逆转。假阴性检测结果似乎在儿童中更常见——检测在用于中年男性时最敏感。
更复杂的是，研究表明，“长新冠与抗SARS-CoV-2抗体反应弱有关。”
综合来看，我们的图表现在如下所示，这里的红色箭头表示负相关关系
这表明检测结果不仅与COVID感染有关，还与年龄和长新冠症状有关，而且COVID感染与检测结果之间的关联并不完美且未被完全理解。
正因如此，我们现在无法直接推断出COVID感染与长新冠症状之间的关系。我们首先需要充分理解和解释混杂因素和不确定性。在这种情况下，简单地报告统计检验结果并不能提供有意义的信息。
特别是，我们可以看到我们识别出的所有问题都朝着同一个方向偏倚数据：它们导致感染病例被错误地归入对照组。
有关此问题的更多详细信息，请参阅Nisreen Alwan MBE博士撰写的文章《长新冠：对照选择相关问题》。
p值的局限性
该综述声称，“迄今为止的所有研究都存在显著局限性，或未能显示出SARS-CoV-2感染儿童与未感染儿童之间的差异”。这一主张似乎是基于p值，综述中显示了每项对照组研究的p值。除一项研究外，所有研究实际上都发现被比较的两组之间存在统计学上的显著差异（p<0.05，这是此类分析通常采用的阈值）。
无论实际结果如何，这里的p值使用方式并不恰当。美国统计协会（ASA）发布了一份“关于统计学意义和p值的声明”，其中包含了正确使用和解释p值的六项原则。特别是，请注意以下原则：
- p值并不衡量所研究假说为真的概率，也不衡量数据仅由随机机会产生的概率。
- 科学结论以及商业或政策决策不应仅基于p值是否通过特定阈值。
- p值，或统计学意义，并不衡量效应的大小或结果的重要性。
数据越多，或数据中的关系越强，p值越低（反之亦然）。较高的p值不一定意味着数据中不存在关系——它可能仅仅意味着收集的数据不够。
由于p值“不衡量效应的大小或结果的重要性”，它们实际上并不能告诉我们长新冠的患病率。在研究药物疗效时，使用p值非常普遍，因为我们确实经常想回答“这种药物是否完全有效？”的问题。但要评估患病率可能的范围，我们反而需要查看置信区间，这篇综述中不幸地完全没有显示。
此外，我们不应该孤立地看待p值，而需要同时考虑替代假说的可能性。综述中提供的替代假说认为，这些症状可能是由于“封锁措施，包括学校停课”造成的。
其中一项包含的对照组研究作为一个异常值脱颖而出，该研究发现10%的检测结果为阴性的瑞士儿童出现了长新冠症状，这比其他类似研究的比例高出许多倍。这是由于前一节讨论的混杂效应造成的，还是由于封锁和学校停课造成的？瑞士并未实行全面封锁，学校也仅短暂关闭，在该研究中进行长新冠症状检测的近一年前就已重新开放。另一方面，瑞士可能病例数量非常高。维基百科指出，“瑞士政府的官方政策是不检测仅有轻微症状的人”，并且在一个仅有800万人口的国家中，仍然记录了近90万病例。
在统计设计中，除非我们相当确定替代假说代表了正常的基线行为，否则不应将其视为零假说。但假设对照组中发现的症状是由除感染以外的大流行因素造成的，这本身就是一个需要仔细检验的假说，并且似乎没有得到研究数据充分支持。像综述中那样将其作为基础案例来使用，这种设计并不恰当。
结论和后续步骤
对照组定义的问题、统计检验的不当使用以及统计设计问题并未改变该综述的关键结论：“这种综合征在儿童和青少年中的真实发病率仍不确定。”那么，我们如何解决这种不确定性呢？
该综述对未来研究提出了一些建议，以增进我们对儿童长新冠患病率的理解。正如本文所见，我们也需要更仔细地考虑和解释混杂偏倚。在更复杂的因果关系中，如上所述，数学上通常有可能推断出关联。然而，这样做需要对因果结构中的所有关系有全面和准确的理解。
此外，还需要对混杂因素进行更完整和严格的评估。本文仅触及了其中一个方面：对照组的偏倚。在“长新冠症状”节点上的偏倚也需要考虑。例如：是否考虑了所有长新冠症状；是否存在由于儿童沟通或理解困难导致的漏报；是否存在由于性别偏倚导致的漏报；是否正确追踪了“时有时无”的可变症状；等等。
无论解决方案最终如何，至少在一段时间内，长新冠在儿童中的患病率似乎仍将不确定。父母、医生和政策制定者如何应对这种风险和不确定性，将成为世界各地儿童面临的一个关键问题。
致谢
非常感谢Hannah Davis、Deepti Gurdasani博士、Rachel Thomas博士、Zoë Hyde博士以及Nisreen Alwan MBE博士为本文的研究和审阅提供的宝贵帮助。