这是一篇发表在《新英格兰医学杂志》（New England Journal of Medicine）的文章，作者为该杂志的统计学编辑。本文整理其核心内容如下。
敏感性分析通过评估分析决策（analytic decisions）和假设（assumptions）对试验结果的影响程度，来评估试验结果的稳健性，应该预先设定并包含在统计分析计划中。敏感性分析的目的是评估分析选择（analytic choices）或数据缺失等挑战是否会影响有关治疗效果的推断。虽然有时也可能需要进行事后敏感性分析，但应有充分的理由，并尽量减少，因为事后敏感性分析可能会引入多种潜在的偏倚，例如选择性报告和1类错误膨胀。
试验的统计分析计划需要预先规定分析方法，包括：使用特定的统计模型；做出可检验的假设（例如，两个变量之间的线性关系）；做出无法检验的假设（例如，关于缺失或删失数据的分布）。
敏感性分析存在一些常见的陷阱。有些分析看似评估了稳健性，但实际上并没有。例如，通常使用最大似然法通过参数随机效应模型拟合来分析不完整的纵向数据，该模型隐式假设了随机缺失（MAR）——即数据缺失的概率与缺失的数据本身无关，而仅与已观测到的数据有关，这种数据缺失是无需插补的，而使用相同模型但采用多重插补来填写MAR下的数据的二次分析预计会产生关于治疗效果的相同推论，因此通常不会构成敏感性分析。
针对不同研究问题或估计不同模型参数的比较分析也不构成敏感性分析。例如，遵循方案分析不能评估意向性治疗分析的稳健性，因为它仅适用于遵守指定方案的参与者。亚组分析不是敏感性分析，因为它们评估的是治疗效果的异质性，而不是对分析选择和假设的敏感性。当敏感性分析估计的参数与主要分析中估计的参数相同时，敏感性分析具有最大的效用性和最清晰的解释。
当治疗效果推断依赖于使用模型时，预先设定敏感性分析的必要性尤其明显。如果没有预先设定，则存在很大的潜在偏倚，因为进行进一步分析的决定可能取决于研究人员对主要结果的看法：如果研究结果似乎是有利的，研究人员可能希望避免对结果提出质疑的风险；如果结果似乎不利，他们可能想要寻找“更好”的结果。应该强调的是，敏感性分析的目的是系统地评估主要分析的稳健性，无论敏感性分析的结果如何，都必须透明地报告预先设定的主要分析。
如何报告敏感性分析结果？有如下几点建议。
首先，对关键选择和假设的敏感性评估应总结在一个表格中，比较主要分析和每个敏感性分析的结果。该表应包括治疗效果估计、置信区间以及构成每个分析的假设。
其次，治疗效果结果的比较应纳入统计不确定性。单独比较点估计值既不合适，也没有科学意义。为了评估主要分析和敏感性分析之间的实质性结论是否存在差异，研究人员应考虑点估计和置信区间，或者以标准误单位的形式呈现治疗效果之间的差异。虽然这两种方法都不代表比较不同分析结果的正式检验，但两种方法都是结合了不确定性测量的实用方法。不存在确定稳健性的硬性规则，但上述方法考虑了对不确定性的度量。
第三，研究者应该解释每种方法所做的假设，以及可检验的假设是否得到数据的支持。当主要分析和敏感性分析的结论相差很大时，这种情境化就至关重要。对于可检验的假设，如果两个模型提供了定性不同的结论，则可以通过经验评估哪个模型更合适。假设较少、因而更灵活的模型可能是首选，尽管预先设定的主要分析仍必须如此报告。对于不可检验的假设，例如关于缺失数据的假设，当敏感性分析表明治疗效果可能与主要分析不同时，作者应报告一组合理假设的一系列结果，并可能包括临界点分析（tipping-point analysis）。无法确定几个不可检验的假设中哪一个“更好”，然而，敏感性分析提供了有关主要分析稳健性的重要信息。
第四，研究者应该根据主要分析来构建关键结论，并使用敏感性分析来表示模型选择和不可检验假设造成的不确定性程度。如果认为主要分析所依据的可检验假设不适当，则应报告该评估。但是，作者应避免使用敏感性分析来替代预先指定的主要分析或得出明确的新结论。所有分析都应透明地报告并明确指定（例如，主要与敏感性，预先计划与事后）。
敏感性分析有助于评价试验结论的有效性，需要谨慎对待，预先计划和适当报告，因为试验数据可以直接影响患者治疗、资源分配和公共卫生政策。要确保敏感性分析以负责任的方式进行、呈现和解释。
Cheng DM, Hogan JW. The Sense and Sensibility of Sensitivity Analyses. N Engl J Med. 2024 Sep 19;391(11):972-974. doi: 10.1056/NEJMp2403318. Epub 2024 Sep 14. PMID: 39282939.
排版编辑：Linda
