临床试验统计分析
临床试验数据分析要点GCP
临床试验数据分析要点GCP临床试验是评估药物、治疗方法及医疗器械的安全性和有效性的一种研究方法。
数据分析是临床试验中非常重要的环节，能够为试验结果的解释和推论提供科学依据。
临床试验数据分析需要遵守临床试验相关规范，如《良好临床实践指南（GCP）》。
以下是在进行临床试验数据分析时需要注意的要点：1.数据清洗与验证：对收集到的试验数据进行清洗和验证，确保数据的完整性和准确性。
包括检查缺失数据、异常值和逻辑错误，并采取必要的措施进行修正或排除。
2.数据统计描述：根据试验设计和研究假设，对试验数据进行统计描述。
包括分析样本的基本特征，如年龄、性别、病史等，并用合适的统计方法描述主要和次要终点指标的分布特征。
3.效果评估：对试验结果进行效果评估，包括治疗组与对照组之间的比较。
常用的统计方法包括描述性统计、t检验、卡方检验、生存分析等。
需要注意选择适当的统计方法和假设检验的显著性水平。
4.安全性评估：对试验药物或治疗方法的安全性进行评估。
通过统计分析不良事件的发生率、严重程度和与治疗相关性，评估治疗的安全性。
常用的方法包括计算不良事件的绝对数、相对危险度和风险比，以及绘制安全性曲线等。
5.亚组分析：在试验数据分析中，可以进行亚组分析以进一步了解试验结果。
通过将受试者按照一些特征（如年龄、性别、疾病严重程度等）进行分组，并对每个亚组进行单独分析，以探索不同亚组之间的差异。
6.缺失数据处理：在临床试验中，有时会出现丢失或缺失的数据。
处理缺失数据是数据分析中一个重要的环节，需要合理地选择适当的方法来处理缺失数据，如插补或最小二乘拟合等。
7.结果解释和展示：将试验结果进行解释和展示，并撰写报告。
结果解释应基于数据分析结果，明确回答试验的研究问题和假设，并提供可靠的科学依据。
总之，临床试验数据分析对于准确评估药物或治疗方法的安全性和有效性至关重要。
在进行数据分析时，需要遵守GCP等相关规范，并采用适当的统计方法和假设检验来处理试验数据，以得出科学、可靠的结论。
临床试验的统计学方法与样本估算
人工智能技术如机器学习、深度学习等在临床试验统计学中具有巨大的应用潜力。这些技术能够自动 识别数据模式，提高预测和决策的准确性，为临床试验提供更智能化的支持。
THANKS.
02
它提供了一系列统计分析过程，包括回归分析、生存分析、多变量分 析等，还支持各种高级统计方法。
03
Stata具有简洁明了的命令语法，易于学习和使用。
04
此外，Stata还提供了丰富的可视化功能，可以帮助用户更好地理解 数据和分析结果。
R语言
01
R语言是一款开源的统计 分析软件，具有强大的 数据处理和可视化能力 。
高级统计分析方法
高级统计分析方法如生存分析、广义线性模型、混合效应模型等能够更准确地分析临床试验数据，揭示变量之间 的关系。这些方法在临床试验统计学中具有广阔的应用前景。
大数据与人工智能在临床试验统计学中的应用
大数据
大数据技术能够处理大规模的临床试验数据，提供更全面的数据分析视角。通过大数据分析，可以深 入挖掘数据中的隐藏信息，提高统计分析的准确性和可靠性。
02
它拥有丰富的统计函数 库和包管理器，可以方 便地扩展功能和获取第 三方资源。
03
R语言具有灵活的编程能 力，适合进行高级统计 分析、数据挖掘和机器 学习等任务。
04
R语言的社区活跃，有大 量的学习资源和用户支 持。
临床试验统计学面
06
临的挑战与展望
数据质量与伦理问题
数据质量
确保数据的准确性和完整性是临床试验统计学的核心挑战。应采取有效的措施 来控制数据质量，包括数据清理、校验和验证。
盲法原则
在试验过程中，尽量减少人为因素对 试验结果的影响，保证试验的客观性 和真实性。
临床试验数据管理与统计分析
临床试验数据管理与统计分析临床试验是评估药物、医疗器械等医学产品安全性和有效性的重要手段之一，而数据管理和统计分析则是临床试验的核心环节。
本文将为您介绍临床试验数据管理与统计分析的基本概念、流程以及关键考量。
一、临床试验数据管理临床试验数据管理是确保试验数据质量和完整性的过程。
它包括数据采集、存储、验证、清洗和整合等环节。
以下是临床试验数据管理的一般步骤：1. 数据采集：设计合理的数据采集表或电子数据采集系统，确保收集到准确、完整的数据。
2. 数据存储：建立安全可靠的数据库或数据管理系统，妥善保存试验数据，防止数据遗失或篡改。
3. 数据验证：对收集到的数据进行审核，检查是否符合试验方案和规定的质量控制标准。
4. 数据清洗：纠正数据中的错误、缺失和逻辑问题，保证数据质量和可靠性。
5. 数据整合：将来自不同试验中心的数据整合到一个统一的数据库中，以便进行后续统计分析。
在临床试验数据管理中，需要考虑到数据的完整性、准确性、保密性以及合规性。
严格的合规要求可以确保试验数据的可信度和可靠性，这对于后续的统计分析至关重要。
二、临床试验统计分析临床试验统计分析是根据试验数据进行量化分析，评估并得出结论的过程。
它包括描述性统计分析、推断性统计分析和生存分析等内容。
以下是一般的统计分析步骤：1. 描述性统计分析：对试验数据进行整体摘要和描述，包括均值、中位数、标准差等统计指标。
此外，还可以通过绘制直方图、散点图等图表形式进行数据可视化。
2. 推断性统计分析：通过对试验数据进行假设检验和置信区间估计，判断治疗效果的显著性差异。
同时，还可以进行回归分析、方差分析等深入探究因素对治疗效果的影响。
3. 生存分析：对试验数据中的生存时间进行分析，如计算生存率、绘制生存曲线等，评估治疗效果对生存期的影响。
在临床试验统计分析中，需要充分考虑到样本量、数据的正态性、随机性以及多重比较等问题。
合理选择适用的统计方法和工具，避免统计误差和偏差，能够提高分析结果的科学性和可靠性。
临床随机对照试验的统计分析
01
皮尔逊相关系数是一种衡量两个变量之间线性相关程
度的统计量。
02
在临床随机对照试验中，可以通过计算皮尔逊相关系
数来探索自变量和因变量之间的相关性。
03
皮尔逊相关系数的取值范围为-1到1，正值表示正相关，
负值表示负相关，绝对值越大表示相关性越强。
实例演示：如何运用回归模型进行预测
选择一个已经拟合好的线性回归模型。
数据管理
数据管理是指对收集到的数据进行整理、归纳、分析和保存的过程。数据管理应建立严格的数据质量控制体系， 确保数据的真实性、准确性和完整性。同时，还应采取适当的数据安全措施，防止数据被非法获取或篡改。
02 随机化方法与实施过程
简单随机化方法介绍
简单随机抽样的基本思想
从总体中随机抽取一定数量的样本， 每个样本被抽中的概率相等。
通过偏度和峰度等指标，了解数据分布的形 状。
图表展示技巧提高可读性
选择合适图表类型
根据数据类型和分析目的选择合适的图表类 型，如柱状图、折线图和散点图等。
添加图表标题和标签
为图表添加清晰的标题、坐标轴标签和图例， 提高图表可读性。
调整图表颜色和字体
使用对比明显的颜色和合适的字体大小，使 图表更加美观易读。
ABCD
随机化过程的控制
应确保随机化过程的公正性、客观性和可重复性，避免 出现偏差和错误。
统计分析方法的选择
应根据试验设计和数据类型选择合适的统计分析方法， 确保分析结果的准确性和可靠性。
03 对照组选择与干预措施设 置
对照组类型及其特点比较
安慰剂对照
给予对照组无效或极低 效果的药物，以排除心 理作用对结果的干扰。
测量偏倚控制
失访偏倚控制
临床试验 锁库后 统计分析计划
临床试验锁库后统计分析计划
一、背景
公司开发的药在地区进行了多中心、双盲、平行对照的临床药物期临床试验,以评价该药在疾病中的疗效和安全性。
目前,试验已完成预定的入组病例数,病例随访已结束,数据库已经锁定。
现将对收集到的所有有效数据进行统计分析,以评价研究药物在治疗疾病中的疗效及不良反应安全性。
二、目的
1.评价药与对照药在改善症状主要终点的有效性。
2.评价两种治疗在缓解症状的二次终点上的有效性。
3.评价两种治疗方法在不良反应和其他安全性终点上的安全性。
四、统计方法
1.有效分析集:以--原则进行分析。
2.缺失数据处理:用( )方法进行处理。
3.统计学测试:定量资料用平均数±标准差表示,组间比较用秩和检验;计数资料用例数(例率)表示,组间比较用χ2检验。
4.有效性统计:以95% 和值表示,同时计算相对风险度、绝对风险度
减小率。
5.安全性统计:统计不良反应发生率,严重不良反应发生率等安全性指标。
以上是本次临床试验锁库后进行统计分析的基本计划,分析结果将反映研究药物在治疗疾病中的临床价值。
临床试验数据统计分析中的常见问题
临床试验数据统计分析中的常见问题近年来，临床试验在医学研究中扮演着重要的角色。
然而，在进行临床试验数据统计分析时，常常会遇到一些问题。
本文将讨论一些常见的问题，并提供解决方案。
一、样本选择偏差在临床试验中，样本选择是至关重要的。
然而，由于各种原因，样本选择可能存在偏差。
例如，研究者可能倾向于选择某些特定类型的患者，或者患者自愿参与试验的动机可能与实际研究目的不符。
这种偏差可能导致结果的不准确性。
解决这个问题的一种方法是采用随机抽样的方式选择样本。
通过随机抽样，可以减少选择偏差的可能性，并提高结果的可靠性。
此外，还可以增加样本的多样性，以更好地反映真实世界中的情况。
二、数据缺失在临床试验中，数据缺失是一个常见的问题。
有时，患者可能因为各种原因无法提供完整的数据，或者数据可能因为技术故障而丢失。
数据缺失可能导致结果的偏差，并影响试验的可靠性。
为了解决数据缺失的问题，可以采用多种方法。
一种方法是使用合适的统计模型来处理缺失数据。
例如，可以使用多重插补法来填补缺失值，以减少结果的偏差。
此外，还可以对数据进行敏感性分析，以评估缺失数据对结果的影响。
三、统计分析方法选择在进行临床试验数据统计分析时，选择合适的统计方法非常重要。
不同的试验设计和研究目的可能需要不同的统计方法。
然而，有时候研究者可能对不同的统计方法不够了解，或者选择了不合适的方法。
为了解决这个问题，研究者应该充分了解各种统计方法的特点和适用范围。
在选择统计方法时，应该考虑试验设计、数据类型以及研究目的等因素。
此外，可以寻求统计学专家的建议，以确保选择合适的方法。
四、结果解释和报告在临床试验中，结果的解释和报告也是一个重要的问题。
有时候，研究者可能倾向于强调正面的结果，而忽视负面的结果。
这种偏见可能导致结果的误导性，并影响临床实践和决策。
为了解决这个问题，研究者应该全面和客观地解释和报告结果。
应该提供完整的数据和相关的统计指标，以便读者可以全面了解试验的结果。
药物临床试验数据管理与统计分析的计划和报告指导原则
药物临床试验数据管理与统计分析的计划和报告指导原则1.数据管理计划：临床试验数据管理计划应包括数据收集、监控、验证和清理等方面的详细步骤和流程。
该计划应明确规定数据的记录方式、数据安全和保密措施、数据质量控制等内容，并应根据国家和国际相关指南进行制定。
2.数据收集：试验数据应准确、完整地记录，以确保试验结果的可靠性。
数据应按照预先制定的数据收集表格或电子数据采集系统进行收集，并及时进行数据有效性和一致性的检查。
3.数据监控：数据监控是确保试验数据质量的重要环节。
监控包括源数据的监视、数据诚信性的核查和不合格数据的整改等方面。
数据监控应由专业的数据监控员进行，确保试验数据的准确性和可靠性。
4.数据验证：数据验证是确保试验数据的真实性和准确性的关键环节。
数据验证包括逻辑性验证、范围性验证和值域性验证等方面。
数据验证应在数据收集完成后进行，以确保数据的完整性和正确性。
5.数据清理：数据清理是对试验数据进行逻辑和统计处理的过程。
数据清理应包括数据缺失值的处理、异常值的检查和删除等环节，以确保试验结果的准确性和可靠性。
6.统计分析计划：临床试验的统计分析计划应明确规定统计方法和分析步骤，以及适当的样本量、显著性水平和效应大小等内容。
统计分析计划应在试验开始之前提前制定，并根据试验的目的和假设进行调整和完善。
7.结果报告：试验结果报告应包括详细的统计分析和试验数据，以及对结果的解读和讨论的内容。
结果报告应根据国家和国际相关指南进行编写，并应充分考虑结果的可解释性和一致性。
8.透明度和可追溯性：临床试验数据管理与统计分析应具备透明度和可追溯性，即所有的数据和分析过程都应有明确的记录和文档，以便他人能够验证和重现试验结果。
在药物临床试验中，严格遵循数据管理与统计分析的计划和报告指导原则，能够提高试验结果的可信度和可靠性，并为药物的注册、上市和应用提供科学依据。
临床试验设计及数据分析方法
临床试验设计及数据分析方法在医学领域中，临床试验是评估新药、疗法或治疗方法的有效性和安全性的关键步骤。
为确保试验结果准确可靠，科学合理的试验设计和数据分析方法至关重要。
本文将介绍临床试验的设计原则和一些常用的数据分析方法。
一、临床试验设计原则1. 样本量计算样本量计算是临床试验设计的基础。
它根据所设定的显著性水平、效应大小和错误概率,来确定需要多少受试者参与试验。
样本量过小会导致统计结果不具有代表性，而样本量过大则会浪费资源。
2. 随机化分组随机化是消除实验组与对照组之间潜在因素差异的有效手段。
通过将参与者随机分配到实验组或对照组中，可以减少因个体差异而对结果产生影响的可能性。
3. 对照组选择对照组是用来比较和评估新治疗方法效果的标准。
常见的对照组包括安慰剂对照、传统治疗对照和无处理对照等。
选择适当的对照组可以更准确地评价新治疗方法的疗效。
4. 盲法盲法是保障试验结果客观性和可靠性的重要手段。
通过实施单盲或双盲设计，使得参与者、临床医生和数据分析人员在试验过程中不知道所属的组别，避免主观因素对试验结果产生影响。
5. 合理的终点指标选择终点指标是用来评估治疗效果的主要标准。
合理选择终点指标可以提高试验结果的准确性和可比性。
常见的终点指标包括生存率、治疗反应率、疾病进展时间等。
二、临床试验数据分析方法1. 描述统计分析描述统计分析通常是作为数据呈现的第一步。
通过计算平均数、中位数、标准差和百分比等统计量，可以对样本特征进行概括和描述。
此外，通过制作表格、图表等形式，直观地展示试验结果。
2. 假设检验假设检验用于判断两个或多个样本之间是否存在显著差异。
常见的假设检验方法包括t检验、方差分析、卡方检验等。
根据研究设计，选择合适的假设检验方法，进行组间差异的统计显著性分析。
3. 生存分析生存分析是评估治疗效果和预后的重要方法。
通过生存曲线绘制和Kaplan-Meier法，可以估计患者生存率和生存时间。
此外，Cox比例风险模型可以用来评估影响患者预后的各种因素。
药物临床试验中的统计学方法
药物临床试验中的统计学方法在现代医学的发展进程中，药物临床试验扮演着至关重要的角色。
它是评估新药物安全性和有效性的关键环节，而统计学方法则如同精确的导航仪，为临床试验的设计、实施和结果分析提供了科学、严谨且可靠的依据。
药物临床试验的目的是确定一种新研发的药物是否对特定疾病具有预期的治疗效果，同时评估其可能带来的不良反应。
为了实现这一目标，需要精心设计试验方案，合理收集和分析数据，而这一切都离不开统计学的支持。
在临床试验的设计阶段，统计学方法就开始发挥重要作用。
样本量的确定是一个关键问题。
样本量过小，可能无法检测到药物真正的效果；样本量过大，则会造成资源的浪费。
统计学通过计算所需的样本量，既能保证有足够的统计效能发现药物的效果，又能在合理的成本范围内进行试验。
随机化分组是临床试验设计的另一个重要原则。
它可以确保试验组和对照组之间的基线特征均衡可比，减少混杂因素的影响。
通过随机数字表、分层随机等方法，将研究对象随机分配到不同的组中，从而提高试验结果的可靠性。
临床试验中常用的统计学方法包括描述性统计和推断性统计。
描述性统计用于对研究数据的基本特征进行概括和总结，如均值、中位数、标准差、频率等。
通过这些指标，我们可以对研究对象的人口学特征、疾病严重程度、药物剂量等有一个初步的了解。
推断性统计则用于对试验结果进行分析和推断。
比如，假设检验是常用的推断性统计方法之一。
在比较试验组和对照组的疗效差异时，我们会提出一个零假设（通常是两组之间没有差异），然后通过收集的数据进行计算和分析，判断是否拒绝零假设。
如果拒绝零假设，就意味着两组之间存在显著差异，即药物具有疗效。
常见的假设检验方法有 t 检验、方差分析、卡方检验等。
t 检验适用于两组定量数据的比较；方差分析则用于多组定量数据的比较；卡方检验用于定性数据的比较。
生存分析在药物临床试验中也具有重要意义，特别是对于评估药物对患者生存时间的影响。
它考虑了患者的随访时间和截尾数据，能够更准确地评估药物的疗效。
医学临床试验数据分析要点GCP
医学临床试验数据分析要点GCP 医学临床试验是评估新药物或治疗方法在人体中的安全性和疗效的重要步骤。
在这个过程中，数据分析起着至关重要的作用。
良好的数据分析可以确保试验结果的准确性和可靠性，提高研究的可信度。
为了保证数据的正确和合规性，各个国家和国际组织都制定了一系列数据分析的要求和准则，其中包括医学临床试验数据分析的国际通用准则GCP（Good Clinical Practice）。
本文将就医学临床试验数据分析要点GCP进行详细阐述。
1. 保证数据的完整性和准确性在医学临床试验中，数据的完整性和准确性是首要保障。
试验数据应当全面、完整地记录，并且要与研究参与者的原始文件相一致。
数据收集应遵循规范化的流程，并且应由经过培训和合格的人员进行操作，以减少因操作者不当或错误而引起的数据偏差。
2. 保护试验参与者隐私和权益医学临床试验中，试验参与者的隐私和权益是需要特别关注和保护的。
在数据分析过程中，要严格按照相关的法律法规和伦理准则，保护试验参与者的隐私信息。
数据应当以匿名的形式进行处理，不得泄露个人身份信息。
同时，在进行统计分析时，要保证样本的多样性和统计学的有效性。
3. 执行预定的分析计划在医学临床试验中，数据应当按照预定的分析计划进行处理和分析。
分析计划应当明确规定分析的方法、指标和统计学假设等内容。
数据分析人员应具备相关的专业知识和技能，能够熟练使用常用的数据分析软件和统计学方法。
4. 控制数据访问和数据存储医学临床试验涉及大量的敏感信息和数据，因此要采取相应的措施来控制数据的访问和存储。
只有经过授权的人员才可以访问和处理数据，同时要保证数据的安全存储，防止数据丢失或损坏。
对于冗余数据和异常数据，要有合理的处理和记录。
5. 文档管理和审查医学临床试验数据分析还需要进行相关的文档管理和审查工作。
所有与数据分析相关的文件都应当及时记录和保存，包括数据集和分析报告等。
同时，要定期进行数据分析的审查，确保数据的准确性和可信度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
临床试验统计分析
1.描述性统计分析
根据临床试验资料的不同属性采用不同的统计描述，数值资料常用均数与标准差表示其集中趋势和离散趋势；分类资料常用频数（如有效例数）、百分率（如有效率）等指标描述。
2.推断性统计分析
临床试验要求试验药物与对照药物采用随机、盲法研究设计，以判断和证实试验药物实际的疗效。
传统的假设检验形式为：无效假设Ｈ0: A药的疗效＝B药的疗效；备择假设Ｈ1：A药的疗效≠B药的疗效。
结论：若Ｐ＞0.05，按=0.05
的检验水准，不能拒绝H
，尚不能认为两药疗效的总体参数不同，此时有可能两
药疗效的参数确实相同，也有可能是检验效能不够，尚需更大样本量进行检验；若Ｐ≤0.05，则拒绝H0，接受Ｈ1，两药疗效的差别有统计学意义，提示两药疗效的参数确实不相同，但这种统计学意义的差异不一定具有实际的临床意义，也可能其临床意义是非劣效性、等效性或优效性。
由于传统的假设检验不能准确区分两药疗效差异的方向性和体现差异大小所揭示的临床实际意义，所以，临床试验统计分析需要建立有别于传统的假设检验。
（1）非劣效性试验、等效性试验和优效性试验及其假设检验
1）非劣效性试验(non-inferiority trial)：目的是推断对试验药的疗效在临床意义上非劣于对照药的疗效的试验。
如果研究允许A药疗效比B药疗效低一定范围，仍然认为两药疗效相当，即确定表示临床意义上判断疗效不差所允许的最大差值，则如果治疗差异＞-，便是试验药非劣效于对照药。
常称为非劣效性试验的判断界值(margin)。
非劣效性试验的假设检验如下：Ｈ0: A药的疗效-B药的疗效≤-；Ｈ1：A药的疗效-B药的疗效＞-。
结论：若Ｐ＞0.025，按单侧＝0.025的检验水准不能拒绝Ｈ0，即无法判断A药不差于B药；若Ｐ≤0.025，则接受Ｈ1，可以认为A药不差于B药。
非劣效性试验的假设检验为单侧检验，一般情况下其样本量是优效性试验的4倍以上。
2）等效性试验(equivalence trial)：目的是推断试验药与阳性对照药在临床意义上疗效相当的试验。
通常通过显示真正的差异在临床上可以接受的等效的上下界值之间来证实，该等效界限一般是有临床意义的具体数值，当难以确定时，也可以参照用平均数的95％到105％或平均数的90％到110％作为等效界限。
等效性试验的假设检验如下：Ｈ0: A药的疗效-B药的疗效≤-，或A 药的疗效－B药的疗效≥；Ｈ1：-＜A药的疗效－B药的疗效＜。
结论：若Ｐ1＞0.025 或Ｐ２＞0.025，按2＝0.05的检验水准不能拒绝Ｈ0，即无法判
断A药等效于B药；若Ｐ1≤0.025 且Ｐ２≤0.025，则接受Ｈ1假设，可认为A药等
效于B药。
等效性试验验假设检验需要在两个方向上同时进行两次单侧检验，它在建立检验假设、计算检验统计量、以及估计样本含量等方面与传统的假设检验略有差别。
传统假设检验的差别无统计学意义(Ｐ＞)与等效性检验的等效(Ｐ≤
)是两个不同的概念。
传统假设检验的差别无统计学意义，不一定是等效的，这可能是因为样本例数少、误差大或参数本身相近以致检验效能太低。
相反，传统假设检验差别有统计学意义(P≤)，也有可能是等效的。
3）优效性试验(superiority trial)：目的是推断所研究的药物的反应优于对照药物(阳性物或安慰剂)的试验，包括试验药是否优于安慰剂、试验药是否优于阳性对照药或剂量间效应的比较。
优效性检验有两种不同的情形：一种是从统计学角度考虑的优效性，其假设检验为：Ｈ0: A药的疗效-B药的疗效≤0；Ｈ1：A药的疗效-B药的疗效＞0。
结论：若Ｐ＞0.025，按单侧=0.025的检验水准不能拒绝Ｈ0；若Ｐ0≤0.025，
则接受Ｈ1，可下统计学意义上优效的结论。
当优效性显示较弱时，可视为边缘优效性。
另一种是从临床意义上拟定的优出一定量的优效性，其假设检验为：
Ｈ
: A药的疗效-B药的疗效≤；Ｈ1：A药的疗效-B药的疗效＞。
结论：若Ｐ0
＞0.025，按单侧=0.025的检验水准，不能拒绝Ｈ0，即无法判断A药优于B药；
若Ｈ0≤0.025，则接受Ｈ1，可以认为A药优于B药。
如果试验药显示出比安慰剂（对照）具有临床意义优效性，则可确认该
试验药的有效性。
(2)可信区间法
除假设检验外，可信区间方法也可用于非劣效性、等效性和优效性的判定。
假定总的可信度取100（1-）%，CL 与CU分别表示可信区间的下限与上限。
（1）非劣效性试验：按单侧100（1-）%可信度，计算“A药的疗效-B 药的疗效”可信区间，若（CL，）完全在（-，）范围内，或者CL>-，可下非劣效性的结论。
（2）等效性试验：按双侧100（1-）%可信度，计算“A药的疗效-B药的疗效”可信区间，若（CL，CU）完全在（-，）范围内，或者-<CL<CU<< SPAN>，可下等效性的结论。
（3）优效性试验：按单侧100（1-）%可信度，计算“A药的疗效-B药的疗效”可信区间，若（CL，）不包括0，或CL>0，可下统计学优效性的结论；若（CL，）完全超出（-，）范围，或者CL>，可下临床优效性的结论。
(3)临床试验方法的选择
在药物临床试验中，研究者应该根据研究目的，具体问题具体分析，选
择合适的方法。
例如，一个新研发的试验药通常具有某方面的优势，如给药方便、耐受性较好，毒性较低或价格便宜等等，一般需要与安慰剂进行优效性试验以比较其真正的疗效和安全性，以判断其上市后的利益风险；如果当前已有曾经优效性试验证实的有效药物的话，还常常与其进行比较，并判定待验证药物的疗效至少不差于(非劣于)已有有效药物作为其上市的最低标准。
等效性试验的应用多见于对同一活性成分的生物等效性以及血浆无法测定时的临床等效验证。
非劣效性试验通常用于与已上市的有效药物或标准治疗方案进行比较以求能提供一个新的治疗选择，少数情况下当安慰剂对照不被允许或违反伦理时，用以间接证明试验药优于安慰剂。
对于国内尚未上市的药品，无论是创新药还是仿制药，如选安慰剂为对照则应证实其优效性，如选国内已上市的同一治疗领域的药物作为阳性对照药，则应至少验证其具有非劣效性；与已上市药物相同活性成分的药品比较，应进行生物等效性或临床等效性验证。