玻尔百科在探寻可靠科学证据的过程中，尤其是在医学领域，用于整合数据的方法至关重要。传统方法通常依赖于汇总数据——即已发表的摘要和平均值——这些数据虽然有用，但可能掩盖关键细节并导致误导性结论。这就造成了一个巨大的知识鸿沟：我们或许了解平均情况，但对于哪些个体受益、为何受益以及在何种条件下受益，我们却一无所知。本文旨在应对这一挑战，引入个体参与者数据（Individual Participant Data, IPD）这一范式，它将焦点从模糊的平均值转向高分辨率的个体。在接下来的章节中，您将深入了解IPD的核心原则，探索它如何通过规避生态学谬误等统计陷阱来提供更可靠的答案。我们的旅程始于“原理与机制”一章，在此我们将剖析使IPD既强大又负责任的统计模型和伦理框架。随后，“应用与跨学科联系”一章将展示IPD如何改变从临床试验到个性化医疗的各个领域，并促进一个开放、透明的科学新生态。
要真正领会个体参与者数据（IPD）所代表的革命，让我们从一个简单的类比开始。想象一下，您正试图了解一片森林的特征。一种方法是飞到高空，拍下一张照片。您可能会对它的规模、整体色调，或许还有树冠的平均高度有一个大致的了解。这就是汇总数据（Aggregate Data, AD）的世界。它为您提供摘要、平均值和汇总结果。这很有用，但它是一种模糊的、自上而下的视角。
现在，想象您走进同一片森林。您能看到每一棵独立的树——它的物种、高度、接收到的阳光量、树根处土壤的质量。您能看到松树如何聚集在岩石山脊上，蕨类植物又如何在潮湿的洼地里茁壮成长。这就是个体参与者数据（IPD）的世界。我们不再使用临床试验发表的摘要，而是回到源头：每一个参与者的原始、匿名数据。我们得以看见每一棵树，而不仅仅是整片森林。
这种从汇总到个体的视角转变，并不仅仅是拥有更多数据；它从根本上改变了我们能提出的问题类型以及我们所得答案的可靠性。
在依赖群体平均值的科学研究中，最严重的一个陷阱被称为生态学谬误（ecological fallacy）或生态学偏倚（ecological bias）。它是一种错误的假设，即在群体间观察到的趋势同样适用于这些群体中的个体。IPD是我们规避这种谬误的最强大工具。
让我们通过一个医学研究中常见的情景来具体说明这一点。假设一项荟萃分析（meta-analysis）合并了数个关于一种新药的研究。分析师将每项研究中药物的有效性与该研究参与者的平均年龄作图。他们发现一个清晰的趋势：平均年龄较高的研究显示出较弱的药物效果。一个诱人的结论是：这种药物对老年人效果较差。
但这可能完全错误！这是一种在研究层面上的关联，而非个体层面。或许那些招募了老年患者的研究也恰好使用了较低剂量的药物。又或者，它们是在支持性护理水平较低的医院进行的。研究的平均年龄可能仅仅是另一个未测量因素的代理变量，而该因素才是导致有效性变化的真正原因 [@problem-id:4842744]。这种关联是真实的，但其因果解释是错误的。在汇总数据层面，您无法理清这些线索。您是在将一个平均值（药物效果）与另一个平均值（年龄）相关联，而个体现实的丰富性则丧失了。
IPD如同一把快刀，斩断了这种困惑。利用每个参与者的数据，我们可以构建一个统一的模型，该模型包含了个体的实际年龄、所接受的治疗及其结局，同时还考虑了他们来自哪个研究。我们可以直接提问：“在控制所有其他因素的情况下，个体的年龄是否会影响他们对药物的反应？”这使我们能够区分真正的效应修饰（effect modification）（即患者特征确实改变了治疗效果）和困扰汇总数据的伪相关。这种能够正确识别哪些患者从治疗中获益最大的能力，正是个性化医疗的核心，而IPD是解开这把锁的关键。
同样的谬误也可能被人为制造出来。想象一个情景：一种新药对每个人的真实益处是恒定的。然而，在招募了较高风险患者的试验中，医生们也给治疗组提供了一种额外的、有益的共同干预措施，而这种措施在低风险试验中并未提供。一项仅使用研究层面摘要的荟萃分析会发现，该“药物”在高风险研究中显得更有效，但这并非因为药物本身的效果改变了，而是因为“治疗”实际上是药物和共同干预措施的组合。如果没有能够观察到每个试验组内部情况的精细数据——而这正是IPD所提供的——这种跨试验混杂（cross-trial confounding）将完全不可见。
那么，我们如何分析来自数十个不同研究、数千名参与者的数据呢？我们不能简单地把所有数据都扔进一个巨大的电子表格里然后点击“开始”。这样做会忽略一个关键事实：来自同一研究的参与者彼此之间比与其他研究的参与者更相似——他们有相同的医生、相同的地点、相同的研究方案。他们属于一个“家庭”。
一个优雅的解决方案是一种被称为分层模型（hierarchical model）或混合效应模型（mixed-effects model）的统计方法。可以把它看作一种既尊重普遍性又尊重特殊性的方式。该模型假设存在一个遍及全人类的总体平均治疗效应——这是固定效应（fixed effect）。但它也允许每个研究有其独特的基线和对该治疗效应的轻微变异。这些特定于研究的变异被称为随机效应（random effects）。
例如，一个常见的单阶段IPD模型（one-stage IPD model）对于研究 中参与者 的一个连续性结局 （如血压变化）可能看起来像这样：
我们不必被这些符号吓到。这个方程讲述了一个简单的故事。一个个体的结局（）由几个部分解释：
通过将这样一个模型一次性拟合到所有数据上，我们能够以最大的统计功效估计总体治疗效应（），同时公正地考虑了研究间和研究内的变异性。
这种个体层面的方法解锁了使用汇总数据难以或不可能进行的分析。
其中一个最显著的优势在于处理数据协调（harmonization）。不同的试验可能对结局的定义不同，或使用不同的测量量表。借助IPD，我们可以回到原始测量值，并在所有研究中应用单一、一致的定义，确保我们真正在进行同类比较。
在处理罕见事件或零事件研究时，IPD的另一个超能力显现出来。想象一个试验，幸运的是，治疗组和对照组中都没有人发生心脏病。在传统的荟萃分析中，计算风险比或优势比的公式会失效，因为它们涉及除以零。标准的解决方法是在数据表的每个单元格中添加一个小的“连续性校正”（如0.5）。这感觉很武断，像一个凑数的因子。而利用分组层面数据或IPD，我们可以使用更复杂的广义线性混合模型（Generalized Linear Mixed Models, GLMMs）。这些模型直接处理原始计数和其基础概率（例如，二项式似然），并理解在100人中观察到零事件是有意义的信息，而不是一个数学错误。这提供了一个更忠实、更稳健的估计，尤其是在整合关于安全性或罕见不良事件的证据时。
此外，IPD是分析事件发生时间（time-to-event）数据（例如，“患者癌症复发需要多长时间？”）的黄金标准。汇总数据只能提供粗略的摘要，但利用IPD，我们可以使用强大的生存分析技术，这些技术能正确处理那些被“删失”的个体——即那些在研究结束时仍未发生事件的个体。
IPD的巨大威力伴随着深远的责任。汇集数千人的敏感健康信息不仅仅是一项技术任务；它是一种建立在公众信任基础上的行为。这促进了一个复杂的伦理和操作框架的发展。
透明度与可再现性： 为确保信任，过程必须透明。研究人员不能只公布一个结果；他们必须展示他们的工作过程。诸如PRISMA-IPD之类的指南已被制定出来以规范报告，要求科学家预先注册他们的分析计划，一丝不苟地记录他们如何识别和获取数据，详细说明数据清洗和协调的每一步，并精确地指定他们的统计模型。这使得整个研究过程可再现，并防止“挑选”有利结果的行为。
保护参与者隐私： 我们如何能在为科学利益共享数据的同时，不损害捐赠数据的个人隐私？仅仅移除姓名和地址是不够的。攻击者可能会将剩余的“准标识符”（如年龄、性别和诊所地点）与外部数据库关联以重新识别某人。为防止这种情况，数据保管人使用正式的隐私模型。例如，一个数据集可能被要求满足-匿名性（-anonymity），这确保每个个体的记录在准标识符的基础上与至少其他 条记录无法区分。更先进的方法如-多样性（-diversity）和-相近性（-closeness）更进一步，确保每个群体内的敏感信息（如不良事件的发生）不会过于同质。这些方法提供了隐私的数学保证。
尊重自主权： 也许最具前瞻性的概念是动态同意（dynamic consent）。过去，参与者在研究开始时给予广泛的同意，对于几十年后他们的数据可能如何被使用几乎没有发言权。动态同意将此转变为一个活的协议。通过安全的网络门户，参与者可以接收有关新提议研究的信息，并随时间更新他们的偏好，以精细的粒度决定他们的数据可以（和不可以）用于什么。这尊重了他们作为研究事业中真正合作伙伴的自主权。
为这样一个负责任的数据共享生态系统构建基础设施，其本身也涉及复杂的权衡，例如在增强互操作性的中心化储存库与可能提供不同安全配置的去中心化平台之间进行权衡。
最终，IPD荟萃分析代表了一种范式转变。它使我们从一个模糊的平均值世界，转向一个高分辨率的医学证据视角。它提供了统计工具来提出更细致入微的问题并获得更可靠的答案。但最重要的是，它推动科学界与它所服务的公众建立一种更透明、更协作、更值得信赖的关系。这是科学在其最强大之时，也是在其最负责任之时的体现。
在了解了个体参与者数据（IPD）的基本原理之后，我们现在到达了探索中最激动人心的部分：见证这些思想付诸实践。要真正领会IPD的力量，我们必须看到它如何解决现实问题，如何在不同领域之间建立新的联系，并最终帮助构建一个更稳健、更值得信赖的科学事业。正是在这里，统计学和方法论的抽象概念变得鲜活起来，从纸上的方程式转变为发现的工具和创造更美好未来的仪器。
试想，传统的荟萃分析汇集了已发表研究的摘要统计数据，这就像是从一架高空飞行的飞机上观察森林。你能够辨别出森林的整体形状、平均色调和大致面积。但你看不到单棵的树木、其间流淌的溪流，也看不到每片树林中独特的生命。IPD荟萃分析则像是徒步进入那片森林。它让我们得以接触到“地面实况”——即个体的原始数据点——从而让我们看到鸟瞰视角完全错过的复杂细节和关系。
依赖已发表摘要的一个最根本的局限性在于，它们仅仅是摘要。一个平均治疗效应，一个旨在代表整个临床试验的单一数字，可能是一种具有误导性的虚构。医学的现实是异质性。患者各不相同。他们对治疗的依从性各异。一种治疗的作用方式可能涉及复杂的因果路径。IPD是我们驾驭这种复杂性的主要工具。
考虑一组针对体弱老年人摔倒预防项目的临床试验。传统的荟萃分析可能会汇总结果，发现一个令人失望的、中等程度的效果。但有了IPD，我们可以问为什么。我们可以查看每个参与者，看他们是否真正遵循了该项目。这使我们能够将意向性治疗（Intention-To-Treat, ITT）效应——即被分配到干预组的效果，无论依从性如何——与遵循方案（Per-Protocol, PP）效应——即实际接受了预定干预措施的效果——区分开来。
正如人们直觉上可能预期的那样，观察到的ITT效应通常是真实PP效应的“稀释”版本。如果一个强有力的干预措施的遵循方案风险比（例如）为，但只有一半的参与者依从，那么在整个群体中观察到的ITT效应将弱得多，大约为。通过在个体层面建模依从性，IPD使我们能够量化这种稀释效应，解释不同研究间结局的差异，并估计一项干预措施在被正确执行时的真实潜力。
这种“深入探究”的能力也保护我们免受微妙但深刻的统计陷阱的影响，比如聚合偏倚（aggregation bias）。想象一种治疗通过一个中介变量起作用——例如，一种药物（）降低了血压（），而血压的降低又减少了中风的风险（）。总体的间接效应是药物对血压效应（）与血压对中风风险效应（）的乘积。概率论的一个关键见解是，乘积的平均值不等于平均值的乘积。也就是说，在不同研究（）中， 不等于 。这两者之差是这些效应之间的协方差。如果在药物降压效果更强的研究中，高血压也恰好更危险，那么在相乘之前分别对效应进行平均，就会因忽略这种相关性而得到错误的答案。IPD允许我们在每个研究内部先计算乘积 再进行平均，从而直接计算出正确的量，避免了这种谬误。它在进行概括之前，尊重了个体研究因果链的完整性。
这种精细的方法使我们能够超越关于治疗有效性的简单“是或否”问题。我们可以使用IPD进行复杂的荟萃回归（meta-regressions），探索患者和研究特征如何影响结局。例如，在针对一种内耳疾病外科手术的研究中，解剖缺损的大小是否能预测手术成功率？如果不同研究对缺损大小的测量不一致，用汇总数据几乎不可能回答这个问题。而有了IPD，我们可以直接对这种关系进行建模，甚至可以考虑不同的测量技术、手术方法以及同一患者内部的多个相关结局。
IPD的应用远不止于临床试验的荟萃分析。其理念——整合来自不同来源的数据，同时尊重其各自的背景——是一项普遍原则。
以实验室诊断学的世界为例。一位医生想知道患者午夜唾液皮质醇水平是否表明其患有库欣综合征。但测量皮质醇的方法有很多种，从各种免疫分析法到金标准的液相色谱-串联质谱法（LC-MS/MS）。每种检测方法都有其自身的偏倚和不精确性。我们如何建立一个通用的决策阈值？IPD方法不是粗略地平均文献中报告的不同截断值。相反，我们可以建立一个分层模型，该模型构想每个患者存在一个“真实”（但未观察到）的皮质醇水平。然后，该模型同时描述两个过程：第一，这个真实水平与患者疾病状态的关系；第二，每种特定检测方法如何测量这个真实水平，并包含其独特的系统性偏倚和随机误差。通过将这个单一的统一模型拟合到来自许多使用多种检测方法的研究的IPD上，我们可以在“真实皮质醇”的尺度上建立一个稳健的、与检测方法无关的决策界限，这个界限随后可以被转换回任何给定检测方法的特定值。这是一种强大的“罗塞塔石碑”方法，从嘈杂的不同测量工具中创造出一种共同语言。
这种从多样化数据源中建模潜在现实的想法，直接将我们引向个性化医疗和临床预测的前沿。几十年来，医学一直关注平均患者。但你不是平均患者。一个基于单一高通量外科中心数据构建的预后列线图，可能对该中心的患者表现出色，但当应用于其他地方时，由于患者群体或临床实践的差异，可能会失败。
IPD范式提供了一个解决方案。通过汇集来自多个中心的数据，我们可以构建更稳健、更具普适性的预测模型。我们可以使用多水平模型，其中包含每个中心的随机效应，明确承认每家医院都有其独特的基线风险，同时仍在学习一套共同的预测因子效应。这种方法在寻求普适模式的同时尊重了局部情境。如果隐私法规禁止中心共享原始数据怎么办？新兴的技术如联邦学习（federated learning）提供了一条前进的道路，其中中央模型从各个中心的模型更新摘要中学习，而从不“看到”原始患者数据。这使我们能够协作构建强大的预测工具，帮助回答“对于这个特定患者，考虑到其特征和所选的管理策略，可能的结局是什么？”这样的问题，从而超越群体平均值，实现个体化预测。
也许IPD理念最具变革性的影响不仅仅是统计上的，更是文化上的。它是现代开放科学（Open Science）运动的基石，该运动倡导透明度、可再现性和协作。准备和共享IPD的行为本身就迫使人们达到一种严谨和透明的水平，而这本身就是一个目的。
这个生态系统的基础是分离计划与结果这一简单而强大的理念。在招募任何一名患者之前，试验的方案——其关键要素，尤其是其主要和次要结局（）——必须在试验注册库（trial registry）中进行公开的时间戳记录。试验完成后，研究结果（）必须在结果储存库（results repository）中报告，无论结果是阳性、阴性还是无效。只有当两者都公开时，才能实现透明度，允许任何人将计划与结果进行比较，并检测出选择性结局报告（即通过检查集合 和 之间的差异）。
这个公开的账本使得两个不同但相关的目标成为可能。第一个是可再现性（reproducibility）：一个独立的分析师，在获得原始IPD和分析代码后，应该能够生成与原作者完全相同的结果。这是对计算工作流程完整性的基本检验。第二个是可重复性（replicability）：一项旨在回答相同科学问题的新的、独立的研究，应该能得出一致的发现。这关乎科学主张本身的稳健性。
当然，实现这一点不仅仅是将原始数据文件扔到服务器上那么简单。要真正有用，共享数据必须是FAIR的：可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）和可重用（Reusable）。这意味着为数据集分配持久标识符（如DOI），使用标准化的元数据和受控词表（例如，用SNOMED CT表示表型，用RxNorm表示药物），提供清晰的重用许可，并确保数据结构保留原始研究设计的逻辑（例如，对交叉试验使用“长格式”数据）。
这整个由注册库、储存库和FAIR数据构成的基础设施，正受到像NIH这样的资助机构和像ICMJE这样的期刊联盟的强大合力推动。他们正在将过去模糊的“共享数据”的号召，转变为具体、可执行的承诺。通过要求数据共享计划详细说明将共享什么数据、在哪里存放、何时可用以及在何种条件下可用，他们正在创建一个可审计的系统，其中合规性可以被追踪并与资助挂钩。这将透明度操作化，将一个科学理想转变为标准实践。
从单个患者的数据点到一个全球透明科学的生态系统，IPD的旅程非同凡响。它证明了这样一个理念：通过仔细关注各个部分，我们能对整体获得更深刻、更忠实的理解。它是一种工具、一门学科，也是一种哲学，正在帮助我们建立一种更精细、更个性化、更可靠，并最终更具人性的医学科学。