盲态数据审核会中需解决的关键问题（安控新能）

“盲态数据审核会”（Blinded Data Review Meeting，BDRM）是盲态临床试验数据库锁库与解盲前几乎“必经的一道关”。很多团队知道“要开一个盲态数据审核会”，但真正坐到会议桌前，才发现：到底应该看什么？应该做哪些决定？什么该改、什么不能动？

本文以实践结合 ICH 指南、欧美常见做法及公开的 SAP/Protocol 模板，从实务视角梳理：一场合规、高效的盲态数据审核会，通常需要解决哪些关键问题。

一、盲态数据审核会的定位：不是“随便看看，走过场”，而是“锁库前最后一次系统性体检”

ICH E9 明确提出：在数据仍处于盲态时，可以对数据进行审核，并在此基础上最终确认和更新统计分析计划（SAP）；任何与原计划不一致的分析，都需要充分说明理由并记录在案。

典型流程中，BDRM 一般位于：数据基本清理完成 → 盲态数据审核会 → 最终定稿 SAP → 锁库 → 解盲 → 正式分析。因此，BDRM 的核心目标可以概括成三句话：1）确认数据“完整、干净、可解释”，尤其是关键终点与安全性数据；2）在仍保持盲态的前提下，解决分析集、偏差、缺失等一系列技术问题，为最终 SAP 定稿提供依据；3）确保试验的可信度与解释力，为后续 CSR 与注册申报打下基础。

二、盲态数据审核会常规“必选题”：需要解决的 8 个关键问题

1. 关键终点和关键变量：完整吗？逻辑通吗？

需要确认关键终点和关键变量的数据是否完整、合理，是否存在明显异常值及逻辑冲突，并确保可以通过程序规则或原始记录解释。

2. 入组条件与随机化：有没有“招错人”？怎么处理？

在盲态状态下识别不符合入排标准的受试者，并决定其在全分析集和按方案集中的处理方式，避免事后选择性排除带来的偏倚。

3. 方案偏差（Protocol deviations）：怎么分级？对分析集有何影响？

基于预先定义的偏差分类标准，在盲态数据中完成偏差识别与分级，并明确各类偏差与 PPS 等分析集之间的关系，同时考虑是否需要额外敏感性分析。

4. 终点与派生变量规则：规则合理吗？和 estimand 一致吗？

在 ICH E9(R1) 的 estimand 框架下，审视每一个主要/关键次要终点的时间窗规则、多次测量合成方式和派生变量算法，评估其是否与原先定义的 estimand 及 intercurrent events 处理策略保持一致。

5. 缺失数据与退出情况：模式是否可接受？如何在分析中处理？

通过盲态数据识别缺失和退出的模式，关注某一时间点或某些区域缺失率特别高的情况，并评估其可能带来的偏倚风险，结合 SAP 中既有的模型和敏感性分析策略进行完善。

6. 安全性与试验完整性：如何在不解盲的情况下，保证受试者安全和研究可信度？

盲态数据审核会不是 DMC 的替代者，但需要确认安全性数据的完整性和逻辑性，关注 SAE、AESI 以及导致停药/退出的 AE 是否记录充分，并确保个体解盲有完整记录、不影响整体盲态和研究可信度。

7. SAP 与方案是否需要调整？哪些能改，哪些坚决不能动？

在盲态前提下，可以基于 BDRM 的发现，对 SAP 进行有限更新或补充敏感性分析，但应避免对主要终点、样本量等进行“结果导向型”的根本性调整，并在文档中充分记录变更理由和背景。

8. 数据库锁库准备与会议输出：如何“画上一个干净的句号”？

BDRM 的最后一项任务，是确认所有剩余数据清理和回填工作、形成锁库前的行动清单，并明确锁库纪律及技术性解锁流程，同时产出详实的会议纪要和决策日志，为 CSR 和监管问询提供可追溯依据。

三、几个让 BDRM 更顺畅的实用建议

（1）会前准备充分：提前准备关键 listings 和图表，并明确需要在会上决策的问题清单。

（2）控制参会范围：以申办方医学/统计负责人、数据管理、项目管理和必要的医学监查人员为主，避免展示任何可能暴露分组的信息。

（3）与 estimand 思维结合：不仅关注“数据干不干净”，更要评估现有数据结构下 estimand 的可解释性，以及对 intercurrent events 的分类、标记和统计策略是否经得起监管问询。

（4）多区域试验关注区域可比性：对各区域执行差异进行盲态评估，必要时考虑通过方案修订或执行改进，提升整体试验的解释力。