心血管药物疗效研究

Engine Ready

你好！你可以直接描述研究目标，我将为你生成分析方案；或者上传数据，我们将直接开始智能分析。

我在研究一种新药，收集了实验组和对照组患者的血压下降值数据。我想知道新药是否有效。

理解了，针对“两组独立样本疗效对比”，我为您制定了统计分析计划（SAP）。确认方案无误后，请上传数据文件。

分析方案、执行过程与图表将在这里展示

统计分析计划书 (SAP)

研究课题：新药治疗高血压疗效对比

1. 研究目的与假设

探究新药在降低患者血压方面是否优于传统安慰剂/对照药。假设：两组的血压下降值存在显著差异。

2. 推荐统计方法

首选：独立样本 T 检验 (Independent T-Test)

自变量 (X): 分组 (分类变量，2个水平)

因变量 (Y): 血压下降值 (连续数值)

3. 统计护栏 (执行前置条件)

独立性假设： 样本需相互独立（由研究设计保证）。
正态性假设检验： 将执行 Shapiro-Wilk 检验。若 P < 0.05 (拒绝正态)，将自动降级使用 Wilcoxon 秩和检验。

AI 统计解读

结果表明，新药组（Drug）的血压下降幅度显著大于对照组（Placebo）。差异具有统计学意义 (P < 0.001)。 注：因数据未通过正态性检验，本结果由自动降级后的 Wilcoxon 秩和检验得出。

Table 1. 血压下降值组间比较

组别 (Group)	样本量 (N)	下降值 (Median [IQR])	W 统计量	P 值
Drug (新药组)	60	14.5 [12.1 - 16.8]	2845.5	< 0.001 **
Placebo (对照组)	60	8.2 [6.5 - 10.4]	2845.5	< 0.001 **

Figure 1. 分布可视化

20

10

0

Drug

Placebo

P < 0.001 ***

可复现 R 源码

# SSA-Pro 生成代码: 独立样本差异分析
library(ggplot2)
df <- read.csv("BP_Trial_Data.csv")
df$Group <- as.factor(df$Group)
df$BP_Change <- as.numeric(df$BP_Change)

# 核心计算 (自动降级至非参数检验)
res <- wilcox.test(BP_Change ~ Group, data = df)
print(res)