AIclinicalresearch/docs/03-业务模块/RVW-稿件审查系统/04-开发计划/RVW V2.0 统计方法可验证性分析报告.md

RVW V2.0 统计方法可验证性分析报告

创建日期: 2026-02-17
最后更新: 2026-02-17
文档版本: v1.2 (含终审意见)
测试文档数: 5 篇
分析视角: 医学统计学原理
审查状态: ✅ 通过终审，已纳入工程实现建议

---

1. 核心原则：可验证性取决于信息完整性

关键洞察：能否验证统计结果，取决于论文是否报告了足够的汇总统计量（Summary Statistics）。这不是编程问题，而是统计学原理决定的。

1.1 统计验证的三个层次

层次	验证内容	示例
L1: 算术一致性	基础数学计算	n/N = %，合计=各项之和
L2: 统计量重算	从汇总数据反推检验统计量	从 M±SD 和 n 计算 t 值
L2.5: 一致性取证	🆕 统计量之间的数学约束关系	CI↔P, Z↔P 一致性检查
L3: 模型重拟合	重新拟合统计模型	重跑 Logistic 回归

核心限制：

• L1 和 L2 可以从论文表格实现
• L2.5 是专家审查后新增的关键维度（见第 8 节）
• L3 需要原始数据，从根本上无法仅凭论文验证

---

2. 统计方法可验证性分类

2.1 ✅ 容易验证（有明确公式，信息通常充分）

方法	验证公式	所需信息	论文通常报告	验证可行性
百分比计算	% = n/N × 100	n, N	✅ 通常报告	极易
独立样本 t 检验	t = (M₁-M₂) / √(SD₁²/n₁ + SD₂²/n₂)	M, SD, n	✅ 通常报告	易
卡方检验 (2×2)	χ² = Σ(O-E)²/E	频数表 (n, %)	✅ 通常报告	易
CI 与 P 值一致性	95% CI 是否包含 0/1	CI, P	✅ 通常报告	易
OR/HR/RR 与 CI 一致性	ln(OR) ± 1.96×SE = CI	OR, 95% CI	✅ 通常报告	易

统计学原理：

• 这些检验有封闭形式的计算公式
• 论文的标准报告格式（如 APA、CONSORT）要求报告这些汇总统计量
• 可以通过代数运算反推检验统计量

验证示例：

表格数据: 治疗组 45.2±12.3 (n=50), 对照组 38.7±11.8 (n=48), t=2.65, P=0.009

验证计算:
SE = √(12.3²/50 + 11.8²/48) = √(3.03 + 2.90) = 2.43
t = (45.2 - 38.7) / 2.43 = 2.67

结论: 报告 t=2.65，计算 t=2.67，误差 0.8%，在容许范围内 ✅

---

2.2 ⚠️ 中等难度验证（理论可行，但信息常不完整）

方法	验证原理	所需信息	论文通常报告	验证障碍
配对 t 检验	t = d̄ / (SD_d/√n)	差值的均值和SD	❌ 通常只报告前后各自的M±SD	无法获得差值SD
单因素 ANOVA	F = MS_between / MS_within	各组 M, SD, n	✅ 通常报告	计算复杂，需合并方差
Fisher 精确检验	超几何分布精确计算	2×2 频数表	✅ 通常报告	阶乘计算，小样本适用
Pearson 相关	t = r×√(n-2) / √(1-r²)	r, n	✅ 通常报告	只能验证 r↔t 一致性，不能验证 r 本身
卡方检验 (R×C)	多自由度卡方计算	完整频数表	⚠️ 常简化报告	大表格信息常不完整

统计学原理：

• 这些方法有公式，但论文报告格式不总是提供所有必需参数
• 配对 t 检验的核心问题：配对差值的变异性 (SD_d) 通常不报告
• ANOVA 可以验证，但需要理解组间/组内方差分解

配对 t 检验的本质问题：

论文报告:
  治疗前: 120.5 ± 15.2 mmHg
  治疗后: 108.3 ± 14.8 mmHg
  t = 5.23, P < 0.001

无法验证的原因:
  配对 t = d̄ / (SD_d / √n)
  d̄ = 120.5 - 108.3 = 12.2 ✓ 可知
  SD_d = ? ← 这个值论文通常不报告！
  
  SD_d ≠ √(SD₁² + SD₂²)，因为前后测量是相关的
  SD_d = √(SD₁² + SD₂² - 2×r×SD₁×SD₂)
  需要知道前后相关系数 r，但论文不报告

---

2.3 ❌ 无法从根本上验证（需要原始数据）

方法	验证原理	为什么无法验证	可做的有限检查
Logistic 回归	最大似然估计	OR、SE 来自迭代拟合，无封闭公式	🆕 SE 三角关系验证 (CI↔P)
Cox 比例风险回归	部分似然估计	HR 来自生存时间拟合	🆕 SE 三角关系验证 (CI↔P)
线性多元回归	最小二乘估计	β 系数需矩阵运算	🆕 SE 三角关系验证 (β↔P)
Mann-Whitney U	秩和统计量	需要原始秩次排列	🆕 Z↔P 一致性检查
Wilcoxon 符号秩	配对秩差统计量	需要原始配对差值的秩	🆕 Z↔P 一致性检查
Kruskal-Wallis H	秩方差分析	需要各组原始秩次	H↔P 一致性检查
Kaplan-Meier 生存曲线	乘积极限法	需要个体生存时间和删失状态	报告的中位生存时间合理性
Log-rank 检验	生存曲线比较	需要完整的生存数据	检验统计量与 P 值一致性
ROC/AUC 分析	敏感性-特异性曲线	需要每个个体的预测值和真实分类	报告的敏感性/特异性格式
重复测量 ANOVA	球形性校正	需要完整的重复测量矩阵	基本无法验证
混合效应模型	REML/ML 估计	需要层级结构数据	无法验证

统计学原理：

1. 回归分析为什么无法验证？

Logistic 回归: log(p/(1-p)) = β₀ + β₁X₁ + β₂X₂ + ...

问题:
- β 系数通过最大似然估计的牛顿-拉弗森迭代得到
- 没有封闭形式的公式: β = f(数据)
- 必须有原始数据才能重新拟合

我们能做的:
- 检查 OR = exp(β) ✓
- 检查 95% CI = exp(β ± 1.96×SE) ✓
- 🆕 SE 三角关系验证 (详见第 8 节)
- 但无法验证 β 和 SE 本身是否正确

2. 非参数检验为什么无法验证？

Mann-Whitney U 检验:

论文报告: U = 245, Z = -2.35, P = 0.019

问题:
- U = n₁n₂ + n₁(n₁+1)/2 - R₁
- R₁ 是第一组的秩和
- 秩次需要将两组数据合并排序后得到
- 论文只报告中位数和四分位距，不报告原始数据

我们能做的:
- 🆕 Z↔P 一致性检查 (详见第 8 节)
- 但无法验证 U 值本身

3. 生存分析为什么无法验证？

Kaplan-Meier 生存率:

S(t) = Π[(nᵢ - dᵢ) / nᵢ]

问题:
- 需要每个时间点的风险人数 nᵢ 和事件数 dᵢ
- 论文通常只报告中位生存时间和曲线图
- 无法从图中精确反推所有数据点

---

3. 测试文档中的方法分析

3.1 按可验证性分类

┌─────────────────────────────────────────────────────────────┐
│                    5 篇测试文档统计方法                      │
├─────────────────────────────────────────────────────────────┤
│  ✅ 容易验证 (2种)          │  出现频率  │  MVP 实现        │
│  ├─ t 检验                  │   4/5     │  ✅ Week 2       │
│  └─ χ² 卡方检验             │   4/5     │  ✅ Week 2       │
├─────────────────────────────────────────────────────────────┤
│  ⚠️ 中等难度 (2种)          │  出现频率  │  V2.1 评估       │
│  ├─ 单因素 ANOVA            │   3/5     │  🔄 可实现       │
│  └─ 配对 t 检验             │   1/5     │  ⚠️ 信息常不足   │
├─────────────────────────────────────────────────────────────┤
│  🆕 一致性可验 (4种)        │  出现频率  │  V2.1 实现       │
│  ├─ Logistic 回归           │   2/5     │  SE 三角验证     │
│  ├─ Mann-Whitney            │   5/5     │  Z↔P 一致性     │
│  ├─ 线性回归                │   1/5     │  SE 三角验证     │
│  └─ Spearman 相关           │   1/5     │  r↔P 一致性     │
├─────────────────────────────────────────────────────────────┤
│  ❌ 无法验证 (3种)          │  出现频率  │  仅识别          │
│  ├─ ROC/AUC                 │   1/5     │  格式检查        │
│  ├─ LSD 事后检验            │   1/5     │  无法验证        │
│  └─ Kruskal-Wallis          │   1/5     │  H↔P 检查       │
└─────────────────────────────────────────────────────────────┘

3.2 各文档详细分析

文档	可验证方法	一致性可验	无法验证
静脉溶栓分析	χ²	Mann-Whitney	Kruskal-Wallis, Bonferroni
脑卒中偏瘫	t, χ²	ANOVA, Mann-Whitney	LSD
高血压脑出血	t, χ²	ANOVA, Mann-Whitney, Logistic, Spearman	ROC
功能性电刺激	t, χ²	配对t(边界), Mann-Whitney	-
骶骨瘤输血	t	ANOVA, Mann-Whitney, Logistic	-

---

4. MVP 验证策略（终审更新）

4.1 优先实现（Week 1 Day 3）- 🆕 提权

方法	验证逻辑	公式	容错阈值
t 检验	从 M±SD, n 反推 t 值	t = (M₁-M₂) / √(SD₁²/n₁ + SD₂²/n₂)	±5%
χ² 检验	从频数表反推 χ² 值	χ² = Σ(O-E)²/E	±5%
CI↔P 一致性	CI 包含 0/1 与 P<0.05 逻辑一致	逻辑判断	逻辑错误即报警
🆕 SE 三角验证	回归系数 CI↔P 一致性	SE = (ln(UCL) - ln(LCL)) / 3.92	P 值偏差 ±0.01 报 Warning，>0.05 报 Error
🆕 SD > Mean 检查	正值指标的启发式规则	if metric_positive and SD > Mean: Error	直接报 Error

终审关键建议："SE 三角验证" 从 V2.1 提权到 MVP。理由：代码极简单（比 ANOVA 简单）、回归分析在核心期刊太常见、ROI 极高。

4.2 V2.1 评估实现

方法	可行性	实现难度	备注
单因素 ANOVA	✅ 可行	中等	需计算组间/组内均方
Fisher 精确检验	✅ 可行	中等	2×2 表可用 scipy.stats
🆕 SE 三角验证	✅ 可行	简单	Logistic/Cox/线性回归
🆕 Z↔P 一致性	✅ 可行	简单	Mann-Whitney 等非参数
🆕 启发式检查	✅ 可行	简单	SD>Mean, N vs df

4.3 仅标记不验证

方法	原因	可提供的帮助
ROC/AUC	需预测值	提醒审稿人关注曲线图
重复测量ANOVA	需完整矩阵	标记使用了复杂方法
混合效应模型	需层级数据	标记使用了复杂方法

---

5. 统计学原理总结

5.1 可验证性决定因素

┌──────────────────────────────────────────────────────────────┐
│                   可验证性 = f(信息完整性, 公式封闭性)        │
├──────────────────────────────────────────────────────────────┤
│                                                              │
│   封闭公式 ──┬── 信息完整 ──→ ✅ 可验证 (t, χ²)              │
│              │                                               │
│              └── 信息不完整 ─→ ⚠️ 部分可验证 (配对t, ANOVA)  │
│                                                              │
│   迭代拟合 ──┬── 数学约束存在 → 🆕 一致性可验 (回归)         │
│              │                                               │
│              └── 无约束关系 ──→ ❌ 无法验证 (生存曲线)       │
│                                                              │
│   秩次统计 ──┬── 大样本近似 ──→ 🆕 Z↔P 一致性 (Mann-Whitney) │
│              │                                               │
│              └── 小样本 ──────→ ❌ 无法验证                   │
│                                                              │
└──────────────────────────────────────────────────────────────┘

5.2 医学论文统计审查的现实

现实情况	对验证的影响
APA/CONSORT 格式要求报告 M±SD, n	t 检验和卡方检验通常可验证
配对数据的差值 SD 几乎不报告	配对 t 检验难以验证
回归分析报告 OR, CI, P	🆕 可做 SE 三角一致性验证
非参数检验报告 Z, P	🆕 可做 Z↔P 一致性验证
复杂模型（混合效应等）	完全无法验证

5.3 系统价值定位

┌─────────────────────────────────────────────────────────────┐
│  RVW V2.0 数据侦探的价值:                                   │
│                                                             │
│  1. 捕获"低级错误": 算术错误、格式错误、明显不一致          │
│     → 这些错误在实际论文中出现率约 10-20%                   │
│                                                             │
│  2. 验证最常用方法: t 检验和卡方检验覆盖 80% 的论文         │
│     → 这是投入产出比最高的验证点                            │
│                                                             │
│  3. 🆕 一致性取证: 利用统计量的数学约束关系                 │
│     → 造假者往往不懂这些关系，容易露出破绽                  │
│                                                             │
│  4. 提供审稿线索: 标记使用了哪些方法，提醒人工关注          │
│     → 辅助审稿人，而非替代审稿人                            │
│                                                             │
│  5. 诚实的边界: 明确告知哪些无法验证                        │
│     → 避免给审稿人虚假的安全感                              │
└─────────────────────────────────────────────────────────────┘

---

6. 验证能力完整矩阵

方法	类别	可识别	可验证	验证原理	实现阶段
百分比计算	描述统计	✅	✅	n/N=%	MVP
t 检验	参数检验	✅	✅	M,SD,n→t	MVP
χ² 卡方检验	非参数检验	✅	✅	频数表→χ²	MVP
CI↔P 一致性	逻辑检查	✅	✅	逻辑判断	MVP
🆕 SD>Mean 检查	启发式	✅	✅	正值指标	MVP
🆕 N vs df 检查	启发式	✅	✅	自由度交叉验证	MVP
OR/HR↔CI	格式检查	✅	✅	exp(ln±1.96SE)	V2.1
单因素 ANOVA	参数检验	✅	⚠️	组间/组内方差→F	V2.1
Fisher 精确	非参数检验	✅	⚠️	超几何分布	V2.1
Pearson r↔t	相关分析	✅	⚠️	r,n→t	V2.1
🆕 Logistic 回归	回归分析	✅	⚠️	SE 三角验证	V2.1
🆕 Cox 回归	生存分析	✅	⚠️	SE 三角验证	V2.1
🆕 线性回归	回归分析	✅	⚠️	SE 三角验证	V2.1
🆕 Mann-Whitney	非参数检验	✅	⚠️	Z↔P 一致性	V2.1
🆕 Wilcoxon	非参数检验	✅	⚠️	Z↔P 一致性	V2.1
配对 t 检验	参数检验	✅	⚠️	🆕 r 边界探测	V2.1
Kruskal-Wallis	非参数检验	⚠️	⚠️	H↔P 一致性	V2.1
Kaplan-Meier	生存分析	⚠️	❌	需事件数据	-
Log-rank	生存分析	⚠️	❌	需生存数据	-
ROC/AUC	诊断分析	⚠️	❌	需预测值	-
Spearman	相关分析	⚠️	⚠️	r↔P 一致性	V2.1
重复测量ANOVA	参数检验	✅	❌	需完整矩阵	-
LSD/Bonferroni	事后检验	⚠️	❌	依赖主检验	-

图例: ✅ 完全支持 | ⚠️ 部分支持/一致性验证 | ❌ 不支持

---

7. 结论

7.1 统计学真相

"没有原始数据，就没有真正的验证。"

但我们可以从"无法重算"转向"一致性取证"：

• 我们能做的是一致性检查（Consistency Check），而非正确性验证（Correctness Verification）
• 🆕 统计量之间存在数学约束关系，造假者往往破坏这些关系

7.2 MVP 价值

即使只验证 t 检验 和 卡方检验：

• 覆盖 80% 的测试文档
• 这两种方法是医学研究中最常用的统计检验
• 能捕获大量低级计算错误

7.3 诚实的系统

RVW V2.0 数据侦探：

• ✅ 验证能验证的（t, χ², 算术）
• 🆕 一致性取证（Logistic, Cox, Mann-Whitney）
• ⚠️ 标记能识别但无法验证的
• ❌ 诚实承认无法验证的边界

---

8. 🆕 专家二审补充：一致性取证方法

核心观点：从"无法重算"转向"一致性取证"。即使没有原始数据，数学逻辑的闭环依然存在。造假者通常不懂统计学原理，他们编造的数据往往破坏了数学上的协变关系。

8.1 SE 三角关系验证（Logistic/Cox/线性回归）

原理：回归结果的四个核心指标（Estimate, SE, 95% CI, P）在数学上是锁死的，只要知道其中任意两个，就能推算出另外两个。

验证公式 (The Triangle Check)：

1. 从 CI 反推 SE（对于 OR/HR 比值类）：

   SE = (ln(CI_upper) - ln(CI_lower)) / 3.92
   

   (3.92 = 1.96 × 2)

2. 计算 Z 统计量：

   Z = |ln(estimate)| / SE
   

3. 计算 P 值：

   P = 2 × (1 - Φ(|Z|))
   

实战案例：

论文报告: OR = 2.5, 95% CI (1.1 - 3.5), P = 0.001

系统验证:
1. SE = (ln(3.5) - ln(1.1)) / 3.92 = 0.295
2. Z = |ln(2.5)| / 0.295 = 3.10
3. P_calc = 2 × (1 - Φ(3.10)) = 0.002

结论: 报告 P=0.001，计算 P=0.002，高度一致 ✅

反例（造假）：如果作者手写了 P=0.0001，系统算出 0.002，差异巨大 → 报警

Python 实现：

import scipy.stats as stats
import numpy as np

def verify_regression(est, ci_lower, ci_upper, p_reported):
    # 1. 转换到对数尺度 (如果是 OR/HR)
    log_est = np.log(est)
    log_lo = np.log(ci_lower)
    log_hi = np.log(ci_upper)
    
    # 2. 反推 SE
    se_est = (log_hi - log_lo) / 3.92
    
    # 3. 计算 Z 和 P
    z_score = abs(log_est / se_est)
    p_calc = stats.norm.sf(z_score) * 2
    
    # 4. 比对
    return abs(p_calc - p_reported) < 0.05

开发团队评估：✅ 完全认可，应纳入 V2.1 高优先级实现

---

8.2 Z 值与 P 值一致性检查（Mann-Whitney 等非参数检验）

原理：当样本量 n > 20 时，非参数检验的统计量近似正态分布，作者通常会报告 Z 值。

验证点：检查 Z 值与 P 值是否对应。

Z = -2.35 → P = 2 × Φ(-2.35) ≈ 0.019

常见造假模式：编造 Z=-1.5，却写 P=0.001（实际应为 0.13）

开发团队评估：✅ 完全认可，V2.1 实现

---

8.3 配对 t 检验的边界验证

原理：虽然不知道前后相关系数 r（范围 -1 到 1），但可以计算 t 值的理论最大值和最小值。

SD_d = √(SD₁² + SD₂² - 2×r×SD₁×SD₂)

t_max (当 r=-1): SD_d = SD₁ + SD₂
t_min (当 r=1):  SD_d = |SD₁ - SD₂|

验证逻辑：如果作者报告的 t 值跑到了 [t_min, t_max] 范围之外 → 数学上不可能

开发团队评估：⚠️ 部分认可

• 原理正确，可以检测极端错误
• 但实际价值有限（r 通常在 0.3-0.9 之间）
• 建议作为补充检查，标记为"边界探测"

---

8.4 启发式检查规则

8.4.1 均值与标准差的合理性 (SD > Mean)

规则：对于不可能为负数的生理指标（如血压、血糖、住院天数），如果 SD > Mean，提示数据极度偏态或有误。

案例：

住院天数: 7.5 ± 8.2 天
→ 根据正态分布，这意味着有大量病人的住院天数是负数
→ 生物学上不可能
→ 提示："SD 过大，数据可能非正态分布，建议使用中位数描述"

开发团队评估：✅ 完全认可，可纳入 MVP

8.4.2 样本量与自由度 (N vs df)

规则：很多统计量的自由度 df 直接关联样本量 N。

t 检验: df = n₁ + n₂ - 2
卡方检验: df = (r-1)(c-1)

验证点：如果作者报告 df=98，但表格里两组加起来只有 40 人，那就是直接抄了别人的数据。

开发团队评估：✅ 完全认可，可纳入 MVP

8.4.3 Table 1 的"完美"陷阱 (P 值分布检查)

规则：在随机对照试验（RCT）的 Table 1（基线表）中，P 值不应该全部 > 0.9。

逻辑：随机化意味着差异是随机的，P 值应该均匀分布在 0-1 之间。如果 Table 1 里 10 个指标的 P 值都是 0.95, 0.98, 0.99，这通常是人工编造数据的特征。

开发团队评估：⚠️ 部分认可

• 统计学原理正确
• 但存在假阳性风险
• 建议作为"提示"而非"报警"
• 话术："基线数据一致性较高，建议审稿人关注随机化方法"

---

8.5 修正后的验证能力矩阵

方法	原判定	专家修正	最终判定	验证手段
Logistic/Cox 回归	❌ 无法验证	✅ 强验证	✅ 一致性验证	SE 三角关系 (CI↔P)
线性回归	❌ 无法验证	✅ 强验证	✅ 一致性验证	SE 三角关系 (β↔P)
配对 t 检验	❌ 无法验证	⚠️ 边界验证	⚠️ 边界探测	r 值边界法
Mann-Whitney	❌ 无法验证	⚠️ 近似验证	✅ 一致性验证	Z↔P 一致性
SD vs Mean	-	✅ 逻辑验证	✅ 启发式检查	SD > Mean 检测
N vs df	-	✅ 逻辑验证	✅ 启发式检查	自由度交叉验证
Table 1 P 分布	-	⚠️ 概率验证	⚠️ 提示性检查	P 值分布分析

---

8.6 话术规范

对于高级验证，系统提示语应严谨：

问题类型	推荐话术	避免使用
CI↔P 不一致	"置信区间与 P 值不匹配"	"数据错误"
Z↔P 不一致	"统计量内部不一致"	"造假"
SD > Mean	"标准差相对于均值过大，建议核查数据分布"	"数据有问题"
Table 1 完美	"基线数据一致性较高，建议关注随机化方法描述"	"可能是编造的"

---

9. 🆕 终审工程挑战与应对策略

终审报告指出了两个关键的工程挑战：

9.1 CI 格式解析的鲁棒性

挑战：医学论文中 CI 的格式千奇百怪：

• 2.5 (1.1-3.5)
• 2.5 (1.1, 3.5)
• 2.5 [1.1; 3.5]
• 2.5 (95% CI: 1.1 to 3.5)

应对策略：

# CI 字符串清洗器正则表达式
CI_PATTERNS = [
    r'(\d+\.?\d*)\s*[\(\[]\s*(\d+\.?\d*)\s*[-–,;to]+\s*(\d+\.?\d*)\s*[\)\]]',  # 标准格式
    r'95%?\s*CI\s*[:\s]*(\d+\.?\d*)\s*[-–,;to]+\s*(\d+\.?\d*)',  # 带 CI 标签
]

def parse_ci_string(text: str) -> tuple[float, float] | None:
    """提取 CI 的下限和上限，容错处理多种分隔符"""
    for pattern in CI_PATTERNS:
        match = re.search(pattern, text, re.IGNORECASE)
        if match:
            return float(match.group(-2)), float(match.group(-1))
    return None

9.2 舍入误差的容错阈值

挑战：作者报告的 OR=2.5 可能是 2.49 或 2.51 舍入来的，导致反推的 P 值有轻微偏差。

应对策略（终审建议采纳）：

# 容错阈值配置
TOLERANCE_CONFIG = {
    "p_value_absolute": 0.01,      # P 值绝对误差 ±0.01
    "p_value_relative": 0.05,      # P 值相对误差 ±5%
    "ci_relative": 0.02,           # CI 端点相对误差 ±2%
}

def classify_discrepancy(calculated_p: float, reported_p: float) -> str:
    """根据偏差程度分类问题严重性"""
    abs_diff = abs(calculated_p - reported_p)
    rel_diff = abs_diff / max(reported_p, 0.001)
    
    if abs_diff > 0.05:  # 严重矛盾
        return "ERROR"  # 🔴 算出 <0.001，报告 >0.05
    elif abs_diff > TOLERANCE_CONFIG["p_value_absolute"]:
        return "WARNING"  # 🟡 可能是舍入误差
    else:
        return "OK"  # 在容错范围内

9.3 问题严重程度分级（终审强调）

级别	标准	示例
🔴 Error	数据确定性错误	算术错误、P 值严重矛盾（>0.05 差异）、SD > Mean
🟡 Warning	疑似问题	P 值轻微偏差、Table 1 P 值完美、无法验证仅提示
🔵 Info	提示信息	未检测到方法、跳过表格

---

10. 变更记录

版本	日期	变更内容
v1.0	2026-02-17	初版，基于医学统计学原理分析
v1.1	2026-02-17	纳入专家二审意见，新增第 8 节"一致性取证方法"
v1.2	2026-02-17	纳入终审意见：SE 三角验证提权到 MVP、Error/Warning 分级、工程挑战应对策略

---

分析时间: 2026-02-17
基于医学统计学原理的系统分析
含专家二审意见及终审意见