一天测一万次，也不等于多出一个可信的临床终点

一分钟走路，腕表留下六十个答案

在传统临床试验里，一位参与者每隔几周到医院完成一次六分钟步行。研究人员记录她走了多远，形成一个明确数字。回家后的大多数时间，试验看不见：她有没有在楼梯口停下，有没有因为疲惫取消购物，周末与工作日是否完全不同。

腕表和手机改变了这件事。加速度、步数、心率、睡眠与活动节律可以连续记录。过去只有几次门诊测量，现在一天可能留下成千上万个数据点。试验似乎终于从一间标准化诊室走进了真实生活。

但数据点不是临床终点。原始加速度要经过设备校准、佩戴识别、缺失处理、算法转换和时间汇总，才可能成为“每日中高强度活动分钟数”之类的指标；这个指标还要证明与患者功能或感受有关，才能承担药物有效性的判断。

美国食品药品监督管理局计划于 8 月 27 日召开公开研讨，讨论药物和生物制品临床试验中数字衍生终点的统计考虑、数据标准与创新分析方法。议程承接 PDUFA VII 下的数字健康技术工作，也会以连续血糖数据技术规范为基础案例。

这不是宣布某个腕表读数已经成为监管终点。相反，研讨会的存在说明：当测量密度提高几个数量级，证据责任也跟着变长。临床试验不只要验证一个终点，还要验证从皮肤上的设备到统计表格的整条链。

信号、特征、指标和终点，是四件不同的事

数字健康传播最常见的偷换，是把“传感器测到了”直接写成“疾病改善了”。要避免它，可以把链条拆成四层。

第一层是原始信号。加速度计记录不同方向的运动变化，光学传感器记录与血流相关的光强变化，连续血糖监测记录组织间液葡萄糖。原始信号会受到佩戴位置、肤色、环境、动作、连接和硬件差异影响。

第二层是算法特征。软件判断何时佩戴、何时睡眠、一次步态事件在哪里，并把噪声转成可解释片段。同一原始信号用不同算法或阈值，可能得到不同结果。算法版本因此是测量工具的一部分，不是可忽略的软件更新。

第三层是汇总指标。研究者决定用一天的平均值、最差时段、波动、达到阈值的分钟数，还是一周趋势。选择不同时间窗，会回答不同问题。平均值可能抹掉活动后恶化，最好的一天可能忽略持续负担，最差的一天又容易受偶发事件影响。

第四层才是临床终点。它必须与研究问题、患者处境和干预机制相连，并预先规定如何比较。一个算法可以非常准确地数步，却不代表步数适合评估这项药物；活动增加也可能来自焦虑、工作要求或天气，而不是健康改善。

每层都可以验证，每层也都可以出错。把四层压成“设备客观测量”，只是把主观选择藏进软件。

缺失数据最容易伪装成好消息

远程设备最有价值的地方，是减少到院负担。FDA 2023 年最终指南指出，数字健康技术可以远程采集临床研究数据，可能提高试验效率、扩大参与机会并让参与更便利。对住得远、行动困难或需要照护家人的参与者，这种改变非常具体。

可真正的日常生活也比诊室更容易缺数据。参与者忘记充电、觉得设备不舒服、手机系统更新后无法同步，或在症状最严重时不愿佩戴。缺失并非随机。如果状态越差越容易丢数据，留下的记录会比真实情况更健康。

传统做法常用“每天至少佩戴多少小时”定义有效日，再要求一周有若干有效日。这是必要规则，却会进一步选择能遵守规则的人。身体最弱、工作最忙或数字能力较低的人，可能更容易被排除在分析外。

统计上可以插补缺失、进行敏感性分析、比较不同假设，但模型不能凭空知道未记录时发生了什么。最重要的是预先说明缺失机制、报告各组缺失比例和原因，并测试结论在不利假设下是否稳定。若只展示完成佩戴者，所谓“真实世界测量”可能比门诊抽样更偏。

参与者停止上传本身也是结果。它可能反映负担、技术障碍或病情。把退出者从图里删掉，就把产品最需要改进的部分删掉了。

高频测量会制造一座统计果园

一天有 24 小时，一周有 7 天，一只传感器可以产生数十种特征。研究者可以比较平均值、峰值、变异、节律、工作日、周末、白天、夜间、活动前后。只要尝试足够多组合，总会有一棵树结出“显著”果实。

多重比较不是数字健康独有，但连续数据让可选分析路径急剧增加。若终点、时间窗、阈值和缺失处理在看完结果后才决定，研究就会把偶然波动误装成发现。

可信路径需要在试验开始前锁定关键选择，说明主要终点与次要、探索性指标的层级，并控制错误率。探索可以很丰富，但必须被标为探索，等待新数据验证。一个漂亮的 14:00—16:00 活动差异，不能因为其他时间段无结果就被提升为主要证据。

高频数据还存在自相关。相邻分钟不是数万个独立受试者，不能把每个数据点当独立样本来制造巨大统计把握度。真正的实验单位仍然是参与者，随机化和组间比较必须在正确层级处理。

这解释了为什么“测一万次”不等于证据强一万倍。重复测量可以减少噪声、描述变化，也可能只是更密集地记录同一种偏差。

设备版本会让同一终点变成不同尺子

传统量表也会更新，但数字设备更新更频繁。固件调整滤波，算法重新训练，手机操作系统改变权限，硬件换代，云端管线修补。产品名称不变，测量尺子却可能已经变了。

如果试验跨越更新，研究者需要知道每条数据来自什么设备、固件、算法和配置，并评估版本之间是否可比。不能只记录“使用某品牌腕表”。当一个算法从服务器切换到设备端，或步数阈值调整，终点定义可能发生实质变化。

版本冻结可以保护内部一致性，却可能让试验结束时使用的是过时产品。允许更新更贴近现实，又需要桥接研究证明新旧版本测量同一构念。数字试验必须在内部有效与现实相关之间明确选择，并把选择写进方案。

数据标准只能解决一部分问题。统一字段、时间戳、单位和文件结构，让不同团队能读取和复核；它不能决定哪个特征有临床意义，也不能替算法偏差和人群适用性背书。连续血糖技术规范进入 FDA 研讨，是因为标准是基础，不是因为格式等于终点。

客观设备也会遇见不公平

传感器常被称作客观，因为它不依赖患者回忆。但设备会与身体和生活条件互动。光学测量可能受肤色、纹身、灌注和佩戴松紧影响；活动算法可能在轮椅使用者、步态异常者或非常缓慢行走者身上失准；手机和网络要求会排除一部分人。

如果验证样本主要是年轻、健康、熟悉设备的人，试验人群中的误差可能系统性偏向某些亚组。平均准确度会把差异藏起来。申办方应报告关键人群的测量表现、失败率和数据缺失，而不是只给一项总体相关系数。

远程测量扩大地理可达性，也可能把技术支持劳动转移给参与者。充电、同步、排障和隐私设置都占用时间。参与便利不能只按少跑几次医院计算，还要把在家维护设备的劳动算进去。

真正以患者为中心的数字终点，应先问什么变化对患者重要，再决定用什么设备测，而不是先拥有一只传感器，再寻找它能生成的漂亮指标。

“临床意义”不是统计显著性的别名

一个数字终点可以在两组间达到统计显著，变化却小到患者没有感觉。也可能没有达到传统阈值，但对某个高负担亚群具有实际价值。临床意义需要与患者报告、功能、事件和决策联系，并给出可解释的变化范围。

验证不等于把数字指标与医院量表做一次相关。两者可能共同受第三因素影响。更完整的证据包括重复测量可靠性、对已知差异的区分、对变化的敏感度、与患者重要结果的关系，以及在不同机构和人群中的表现。

对于药物试验，还要说明设备测到的变化是否符合干预机制和时间尺度。一种改善症状的药物可能提高活动，也可能因为副作用降低活动；一种降低血糖波动的药物对不同饮食与传感器佩戴模式有不同表现。解释必须回到临床问题。

FDA 的研讨会仍在发生之前。它可以澄清监管者、统计学家、患者和开发者关心的问题，不能预先替任何终点授予资格。报道它的正确方式不是宣布“数字终点时代到来”，而是看到监管焦点从“能否远程采集”进一步转向“怎样统计与解释”。

让每一个点都保留来路

未来临床试验不会回到只在诊室里测几次的世界。连续数据确实能看见症状波动、日常功能和传统访视错过的时刻。它也能让一部分人少坐几小时车，少请一天假，更容易参与研究。

代价是，一项终点不再只是一行量表分数，而是一条供应链：身体、传感器、固件、手机、云端、算法、统计方案和临床解释。任何一环改变，都可能改变最后答案。

因此，数字终点最重要的品质不是“多”，而是可追溯。参与者要知道收集什么、何时停止；研究者要知道每个数据点来自哪个版本、哪些时间缺失；审评者要能重做分析；患者要能理解一个变化是否与生活有关。

回到那一分钟走路，腕表可以留下六十个答案。可信的临床终点不会假装六十个都同样重要。它会诚实说明哪一些被选择、哪些丢失、算法怎样转换，以及为什么最终那一个数字有资格代表一个人的改善。

来源与边界

• 8 月 27 日研讨的时间、主题与连续血糖规范背景来自 FDA 公开议程。
• 远程 DHT 的适用范围、效率与参与便利表述来自 FDA 2023 最终指南页面。
• 本文不把研讨会、指南或数据标准写成特定设备/终点获认可、临床疗效或个体健康建议。