CONSORT 流程图怎么看：快速判断样本筛选、失访和结果可信度

为什么 CONSORT 流程图值得单独看？

很多人读随机对照试验（RCT）时，会先看摘要、结果表和结论，却把流程图当成例行配图。其实恰恰相反，CONSORT 流程图往往是判断一篇研究靠不靠谱的最快入口。因为它展示的不是作者怎么解释结果，而是样本到底怎么一路走到最终分析里：筛了多少人、排了多少人、随机后丢了多少人、最后真正纳入分析的还有多少人。

如果这些数字对不上，或者中间损耗很大却解释不清，那后面的结果就算看起来“显著”，也要打折扣。

一、先看 4 个核心数字

读 CONSORT 流程图时，先别急着逐字看每个框。先抓 4 个最关键的数字：

1. 初始评估人数：最开始有多少人被纳入筛选。
2. 排除人数：多少人因为不符合标准、拒绝参加或其他原因被排除。
3. 随机或分配人数：真正进入研究分组的人有多少。
4. 最终分析人数：最后进入结局分析的人有多少。

这 4 组数字能帮你在一分钟内判断：这项研究的样本流转是否透明，结果是否可能受到失访或选择偏倚影响。

二、最该警惕的 3 类信号

1. 筛选很多，留下很少

如果一开始评估了很多人，最后真正入组的人却很少，就要问两个问题：纳入标准是不是过严，以及结果还能不能代表真实临床人群。这不一定说明研究错了，但说明它的外部可推广性可能有限。

2. 随机后失访明显

随机分组后，如果某一组掉人特别多，或者两组失访比例差异明显，就要提高警惕。因为这可能让最终比较不再“公平”，尤其是在样本量本来就不大的研究里，少量失访都可能改变结果方向。

3. 最终分析人数和前面流程对不上

这是最直接的红旗之一。流程图里写的人数、正文方法部分描述的人数、结果表里实际分析的人数，如果互相对不上，说明研究报告质量有问题。哪怕不是研究本身做错，至少也会影响你对结果的信任度。

三、读流程图时，不能只看人数，还要看“为什么退出”

很多人只盯着数字变化，却忽略退出原因。实际上，退出原因往往比退出人数本身更有解释力。例如：

• 如果退出主要是技术原因或客观条件中断，问题相对可解释；
• 如果退出和疗效差、不良反应、依从性差有关，那就可能直接影响结果解释；
• 如果退出原因写得非常笼统，比如“其他原因”，又占比不小，就要谨慎。

所以看 CONSORT 图时，建议把“失访人数”和“失访原因”一起看，而不是只看最后剩多少人。

四、一个很实用的 60 秒读图顺序

1. 先看最上面：有多少人进入资格评估。
2. 再看中间：排除了多少人，原因是否清楚。
3. 再看分组：每组实际分到了多少人，是否平衡。
4. 再看随访：有没有某组失访更多、退出更多。
5. 最后看分析：最终进入分析的人数，是否和正文、表格一致。

只要按这个顺序走，你通常就能很快判断一篇 RCT 的执行链路是否干净。

五、CONSORT 流程图最常见的 4 个误区

• 把它当形式化配图：错过最重要的样本流转信息。
• 只看最终样本量，不看筛掉了多少：容易忽略选择偏倚。
• 只看失访人数，不看失访原因：会低估结果解释风险。
• 不和正文交叉核对：容易漏掉流程图、方法、结果表之间的不一致。

六、什么时候一张流程图会让你直接提高警惕？

如果你看到下面几种情况，建议直接把这篇研究列为“需要谨慎解读”：

• 初始筛选人数很大，但最终纳入比例非常低，且原因不透明；
• 两组失访严重不平衡；
• 流程图没有写清最终进入分析的人数；
• 图里数字和正文、表格对不上；
• 退出原因过于模糊，且涉及人数较多。

这些问题不一定说明研究无效，但至少说明你不能只看结果值就下结论。

七、研航能在哪一步帮上忙？

对很多用户来说，难点不是“不会看流程图”，而是没有时间每篇都仔细核对。研航正在持续补强的方向之一，就是把论文里真正影响判断质量的结构化信号先提炼出来，例如样本流转、关键图表、结果强度和方法学风险。理想状态不是 AI 替你做决定，而是先帮你把最值得警惕或最值得细看的地方指出来。

结语

一张 CONSORT 流程图，表面上只是样本从筛选到分析的路径图，实际上却浓缩了研究执行质量最重要的信息。会读它，你就更容易判断一篇 RCT 是不是“结果好看但过程不稳”；不会读它，就容易被漂亮的摘要和显著性结果带偏。下次读临床研究时，建议你别把流程图放到最后看，而是先看它，再决定这篇论文值不值得深读。