系列导览

Harness Research 系列共 3 讲，从 Harness Engineering 理念出发，逐步构建 AI 驱动的科研工作流：

• 第1讲：导论与工具配置——理解 Harness Engineering 理念，完成 Trae 中 MCP 与 Skill 的检索和配置
• 第2讲：文献检索与综述——从自动化检索到 AI 综述的完整文献工作流
• 第3讲：统计分析（本讲）——从通用分析工作流到护理场景的人机协作

本讲（第3讲）覆盖科研的统计分析环节，分为两部分：第一部分是入门——通用九步 AI 分析工作流，适用于任何临床数据；第二部分是进阶——护理统计协作，以 Trae 为工具掌握"评估-执行"人机协作模型与六步协作流程。

想了解系列全貌与学习路径，请查看系列导览页。

第一部分：通用统计分析工作流（入门）

为什么选择 AI 分析？

专为临床科研设计，解决 95% 以上的统计问题。

• 极速高效：无需编写复杂的代码，AI 自动生成分析逻辑，从拿到数据到出结果只需几分钟。
• 通用性强：不依赖特定的统计软件环境，一套逻辑解决各种常见的临床数据对比问题。
• 技术平权：只需会描述需求，无需深厚的编程功底，AI 编程工具也可以是你的数据分析师。

准备工作

工欲善其事，必先利其器。

工具

• 编辑器：VS Code + IDE 插件 或 Antigravity
• 核心环境：Python
• AI 助手（IDE 插件）：
  • Roo Code
  • Claude Code

工具的具体配置方法（MCP、Skill 等）已在第1讲：导论与工具配置中详细讲解，这里不再赘述。

技术储备

• 必备：善学的悟性与好奇心。比代码本身更重要的是你提问和探索的逻辑。
• 可选：编程知识、统计学基础。有基础更好，没有也没关系，AI 会填补这部分空白。

核心工作流（9 步法）

这是我总结的一套人机协作的最佳实践，按照这个步骤，你可以解决绝大多数数据分析问题。

详细步骤拆解

1. 数据认知：告诉 AI 你的数据长什么样（列名、数据类型、缺失情况）。
2. 需求明确：告诉 AI 你想做什么（“比较两组患者的术后疼痛评分是否有差异”）。
3. 方案共识：让 AI 提供统计学建议（“建议使用独立样本 t 检验…"），并由你确认。
4. 代码生成：用户同意后，让 AI 撰写完整的 Python 分析脚本。
5. 环境铺设：辅助 AI 安装所需的库（pandas、scipy、matplotlib 等）。
6. 执行反馈：运行代码，将报错信息或初步结果直接复制给 AI。
7. 迭代修正：根据反馈结果，AI 自动修正代码中的 Bugs。
8. 可视化增强：补充额外需求，如绘制"小提琴图”、“热力图"等高阶图表。
9. 报告生成：最后，让 AI 根据最终结果撰写一份标准的统计学报告。

提示：第 1 步"数据认知"之前，原始数据通常还需要脱敏、清洗与编码等预处理。这些护理场景下的数据准备细节将在本讲第二部分展开，这里先聚焦拿到"就绪数据"之后的分析流程。

实战案例复盘

由于近期事务繁忙，我抽空利用上述的 9 步法快速完成了分析。结果发现，通过更精细的分组和可视化，两组在特定时间点存在显著差异。

视频演示

生成的代码示例

import pandas as pd
import scipy.stats as stats
import seaborn as sns
import matplotlib.pyplot as plt

# 1. 加载数据
df = pd.read_excel("clinical_data.xlsx")

# 2. 自动化正态性检验
def check_normality(data):
    stat, p = stats.shapiro(data)
    return p > 0.05

# 3. 智能选择统计方法
if check_normality(group_A) and check_normality(group_B):
    print("使用 t 检验")
    stat, p = stats.ttest_ind(group_A, group_B)
else:
    print("使用 Mann-Whitney U 检验")
    stat, p = stats.mannwhitneyu(group_A, group_B)

# 4. 可视化
sns.violinplot(x="Group", y="PainScore", data=df)
plt.title("Pain Score Distribution by Group")
plt.show()

第二部分：护理统计协作（进阶）

课程大纲

目标受众：护理人员（具备基础统计概念，无编程背景） 核心工具：Trae（AI 编程助手，免费调用 AI） 数据场景：① 随机对照试验（RCT）② 横断面调查研究

开场：从"问不到"到"做得出"

痛点共鸣：传统 AI 的局限 vs. Trae 的突破

• 过去困境：问 ChatGPT"怎么算 t 检验"，它给你一段公式文字，但你还得打开 SPSS 点菜单，容易出错
• Trae 的变革：AI 直接在你的电脑里写代码、跑数据、出图，从"口头指导"变成"手把手带教"
• 核心理念：你不是在"用软件"，而是在"带一个会编程的实习生"——它动手，你指挥，不懂就问

工具认知——为什么是 Trae？

AI 辅助统计的三次进化

1. 第一代：对话顾问（如早期 ChatGPT）
   • 只能"告诉"你怎么做：“你应该做 t 检验”
   • 问题：说完你还得自己去操作，步骤多容易出错，遇到报错无处可问
2. 第二代：代码生成器（如 GitHub Copilot）
   • 能写代码，但要在编辑器、终端、浏览器间来回切换
   • 问题：代码写出来了，运行报错还得自己搜解决方案，对护士不友好
3. 第三代：闭环协作环境（Trae/Cursor）
   • 一体化：AI 就在工作区里，左边写代码，右边看结果，报错直接现场修
   • 对话式编程：你描述需求 → AI 写代码 → 运行出结果 → 看不懂就问 → AI 解释 → 修改，全程在同一窗口完成
   • 护士友好度：像有个统计学助教坐在你旁边，你指哪它打哪，问什么答什么

Trae 的独特优势

Trae 的安装与配置方法已在第1讲：导论与工具配置中详细介绍，本讲不再重复。

一句话定位：Trae = 一个永远耐心、不会嫌你问题多、且能直接动手干活的统计助教

人机协作的"评估-执行"分工模型

护理评估与护理操作是护理工作中最经典的分工模式——评估护士负责整体判断和决策，执行护士负责具体操作。人机协作与此高度类似：

“不懂就问"文化（关键原则）

• 禁止假设：不要假设 AI 知道你的科室特点（如 ICU 的 APACHE 评分特殊性），主动告知并追问
• 术语必问：当 AI 说"异方差性"“多重共线性"时，立即要求：“请用护士能听懂的话解释，并告诉我怎么解决”
• 追问模板：
  • “我是 [XX 科室] 护士，这个结论在我科临床实践中意味着什么？”
  • “如果审稿人质疑这个分析方法，我该怎么辩护？请帮我准备 3 个回应理由”
  • “这段代码我看不懂，请逐行注释，并告诉我如果改 XX 参数会怎样”

为什么 Trae 能做到可靠统计？

“所见即所得” vs. “黑箱幻觉”

防幻觉的核心机制：代码透明化

• 传统风险：AI 直接说"p=0.02”，可能是编的（幻觉）
• Trae 保障：AI 生成 Python 代码 → 实际运行 → 返回真实结果。你能看到计算公式、数据来源、每一个中间值
• 护士的验证权：你可以问：“请把计算 t 值的手工公式步骤也展示出来，我要核对”

与传统工具对比（聚焦可靠性）

护士专属可靠性保障

• 医学逻辑校验：AI 可能建议做复杂回归，你要追问：“根据 CONSORT 声明，RCT 分析应该遵循 ITT 原则，你考虑了吗？”
• 结果合理性审查：当 AI 给出"干预组死亡率 100%"（明显错误），人因判断立即叫停

数据处理——从原始数据到分析数据

重要原则：虽然 AI 可以辅助数据处理，但你应当了解常规统计数据的处理步骤。AI 是助手，你才是主人。

基础数据处理五步流程：脱敏 → 清洗 → 编码 → 衍生 → 导出。这里强调两个护理场景要点：

• 脱敏是底线：姓名、床号、住院号、身份证号等直接标识符必须删除或编码；当科室人数很少时，性别+科室等间接标识符组合也可能识别个人
• 导出格式：首选 CSV（UTF-8 编码），避免 Word 表格、PDF 截图——AI 无法直接读取

AI 操作前最后确认：

“请帮我检查这份数据有没有任何可能识别患者身份的信息”

六步协作流程——每个节点都有"追问点”

核心逻辑：每一步都是对话，不是单向指令。重要原则——背景信息从第一步就注入，让 AI 带着临床语境分析数据。

Step 1：注入背景 + 数据结构认知（同时进行）

背景告知优先：先告诉 AI 你的研究场景，让后续分析都在正确的临床语境下进行

• 你说（背景）：

  “这是 [某科室] 的 [某种研究设计]，主要结局是 [XX]，样本量 [XX]，分组情况是 [XX]，混杂因素我猜测可能包括 [XX]” 举例：“这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素”

• 你说（数据认知）：“这是我的数据，请先做体检”

• AI 做：生成数据字典（变量类型、缺失值分布）

必追问（带着背景问）：

• “我的研究是 RCT，缺失值主要集中在失访患者，这在 RCT 中属于什么类型的缺失？对结论偏倚方向的影响是什么？”
• “基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？”
• “变量 X 被识别为’连续型’，但在临床上它是 Likert 5 级量表，这会影响分析方法吗？”

Step 2：AI 初步诊断（让 AI 当侦探）

• 你说：“给出数据质量报告，指出 3 个最可能影响分析质量的问题”
• AI 做：列出异常值、分布偏态、样本量不足等
• 必追问：
  • “针对第 2 个问题（基线不均衡），除了统计调整，我在论文里该怎么用文字解释？”
  • “如果我想提高检验效能（Power），AI 能帮我做样本量回溯分析吗？”

Step 3：方法论协商（反复打磨）

• 协作模式：不是"AI 给方案 → 你同意"，而是多轮对话
• 追问策略：
  • “方案 A（简单线性回归）和方案 B（分层回归）各有什么优缺点？用临床意义而不仅是统计学显著性来比较”
  • “如果我选择方案 B，结果更难解释，审稿人可能怎么质疑？请帮我预判 3 个风险”
  • 确认指令：“请用表格对比各方法的前提假设，并检查我的数据满足哪些”

Step 4：代码执行与透明化学习（边看边问）

• AI 做：配置环境（自动装包）、编写代码、运行
• 你的动作：要求 AI 逐行教学
• 追问模板：
  • “请把这段代码分成’数据准备-分析核心-结果提取’三块，每块用一句话告诉我目的”
  • “如果我想把置信区间从 95% 改成 99%，该改哪一行？改了后 p 值门槛要调整吗？”
  • “运行报错 ‘ConvergenceWarning’，这是什么意思？对我的结论影响大吗？”

Step 5：报告撰写与临床转化（医学升华）

• AI 做：生成统计结果表格、森林图、CONSORT 流程图（RCT）
• 必追问（体现护士专业价值）：
  • “这个统计显著的结果，在 [我的科室] 日常护理工作中可操作化的建议是什么？”
  • “请用 SBAR 沟通模式帮我写一段向护士长汇报研究结果的简报”
  • “基于这个发现，AI 能帮我设计一个后续研究的选题吗？考虑可行性限制”

常见陷阱与急救包

常见报错与应对

救命追问模板

当报错时，这样问 AI： “请用最简单的话解释这个报错，并告诉我下一步怎么改。如果涉及统计学概念，请用护理场景类比。”

当结果看起来不对时： “这个结果符合常识吗？（比如死亡率应该在 0-100% 之间）如果不符合，可能是哪一步出问题了？”

当 AI 的建议太复杂时： “我是一个护理研究生，没有统计学基础。能否提供一个更简单的替代方案，同时告诉我这个方案有什么局限性？”

Mini Case——完整协作演示

案例背景

研究问题：比较"递进性疼痛教育"干预组与常规护理对照组在干预 7 天后 NRS 疼痛评分的差异

数据概况：

• 样本量：20 人（干预组 10 人，对照组 10 人）
• 变量：编号、组别、性别、年龄、入院时 NRS（基线）、第 7 天 NRS（结局）

模拟数据（CSV 格式）：

编号,组别,性别,年龄,基线NRS,第7天NRS
01,干预组,女,45,7,3
02,对照组,女,48,6,5
03,干预组,男,52,8,4
...

六步协作全程对话

Step 1：注入背景 + 数据结构认知

你（背景）：这是骨科病房的前瞻性 RCT，主要结局是第 7 天 NRS 疼痛评分，每组 10 人，预计年龄和基线 NRS 可能是混杂因素。

你（数据）：这是我的数据，请先做数据质量检查

AI：[生成数据字典，显示 20 行、6 列，无缺失值，变量类型正确]

你（追问）：基于 RCT 设计，有哪些护理领域常见的统计误区我需要警惕？

AI 提醒：

1. 未报告 ITT 分析：RCT 应遵循 ITT 原则（所有随机化患者均纳入分析）
2. 忽视脱落：需报告每组脱落人数及原因
3. 多重比较：如果有多个结局，不要重复做 t 检验导致假阳性增加

你（追问）：基线 NRS 是"连续型”，但我在录入时有些值是整数有些是小数，这会影响分析吗？

AI：不会，连续型变量可以接受任意数值。你的基线 NRS 范围是 5-9，符合 Likert 量表特征。

Step 2：AI 初步诊断

你：给出数据质量报告，指出最影响分析质量的问题

AI：发现 2 个潜在问题：

1. 干预组和对照组基线 NRS 不完全匹配（干预组均值 7.2，对照组 6.4），可能需要统计调整
2. 样本量较小（每组 10 人），检验效能可能不足

你（追问）：针对第 1 个基线不均衡问题，除了统计调整，我在论文里该怎么解释？

AI：可从以下角度解释：

• 说明随机分配已执行，基线差异为随机变异
• 报告基线特征比较表（表 1）
• 采用 ANCOVA 调整基线差异
• 进行敏感性分析

Step 3：方法论协商

你：我想比较两组第 7 天 NRS 差异，初步想用 t 检验

AI：

• 方案 A：独立样本 t 检验（简单，但不调整基线）
• 方案 B：协方差分析 ANCOVA（调整基线 NRS 差异，更准确）
• 方案 C：非参数检验（Mann-Whitney，当数据不正态时）

你（追问）：用临床意义而非统计学显著性来比较方案 A 和 B

AI：

• 方案 A 结论：“干预组比对照组低 2 分”
• 方案 B 结论：“调整基线差异后，干预组比对照组低 2.1 分”
• 临床意义：两者均显示干预有效，但 B 更准确反映"干预本身的效果"而非"基线差异+干预效果”

你：好，我选择方案 B

Step 4：代码执行

AI：[生成 Python 代码，包含数据读取、ANCOVA 分析、结果输出]

你（追问）：请把这段代码分成三块，每块用一句话告诉我目的

AI：

• 数据准备：读取 CSV 文件，提取组别和 NRS 变量
• 分析核心：执行 ANCOVA，调整基线 NRS，比较组间差异
• 结果提取：输出 F 值、p 值、效应量、估计边际均值

你（追问）：如果我想把置信区间从 95% 改成 99%，改哪一行？

AI：找到 alpha=0.05 那一行，改成 alpha=0.01 即可。p 值门槛也相应变为 0.01。

Step 5：结果解读与论文写作

AI 输出结果：

ANCOVA结果：
F(1,17) = 12.35, p = 0.003
效应量 η² = 0.42
干预组调整后均值 = 3.2 (95%CI: 2.5, 3.9)
对照组调整后均值 = 5.3 (95%CI: 4.6, 6.0)

你：请帮我把结果写成论文表格形式

AI：

指标	干预组 (n=10)	对照组 (n=10)	组间差异 (95%CI)	p 值
第 7 天 NRS（调整后）	3.2 (2.5-3.9)	5.3 (4.6-6.0)	-2.1 (-3.4, -0.8)	0.003

你（追问）：这个结果如何转化为我们骨科日常护理建议？

AI 建议：

1. 在患者入院时即进行疼痛教育宣教
2. 每日评估 NRS 评分，及时反馈
3. 将"递进性疼痛教育"纳入护理常规流程

结果解读与论文表格写法

统计结果 → 论文表述的转换模板

AI 输出原始结果：

β = -0.35, 95%CI [-0.52, -0.18], p < 0.001

你应该学会写的论文表述：

“多因素线性回归结果显示，在控制年龄、基线 NRS 后，干预组患者第 7 天 NRS 评分平均比对照组低 0.35 分（95%CI: 0.18-0.52），差异具有统计学意义（p<0.001），表明递进性疼痛教育可显著降低患者疼痛程度。”

效应量的临床意义解读

你的追问：

“这个效应量在护理干预研究中算大还是小？请和同类 RCT 研究做个对比。”

CONSORT Checklist 中与统计相关的核心条目

结尾与行动清单

带走三句话：

1. AI 是你的实习生：不会嫌你问得多，只怕你不问（医学背景必须交代清楚）
2. 代码即证据：要求 AI 始终展示"怎么算的"，而不仅是"算出来是什么"
3. 追问公式：看到不懂的术语 → “请用护理场景类比解释”；看到结果 → “这对患者意味着什么”

行动清单：

• 在自己电脑上安装 Trae（免费，配置见第1讲）
• 准备一份脱敏后的模拟数据（10-20 行即可）
• 先用本讲第一部分的 9 步工作流跑通一次通用分析
• 再用本讲第二部分的六步流程走一遍护理协作分析
• 把 AI 生成的代码保存下来，作为未来分析的模板

Yield Nursing Logic, Optimized.