源自风暴统计网：一键统计分析与绘图的网站
重复测量数据中可能存在练习效应，该如何考虑它的影响呢？今天我们团队的统计师和大家讨论讨论！
首先，何为练习效应？
什么是练习效应？举个例子来说就是重复做一套试卷，带来的成绩提升，是由多次练习引起的，和真实能力无关。
在临床科研中，练习效应的干扰早已不是新鲜事，但它的危害却常常被低估。
神经心理测试作为评估认知功能的核心工具，在精神分裂症、轻度认知障碍等疾病的研究中被反复使用—— 从基线评估到后续随访，受试者可能要完成相同或相似的测试量表5-6次，而每一次重复都可能带来 “熟能生巧” 的成绩提升。
UCSD团队在研究中指出，这种提升绝非微不足道。此前Goldberg团队的研究就发现，精神分裂症患者在服用第二代抗精神病药物后，认知测试成绩的改善幅度，居然和健康人群的练习效应相差无几——这意味着，很多被解读为“药物认知增强”的结果，可能只是测试熟练后的虚假提升。另一项涵盖12项安慰剂对照研究的分析也证实，练习效应对MATRICS共识认知量表得分的影响，堪比安慰剂效应，直接干扰治疗效果的判断。
文献分享
本次分享的文献聚焦纵向认知研究中重复测试引发的练习效应（PEs）对结果的干扰问题，尤其针对精神分裂症（SZ）患者与健康对照（HC）的认知轨迹分析。下面让我们一起走进这篇文献。
研究的真实数据来自175名受试者，包括90名精神分裂症患者和85名健康对照，基线年龄介于26.2-49.8岁，随访周期长达数年，每人最多完成6次认知评估。基于广义估计方程模型，先后构建了无练习效应、有练习效应的两个模型。
不含PEs的模型可表示为：
为明确估计PEs,引入指示函数对GEE进行了扩展：
结果解读
为了验证框架的有效性，UCSD 团队采用了“真实数据+模拟数据”的双重验证策略，其结果清晰地展现了练习效应校正的必要性。
通过线性混合效应模型对真实数据的分析发现，精神分裂症组的认知表现显著低于健康对照（β=-0.803，p<0.0001），教育程度越高，认知表现越好（β=0.093，p=0.0001），但未校正练习效应时，年龄对认知表现的影响无统计学意义（p=0.34）——这与常识中“年龄增长伴随认知衰退”的规律相悖，进一步提示练习效应的干扰。
为了量化这种干扰，团队基于真实数据的参数的构建了模拟数据集（n=500），分别设置“无练习效应”和“含练习效应”两种场景进行对比。
通过广义估计方程模型进行分析，结果发现：
在未纳入练习效应的模型中，年龄相关的认知衰退被严重低估（β≈-0.007，p<0.001），精神分裂症与健康对照的组间差异也被弱化；
而在纳入特定访视练习效应后，模型成功还原了年龄与认知的负相关关系（β=-0.00622，p=0.00064），组间差异也更为清晰（β=-0.79729，p<2×10⁻¹⁶）。
此外，模拟研究还证实了练习效应的动态变化规律：早期随访（第 1-2 次重测）的练习效应最强，之后逐渐递减并趋于平稳，这与临床实际观察完全一致。
同时，交互模型的结果显示，练习效应的强度不仅与诊断类型相关，还与基线年龄显著相关 —— 这为后续研究中针对性地设置练习效应校正参数提供了实证依据。
临床科研能挖掘到什么价值？
这项研究不仅提供了方法学参考，更给出了切实的落地建议：
首先，在研究设计阶段就应重视练习效应。尽量延长随访间隔，减少短期内的重复测试；若需频繁评估，可采用交替测试版本，降低熟悉度带来的练习效应。在数据分析阶段，建议常规纳入练习效应校正。
UCSD团队开发的这套框架，绝非单纯的统计方法创新，它的核心价值在于解决了临床科研中的实际问题，为不同领域的纵向认知研究提供了可直接应用的工具。如今公共卫生方向越来越受到关注，对老龄化认知衰退、痴呆等研究来说，这套框架也有值得借鉴之处。
关于郑老师团队及公众号
郑老师团队统计服务，为医学生、医护工作者学术研究提供统计支持！
1.医院数据真实世界研究
影响因素分析与焦点因素分析策略；倾向性评分方法匹配、逆概率加权（IPTW）、重叠加权及后续效应值估计；亚组分析，交互作用P值及森林图；中介交互分析、因果中介分析；限制性立方样条、阈值效应分析、区段回归分析；
2.临床预测模型（二分类及生存）
基于回归方法的预测模型构建与验证，绘制列线图；机器学习预测模型构建与验证；可解释性SHAP绘图；缺失数据下的预测模型；预测模型在线网站建设；动态预测模型；影像组学预测模型
3.纵向数据分析
重复测量ANOVA、混合线性模型LMM、广义估计方程GEE、广义线性混合效应模型GLMM、潜增长曲线模型LGCM；群组轨迹模型(GBTM)/潜类别增长模型(LCGA)、潜类别混合增长模型(GMM/LGMM)、多轨迹模型（GBMTM）；聚类分析；时依协变量模型；多状态模型；
4.高级因果推断方法实践
参数G方法、双重稳健估计进行因果推断：目标最大似然估计（TMLE）；机器学习、超级机器学习进行因果推断；治疗效果异质性分析（HTE）与因果森林；
5.公共数据库数据挖掘
NHANES数据挖掘、CHARLS等老年库数据挖掘、MIMIC数据挖掘，多变量孟德尔随机化MR、中介MR、肠道菌群MR、药靶MR、网络药理学结合MR、单细胞RNA测序分析结合MR
需以上统计服务，请联系郑老师团队（微信：sas555777）
