上周组会，我们组一个博士生把准备投稿的稿子投到屏幕上，让我逐段过。方法部分写着：采用多因素 Cox 比例风险模型评估某指标与结局的关联。翻到讨论，第一句是：该指标可降低结局发生风险，提示其作为干预靶点值得进一步验证。前面在描述关系，后面在主张效应。我让他把这两句话并排抄到白板上，问他：你到底想问哪一个问题。他沉默了一会儿，说，其实我最想做的是因果。
这不是个别现象。Labrecque 与 Kezios 在 BMJ 2026 年发表的方法学文章里援引了一项文献调查：五本顶级流行病学期刊的随机样本中，约 69% 的论文看上去具备因果研究目标，实际却用了 association、risk factor、linked to、related to 这类非因果语言。要留意，这个数字刻画的是目标与表述之间的错位，并不必然说明分析本身错了。两位作者也一再强调，他们并不主张把所有「关联」都改写成「因果效应」。
那真正该改的是什么。我的判断是，要改的是动笔之前那次自我盘问。今天这篇按组会上的讲法来：把研究问题、分析方法与结论表述这三层怎么对齐讲清楚，再讲我们组现在怎么用 DeepBio 把这条链路跑通。
研究问题说的是你想知道什么，不是你有多谨慎
组里学生最常给我的一句解释是：我写「关联」是为了稳妥。这话听着谦虚，逻辑上站不住。「关联」只描述两个变量之间的数值关系；在同一个研究问题下，粗模型与不同协变量调整模型报告的数值可能相近，甚至完全相同，但它们在概念上并不是同一个量。你写下的词，决定了读者以为你在问什么。
更关键的是，观测到的关联可能来自四种机制：真实的因果关系、混杂偏倚（confounder bias，指第三变量同时与暴露和结局相关，从而制造出虚假关联）、选择偏倚或碰撞分层、测量误差。只说「关联」，等于放弃区分这四者。所以用词上的含糊并不是谨慎，而是把本该交代的假设藏了起来。
研究问题表达的是「想知道什么」，不是对答案正确性的预先保证。一个研究者完全可以问因果问题，同时诚实地承认现有数据未必撑得住它。这句话我让学生抄在开题报告首页：问题要问得大，表述要落得实。
能不能把估计解释成因果，由识别假设决定，不由你用了哪个词决定
真正决定一个估计结果能否获得因果解释的，不是文中是否出现 effect 或 cause，而是三类识别假设是否可信。
可交换性（exchangeability，不同暴露组在除暴露之外的方面具有可比性）；正值性（positivity，各类研究对象都存在处于不同暴露状态的可能）；一致性（consistency，同一暴露或干预在研究中的含义明确且统一）。此外还要评估选择偏倚、测量误差与模型设定。
分析层面还有几件事必须说清。Ahn 与 Kwak 在 Korean J Anesthesiol 2026 年的方法学评论里提醒：倾向性评分（propensity score，把多个混杂变量压缩成一个综合得分的统计工具）只能平衡已经测量到的协变量，它不能代替研究者去定义设计。Love plot 反映协变量平衡，评分分布反映共同支持区间（common support），权重诊断能揭示少数观测是否不成比例地影响了估计，这三者互不等价。作者应当针对每个假设分别报告对应诊断，而不是拿一个平衡统计量当作整个因果分析可靠的证据。E 值（E-value）能量化未测量混杂需要多强才能把观察到的关联完全解释掉，但它不该退化成一个仪式性数字。
Hernán 与 Robins 提出的目标试验（target trial）视角也值得借用：观察性研究动笔前，先讲清它想模拟的那个假想试验，比较谁、何时开始治疗、随访何时起算、哪个结局相关、实际估计的是什么因果对比。
研究问题分三类，语言必须跟着问题走
把问题归类，用词就不容易跑偏。因果性问题用 effect、impact、intervention；描述性问题用 describe、characterize、distribution、trends，即便做了年龄标准化，也应说明调整的目的是什么；预测性问题用 predict、forecast、risk score、prognostic，并且要记住预测因子不一定是原因，也不一定适合作为干预靶点。
我们组有个习惯，投稿前把全文表示效应的词圈出来，逐个回问一句：这个问题在引言里是怎么问的。如果引言问的是分布与趋势，讨论里就不该出现干预建议；如果引言问的是干预效果，结果部分就不能只给一句「存在关联」了事。顺带提醒一句，统计显著不等于因果假设成立，不能仅凭 P 值把关联写成因果效应。
论文各层表述各司其职，摘要不能替方法部分表态
引言要明确真正想回答的问题；方法要定义目标因果效应，同时准确说明统计模型实际估计的是哪一个关联量、协变量调整策略是什么、依赖哪些识别假设，不能用因果词汇替代具体的统计操作；结果要忠实报告分析得到的关联估计及其不确定性；讨论则是在明确假设边界的前提下，把关联解释为估计的因果效应，并系统评估未测量混杂、选择偏倚、测量误差、正值性与一致性。
报告规范是另一道闸门。随机对照试验对照 CONSORT 2025，系统评价与 meta 分析对照 PRISMA 2020，观察性研究对照 STROBE；更专门的设计，如诊断准确性、范围综述、网状 meta、活体系统评价，可以在 EQUATOR Network 的可检索数据库中匹配到对应规范。另外，ICMJE 已于 2026 年 1 月更新其 Recommendations，内容涉及临床试验注册、作者对数据的可及性、申办方协议、科学不端、支持来源报告，以及 AI 在出版中的使用。
临床试验注册是一项独立于报告清单的透明度要求。ICMJE 建议在首位受试者知情同意之时或之前，于公共注册平台完成注册，并将其作为考虑发表的先决条件。核对时要看清注册平台名称、注册号、注册日期、注册与稿件的一致性、预设主要与次要结局、方案修订及理由。至于报告清单，我的建议是做成合规矩阵：清单条目对应稿件章节、页码或行号，再标状态，这比逐项打勾可靠得多。交稿前还要做一遍一致性审计：摘要对正文、方法对统计分析、注册结局对报告结局、表格对叙述、清单页码对稿件、注册信息对最终发表、补充材料对正文。
把三层对齐交给工具跑一遍，你会更早发现缺的是哪一步
组会之外，我们组把这条链路放到 DeepBio 上跑，分三站。
第一站，文献与证据整理。把拟研究的暴露与结局、目标人群写成任务说明上传，让平台按研究问题归类既有证据，标出证据等级与主要偏倚风险，输出一份清单，回答「这个问题目前有没有识别基础」。清单要能看出三件事：已有研究主要在问哪一类问题，哪几类偏倚被反复提示，下一步最小可行的验证路径是什么。若方向偏临床，平台里的临床研究辅助栏目还可以顺手整理临床试验方案、纳排标准、终点设计与监查要点，把方案骨架先搭出来。
第二站，实验与研究设计。先把「我们真正想估计什么」写成一句话的目标估计量（target estimand，即研究要估计的那个明确的数量），例如：在符合纳排标准的人群中，起始治疗组与未起始组在 28 天病死率上的平均差异。再把这句话交给平台，让它把目标试验要素，也就是入组、治疗起算、随访起点、结局、比较对象，逐条列成设计清单，并标出哪些关键变量必须测量、哪些假设用现有数据无法支持。这一步的输出物是两栏表，一栏列假设，一栏列支撑它的数据，或者是「当前无支撑」。
第三站，论文写作与院校格式模板。工作流是上传资料、结构化分析、复核迭代：把研究方案、统计输出、图表与参考文献一起上传，让平台按院校学位论文规范（如某些医药类院校的学位论文格式要求）生成字号、行距、标题层级与参考文献、引文格式；写综述时可以用它的文献综述框架与证据等级整理功能；投稿前还能草拟 Cover Letter 与 Response to Reviewers。我们组把合规矩阵当成交稿前最后一关，让条目、章节、页码、状态四列对齐，再跑一遍一致性审计。
需要说明的是，DeepBio 是研究辅助工具，不替代专业判断；输出可能存在错误，应结合专业判断、原始资料与必要的实验验证使用。文中涉及健康与临床的内容仅为方法学讨论，不构成医疗建议。
你们组里有没有出现过「目标是因果、写出来是关联」的稿子，最后是谁发现的，审稿人还是自己。欢迎在评论区留下那句话的原文，我挑几个典型写法，下次组会带着学生一起改。
标签：论文写作 #SCI 投稿 #文献综述 #科研方法 #因果推断 #循证医学 #生物医药 #DeepBio
