Bland-Altman分析：从相关系数到一致性界限的临床统计方法

1. 一台血糖仪引发的思考：相关系数0.98为何不够用

1.1 一场差点被"优秀"数据带偏的设备对比

上个月，师弟抱着一堆数据来找我，说新买的指尖血糖仪跟医院生化仪测出来的血糖"高度一致"，以后完全可以拿它替代静脉抽血了。我问他判断依据是什么，他底气十足地甩出一个数：r=0.98。我又问他差值均值是多少、95%的一致性界限落在哪儿，他答不上来。这个场面在医学统计的应用里我见过太多次，几乎每一轮审稿季都能翻出来几个类似案例。

其实r=0.98这个数字能告诉我们的，仅仅是两台仪器读数之间存在线性关联——它们倾向于一起升高、一起降低。它完全没有回答那个真正值得回答的问题：对同一个患者、同一份血液，两台仪器测出来的数值到底相差多少？这个差值能不能被临床接受的？方向几乎完全不同。

1.2 相关系数解释不了的关键问题

我习惯用极端例子把这个道理讲透。假设一台仪器的读数恒为另一台的两倍，也就是B=2A，那数据画出来是一条完美直线，r等于1.0。但没有任何临床医生会承认这两台仪器是"一致"的——同一份样本，一台报5.0 mmol/L，另一台报10.0 mmol/L，干预方案直接天差地别。

另一种情况更阴险：样本群体本身的异质性偏大时，血糖值从4到15 mmol/L拉得很开，数据点沿着对角线铺得远远的，r很容易被抬到0.95以上。哪怕两台仪器在每个个体上的绝对差值平均有2个单位，这个相关系数依然漂亮得很。不是数据有问题，而是相关系数这个指标本身就不负责回答"数值接近程度"这个问题。

所以，当研究目的是"新设备能否替代旧设备"时，方法学的落点必须是差值。Bland和Altman两位统计学家在1970年代末到1980年代初逐渐把这个问题框架化，1986年在Lancet上发表了那篇经典论文，正式给出了系统的解决工具。我们现在口中常说的Bland-Altman分析法，核心逻辑浓缩起来就一句话：不要看关联，要看差值；不要只汇报平均差异，还要给出差异波动的范围，并把这个范围和临床可接受标准放在同一个坐标系里比较。

2. 方法内核：盯着两种方法之间的差值，而不是两条测量线

2.1 从差值到统计量：完整计算过程

Bland-Altman分析法的出发点极其朴素：对每一个受试者或样本，我们只在手上拿着两个数——方法A测出来的值和方法B测出来的值。把这两个数相减，得到差值d；把两个数取平均，得到均值m。这里的m作为真实值的最佳估计。

围绕差值分布，三个统计量撑起了整个方法：

• 差值均值，记作bias，反映系统偏差。bias是0.3，说明方法A平均比方法B高0.3个单位；bias是负值则反过来。
• 差值标准差，记作s，反映单次测量之间随机波动的幅度。这个值越小，说明两台仪器在个体层面越"步调一致"。
• 95%一致性界限（Limits of Agreement，LoA），由bias ± 1.96×s计算得到，含义是大约95%的个体差值会落在这个区间里。

用一组实际数据把计算过程走一遍。假设我们要比较新的指尖血糖仪A与生化仪B，测了10名患者的静脉血糖，单位是mmol/L。

差值这一列相加等于1.8，除以10，得到bias=0.18，意思是这台新的指尖血糖仪平均比生化仪读数高0.18 mmol/L。这个数本身不大，但不能只看它。逐项计算差值偏离均值0.18的平方，加总后除以9（n-1），得到差值方差约0.126，开平方后s≈0.355 mmol/L。

于是95% LoA = 0.18 ± 1.96×0.355，算出来大约是(-0.52, 0.88) mmol/L。这里的临床语言是：对新仪器来说，约95%的测量结果会比生化仪低0.52 mmol/L到高0.88 mmol/L。这个范围够不够窄，不是统计学自己说了算，要靠临床标准来裁决。

2.2 1.96从哪来：正态分布与95%覆盖

1.96这个系数在Bland-Altman分析里出现频率极高，它对应标准正态分布两侧尾部各2.5%时的分位点。换句话说，如果差值的总体分布近似正态，那么均数±1.96个标准差可以覆盖约95%的个体观测。

把这个前提条件单拎出来强调，是因为实操中很多人直接套1.96，完全不检查差值是不是真的正态。数据量小的时候，一个离群点就足以把标准差推得很大，按公式算出来的LoA区间宽得离谱，结论直接从"可用"变成"不可用"，但真实情况可能只是那个离群样本有问题。

检验差值是否正态，可以用Shapiro-Wilk检验，也可以直接画正态Q-Q图。样本较大时，目测差值直方图和Q-Q图已经够用。如果差值明显偏离正态，有两个选择：一是做log转换后再分析，这在比例偏差那类场景里尤其有用；二是放弃基于正态的LoA公式，改用差值分布的2.5%和97.5%分位数作为经验性LoA。后者不依赖正态假设，对离群点也更稳健，代价是样本量要足够，否则分位数本身毛毛糙糙。

2.3 一致性界限必须对标临床可接受范围

Bland-Altman方法最容易被误解的地方在于：LoA算出来之后，分析并没有结束。得到(-0.52, 0.88)这个区间之后，最关键的一步是把它和"预先定义的临床可接受界限"做比较。这个界限应当由临床团队、标准规范或既往共识来定，而不是统计人员拍脑袋。

举个例子，如果该项目的临床可接受界限是±0.8 mmol/L，那么本案例的LoA上界0.88超越了0.8，说明新指尖血糖仪在部分患者身上可能高出生化仪太多，临床上需要谨慎；如果界限是±1.0 mmol/L，那么LoA整个落在界限内，可以认为仪器之间的一致性在可接受范围。同一个统计结果，在不同临床标准下会给出截然相反的结论，这恰恰是Bland-Altman分析法的精髓——统计工具只负责描述，做决定的是领域专家。

我自己的经验是，把临床可接受界限的确定过程放在数据收集之前，或者至少在分析后由临床团队独立确认，避免出现"算出来之后反推一个合理的界限来保住阳性结论"的情况。后一种操作就算没有恶意，在审稿人面前也容易穿帮。

3. 完整实操：手算一遍LoA，再用R画出来

3.1 手算示例与R代码实现

前面那10个样本已经完成手算，这里把整个流程串联一下，顺便给出可复现的R代码。你要是用Python，逻辑和公式完全一致，只是换成numpy和matplotlib。

在R里，用基础绘图就能画出一张合格的Bland-Altman图：

r复制A <- c(5.6, 6.9, 7.8, 8.3, 9.4, 10.7, 11.5, 12.6, 14.3, 15.2)
B <- c(5.2, 6.8, 7.4, 8.5, 9.1, 10.2, 11.9, 12.1, 13.8, 15.5)

diff <- A - B
mean_AB <- (A + B) / 2

bias <- mean(diff)
s <- sd(diff)
loa_upper <- bias + 1.96 * s
loa_lower <- bias - 1.96 * s

plot(mean_AB, diff,
     xlab = "两种方法的均值", ylab = "差值 (A - B)",
     pch = 16, ylim = c(-1, 1.5))
abline(h = bias, lwd = 2)
abline(h = c(loa_upper, loa_lower), lty = 2, col = "blue")
text(max(mean_AB) - 0.5, loa_upper + 0.08, "LoA上界 0.88", col = "blue")
text(max(mean_AB) - 0.5, loa_lower - 0.12, "LoA下界 -0.52", col = "blue")

画出来的图上会有三条明显的横线：中间一条实线是bias=0.18，上下两条虚线是LoA。十个散点基本在三条线之间均匀浮动，没有明显的随均值增大而发散的趋势，说明这批数据没有严重的比例偏差。

如果喜欢ggplot2风格，可以这样写：

r复制library(ggplot2)
df <- data.frame(mean = mean_AB, diff = diff)

ggplot(df, aes(x = mean, y = diff)) +
  geom_point(size = 3) +
  geom_hline(yintercept = bias, linewidth = 1) +
  geom_hline(yintercept = c(loa_upper, loa_lower), linetype = "dashed", color = "blue") +
  labs(x = "两种方法的均值", y = "差值 (A - B)") +
  theme_classic()

3.2 一致性界限的置信区间别漏掉

很多人做Bland-Altman分析只汇报bias和LoA，停在这里其实不够。LoA本身是从样本估计出来的，自然有一个不确定度。样本量小的时候，LoA的置信区间可能宽得吓人。Bland和Altman给出的近似标准误公式是：

SE(LoA) ≈ sqrt(3 × s² / n)

拿刚才的例子算一下：s²≈0.126，n=10，SE≈sqrt(3×0.126/10)=sqrt(0.0378)≈0.194。那么LoA上界0.88的95%置信区间大约是0.88 ± 1.96×0.194，也就是(0.50, 1.26)。这个区间已经远远越过了0.8的临床可接受界限。这说明什么？说明10个样本太少了，我们对"0.88超过0.8"这个判断的把握并不高，结论充满了不确定性。

这就是我为什么每次都建议至少要汇报LoA的置信区间。它在审稿人眼里是一个很加分的细节，更重要的是它强迫报告者直面样本量问题。临床研究里经常看到拿着30多例的数据就要论证两台仪器一致性的文章，看起来LoA和可接受界限之间有半条街的富余，一算置信区间，立马露怯。

3.3 完整报告模板参考

一条能直接放进论文结果部分的Bland-Altman分析报告，我通常按这个模板组织：

• 差值均值bias及其95%置信区间
• 差值标准差s
• 95%一致性界限LoA及其95%置信区间
• 与预先定义的临床可接受界限的比较
• 差值与均值之间回归系数的p值（判断比例偏差）
• Bland-Altman图

四五行文字加一张图，信息量完整，审稿人想要的东西基本都在。

4. 读图进阶：一张Bland-Altman图告诉你的四件事

4.1 四种典型图形形态与临床含义

Bland-Altman图的核心是散点加三条横线，但同一个模板下能讲出完全不同的故事。我总结四种最常见的形态：

第一种，理想型。散点均匀分布在bias线两侧，基本落在LoA内部，没有明显的随均值变化的趋势。这是每个人看到都舒服的图，说明两种方法之间只有稳定的平均偏差和有限的随机误差。

第二种，比例偏差型。差值随着均值的增加而变大，散点形成一个漏斗状或扇形。这说明小数值时两法接近，大数值时偏移越来越大。比如某些免疫检测方法在低浓度和高浓度下的响应曲线能力不同，就会出现这种形态。此时直接算单一LoA不合理，因为一个LoA覆盖不了整个测量范围。

第三种，系统偏移型。散点整体位于0线上方或下方，bias明显偏离0。反映的是一台仪器存在固定的加法偏差。这种偏差本身不致命，如果能通过校准修正，一致性还有救。

第四种，离群点干扰型。绝大多数散点集中在LoA内，但有一两个点远远甩在外面。遇到这种情况先别急着下结论，去核查原始记录——是不是标本编号错了，是不是样本发生了溶血或脂血，是不是不同操作人员的测量手法有差异。离群点被证实是实验错误后删除没有问题，但要写清楚原因，不能只报结果不报过程。

4.2 从图形回到数据：什么情况必须警惕

读图不是看一眼形态就结束，还要回到数据层面做交叉验证。

差值均值bias在坐标轴上直观反映为中线的高低，但一个容易被忽略的细节是：bias的计算对离群点很敏感。差值分布右尾拉出一个极端大值时，均值会被拽上去，LoA整体被抬高，原本位于范围内的点反而被排挤到线外。所以我习惯在计算bias之前先看一下差值的中位数，两者如果不一致，说明数据里可能有离群点或偏态问题。

另一个关键检查是散点在横轴方向上的覆盖范围。如果纳入样本的测量值集中在很窄的区域，比如只测了5到7 mmol/L的血糖，那么图形只能说明这台仪器在这个窄范围内与新设备一致，不能外推到高值或低值区间。Bland-Altman图的结论有适用范围，写报告时务必注明样本覆盖的测量范围。

5. 数据不乖怎么办：重复测量、比例偏差、样本量

5.1 重复测量数据：先压平还是先修正

真实研究里很少能像教科书那样每个受试者只测一次。大多数情况下，同一批患者会用两台仪器分别测两遍甚至三遍。这时候如果直接把所有测量对都当成独立数据点画进Bland-Altman图，就违反了样本独立性的要求，LoA会偏窄，给出虚假的高一致性。

Bland和Altman在后续论文里专门讨论过重复测量数据的处理。简化分两种情况。如果每台仪器在同一个受试者身上的重复测量变异大致相当，可以把每个受试者当作一个单元，先将重复测量取平均再计算差值，按经典方式做Bland-Altman分析。这种做法简单直观，适用于重复测量次数较少的场景。

如果两台仪器的重复测量变异差异明显，或者每次重复测量之间的时间间隔不同导致无法简单平均，就需要用方差分析的思路把个体间差值方差和个体内重复测量方差分开估计，再合成LoA。具体计算我不展开公式，但原理是LoA要同时反映两台仪器各自的重复性，而不是只反映样本间的差异。如果项目到了这个复杂度，建议直接上混合效应模型，把受试者作为随机效应，同时估计两种方法的固定偏差和随机误差。

5.2 比例偏差：差值和均值一起长大

比例偏差在Bland-Altman图上的典型特征是LoA看似平行，但散点明显随均值增大而发散。判断比例偏差的统计方法是把差值对均值做线性回归，看斜率是否显著偏离0。显著不为0，就意味着差异跟测量水平挂钩，单一LoA不再适用。

处理比例偏差的经典方案是取对数。对原始值做log变换之后再做Bland-Altman分析，得到的LoA在回算为原始尺度后带有乘法性质。比如log变换后LoA为(-0.10, 0.11)，意味着两台仪器的比值大约在0.90到1.12之间，临床语言上可以说"大部分样本的测量差异在-10%到+12%以内"。用百分比而不是绝对值来描述偏差，更符合检验医学的惯例，也是很多试剂盒一致性评价的标准做法。

另一条路是直接计算相对差值，即(A-B)/B×100%。这种做法的优点是好理解，缺点是不符合统计上的正态假设——以分母为基准的比率往往右偏。我自己的做法是能log变换就log变换，少用相对差值，审稿人那关更好过。

5.3 样本量：50、100还是更多

Bland-Altman分析没有像临床试验那样的精巧样本量公式，但存在一个粗略经验：50例起步，100例比较合适。这个建议背后的逻辑还是回到LoA的精度——样本量越大，LoA的置信区间越窄，结论越稳。

用前面的标准误公式算一下：n=50时，SE(LoA)≈0.25s；n=100时，SE(LoA)≈0.17s。换句话说，100例的样本下LoA的随机波动大约是差值的0.17个标准差，已经足够稳定。研究预算紧张时，50例勉强够用；如果仪器本身测量误差就大，或者临床可接受界限很窄，那么往100例以上做更安全。

也有人建议按Bland-Altman图"希望LoA置信区间不超过临床可接受界限的某个百分比"来反推样本量，这个做法更精确但需要预先知道差值的标准差。临床研究里拿前期的预试验数据来估，是相对可靠的路径。

6. 方法选择参考：Bland-Altman、ICC、Passing-Bablok如何分工

6.1 三个方法各自的适用边界

遇到一致性评价问题，很多人不知道选哪个方法。结合我见过的实际使用场景，把Bland-Altman、组内相关系数ICC和Passing-Bablok回归放在一起对比，各自定位其实很清晰。

ICC最常被误用的地方是把它当成一致性的万金油。它的数值大小受样本异质性影响很大：当受试者之间的真实差异很宽时，ICC会被抬得很高，哪怕测量误差在临床上不可接受。比如同样是重复测血压的ICC研究，纳入人群血压范围很广时ICC往往接近0.9，压缩到窄范围后可能掉到0.7以下。所以ICC更适合衡量"相对一致性"，用来判断测量在多大程度上能够区分不同个体，而不是"两个方法测出来的绝对值是否够接近"。

Passing-Bablok回归在检验医学里地位很高，因为它不要求指定x和y谁是金标准，对数据分布也没有严格假设。但它输出的是截距和斜率，回答的是"两种方法的读数之间存在什么样的线性关系"，而不是"这个关系是否落在临床可接受范围"。实际操作里我通常把它和Bland-Altman配合使用：先用Passing-Bablok看线性关系和系统性偏差，再用Bland-Altman评价个体水平的差值和临床可接受性。

6.2 审稿人和我踩过的方法学坑

审稿阶段最常见的问题，第一是用相关系数代替一致性分析，我在这篇文章开头已经狠狠吐槽过。第二是不设定临床可接受界限就直接下结论"一致性良好"，这等于告诉审稿人你完全没理解这个方法的用途。第三是把配对t检验结果p>0.05当成一致的证据——配对t检验只能说明平均差值是否偏离0，样本量少时p值自然大于0.05，根本不是一致性的证明。这四种误用放在一起，成了国内外医学期刊方法学评审里曝光率极高的雷区。

我自己的分析流程里还有一个固定动作：在报告正文里同时放Bland-Altman图和差值直方图。散点图能展示差值随测量水平的变化趋势，直方图能直观反映差值分布的形状和正态性，两者互补，审稿人赏心悦目，后续补实验数据的要求也少了许多。

最后再分享一个小习惯。我通常会先请临床合作者自己写下"能接受的最大差值"是多少，再开始跑数据。这跟统计学无关，纯粹是为了防止事后圆场导致的偏差。Bland-Altman分析法的说服力，很大程度上来自分析开始之前就锁定评价标准。这个习惯用了十来年，替我挡掉了不少方向性错误，也救活过几个差点被毙的项目。