1 术语与定义
1.1 意向性处理（ITT）的基本含义
意向性处理（intention-to-treat，ITT）是以随机对照试验及其他面向因果推断的研究为背景的一种分析原则：研究人员按照受试者最初被随机分配到的干预方案进行分组，并基于该分组估计干预效果。无论受试者之后是否依从、是否退出、或是否出现交叉用药/交叉干预，都不将其“重新分配”到其他组别，从而保持组间比较的随机分配可比性。
在实践中，ITT常被理解为对“策略效果”的估计：研究关心的不是“完全按方案做到的人”能否获益，而是“将某策略交给真实场景中的人群后，其总体效果如何”。
1.2 ITT与随机化意图一致性的逻辑
ITT强调随机分配的初衷。随机化的目的在于让处理分配与潜在结果（以及未观测的混杂）在统计意义上尽可能独立。若在分析阶段依据事后依从或退出重新分组，就会破坏这种独立性，可能引入选择偏倚。ITT的关键就在于：把“处理变量”固定为“初始分配的方案”，而不是受试者事后实际接受的方案。
1.3 ITT与按方案处理（per-protocol）的对比
按方案处理（per-protocol，PP）通常会根据依从性或是否真正接受指定干预，对样本进行筛选或分配到符合方案的群体，从而更接近“生物医学机制层面”的效果估计。相比之下，ITT通常保留更完整的随机分配结构，倾向于将非依从视为现实世界的组成部分。
两者差异可概括为：PP更强调“可达到的机制效应”，ITT更强调“实际执行策略下的总体效应”，且两者的目标人群与可解释性边界并不完全相同。
1.4 常见缩写与相关概念（如“全样本分析”）
在一些文献中，ITT可能与“全样本分析”“意向性原则下的全体样本分析”等表述相近，但不同研究对“分析集”的具体定义可能存在差异。常见还包括：
- 分析集（analysis set）：用于定义纳入哪些受试者进入主要估计。
- 依从性：指实际接受干预与分配方案的一致程度。
- 交叉：分配到对照者却实际接受了干预（或反之），从而使“分配—实际处理”存在偏离。
“全样本”在严格意义上未必等同于ITT，关键仍在于是否遵循“初始分配不重分组”的原则。
2 方法学原理
2.1 随机分配带来的可比性
随机分配使得两组在已知与未知混杂上平均接近，从而使比较处理组别时的差异更容易归因于分配的干预方案。ITT利用这一优势：即便个体后续行为导致实际治疗不一致，因研究设计仍保留了随机分配的初始结构，组间对比依然能反映分配策略带来的整体差异。
从统计直觉看，ITT把“处理”操作为“随机化指派”，将因事后行为导致的偏倚主要留在估计目标的解释中，而不是在样本选择阶段放大。
2.2 依从性变化与偏倚来源
依从性变化会带来一个常见张力：当依从与潜在结局相关时，实际接受干预的个体可能并非随机分布。若研究者选择只纳入高依从者，就会在选择环节制造差异来源，使估计更像“选择出来的结果”，而非“分配策略的效果”。
ITT的处理思路是：不把依从性作为样本纳入或再分组的依据，从而尽量减少选择偏倚的形成空间。
2.3 交叉与退出对估计的影响
交叉会削弱分配组之间“实际暴露”的差异。直观上，若两组实际接受的干预越来越相似，那么估计到的效果通常会趋向减弱（例如治疗差异变小），但并不必然导致系统性偏向；更常见的影响是精度下降或效应量被“稀释”。
退出同样复杂：退出减少了可观测数据，且退出是否与结局相关会决定偏倚风险。ITT并不自动解决退出带来的偏倚，但其框架允许使用缺失数据方法与敏感性分析来评估稳健性。
2.4 ITT为何更贴近“策略层面”的效果
在真实世界中，研究方案往往不是每位参与者都能完整执行：存在漏服、延迟、替代治疗、随访缺失等情况。ITT将这些“不完美”视为策略的一部分，因此估计结果更容易被用于指导政策、临床实施或实际管理决策。
换句话说，ITT更像在回答：当你把某治疗策略用于一般患者时，整体结局会如何变化。
3 适用场景与研究设计
3.1 随机对照试验（RCT）
在RCT中，ITT是最常见且通常也是最容易被审稿与读者接受的主要分析思路之一。其理由在于：RCT已经提供了随机分配的基础，而ITT的设计与该基础高度一致，能更好地保持可比性。
3.2 准实验与因果推断研究中的IT T思路
在非完全随机的研究中，“严格ITT”并不总能直接套用，因为关键假设（如交换性/可比性）可能不同。然而，ITT的精神仍可能有价值：即便无法确保随机性，研究仍可以尽量遵循“分配层面的处理指派”进行分析，避免因事后行为导致的再分组选择，从而减少偏倚来源。
在这些研究中，ITT常被视为一种“避免依从选择导致的偏倚”的分析哲学，但其因果含义依赖于具体设计与假设条件。
3.3 群组并行与交叉试验（概念上的延伸）
对群组并行试验，ITT框架通常较直观：按初始指派分组估计效果即可。对交叉试验，研究设计和统计建模需要额外考虑序列效应与期效应，ITT仍可能作为思想框架使用，但实现方式通常更复杂，且必须与交叉试验的结构相匹配。
3.4 质量评估：适用性边界与常见误用
ITT并不意味着“忽略所有不一致”。其质量取决于：
- 是否确实按初始分配分组；
- 分析集定义是否与研究方案一致；
- 缺失处理是否透明且合理；
- 是否对关键偏离（如严重交叉或大量退出）进行了充分评估。
常见误用包括：名义上称ITT，但实际上进行了“按依从重新分组”；或在报告中只讲方法不讲分析集边界，导致可复现性不足。
4 统计实现：从分组到估计
4.1 样本集定义（全分析集、ITT集与对照原则）
实施ITT首先要明确分析集。实践中常见包括：
- 全分析集：通常指尽可能多纳入分配到的受试者，但具体标准需在研究方案中明确。
- ITT集：核心是按初始分配纳入，并尽量保留所有随机分配的个体（或按规定的合理排除标准形成集合）。
- 对照原则：一般应避免根据事后实际接受情况来改变分组标签。
需要强调的是，ITT集并不等同于“所有随机受试者都一定纳入并使用同样的统计处理”。若存在严重数据不可用、基本失访等原因，研究方案通常会规定可接受的排除情形。关键仍是：排除理由应主要与研究执行质量相关，而非与治疗接受行为强相关。
4.2 基线与结局的统计模型选择概览
结局类型决定模型：连续型可使用线性模型或混合模型；二分类常用广义线性模型；有序结局可考虑相应的序列模型；时间到事件结局常用生存分析框架。
无论采用何种模型，ITT的分组变量通常是“初始分配”。模型的协变量调整是否需要、调整哪些协变量，取决于研究方案与统计计划，并应避免使用与处理分配后果强耦合的变量从而引入不一致。
4.3 处理交叉用药/干预的策略
在ITT框架下，交叉通常不用于再分组。统计上常见做法包括：
- 在主要分析中保持按初始分配的估计结构；
- 报告交叉与依从程度的描述性统计，以便读者理解效应稀释的可能性；
- 进行敏感性或补充分析，例如比较不同交叉强度情况下的稳健性（具体实现需符合研究目标与可识别性）。
如果研究旨在回答机制问题（例如“接受治疗者的因果效果”），通常需要更复杂的因果推断方法，而不仅是简单的ITT。
4.4 处理依从性差异的统计含义
ITT允许依从性差异存在并反映在结果中。因此，ITT估计往往更保守地表示“策略层面”效果，而非“完全依从时的效果”。当依从性高度失衡时，效应解释应结合交叉/依从描述，说明估计可能更接近“分配策略的意图效应”，而不是“真实暴露的效应”。
5 缺失数据与退出处理
5.1 缺失机制的基本分类（概念层面）
缺失数据的偏倚风险取决于缺失机制。常见概念框架包括三类：
- 随机缺失（不依赖未观测结局）：缺失可能与已知信息相关；
- 条件随机缺失：在给定观测协变量后，缺失与未观测结局独立；
- 非随机缺失：缺失与未观测结局相关，可能导致偏倚。
ITT本身并不自动保证缺失不会造成偏倚，因而需要结合研究协变量、随访流程与缺失原因评估机制可能性。
5.2 完全案例分析的影响与风险
完全案例分析（仅分析有完整数据的个体）在缺失比例较低且缺失近似随机时可能可接受。但若退出或失访与结局相关，完全案例会带来选择偏倚，并可能夸大或低估效应。由于ITT通常包含更多退出与偏离的个体，缺失问题在ITT中往往更需要被系统处理。
5.3 典型替代方法概览（如填补、加权、重加权思想）
常见缺失处理思路包括：
- 填补（imputation）：在统计模型中用可观测信息预测缺失值，并生成完整数据用于估计；
- 加权（weighting）：对不同缺失概率的个体赋予权重，试图抵消缺失造成的选择差异；
- 重加权思想与敏感性：在模型假设变化时评估结论是否稳定。
具体方法是否合适取决于结局类型、协变量可得性以及缺失机制假设是否合理。无论选择哪种方法，均应在方案或论文中清楚说明假设依据与实施细节。
5.4 敏感性分析：当缺失机制假设变化时的稳健性
敏感性分析的目的不是追求“唯一正确答案”，而是检验结论在合理假设范围内是否稳定。例如改变缺失机制的强度假设、替换缺失处理策略或改变关键模型设定，观察效应估计是否发生实质变化。若结果高度敏感，报告时应强调不确定性来源，并给出更谨慎的解释边界。
6 ITT估计的常见输出
6.1 效果量与对照尺度（风险差/比/差异等）
ITT分析通常报告两组比较的效果量。对不同结局尺度，常见输出包括：
- 风险差（absolute risk difference）；
- 风险比或比值比（relative measures）；
- 平均差或标准化差（针对连续结局）；
- 危险比/中位时间等（针对时间到事件结局）。
选择哪种效果量取决于研究问题、结局分布与临床解释需求，但应确保与模型设定一致。
6.2 置信区间与不确定性表达
除点估计外，通常需报告95%置信区间或其他置信区间。区间宽窄反映估计精度，亦与交叉、缺失比例及样本量相关。对ITT而言，不确定性不仅来自随机误差，也可能反映缺失处理与模型设定的影响，因此在正文中解释区间与敏感性结果更为关键。
6.3 协变量调整的角色与注意事项
若研究计划采用协变量调整，常见目的包括提高精度或校正基线不均衡。注意事项包括：
- 协变量应尽量是基线层面的、不会受治疗分配后果显著影响的变量；
- 调整方案应预先说明，减少事后选择；
- 解释时区分“调整后的模型效应”与“未调整的直观差异”。
6.4 亚组分析与解释边界
亚组分析往往用于探索异质性，但ITT框架下仍需注意：
- 亚组结果对缺失与模型设定更敏感；
- 多重比较可能带来假阳性；
- 亚组发现更适合被表述为“探索性提示”，除非研究设计具备足够的统计功效与事先计划。
7 变体与扩展
7.1 Modified ITT（mITT）：常见做法与争议点
Modified ITT（mITT）通常仍保持“按初始分配”原则，但对纳入标准进行一定限制，例如排除某类明显无效随访、极少量特定情形。mITT的争议在于：如果排除标准与治疗接受后果或潜在结局强相关，可能引入选择偏倚，使mITT逐渐偏离严格的意向性原则。
因此，mITT应在研究方案中明确理由、排除比例及可比性影响，并在报告中保持透明。
7.2 Safety/efficacy相关的分析集差异（概念说明）
一些研究会区分安全性分析与疗效分析。安全性可能更强调实际暴露（例如至少接受过一次药物或干预），因此分析集与ITT集可能不完全一致。只要研究明确各分析的目标与纳入规则，并避免将疗效“按实际接受”再分组冒充ITT解释，就能降低混淆风险。
7.3 符合方案但“不重分组”的边界问题
当研究人员希望同时讨论“依从性良好者”的表现时，常见做法是以补充分析呈现，而不改变主要ITT的分组依据。边界问题在于：一旦分析在实质上依据事后实际治疗来改变组别标签，便可能从“ITT框架内的补充讨论”滑向“按实际处理的再分配估计”。
因此，补充分析的呈现方式应清楚标注其性质与与主要ITT估计的区别。
7.4 兼顾因果解释与实际执行的变体选择
不同变体（如mITT、加权ITT、模型辅助ITT等）反映了研究在因果解释与实际执行之间的权衡。选择变体时通常需要综合：
- 研究方案的预注册与一致性；
- 缺失与交叉的规模；
- 目标是策略效果还是机制效果；
- 伦理与可行性带来的执行偏差。
变体并非越“复杂”越好，关键在于其假设可被理解、实施可被复现、解释与目标一致。
8 常见误区与实践建议
8.1 “按结果分组”导致的偏倚
一种容易被忽视的错误是：将受试者按照结局表现或随访完成情况“分组”后再进行比较。由于结局本身可能与未观测因素相关，这类做法会显著破坏可比性，导致估计不再对应随机分配意图。
实践中应避免任何基于结局的重新分组，除非是明确的、且与因果解释框架相容的统计方法。
8.2 忽略交叉与退出但仍宣称ITT
若研究在主要分析中声称采用ITT，却几乎不报告交叉程度、退出比例与缺失处理方式，读者难以判断结果是否可能被“稀释”或受到选择偏倚影响。ITT框架下仍需透明呈现偏离情况，并在必要时进行敏感性分析。
8.3 ITT与模型设定的错配风险
另一类问题是模型设定与估计目标不一致，例如：
- 结局类型与模型不匹配；
- 缺失处理方法与缺失机制假设难以自洽；
- 协变量调整使用了可能被处理影响的变量，导致解释偏移。
实践中应把模型选择与ITT目标对齐：主要比较应基于初始分配，并与结局与数据结构相适配。
8.4 报告规范：如何在论文中说清楚ITT实现
为了减少误解，报告建议包括：
- 明确主要分析集定义（谁进入、为什么进入/排除）；
- 说明分组变量是初始随机分配；
- 描述交叉、退出与缺失的数量与原因；
- 给出缺失处理方法与敏感性分析结果；
- 将主要结论与可比性基础（随机化）及可能偏离影响联系起来。
清晰的流程图与分析集说明往往能显著提高可复核性。
9 报告与透明度
9.1 CONSORT等报告要点中的相关位置（概念引用）
在随机试验报告中，通常会要求研究者呈现参与者流动、分析集与主要结果的结构化信息。ITT相关内容通常出现在分析集描述、随机化后随访与缺失说明，以及统计分析方法的指定位置。报告中应与研究方案一致，避免“方法与结果叙述不对齐”。
9.2 流程图与分析集说明（示意层面）
流程图通常用于展示：
- 随机分配人数；
- 接受干预与未接受干预的情况（若适用）；
- 退出与随访完成情况；
- 最终进入主要分析的数量。
在ITT语境下，流程图还应能帮助读者理解：尽管后续执行可能不一致，主要分析仍按初始分配组织。
9.3 可复现性：代码/数据与版本记录
透明度不仅是“写清楚”，也包括“能复现”。在可行范围内，研究可提供统计代码、关键数据派生规则或变量定义版本记录，至少应说明分析的关键实现细节，以便他人检查模型与缺失处理的可重复性。
9.4 透明报告的最低信息清单
一个实用的最低清单通常包括：
- ITT分组依据：初始分配如何编码；
- 分析集定义：纳入/排除标准；
- 主要模型与对照尺度；
- 交叉与退出概览；
- 缺失处理方法与敏感性分析；
- 效果估计与不确定性表达。
这些信息共同决定了ITT解释是否可信。
10 哲学小结与“梗”式理解
10.1 “按初衷上车”：为什么ITT像是在讲故事
可以把ITT想成“按报名时你上错了车也别换线路”的叙事：你一开始被分配要坐哪辆车，后面路上你换没换坐姿、下没下车、有没有被人劝着改了计划，都不作为“换乘分组”的理由。故事的主线是分配策略本身，而不是事后发生的小插曲。
10.2 现实世界的不听话：把策略效应说清楚
真实场景里人们不总按说明书行动：有人中途放弃，有人自作主张替换治疗。ITT承认这一点，把“策略在不完美条件下的表现”作为重点回答，而不是把现实当作样本处理上的“瑕疵”。
10.3 ITT的价值：不追求完美依从，而追求更可信的比较
ITT的核心价值在于尽量保留随机化带来的可比性，并通过合理的缺失处理与敏感性评估来控制解释的不确定性。它并不声称一定给出“最理想条件下的机制效应”，但通常能提供更贴近实践决策的信息。
10.4 与研究者心理偏差的幽默对照（温和调侃）
人类的直觉常常想筛选“乖的样本”：看起来更漂亮的子集似乎更接近真相。但ITT像是在提醒：别急着把“不听话”的人从统计叙事里踢出去。否则你得到的可能是“研究者喜欢的故事”，而不是“分配策略应得的证据”。