1 排除标准的基本概念
排除标准（exclusion criteria）指在研究设计中预先设定、用于界定“不纳入研究/不纳入分析”的规则与条件。与纳入标准（inclusion criteria）相对，排除标准的目标不是“降低数量”本身，而是通过限制关键特征不满足、风险不可接受、测量不可用或流程不可执行的情况，使研究在分析层面具备可比性，并减少系统性偏差与混杂。
在实践中，排除标准通常以条目化方式呈现，便于筛选人员按同一规则执行，也便于后续复核其一致性与合规性。除招募与筛选阶段外，排除标准还可能在数据清理与分析集定义时再次发挥作用，例如对缺失过多、质量评估未达标或判定状态不可确认的数据进行处理。
1.1 定义与与纳入标准的关系
排除标准与纳入标准共同构成研究对象进入研究的“门禁体系”。一般而言，纳入标准回答“谁可以进入”，排除标准回答“谁即使满足部分条件也不进入”。两者的组合会决定最终样本的特征谱，从而影响研究结论的适用范围。
此外，纳入与排除的关系并非简单“相反”。有时同一个因素既可作为纳入条件（例如特定分层需求），也可作为排除条件（例如基线条件不满足或风险过高），这取决于研究问题、变量作用方向以及安全或质量要求。
1.2 在研究流程中的位置
排除标准通常贯穿从方案制定到分析完成的多个环节： 1) 招募阶段：用于初筛沟通，避免不适格人群进入后续环节。 2) 筛选阶段：对资格进行正式核验，必要时基于体检、记录、量表或访谈结果作出判定。 3) 分析阶段：在数据清理、质量控制与分析集定义时，进一步处理不满足分析可用性或关键变量完整性的记录。
这种前后衔接能降低“先收进来再纠偏”的成本，并使最终分析更可解释。
1.3 常见使用场景（招募、筛选、分析阶段）
在招募阶段，排除标准多用于快速识别明显不匹配的情形，例如年龄段不符、已知禁忌或研究时序不允许。筛选阶段则更强调证据充分与判定一致，如用统一的量表评分规则或既定检查结果做资格确认。到分析阶段，排除标准可能转化为更技术化的规则，例如剔除质量控制未通过、关键指标不可判定或身份信息不一致导致无法追踪的记录。
1.4 与研究偏倚控制的关联
偏倚控制是排除标准的核心价值之一。排除标准可以通过以下机制降低偏差与混杂：
- 降低选择偏倚：避免“特定特征人群更容易被纳入”导致样本不代表目标总体。
- 提高测量可比性：排除仪器失真、量表失效或状态不可判定的数据来源。
- 控制混杂：排除会强烈影响关键结局或机制路径的因素，从而使估计更接近研究假设。
需要注意的是，排除并不必然越多越好；过度排除可能削弱外推性，导致样本不再覆盖真实应用场景。
2 制定排除标准的原则
制定排除标准应遵循方法学逻辑、可执行性与合规边界。良好的排除标准既能保护研究的内部效度，也能在文档层面实现可追溯与可复核。
2.1 与研究问题、假设的匹配
排除标准应从研究问题出发，围绕关键变量的可比性与机制解释需求建立。例如，如果研究关注某干预对特定人群或特定状态下的效果，那么排除标准可用于剔除会改变机制通路的差异人群；如果研究强调因果链条，需要避免那些可能引入替代解释的异常情形。
与假设匹配意味着：排除不是“方便统计”，而是为理解问题服务。若某条排除规则与研究目的关系不清，其合理性就会受到质疑。
2.2 可操作性与可验证性
排除标准必须能被执行与核验。可操作性强调“现场能否按统一口径做判定”，可验证性强调“判定依据能否留痕”。例如，用“最近X天内某项行为发生/未发生”的表述通常比“明显不符合”更容易复核；而用已定义的阈值或检查方法替代主观判断，也能减少执行差异。
2.3 一致性与可重复性
一致性要求不同研究人员、不同批次在相同条件下做出相同或高度一致的判定。可重复性要求即使在不同时间或不同地点，只要条件满足，结果也应保持稳定。为实现这一点，方案往往配套培训、判定手册、评分校准或质量控制步骤，并在筛选记录中保存支持材料。
2.4 最小必要原则（避免过度排除）
最小必要原则强调：仅在确有方法学或安全/质量必要时才排除。过度排除可能带来两个后果：
- 样本量下降，导致统计功效不足或估计不稳。
- 样本覆盖面缩小，研究结果难以外推到真实场景。
因此，排除规则的“必要性”需要在方案中说明其与研究效度或安全质量的关联，并避免将不关键因素一并排除。
2.5 法规与伦理（在合规框架内的表述）
在合规框架内，排除标准应明确与风险控制相关的边界，并以不歧视方式呈现。对涉及风险较高或可能导致不良事件的条件，应说明风险理由与监测/处理逻辑；对涉及知情同意、隐私保护与数据处理的要求，应确保排除表述不会与伦理流程冲突。
当研究对象的可及性或资格判定牵涉个人敏感信息时，排除标准的记录方式需要兼顾可追溯与最小化暴露。
3 排除标准的类型与常见条目
排除标准可按其作用对象与触发原因分类。下列条目总结了常见设计思路，具体内容需依研究领域与研究设计而定。
3.1 研究对象特征相关排除
3.1.1 人口学与基线特征排除
这类排除关注年龄、性别、生长发育阶段、文化语言背景或既往基础状态等基线差异。例如研究若限定特定年龄段以降低生理差异，可设定边界；若需要保证访谈内容可理解且工具适配，可对语言能力或教育程度作必要限制。
这类排除的关键在于：基线差异是否会显著影响结局或测量方式，以及边界是否与研究目的相称。
3.1.2 健康状态/行为状态排除
排除可能与当前健康状况、既往疾病史、用药情况、近期行为状态相关。例如在健康研究中，若某些合并症或用药会严重干扰关键结局的归因，可以在筛选阶段设置排除条件；在社会科学或用户研究中，若参与者处于极不稳定状态或近期发生重大事件，可能影响行为指标的可比性，也可作为条件。
3.1.3 研究经验与暴露史排除
若研究与先前经验高度相关，或先前暴露会造成学习效应、适应效应或选择效应，可设定排除。例如反复参与同类研究者可能引入“熟悉任务”的偏差；对特定暴露史的筛除也能避免机制路径的混杂。
3.2 关键变量与测量相关排除
3.2.1 关键指标缺失或不可判定
当研究依赖的主要结局或关键变量缺失，或测量方法无法形成可靠判定时，可规定为排除或不纳入分析。此类规则通常需要清晰定义：缺失到什么程度、何种判定不可行、以什么证据确认。
3.2.2 诊断/分组依据不满足
某些研究依赖明确的诊断标准或分组依据。若诊断信息不足、标准不满足、或分组依据在测量体系中不成立，就可能触发排除。这有助于避免“分组标签不可信”导致的分析偏差。
3.2.3 量表或测量质量不达标
当使用量表或评分工具时，测量质量可能影响数据解释。例如答题一致性不足、反应时间异常、评分逻辑与题目设计不符、或信度/效度指标未达标，均可能构成排除或不纳入分析的依据。关键是质量标准需在方案中提前写明。
3.3 研究流程与执行相关排除
3.3.1 依从性不足或方案偏离
在干预研究或需要按流程执行的调查中，若依从性不足，可能导致干预剂量与暴露水平不一致，进而影响解释。方案偏离也可通过预设规则处理，例如关键步骤缺失、关键随访未完成或违反分配/操作要求。
3.3.2 试验/调查执行错误
执行错误包括流程未按规定进行、关键操作步骤顺序错误、设备校准未完成导致数据不可用等。若错误会系统性影响测量结果，应在规则中说明触发条件与处理方式。
3.3.3 随访丢失或数据收集失败
随访丢失会影响纵向分析。若随访失败达到预设程度，且无法通过合理机制补齐关键节点数据，可能作为排除或不纳入主要分析集的条件。对“部分缺失”通常要进一步区分：是可通过合理插补策略处理，还是必须剔除。
3.4 安全性与合规相关排除
3.4.1 风险过高导致的排除
当参与者存在显著增加风险的因素时，可设定排除标准以保护研究对象。风险可以来自身体状况、药物相互作用、活动能力限制或环境暴露等。条目化表述应尽量具体，并与监测计划衔接。
3.4.2 安全性监测未通过
在研究过程中，安全性指标可能因监测结果触发排除或暂停。例如安全检查未达到预设阈值，或出现需要终止/暂停的异常信号。与安全监测的联动能减少“继续收集但无法解释”的情况。
3.4.3 不满足基本合规要求
合规层面可能包括无法完成知情同意、无法满足基本隐私保护要求、或无法遵守最低数据提交规则等。此类排除强调流程正确性与权利保障，而非对研究结果的“便利性筛选”。
3.5 数据质量与分析可用性相关排除
3.5.1 异常值与疑似伪数据排除
异常值可能来自测量错误、执行偏差或不真实填写。对疑似伪数据的识别可基于一致性检验、统计分布异常或逻辑约束失败等策略。但要避免“一刀切”过度剔除，需要预先设定规则，并保留可追溯记录。
3.5.2 重复记录与身份不一致排除
重复记录会造成样本独立性问题。身份不一致可能表明同一人信息合并失败或跨条目错配。排除标准应明确去重逻辑与验证方式，例如使用唯一标识、校验字段或一致性规则。
3.5.3 数据清洗规则的排除逻辑
数据清理阶段的排除逻辑应与排除标准保持一致或明确区分层级。常见做法包括：先做范围校验，再做缺失处理，再做质量评估，最后形成分析集。若清洗规则会改变关键结论，应在报告中说明触发条件与影响范围。
4 排除标准的写法与报告规范
排除标准的价值不仅在于“写了”，更在于“写得可执行、可复核”。良好的写法通常包括明确阈值、时间窗、优先级与流程留痕。
4.1 条目化表述与判定阈值
采用条目化结构能降低歧义。每条排除规则建议包含：触发条件、判定依据（来源与方法）、阈值或标准、以及可能的例外处理。阈值应尽量基于测量尺度或既有规范，而非泛化描述。
4.2 时间窗与阶段限定（例如“最近X天”）
许多资格条件与暴露状态存在时序要求。将其写成明确时间窗可提高一致性，例如“最近30天未接受特定治疗”“最近X小时完成任务”等。阶段限定也有助于避免把历史信息误用作当前状态判定。
4.3 优先级与冲突处理（多个条件并存时）
多条排除条件可能同时触发。优先级规则用于指导如何决定最终结论，例如：安全性优先于数据质量，或关键指标缺失优先于一般不一致记录。冲突处理还应说明当信息源互相矛盾时采用哪一来源（如以客观检测为准或以方案定义为准）。
4.4 与方案/方案修订的关联
排除标准可能随方案修订而调整。报告中应记录修订版本与生效时间点，并说明修订对后续筛选与分析集定义的影响。若修订发生在数据收集过程中，需要说明如何处理已完成的筛选记录，避免不一致。
4.5 报告透明度：流程图与人数流转
透明报告通常依赖流程图与人数流转（例如从招募到筛选再到纳入/不纳入的数量变化）。这有助于读者理解排除标准的实际影响，而不仅是纸面规定。流程图也有助于发现某些排除原因过于集中，提示可能存在执行偏差或可改进的筛选策略。
5 与统计分析的衔接
排除标准与统计分析之间需要边界清晰，避免把“分析方法需要”误当成“资格定义需要”。
5.1 排除与剔除（exclusion vs. removal）的区别
排除（exclusion）通常指在资格或分析集定义层面不纳入；剔除（removal）更常用于统计过程中的删除或不纳入分析集的具体步骤。两者在不同研究传统中用法可能略有差异，但核心区别在于：排除标准应预先设定并用于资格/集合定义；剔除更强调执行环节与数据层面的移除规则。良好做法是将两者在方案中区分并明确引用来源。
5.2 缺失数据处理与排除标准的边界
缺失数据并不总等同于排除。排除标准通常针对“关键变量缺失到无法解释”或“测量不可判定”的情形；而一般缺失可能通过预设的统计策略（如多重插补或模型估计）处理。边界需要写清：哪些缺失触发不纳入，哪些缺失进入统计处理流程。
5.3 敏感性分析与鲁棒性评估
为验证排除规则的影响稳定性，可采用敏感性分析。例如比较不同缺失处理策略、不同质量阈值或不同分析集定义下的结论差异。鲁棒性评估能帮助判断结论是否依赖某些排除细则，而非仅反映数据处理路径。
5.4 影响效应估计与可比性的解释
排除会改变样本组成，从而影响效应估计与可比性。报告中应解释：
- 排除后样本在关键基线特征上的变化方向；
- 被排除个体是否与研究目标总体存在系统差异；
- 主要结局或关键指标的可比性如何得到维护。
这种解释有助于理解研究结论的适用范围。
5.5 子组分析前的排除规则一致性
当进行子组分析时，应确保排除逻辑在子组层面保持一致，或在需要时说明子组特定的附加规则。若不同子组采用不同质量阈值或不同缺失判定，会导致可比性下降，使子组间差异更可能反映处理差异而非真实效应。
6 常见问题与实践建议
排除标准的制定与执行常遇到“看似细节、实则关键”的问题。实践建议主要面向可执行性、平衡外推性与偏倚控制、以及现场可复核。
6.1 排除标准过宽导致外推性下降
过宽的排除意味着把过多潜在适格人群排除，导致样本过度“理想化”。结果常见表现为：样本与目标总体差距变大，结论在真实应用场景中的适用性下降。改进方向是回顾每条排除规则的必要性，区分“安全/质量必需”与“纯粹想减少噪声”的条件。
6.2 排除标准过窄导致偏倚或样本不足
过窄排除可能导致不匹配或低质量数据混入，进而引入偏差或降低测量准确性；同时也可能使关键变量分布不稳定，增加无效样本。过窄还可能与资源约束冲突，最终因样本不足而降低统计能力。建议通过试点或预筛选数据检查来校准阈值和边界。
6.3 模糊表述带来的执行差异（“经验型阈值”等）
“明显异常”“不太合适”“经验判断不通过”等模糊表达会造成研究现场执行差异，尤其在多中心或多人筛选时更明显。实践上应尽量改写为：可测量指标、具体阈值、判定顺序与记录方式，并在培训中强化案例。
6.4 复核与审计：筛选可追溯的要点
复核与审计重点在“证据链”。建议至少做到：
- 记录每次筛选的触发条目与判定依据；
- 保留支持材料的来源与版本；
- 对例外情况形成书面规则或审批记录；
- 在数据清理与分析集定义中说明引用的排除标准版本。
可追溯能降低质疑，也能提升团队学习效率。
6.5 常见“研究现场踩坑”与轻松梗（如“没带资料也想入组”）
现场常见问题包括：筛选人员对条目理解不一致、时间窗口径不同、质量阈值未被统一执行、以及漏记关键字段。轻松一点的说法是——“没带资料也想入组”这类情况，往往反映的是流程设计里对“缺失证据如何处理”的预案不足。把排除标准写成可执行的证据要求，能减少这种“靠运气入组”的尴尬，也让参与者体验更清晰：哪些资料缺了就无法判定，哪些是可以补齐的。
同时也要注意“临时灵活”风险：一旦对规则随意放宽，后续复核会非常困难。最好的策略是在方案阶段把例外处理写清楚，并在必要时走统一审批流程。