之前我们聊过p值之争，统计学家们在Fisher提出的P值、Neyman和Pearson提出的两个假设的体系中妥协和统一以后得到了我们现在假设检验和统计推断体系。因此我们在应用统计的时候常常只关心p是否小于0.05。小于0.05那就万事大吉，毕竟阳性结论比阴性结论好发文章。可是即使我们计算出来p<0.05，我们的结论也仍然受到挑战。因为有人会问：一个降压药使血压下降1mm汞柱也算有意义么？

其实在这个问题中隐含了统计学差异和临床意义两个不同的问题。假设检验只是帮助我们解决我们看到的差异是否来自随机误差这个统计问题，但是这个差异是多大、差异是否有临床意义这一点是假设检验无法解决的。那么差异多大才有临床意义这个问题如何解答呢？要解决这个问题，我们需要了解以下概念：

MCID(minimal clinically important difference) 最小临床意义变化值 这个概念最早是在用量表来评价疗效时由Jaeschke等人提出的，就是在不考虑副作用和成本的前提下，被病人认为的最小问卷维度得分变化值。如果把这个概念推广一下，不仅仅局限在量表这个领域，那么似乎MCID就能解决我们刚才那个问题。如果临床研究中，我们进行了假设检验p<0.05，而且差异大于MCID；那么就可以肯定这两组差异既有统计学意义，又有临床意义。

再延伸一点，大家都听说过非劣效试验。这几乎是目前药物上市前临床试验里最常见到的一种试验设计。可是在设计一个非劣效试验的时候，研究者往往很纠结。所谓非劣、非劣，也就是不劣于阳性对照。可是非劣又不是相等。那如何判断非劣效呢？这里有个让人欢喜让人忧的δ。也就是说只要试验组的疗效比阳性对照疗效-δ好就行。δ的大小往往是研究者最挠头的，该怎么定？疗效的10%？20%？如果有了MCID，这一切变得soeasy，研究者们再也不用担心δ该怎么定了。直接让δ=MCID就ok。

目前MCID的测量，应用多用于以量表测量结果来评价疗效的时候，例如生活质量、神经功能评价、运动功能评价等等。也有很多关于不同疾病用不同量表评价疗效MCID的学术文章已经发表了。如果大家在进行两组患者的疗效对比的时候一定要注意查查自己研究领域里是不是已经有公开发表的MCID。那么我们研究下结论时，就不仅仅只看统计检验的结果了，还要看两组差异和MCID的关系哦。