研究说了什么
适应性设计允许在试验进行中依据累积数据修改方案，常见形式包括样本量重估、应答适应性随机、剂量选择、人群富集与无缝二期三期设计。统计上它可以把资源集中到更有希望的剂量或亚组，缩短研发周期。操作上的核心风险是信息泄露。期中结果若被申办方的项目团队看到，即使没有明说，也可能影响后续行为：入组时更倾向于排除某些人，访视时更留意某些症状，合并用药的记录更仔细，甚至提前准备某个剂量的供货。这些改变单独看都很小，累积起来足以让两组的可比性受损。规范的做法是把揭盲数据锁在独立统计团队手里，数据监查委员会只看汇总的、按预设规则呈现的结果，只向申办方给出继续、调整或停止的建议，不透露具体效应量。防火墙不只是组织架构上的隔离，还包括文件权限、会议纪要与人员往来的限制。在实际项目中，泄露往往不是恶意，而是流程设计不严：期中报告抄送了项目负责人，或者统计师同时参与入组管理，一旦发生，事后很难证明它没有影响结果。因此审评时会追问：谁看过期中数据、看到了什么粒度、采取了什么隔离措施。
为什么重要
抗衰试验成本高、周期长，适应性设计被寄予提高效率的期待。以应答适应性随机为例，当某条臂明显更好时，后续受试者更多被分配到该臂，理论上可减少两到三成样本；但当各臂效应接近时，分配比例反复摇摆，反而增加不平衡与统计复杂度。样本量重估也一样，若规则事先写清、用盲态数据估计方差，它是合法的；若在看到组间差异后临时决定扩大样本，一类错误就会失控。监管指南要求申办方提交模拟研究，证明在设计假设下，一类错误控制在名义水平、把握度达标、偏倚可接受，并说明期中查看的次数与名义显著性水平的消耗。这些要求不是形式主义，它们把灵活度换算成了可核查的代价。对抗衰领域，还有一个额外诱惑：中期看到某亚组反应更好，就想把人群缩窄到该亚组，这种富集若不在方案中预设，等于事后挑选。富集设计本身是合理的，前提是生物标志物在入组前测定、阈值预先设定，且统计上计入额外的一次检验。否则缩窄人群带来的效应提升，很可能只是回归均值与选择偏倚的合成。I-SPY 2 是常被引用的例子，它按生物标志物分亚型，用贝叶斯预测把后续受试者分配到更可能有效的方案，在多个亚型中提前筛出信号，代价是每条臂的样本都不大，结论需要后续确证。
证据与边界
适应性设计的边界首先在统计：任何依据数据调整后续设计的行为，都会改变估计量的分布，简单的均值差不再无偏，需要用阶段合并、加权或条件检验等方法校正。其次是执行：提前备货、盲态维持、中心培训、数据库锁定的时点都要重新安排，一次修改可能牵动整条供应链。第三是解释：一项经过两次修改的试验，最终结论依赖修改规则本身，读者若看不到完整规则，就无法判断结论的稳健性。可行的做法包括：在方案中预先规定所有可能的调整及其触发条件，限制期中查看次数，使用独立的统计与数据管理团队，并在论文中完整披露每次修改的时间、依据与影响。对读者，判断一项适应性试验是否可信，最快的线索是看它有没有报告模拟结果与期中查看记录，缺这两样，灵活性就很难与事后挑选区分开。还有一点容易被忽略：适应性设计并不减少总体的不确定性，它只是把决策时点前移，让资源更早地流向更有希望的方向；若基础假设本身错了，再精巧的适应规则也救不回来。它更适合作为效率工具，而不是弥补设计缺陷的手段。