在多实验室前临床评估网络中对拟议疾病干预进行随机、盲法、对照评价的方法

这对日常健康为何重要

许多在动物研究中看起来很有希望的医疗治疗，在大型且昂贵的临床试验中却以失败告终。本文以具体细节展示了科学家如何重新设计早期动物试验，使其结果更值得信赖，也更有可能预测在真实患者中的表现——以中风作为检验案例。

建立一个网络而非依赖单一实验室

研究人员没有依赖单个实验室，而是在美国建立了一个由六个实验室组成的前临床网络，称为中风前临床评估网络。一个中央协调中心管理整个运行：运输编码药剂瓶、随机分配治疗、接收所有数据并进行统计分析。通过将这些角色与执行手术或评估结局的人员分开，他们降低了人为期望可能悄然影响结果的风险。

将公平性和隐匿性付诸实践

为模仿良好临床试验的规则，每只动物自到达实验室起就被登记、标记并追踪。治疗被装在外观相同的瓶中加以隐匿，使得在诱导中风和给予治疗时，外科人员无法辨别真药与安慰剂。结构化的随机化方案确保雄性与雌性、不同中风模型以及六个场所均匀地分布到每个治疗组。即便动物死亡或手术失败，也会留在记录中，以免损失被悄悄忽略，从而帮助避免隐性偏倚。

在更贴近真实的中风模型中测试治疗

该网络使用了五种不同的啮齿动物模型，这些模型共同捕捉了人类中风的重要方面，包括年龄、高血压和饮食导致的肥胖。各站点以相同方式通过短暂阻断一条主要脑动脉然后恢复血流来诱发中风——类似于现代的人体取栓手术。动物接受六种候选保护性治疗之一或相配的对照。随后团队用简单的运动测试（例如动物在拐角的转向或在格栅上行走的情况）以及脑成像来在30天内测量损伤的大小并追踪表现。

盲法评分、共享数据与智能统计

为保持判断不偏不倚，行为测试被录像并上传到中央存档。去除任何识别信息后，这些视频被发送给其他实验室的训练评级员，他们在不知道动物接受何种治疗或在哪个场所测试的情况下进行评分。磁共振图像通过一个自动化分析流程处理，该流程在最少人工干预下分割脑组织和损伤区域。所有结果都汇入一个多臂、多阶段的统计设计，允许并行测试多种治疗：较弱或明显无效的候选可在早期被剔除，而有前景的则进入后续阶段。

研究结果对中风治疗的启示

在四个阶段和2615只动物中，该系统即便在COVID-19大流行的干扰下也被证明可行。方法持续保持治疗组的平衡，最小化给药错误，并随着各站点熟练度提升展现出数据质量的改善。最终，六种治疗中有五种被排除，而一种——尿酸，一种清除自由基的物质——达到了预先设定的获益标准。与此同时，该研究暴露了某些流行模型的局限性，例如龄鼠的死亡率非常高，提示这些模型在未来研究中可能不切实际或不够真实。

总体意义：为更可靠的前临床科学提供模板

对普通读者而言，关键信息是我们在动物身上如何测试治疗与我们测试什么同样重要。通过将现代临床试验的保障措施——随机化、盲法、对每个受试对象的完整记录以及严格的统计方法——引入动物研究，这个网络表明早期研究既可以更严谨也可以更高效。他们提供的详尽操作手册可调整用于其他疾病，为实验室发现经受住重复验证并让医生、患者与资助者更有信心某种疗法在临床上确有可行性，提供了一条可行之路。

引用: Lamb, J., Nagarkatti, K., Diniz, M.A. et al. Methods for randomized, blinded, controlled evaluation of putative disease interventions in multilaboratory, preclinical assessment networks. Lab Anim 55, 74–82 (2026). https://doi.org/10.1038/s41684-026-01683-z

关键词: 中风, 前临床试验, 动物模型, 研究严谨性, 多中心研究