正确使用医学论文统计学方法需要以下步骤：

一、研究设计阶段

明确研究目的和类型

确定是描述性研究（如病例报告、横断面研究）、分析性研究（病例 - 对照研究、队列研究）还是实验性研究（临床试验等）。不同的研究类型适用不同的统计方法。例如，描述性研究主要是计算频数、百分比、均数、标准差等指标来描述数据的基本特征；而分析性研究可能需要用到假设检验来比较组间差异。

确定样本量

根据研究目的、设计类型、预期效应大小和统计学检验效能等来计算合适的样本量。样本量过小可能导致检验效能不足，无法发现真实存在的差异；样本量过大则可能造成资源浪费。可以使用专门的样本量计算公式或软件，如 PASS 软件。例如，在两组比较的 t 检验中，样本量与两组均值差、标准差、检验水准 α 和检验效能（1 - β）有关。

选择合适的抽样方法

常见的抽样方法有简单随机抽样、分层抽样、系统抽样和整群抽样。合理的抽样方法可以保证样本的代表性。如在研究某地区某种疾病的患病率时，如果该地区不同区域人群特征差异较大，可以采用分层抽样，按照年龄、性别、地域等因素分层后再抽样，以减少抽样误差。

二、数据收集阶段

确保数据质量

数据收集过程要准确、完整。制定详细的数据收集标准操作规程（SOP），对数据收集人员进行培训，以保证数据的一致性和准确性。例如，在收集患者的血压数据时，要明确测量的体位（卧位、坐位还是立位）、测量的仪器（统一型号的血压计）以及测量的次数等。

对收集的数据进行初步的整理和检查，识别和纠正明显的错误数据，如超出合理范围的数据（成人身高为 3 米等不合理数据）。

三、数据整理阶段

数据编码和分类

将收集到的数据进行编码，便于计算机录入和统计分析。例如，对于性别可以编码为 “1 = 男性，2 = 女性”；对于疾病的严重程度可以分为 “1 = 轻度，2 = 中度，3 = 重度” 等。分类变量要确保分类合理且相互排斥，避免数据的混淆。

数据录入和清理

数据录入要仔细，可采用双人录入并进行比对的方式减少录入错误。录入后，要进行数据清理，检查数据的完整性（是否有缺失值）和逻辑性（如年龄为负数等不合理情况）。对于缺失值，要根据数据的性质和缺失的比例采取合适的处理方法，如删除含有缺失值的样本（当缺失比例较小且数据是随机缺失时）、采用均值或中位数填充（对于数值型变量）、采用多重填补法等。

四、统计分析阶段

选择合适的统计分析方法

描述性统计分析

对于定量资料（如身高、体重等），可以计算均数、中位数、标准差、四分位数间距等。例如，描述一组患者的年龄分布，如果数据呈正态分布，用均数和标准差描述；如果数据呈偏态分布，用中位数和四分位数间距描述。

对于定性资料（如性别、血型等），计算频数和频率。如某医院科室患者的血型分布，统计 A 型血、B 型血等的人数和占比。

推断性统计分析

根据研究设计和数据类型选择合适的假设检验方法。如果是两组定量资料比较，且数据符合正态分布和方差齐性，可采用 t 检验；如果不符合正态分布或方差不齐，可采用非参数检验（如 Wilcoxon 秩和检验）。对于多组定量资料比较，数据符合正态分布和方差齐性时用方差分析，否则用 Kruskal - Wallis 检验。

对于定性资料的组间比较，如比较两种治疗方法的有效率，当样本量足够大且理论频数符合要求时，可用卡方检验；不符合时用 Fisher 确切概率法。

相关分析用于研究两个变量之间的线性关系，如研究患者的体重与血压之间的关系，可以计算 Pearson 相关系数（适用于双变量正态分布的数据）或 Spearman 等级相关系数（适用于非正态分布的数据）。

回归分析用于研究一个因变量与多个自变量之间的关系。例如，在研究患者的预后因素时，以患者的生存时间为因变量，以年龄、性别、疾病分期等为自变量进行 Cox 回归分析（生存分析）或多元线性回归分析（当因变量为定量变量时）。

正确解释统计结果

理解统计检验的 P 值的含义。P 值是在原假设成立的情况下，观察到目前样本数据或更极端情况的概率。一般来说，当 P≤0.05 时，拒绝原假设，认为组间差异有统计学意义；当 P > 0.05 时，不能拒绝原假设，但不能简单地认为两组没有差异，可能是样本量不足等原因导致。同时，要结合实际临床意义来解释结果，例如，虽然两组药物治疗后的某项指标差异有统计学意义，但差异的幅度可能在临床上并不重要。

进行敏感性分析（如有必要）

在一些研究中，如 meta - 分析或复杂的观察性研究，需要进行敏感性分析。例如，在 meta - 分析中，改变纳入研究的标准或统计分析方法，观察结果是否稳定，以评估研究结果的可靠性。在观察性研究中，对于缺失值的不同处理方法进行分析，看是否会对主要结论产生影响。