在临床流行病学与医学统计研究中，探究暴露指标与疾病结局的关联规律是核心研究方向。传统广义线性模型凭借简洁的运算逻辑被广泛应用于各类医学研究，但该类模型固化的线性拟合假设，与人体生理反应、药物作用、危险因素暴露的真实非线性特征存在显著偏差，极易造成研究结果失真、临床规律误判。为突破传统统计方法的局限性，精准捕捉复杂的剂量–效应关系，限制性立方样条（RCS）作为成熟且权威的非线性分析工具，被广泛应用于高分医学期刊研究，成为解析临床连续变量关联规律的核心方法。本文系统阐述限制性立方样条的产生背景、核心原理、技术优势，并结合经典临床研究案例，清晰拆解其在医学科研中的应用价值与实践逻辑。一、认识限制性立方样条传统模型的局限临床流行病学研究中广泛使用的 Logistic 回归、Poisson 回归、Cox 比例风险回归，都归属于广义线性模型框架。广义线性模型的核心建模假定：自变量经过链接函数变换之后，自变量与结局风险之间保持恒定的线性关系。通俗来说，就是自变量每增加一个单位，结局发生风险的变化幅度是固定不变的，风险只会单调上升或者单调下降。但真实世界的生物效应几乎很少符合这种理想的线