一、什么是亞組分析？

在隨機(jī)臨床試驗(yàn)中，亞組分析指的是在根據(jù)基線特征（如年齡、性別、組織學(xué)和種族）定義的患者亞組中評(píng)估特定終點(diǎn)（如總生存期）的治療效果（如風(fēng)險(xiǎn)比HR）。不建議根據(jù)隨機(jī)化后測(cè)量結(jié)果確定亞組，因?yàn)榭赡軙?huì)影響患者分配至亞組的隨機(jī)化原則。

亞組分析有助于探索更可能從試驗(yàn)性治療中獲益的患者亞組，從而從臨床試驗(yàn)中獲得最大化信息。隨后，可根據(jù)這些結(jié)果生成新的假設(shè)和試驗(yàn)。最終，這可能導(dǎo)致臨床實(shí)踐的變化。

此外，亞組分析還可用于評(píng)價(jià)總體治療效果在患者亞組之間是否一致，這通常被稱為“穩(wěn)健性檢查”（robustness checking）?；谏鲜鲈?，監(jiān)管機(jī)構(gòu)支持進(jìn)行適當(dāng)?shù)膩喗M分析。

二、亞組分析存在哪些問題？

亞組分析有兩個(gè)關(guān)鍵的統(tǒng)計(jì)學(xué)局限性。首先，它們經(jīng)常統(tǒng)計(jì)效能不足（under-powered）。這是由于臨床試驗(yàn)的樣本量計(jì)算通常僅考慮在所有隨機(jī)化患者（而非患者子集）中達(dá)到足夠的統(tǒng)計(jì)效能。因此，某一亞組（如性別）的一個(gè)子集（男性）與另一個(gè)子集（女性）中觀察到的治療效應(yīng)是否存在顯著差異的交互效應(yīng)檢驗(yàn)通常效力不足。因此，亞組分析容易產(chǎn)生“假陰性”結(jié)果。

亞組分析的第二個(gè)主要局限性在于特別容易出現(xiàn)多重性（multiplicity）。多重性是指獲得“假陽(yáng)性”結(jié)果的概率增加，即錯(cuò)誤地得出治療組之間存在顯著差異的結(jié)論。換句話說，通過對(duì)主要終點(diǎn)進(jìn)行多次亞組分析，這些比較中的一個(gè)或多個(gè)偶然產(chǎn)生顯著結(jié)果的可能性更大。例如，如果對(duì)主要終點(diǎn)進(jìn)行10次比較，其中至少有一次得出假陽(yáng)性結(jié)果的概率為40%。因此，當(dāng)進(jìn)行多個(gè)亞組分析時(shí)，單次比較中小于0.05的p值并不能提供充分的證據(jù)支持治療組之間存在顯著差異。

三、亞組分析可能導(dǎo)致哪些有害的后果？

亞組分析有時(shí)可用于“拯救”一項(xiàng)失敗的研究，即雖然未達(dá)到試驗(yàn)的主要目的，但發(fā)現(xiàn)試驗(yàn)組在特定患者亞組中顯著優(yōu)于對(duì)照藥物。然而，正因于此，申辦方可能會(huì)對(duì)許多亞組進(jìn)行計(jì)劃外的分析，以嘗試找到治療組顯著優(yōu)于對(duì)照藥物的一個(gè)（或幾個(gè)）患者亞組，這通常被描述為“數(shù)據(jù)疏通（data dredging）”或“捕魚旅行（fishing trip）”。對(duì)亞組分析的誤讀可能導(dǎo)致啟動(dòng)基于未經(jīng)證實(shí)的假設(shè)的臨床研究，并最終造成對(duì)受試者健康的直接損害。這些有害后果的成本極高，但通過了解亞組分析的基本原理可以很容易地進(jìn)行預(yù)防。

四、如何正確實(shí)施和解釋亞組分析？

為了適當(dāng)進(jìn)行和解釋亞組分析，首先需要確定是否預(yù)先規(guī)定了亞組分析。預(yù)先規(guī)定的亞組分析旨在進(jìn)行假設(shè)檢驗(yàn)；與之相反，計(jì)劃外（也稱為探索性、回顧性或事后）的亞組分析則生成新的假設(shè)并進(jìn)行“穩(wěn)健性檢查”。需要指出的是，兩者都可以提供有價(jià)值的信息，但原理和目的存在很大的差異。而且，只能根據(jù)預(yù)先規(guī)定的亞組分析才能得出結(jié)論性推論，或?qū)е屡R床實(shí)踐中的任何后續(xù)變化。

為了克服效能不足（把握度降低）和多重性的兩大統(tǒng)計(jì)學(xué)局限性，以下5個(gè)步驟概述了適當(dāng)進(jìn)行、解釋和報(bào)告預(yù)先規(guī)定的亞組分析的最佳方法：

1、在方案和/或統(tǒng)計(jì)分析計(jì)劃(SAP)中預(yù)先設(shè)定亞組分析

大多數(shù)情況下，應(yīng)在方案中詳細(xì)記錄預(yù)先指定的亞組分析。但也可在數(shù)據(jù)揭盲前或開放性研究的首例患者訪視前在SAP中詳述。下表概述了預(yù)先規(guī)定亞組分析時(shí)應(yīng)記錄的信息。

預(yù)先規(guī)定的亞組分析被認(rèn)為更可信，因?yàn)樗鼈兪窃谌魏螖?shù)據(jù)檢查之前就計(jì)劃的。但是，預(yù)先規(guī)定或計(jì)劃外的亞組分析都傾向于多重性，即由于檢測(cè)上述多個(gè)亞組導(dǎo)致假陽(yáng)性結(jié)果的概率增加。因此，僅預(yù)先規(guī)定亞組分析并不能使其自動(dòng)有效：仍必須按照以下步驟適當(dāng)進(jìn)行、解釋和報(bào)告。

2、使用交互效應(yīng)檢驗(yàn)（Interaction Test）

交互效應(yīng)檢驗(yàn)是進(jìn)行亞組分析最合適的統(tǒng)計(jì)方法，這一概念可用以下假設(shè)示例來說明：

圖1：什么是交互效應(yīng)檢驗(yàn)？

假設(shè)臨床試驗(yàn)中有兩個(gè)治療（Tx）組：Tx A組和Tx B。根據(jù)基線特征定義的患者亞組也有兩個(gè)水平：男性和女性。連接圓圈和正方形的回歸線分別代表Tx A和Tx B治療延長(zhǎng)總生存期的療效。因此，回歸線越高，死亡風(fēng)險(xiǎn)越高。

通過亞組每個(gè)水平的箭頭意指治療效應(yīng)。如果回歸線平行，則治療效應(yīng)和性別之間無交互效應(yīng)（圖A），即男性的治療效果與女性相同。如果回歸線不平行或交叉（圖B和圖C），則治療效應(yīng)和性別之間存在統(tǒng)計(jì)學(xué)顯著的交互效應(yīng)，即男性的治療效果與女性存在顯著差異。

3、估計(jì)亞組每個(gè)水平的治療效應(yīng)

交互效應(yīng)檢驗(yàn)通常作為回歸模型的一部分進(jìn)行，而回歸模型的類型取決于分析的終點(diǎn)。Cox比例風(fēng)險(xiǎn)模型是分析臨床試驗(yàn)中至事件時(shí)間終點(diǎn)的標(biāo)準(zhǔn)方法。因此，在該假設(shè)示例的情況下，使用Cox模型進(jìn)行”治療-性別”交互效應(yīng)檢驗(yàn)，提供了亞組每個(gè)水平的HR(Tx A vs Tx B)、95%置信區(qū)間和相關(guān)p值。

圖2：通常使用森林圖顯示亞組分析結(jié)果。上圖是與圖1C中描述的交互效應(yīng)示例相對(duì)應(yīng)的結(jié)果。菱形代表HR的點(diǎn)估計(jì)值（Tx A vs Tx B），水平線代表95%置信區(qū)間。

應(yīng)謹(jǐn)慎解釋亞組每個(gè)水平HR的相關(guān)p值。一個(gè)常見的錯(cuò)誤是聲稱存在治療效應(yīng)差異，因?yàn)榕cHR相關(guān)的p值在男性中具有統(tǒng)計(jì)學(xué)顯著性，但在女性中不具有顯著性。這是不正確的，因?yàn)閮H有交互效應(yīng)檢驗(yàn)的p值才能確定在不同性別中觀察到的HR是否存在顯著差異。這是因?yàn)榻换バ?yīng)檢驗(yàn)考慮了：(i)亞組不同水平患者的預(yù)后，例如，無論分配的治療如何，女性的總生存期可能優(yōu)于男性；(ii)除組內(nèi)變異性外，男性和女性之間的組間變異性。

4、使用確證性證據(jù)驗(yàn)證亞組結(jié)果

為了證實(shí)單個(gè)臨床試驗(yàn)的亞組結(jié)果，需要在獨(dú)立研究或薈萃分析中進(jìn)一步驗(yàn)證。需要強(qiáng)調(diào)的是，在得到確證性證據(jù)之前，亞組分析僅生成假設(shè)，在所有隨機(jī)化患者中觀察到的治療效果仍被視為亞組每個(gè)水平患者的最合適估計(jì)值。

5、負(fù)責(zé)任地報(bào)告結(jié)果

需要負(fù)責(zé)任地報(bào)告亞組結(jié)果，以便其他人能夠?qū)ζ溥M(jìn)行適當(dāng)解釋。應(yīng)在摘要和結(jié)論中強(qiáng)調(diào)所有隨機(jī)化患者的主要終點(diǎn)分析結(jié)果。此外，還應(yīng)說明預(yù)先規(guī)定的亞組分析的名稱，并應(yīng)明確說明預(yù)先規(guī)定和計(jì)劃外進(jìn)行的亞組分析的數(shù)量。還應(yīng)在當(dāng)前確證性證據(jù)和科學(xué)文獻(xiàn)的背景下討論亞組分析結(jié)果的有效性。

上文所述概念適用于任何類型的終點(diǎn)，例如分類（應(yīng)答者或非應(yīng)答者）、連續(xù)（收縮壓）或至事件時(shí)間數(shù)據(jù)（總生存期）。下表總結(jié)了幫助臨床醫(yī)生正確解釋亞組分析的關(guān)鍵要點(diǎn)。

參考資料：

Barraclough H, Govindan R. Biostatistics primer: what a clinician ought to know: subgroup analyses. J Thorac Oncol. 2010 May;5(5):741-6.