亚组分析科学性:识别真实效应与虚假发现 — Editverse 中国

亚组分析科学性:识别真实效应与虚假发现

亚组分析是临床试验和系统评价中探索治疗异质性的强大工具,但也是产生虚假发现的温床。本文阐述多重比较问题、交互检验原理、功效考虑,帮助您区分真实的效应异质性与统计性的”数据挖掘”。

亚组分析核查步骤图:预先指定、机制假说、统计功效、交互检验、多重比较校正与独立验证
图1. 判断亚组效应应依靠交互检验与预先指定,而非亚组内p值。 © editverse.com

亚组分析:机会与陷阱

亚组分析易受多重性、事后选择、低统计功效及报告偏倚影响。其可信度应结合预设假设、交互证据、机制与独立验证评估,不能套用统一增加倍数或复现失败率。

多重比较问题:为什么更多的比较导致更多的假阳性

若所有零假设都成立、各检验相互独立且每项α=0.05,至少一次假阳性的概率为1−(1−0.05)^m:5次约22.6%、10次约40.1%。检验相关时不能直接套用这一计算;应预先说明多重性策略。

交互作用检验:评估亚组效应的统计方法

区分真实的亚组效应与虚假发现的科学方法是进行交互检验(Interaction Test)。在多变量模型中,直接加入亚组变量与干预变量的交互项:

效应 = β0 + β1×干预 + β2×亚组 + β3×干预×亚组

如果β3显著,则说明存在显著的交互作用。交互检验的p值(p_interaction)与单个亚组内的效应检验p值不同,两者不可混淆。

预先指定 vs. 事后探索:设计阶段的重要决策

预先指定应有可核查的方案或分析计划支持,且不能仅因预先写出就视为具有确认性证据;还须考虑样本量、多重性、具体假设及解释方式。事后发现应明确标注并审慎验证。 相关支持:研究方案与SAP文档撰写。

统计功效与样本量考虑

亚组和交互分析的功效取决于效应大小、结局变异、事件数、分组比例及显著性水平。拆分后不能从总样本量直接推出固定的功效降幅;应按具体设计计算。 相关支持:亚组功效与交互检验测算。

国际指南:CONSORT亚组分析规范建议

  • 预先注册:在协议或预注册平台上明确列出所有计划的亚组分析
  • 进行交互检验:必须报告p_interaction,不能仅报告各亚组的p值
  • 报告置信区间:给出各亚组效应值的95%置信区间
  • 清楚地标记预先指定 vs. 探索性分析
  • 预先说明亚组假设、分析方法、交互检验及多重性处理,报告效应估计与置信区间,并清楚区分预设和事后分析。具体校正或解释策略按分析目标确定,CONSORT并未要求所有情形一律采用Bonferroni或Holm。

实践建议:科学的亚组分析检查单

  • 这项分析是在看数据前预先指定的吗?
  • 研究者是否进行了交互检验(p_interaction)?
  • 进行了多少项亚组分析?是否应用了多重比较校正?
  • 统计功效是否足够(最好>80%)?
  • 亚组变量有明确的生物学或临床机制假说支持吗?
  • 这个发现是否在独立的研究中得到验证?

常见问题

某个亚组p值显著,就说明存在亚组差异吗?

不能这样判断。需要做交互检验,即在模型中加入干预×亚组的交互项,看其系数是否显著;交互检验的p值(p_interaction)与单个亚组内的效应检验p值不同,两者不可混淆。

为什么亚组分析容易出现假阳性?

若所有零假设都成立、各检验相互独立且每项α=0.05,至少一次假阳性的概率为1−(1−0.05)^m:5次约22.6%、10次约40.1%。检验相关时不能直接套用这一计算;应预先说明多重性策略。

预先指定的亚组分析和事后亚组分析有什么区别?

预先指定的亚组分析在看到任何数据之前就写入分析计划,本质是假设检验;事后亚组分析是基于数据特征想到的额外分析,属于假设生成,需要在独立样本中验证。

亚组分析需要考虑统计功效吗?

亚组和交互分析的功效取决于效应大小、结局变异、事件数、分组比例及显著性水平。拆分后不能从总样本量直接推出固定的功效降幅;应按具体设计计算。

CONSORT对亚组分析的报告有哪些建议?

预先说明亚组假设、分析方法、交互检验及多重性处理,报告效应估计与置信区间,并清楚区分预设和事后分析。具体校正或解释策略按分析目标确定,CONSORT并未要求所有情形一律采用Bonferroni或Holm。

参考文献

  1. Fingerhut A et al. Interaction analysis of subgroup effects in randomized trials. Sci Rep. 2025;14(1):12619. PMID: 38824173 DOI: 10.1038/s41598-024-62896-1
  2. Page MJ et al. The PRISMA 2020 statement. PLoS Med. 2021;18(3):e1003583. PMID: 33780438 DOI: 10.1371/journal.pmed.1003583
  3. Wang Z et al. Different meta-analysis methods can change judgements. BMJ Evid Based Med. 2023;28(2):126-132. PMID: 36732029 DOI: 10.1136/bmjebm-2022-112053
  4. Crocker TF et al. Risk-of-bias assessment using Cochrane’s revised tool (RoB 2). J Clin Epidemiol. 2023;161:39-45. PMID: 37364620 DOI: 10.1016/j.jclinepi.2023.06.015

稿件咨询

正在准备这个方向的稿件?

留下研究方向与稿件阶段,博士、医学博士与统计专家会通过邮件给出审阅方向。

  • 博士 · 医学博士 · 统计 · 学科专家团队协同审阅
  • 无需预付即可开始,初稿交付后再付款
  • 遵循院校/机构规定与国家科研诚信规范,并遵循 COPE · ICMJE;严格保密
  • 一个工作日内邮件回复

    类似文章