亚组分析交互作用的P值计算及其可视化

首先从一篇JCO 的图表说起

举例文章

文章的目的是为比较HAIC与TACE对于大肝癌的治疗效果，研究设计为前瞻性随机对照三期临床试验，最后获得了一个阳性结果，既HAIC疗效优于TACE。

在得到阳性结果后，为了进一步观察结论在不同亚组中是否和总人群一样，既结果的稳健性。作者进行了亚组分析并绘制了森林图，如下图

举例文章的亚组分析森立图

可以从图中看到，在年龄的亚组分析中，虽然小于50岁和大于50岁患者都可以从HAIC治疗获益（HR值小于1且95%CI不过1），但是其交互作用p for interaction为0.01。HAIC治疗治疗在不同年龄分组之间的差异是有统计学意义，换句话说，就是说HAIC治疗对于年青组获益更多。

亚组分析的交互作用P值可以确定干预在不同亚组的区分是否有统计学意义，这种分析可以从一个侧面反应研究结果的可靠性。另外，其可以用于探索某个干预的浅在获益人群。

以下利用R语言的QualInt计算这种交互作用的P值

R包官方说明 形式参数 形式参数定义

以下进行代码举例

以下绘制连续变量为结果变量

##以下绘制连续变量为结果变量
ynorm <- rnorm(300)
trtment <- sample(c(0, 1), 300, prob = c(0.4, 0.6),replace = TRUE)
subgrp <- sample(c(0, 1, 2), 300, prob = c(1/3, 1/3, 1/3),replace = TRUE)
test1 <- qualint(ynorm, trtment, subgrp)
plot(test1)
print(test1)

连续变量绘图结果
连续变量统计学结果

以下进行二分类变量的计算

##以下进行二分类变量的计算
ybin <- sample(c(0, 1), 300, prob = c(0.3, 0.7),
               replace = TRUE)
test5 <- qualint(ybin, trtment, subgrp,type = "binary",
                 scale = "OR", test = "IBGA")

plot(test5)
print(test5)

二分类变量结果

以下进行生存变量为结果变量计算

##以下进行生存变量为结果变量计算
time <- rpois(300, 200)
censor <- sample(c(0, 1), 300, prob = c(0.7, 0.3),
                 replace = TRUE)
test7 <- qualint(Surv(time, censor), trtment, subgrp,
                 type = "survival", test = "IBGA")
plot(test7)
print(test7)

结果图