首先从一篇JCO 的图表说起
![](https://img.haomeiwen.com/i22546862/c4f4cf9578ac876a.png)
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
![](https://img.haomeiwen.com/i22546862/4a20beecf2eacd0a.png)
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
![](https://img.haomeiwen.com/i22546862/4caf5cc261c16707.png)
![](https://img.haomeiwen.com/i22546862/aa314aced5a3356f.png)
![](https://img.haomeiwen.com/i22546862/a42e14248fcea97d.png)
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)
![](https://img.haomeiwen.com/i22546862/cd85bbf20441b765.png)
![](https://img.haomeiwen.com/i22546862/9188cd0ae6be4d86.png)
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)
![](https://img.haomeiwen.com/i22546862/08f62a43cebef270.png)
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)
![](https://img.haomeiwen.com/i22546862/f401640274917594.png)
网友评论