论文实例1：柳叶刀子刊2015年发表的一篇抗肿瘤药物的RCT研究。图3是文章核心结果，Cox回归分析得出HR。X是两种抗肿瘤药物（阿片碱与厄洛替尼相比），Y是死亡。Afatinib versus erlotinib as second-line treatment of patients with advanced squamous cell carcinoma of the lung (LUX-Lung 8): an open-label randomised controlled phase 3 trial. The Lancet Oncology, 2015. SCI IF=33.9
（点击图片把手机横着放可查看大图）
第一行是总人群（Total）的分析结果，HR=0.81表明阿片碱与厄洛替尼相比，死亡风险降低19%。下面的都是分层分析的结果，在不同种族（Ethnic origin）、性别（Sex）等的人群中分别研究X和Y的关系。
例如，上图按性别分层的结果解读为：男性（Male）中HR=0.82表明，在男性中阿片碱与厄洛替尼相比死亡风险降低18%；女性（Female）中HR=0.77表明，在女性中阿片碱与厄洛替尼相比死亡风险降低23%；最后一列是交互作用检验的P值（P interaction）为0.7032，表明男性和女性中药物治疗和死亡关系的差异不显著，也就是说前面HR的0.82和0.77的差异不显著，不能认为药物治疗和死亡的关系在不同性别中不一样。
做交互作用检验的好处是：按不同变量分层分析，交互作用P值不显著，表明不同层结果一致，文章结果可靠。
再看例2：一篇2012年NEJM的文章，研究PCI与药物治疗相比对于稳定型冠心病患者血流储备分数的作用。下图是文章核心结果。Fractional Flow Reserve–Guided PCI versus Medical Therapy in Stable Coronary Disease. New England Journal of Medicine, 2012. SCI IF=72.4
我们以心梗为例，看到在≤7天时RR=7.99，表明PCI组的心梗发生风险是药物组的7.99倍（p=0.04）；第8天至随访最大天数的RR=0.52，表明PCI组的心梗发生风险比药物组低48%（p=0.16）。也就是说短期（7天内）PCI组心梗风险高，长期（8天开始）PCI组心梗风险不再高，反而有降低的趋势，只是P值不显著。最后一列的交互作用检验（P value for Interaction）表明短期和长期作用显著不同（p=0.007）。这可能是文章的亮点，因为发现了短期和长期效应是显著不同的。
另外，上图用到了Landmark的分析方法，具体内容可以点击蓝色链接，参考之前的微信文章：生存曲线交叉怎么办？Landmark分析
如何做交互作用检验呢？
例如：分析体质指数和高血压的关系，分层变量是性别并且做交互作用检验。易侕软件操作为：选择数据分析菜单下的“交互作用检验”模块。
设置“结果变量”为是否高血压（HBP），“暴露变量”为体质指数（BMI），“效应修饰因子”为性别（sex），点击“查看结果”。
结果出来了，最后一列就是交互作用检验的P值，前面还列出了不同性别的回归分析结果。对！就是这么简单！
惊不惊喜！开不开心！
适用范围：
X和Y可以是分类变量也可以是连续变量；
做交互作用检验的变量可以是二分类或多分类变量，如果原始数据是连续变量需要转换为分类变量，例如年龄（岁）需要转换为年龄组。
各种研究类型都可以做：RCT、队列、病例对照、横断面等。
好处：
交互作用P值不显著，表明不同层结果一致，文章结果可靠（如例1）
交互作用P值显著，表明不同层结果不一致，可能是文章的亮点（如例2）
统计学方法描述可以参考用易侕软件发表的SCI论文中的写法，注意：需要写做了Interaction and stratified analyses。参考文献：Hyperhomocysteinaemia is an independent risk factor of abdominal aortic aneurysm in a Chinese Han population. Scientific Reports, 2016.
注：关于交互作用检验原理，可以自学《流行病学数据分析与易侕统计软件实现》教材第四章内容。
联系客服
