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