含治愈个体生存资料的亚组识别研究

目的基于K指数构建一个用于检验生存资料是否存在亚组的统计量,若存在亚组则利用亚组相关协变量建立亚组判别模型预测病人的亚组身份。方法基于AFT模型与AFTMC模型所得K指数构建统计量K sub检验生存资料是否存在亚组,当存在亚组时构建统计量K off寻找区分亚组的最佳时间点,并确定每位患者的亚组身份,进而建立亚组判别模型。结果K sub的Ⅰ类错误基本控制在0.05以内,检验效能在多数情况下能够保持较高水平,但当样本量较少、治愈率低以及删失率较高时,K sub的检验效能下降。在用K off寻找到区分亚组的最佳时间点T(off)之后,在自定义的四种方法中,方法三识别患者亚组身份的平均灵敏度、特异度和准确度分别为86.8%、82.5%和89.7%,标准差分别为4.1%,5.3%和6.7%。在与自定义的四种方法相对应的四个判别模型中,模型三预测新入组患者亚组身份的平均灵敏度、特异度、准确度和AUC均最高(分别为93.1%、77.5%、82.7%和87.6%),波动范围均最小(标准差分别为6.7%、7.2%、5.1%和3.3%)。结论生存资料可用统计量K sub检验是否存在亚组。若存在亚组,方法三能够准确和稳定地识别患者的亚组身份,模型三能够有效地预测新入组患者的亚组身份。

高维纵向数据的亚组识别方法及应用

在高维纵向数据建模的背景下,构建了一种数据驱动的亚组识别方法,将极大极小凹惩罚方法和同质划分方法结合起来,并基于二值分割法对回归系数之间的变点进行识别。通过统计模拟实验,将所构建的亚组识别方法和其他6种方法进行对比,检验了所构建的亚组识别方法的性能。通过一个实例数据的分析,即国内各地区生产总值和产业结构的建模,进一步阐述了该方法的优势。

基于Logistic模型的亚组识别方法

目的基于Logistic模型,提出一种适用于结局为二分类变量的阳性对照、双臂临床试验的亚组识别方法,并利用亚组相关协变量建立亚组人群判别模型。方法首先基于两处理组,分别建立二分类Logistic回归模型,计算出每一个患者在不同处理组内的阳性概率并进行比较,然后根据所建立的规则将患者分到各自对应的亚组中,建立多分类Logistic模型。模拟不同样本量下的错判率、正确判断率、符合率和模型判对率且进行实例分析。结果不同样本量下,错判率均在0.07以下;正确判断率均达到0.75以上;符合率和模型判对率分别在72%以及92%以上。结论本研究所提出的亚组识别方法是一种有效可靠的亚组识别方法。

基于Adaptive Elastic Net与加速失效时间模型的亚组识别方法的应用拓展

目的针对适应性设计下的Adaptive Elastic Net与加速失效时间模型亚组识别方法进行更多适用条件下的研究,以获得该方法最佳应用效果所对应的参数。方法基于前期所提出的亚组识别方法,进一步探讨协变量间相关性、二阶段显著性水准([α1]和[α2])、协变量与样本量比例对该方法的影响。通过模拟研究,探讨含/不含协变量主效应的惩罚模型在不同情形下的亚组识别效果。结果协变量间的相关性r=0、0.3、0.5时,检验效能(power)表现稳定;在二阶段自适应设计中,当[α1]和[α2]分别为0.035和0.015时,模型的power最高;固定样本量n的情况下,power随着待选协变量个数与n比例的上升而下降,比例升到1之后power呈现平稳趋势;对于不同生存时间的参数分布,单变量模型表现出不同的模式,而惩罚AFT模型相对稳定。结论协变量间的相关性不影响检验power;(0.035,0.015)可作为自适应设计显著性水准的参考设置;获益亚组与非获益亚组间的治疗效果差异较小时,含协变量主效应的惩罚性AFT模型(Penalized,Eq_in)优于不含协变量主效应的单变量AFT模型(Univariate,Eq_ex);当协变量数量与样本量的比值小于1时,“Univariate,Eq_ex”的power更高;否则,“Penalized,Eq_in”的效果会更好;生存数据的参数分布对单变量模型的影响较大,但对惩罚模型的影响较小。

癌症症状群亚组研究的文献计量学分析

目的应用文献计量学方法分析国内外癌症症状群亚组的研究现状及存在问题,为今后该领域的研究提供参考。方法在中国生物医学文献数据库(CBM)、维普中文生物医学期刊数据库(VIP)、中国知网、万方数据库、PubMed、Ebsco、Web of science中进行检索,收集自建库至2018年10月公开发表的有关癌症症状群亚组的研究文献,并进行描述性统计分析。结果最终纳入文献16篇,发文量从2009年开始呈上升趋势,其中1篇国内文献,其余为国外文献,横断面研究和纵向研究各8篇。当前的症状群亚组研究热点主要包括:(1)纳入分析的症状群内症状数目3～13个,以疼痛-疲乏-睡眠障碍-抑郁症状群为主,每篇文献探索到的症状群亚组数量2～6个。(2)基于不同依据进行特定症状群亚组分析;(3)症状群各亚组患者在人口学资料、临床特征及生活质量上的差异;(4)症状群亚组与分子水平(炎症因子、炎症基因等)的关系。结论近几年癌症症状群亚组研究已受国内外学者关注,但存在地域发展不平衡、研究方法不统一等问题。需开展高质量的症状群亚组识别研究,使纳入人群更加具体、方法更趋科学统一,并关注癌症症状群亚组对患者结局的影响以及症状群发生的机制,从而促进未来临床实践中癌症症状群的管理。