一个亚组显著、另一个不显著，为什么还不能说疗效不同：交互作用、多重比较与预设分析

一项试验的总体结果接近无效，森林图却显示年轻组的置信区间没有跨过无效线，年长组跨过了。报道于是写成“治疗只对年轻人有效”。这句话看似顺着图表，却跳过了最重要的一步：两组疗效是否真的不同，并没有由两个独立的组内显著性直接检验。

亚组结果值得调查，因为不同患者确实可能有不同获益与风险。问题不在能否看亚组，而在怎样区分视觉信号、统计交互和足以改变决策的可信证据。图上一个点落在左边，只是分析起点。

一显著一不显著为什么不是差异证据

年轻组的组内检验询问：在年轻受试者中，观察到的数据与“治疗无效”是否相容。年长组的检验询问另一个问题。两个亚组分别显著与否不是治疗效果差异的直接检验，因为两项结果还同时受到样本量、事件数、变异和区间宽度影响。

假设年轻组估计风险比为0.78，区间0.61至0.99；年长组为0.82，区间0.62至1.08。前者刚好没有跨1，后者跨1，但点估计非常接近。把它写成相反疗效，实际是把显著性门槛两侧的微小区间差异放大成生物差异。

真正的比较要问治疗效果是否随年龄组改变，也就是治疗与亚组因素的交互。交互作用比较两个效应，而不是分别把每个效应与无效值比较。即使如此，一个名义上显著的交互结果也只是证据的一部分。

森林图要同时看哪些数字

EMA要求森林图同时展示亚组和互补亚组的效应估计与置信区间。若显示年轻组，就应显示其余年龄组；若显示某地区，也应显示其他地区。只截取表现最好的子集，会让读者无法判断它与整体之间的关系。

总体效应提供参考中心。亚组估计在总体结果上下波动是抽样中的自然现象。一个亚组高于平均，互补亚组在数学上往往低于平均；两者不是彼此独立的新试验。

区间宽度反映精度。小亚组或事件稀少的组别通常有宽区间，既可能容纳很大获益，也可能容纳无效甚至伤害。区间跨线说明证据不足以排除无效，不等于已经证明没有效果。

森林图还要看展示了多少因素。年龄、性别、地区、疾病严重度、肾功能、既往治疗和生物标志物若同时出现，每个因素又有多个分类，读者看到的点和区间会快速增加。极端点出现的机会随之上升。

为什么亚组越多越容易出现亮点

EMA指出，多个亚组因素和连续变量的不同切点会引入多重性，使同一资料仅因偶然就出现矛盾结果。每增加亚组因素、切点或终点都会增加看见偶然极端估计和错误结论的机会。

年龄本来是连续变量，可以切成小于65岁与至少65岁，也可以改成60岁或70岁；还可以分成四档。研究者若看过结果后选择最明显的切点，图上差异会比真实差异更夸张。

同样的问题也发生在多个终点。FDA指出，单一试验分析的终点越多，若没有适当管理多重性，对至少一个药物效果作出错误结论的机会就更值得担忧。终点、亚组和切点叠加后，选择空间更大。

这不表示应把所有亚组结果丢掉。EMA明确认为，重要亚组不能未经调查就假设与总体完全一致。正确做法是把多重性视为降低孤立亮点可信度的理由，再寻找事前依据、机制和重现。

交互作用检验能做什么

交互作用检验用于评估治疗效果是否随亚组因素变化。相较于比较两个组内p值，它更接近真正问题。若交互信号和效应差异都明显，就值得进一步调查。

不过EMA指出，现有交互作用检验可能缺乏发现临床重要不一致的能力。亚组大小不平衡时，能力会进一步下降。没有显著交互不能证明所有组完全相同。

反过来，孤立的交互p值也不足以作决定。亚组数量很多时，偶然显著仍会出现；模型选择和效应尺度也会改变交互表现。相对风险尺度可能看似一致，绝对风险差却因基线风险不同而明显不同。

因此，交互作用检验可能能力不足且受模型尺度影响，不能单独确认或排除临床重要差异。它的合理角色是产生需要解释的信号，再与效应大小、区间、机制和外部证据结合。

统计差异还要转成临床差异

即使两个亚组的相对效果不同，也要判断差异是否足以改变获益风险。例如重症组基线事件率较高，相同20%相对下降可能带来较大的绝对获益；轻症组的绝对获益较小，治疗风险可能不再值得。

这意味着效应尺度不能只选最显眼的一种。相对风险、绝对风险差、事件率和治疗伤害要一起看。一个统计交互若只在某种模型或尺度出现，临床解释要特别谨慎。

安全性也可能不均匀。某亚组样本很小，没有观察到罕见严重事件，不代表该组更安全。整体试验的安全资料仍可能与该亚组的获益风险判断有关。

事前定义为什么提高可信度

在方案写明关键亚组，表示研究团队在看见结果前已有临床或药理理由。预设还可以提前决定分类、交互模型、分析顺序和多重性处理，减少看到数据后反复寻找最佳切点。

FDA建议在计划中对多个终点进行分组和排序，并用公认方法管理多重性。相同原则可帮助读者区分确认性问题和看完结果后的探索：分析顺序越清楚，结论被偶然亮点主导的空间越小。

预设不是免检通行证。一个预设亚组仍可能样本不足、基线失衡或没有临床重要差异。它只减少事后选择偏倚，并说明该问题原本就被认为重要。

未预设发现也不是毫无价值。它可以揭示新机制、风险人群或下一项试验的假设。准确标签应是探索性或假设生成，而不是立即写成确定治疗建议。

生物合理性要在结果之外成立

可信差异通常需要一个不依赖当前森林图的解释。肾功能可能改变药物暴露，特定受体状态可能影响作用路径，疾病阶段可能改变可逆空间。这些理由最好在试验前已有资料支持。

若解释是在看到亮点后才临时提出，几乎任何分组都可能找到故事。EMA因此把生物或药理合理性与事前定义、重现共同列为可信度核心，而不是只要求一个听起来顺畅的机制。

还要区分预后因素与预测因素。预后因素关联患者结局，无论接受哪种治疗都可能不同；预测因素则改变治疗相对效果。某亚组风险较高，并不自动表示治疗在该组更有效。

基线平衡为什么会在亚组里变脆弱

随机化在整体样本中平衡已知和未知特征，但切成小亚组后，治疗组与对照组可能再次出现偶然不平衡。某年龄亚组中的病情严重度、合并用药或地区构成差异，可能推动表面疗效。

EMA建议先检查亚组内基线特征，并在必要时评估调整是否解释总体与亚组估计差异。这不是为了把不喜欢的结果调整掉，而是判断观察差异是否来自治疗之外的组成变化。

若亚组由治疗后变量定义，问题更严重。治疗本身可能改变这个变量，按它分组会破坏原随机比较。亚组通常应由基线时已经测量的因素定义。

独立重现怎样改变证据等级

一个试验中的极端亚组估计可能来自偶然。若另一项独立试验、较早阶段研究或相近外部资料显示相同方向和相似幅度，可信度会上升。重现应包括互补亚组的模式，而不只复制表现好的组。

单一大试验若没有外部资料，仍可能留下不确定性。此时需要更强的机制依据、更极端且临床重要的差异，以及更严格的基线和敏感性检查。用亚组“挽救”总体失败试验，通常不能形成新的确认性结论。

组内显著性、交互作用讯号和可用于决策的可信亚组结论属于三个不同证据层级。第一层最容易产生，第二层直接比较效果但仍可能偶然，第三层还要求预设、临床重要性、机制、完整获益风险和重现。

一张森林图的逐项阅读记录

先写总体主要结果：效应尺度、点估计、置信区间、事件数和结论。总体结果若失败或非常不确定，后续亚组应明确标为探索，不能假装总体问题不存在。

再列每个亚组因素的定义。连续变量的切点是否预设，分类是否具有临床意义，亚组是否由基线信息形成。临时改变年龄界线或合并类别，需要作为事后选择记录。

然后记录总体效应、亚组与互补亚组区间、交互作用、预设状态、样本量、机制、基线平衡和独立重现。区间宽度和事件数应与点估计放在同一行，避免只抄一个方向。

多重性部分写清共查看多少亚组、终点和时间点，是否存在分析层级或控制错误结论的策略。若论文没有说明，就把它列为信息缺口。

临床解释部分写清差异在相对和绝对尺度上是否重要、治疗风险是否改变结论，以及有没有独立资料支持。只有这些证据同向，亚组结果才可能从亮点升级为可靠差异。

受控例子：年龄森林图应该怎么改写

原始报道是“治疗只对年轻人有效”。证据安全的第一版应写：“年轻组估计指向获益且区间未跨无效线；年长组区间较宽并跨线。两个组内结果本身不证明治疗效果因年龄而异。”

若交互作用没有明显信号，补充：“当前资料没有提供充分的组间差异证据，但年长组精度有限，不能据此确认两组相同。”这同时避免假阳性和假阴性断言。

若交互出现信号，却未预设且多个亚组被检查，应写：“年龄差异属于探索性信号，需要结合切点选择、基线平衡、机制和独立试验重现。”不能直接把它写进个体治疗规则。

若该亚组预设、机制明确、效应差异临床重要且在另一试验重现，结论才可提高：“证据支持年龄可能修饰治疗效果，适用范围仍以研究人群。效应尺度和完整获益风险为限。”

结论停在证据等级

森林图不是装饰，也不是自动判定器。一个亚组显著、另一个不显著，常常只是精度不同；交互作用更接近组间问题，却仍受样本量、多重性、模型和尺度影响。

可信亚组结论需要有根据的事前定义、生物或药理合理性、效应大小与区间、互补亚组、基线平衡、完整获益风险和独立重现。缺少这些证据时，准确标签是需要验证的信号。

这些阅读方法不能重新分析个别试验，也不能给出个人治疗选择。它们的作用是阻止一条显著性边界，把不确定的局部结果包装成确定的人群差异。

用数值例子拆开三种容易混淆的情形

情形一是点估计接近、精度不同。甲组风险比0.75，区间0.58至0.97；乙组0.78，区间0.55至1.11。甲组名义显著，乙组不显著，但两组中心值几乎相同。合理解释是乙组资料较少，不能说疗效方向相反。

情形二是点估计差得较远、区间都很宽。甲组0.55，区间0.25至1.20；乙组1.10，区间0.72至1.68。图上方向不同，却因事件稀少而不精确。交互检验可能也没有足够能力；此时应把差异列为待验证信号，而不是确认一致或确认异质。

情形三是点估计和区间显示稳定差异，且交互作用有信号。若该因素在方案中预设、有剂量或机制依据、亚组内基线平衡，并在第二项试验重现，可信度会明显提高。可用于决策的结论来自证据组合，不来自p值单独过线。

这三个例子也说明为什么“没有显著交互”不等于证明效果完全相同。检验能力不足会造成假阴性；特别是少见亚组与互补亚组人数悬殊时，重要差异仍可能无法达到常用阈值。读者需要同时报告不确定性，而不是把未显著译成无差异。

连续变量不应被任意切成两半

年龄、肾功能和基线风险本来是连续变量。把年龄切在65岁会制造一道人工边界：64岁与65岁被放在不同组，50岁与64岁却被当作相同。若改变切点就得到完全不同故事，结果对分类方式不稳健。

EMA建议先尊重变量原有形式，必要时展示治疗效果如何随连续范围变化。若最终需要临床分类，切点应有外部依据或事前定义，并检查不同合理切点下结论是否稳定。

同时试过60、65、70和75岁，再只报道最显著切点，是典型选择偏倚。每次切分都增加新的比较，也会把偶然噪声包装成精确门槛。文章应说明尝试过哪些切点，而不是只留下胜出的数字。

治疗后变量通常不适合定义传统亚组。例如按“治疗后指标下降者”分组，会让治疗本身影响分组资格，破坏原随机化。基线亚组回答治疗前哪些人可能不同，治疗后反应者分析回答的是另一类问题。

多个相关亚组并不是多份独立证据

年龄、肾功能、合并用药和疾病严重度往往彼此相关。同一批年长受试者可能同时进入肾功能较差、用药较多和高风险组。三张森林图出现相似模式，未必代表三次独立重现，可能只是同一基础因素在不同标签下重复出现。

独立重现要求新的数据来源，例如另一项随机试验或在相近条件下收集的外部证据。把同一试验反复切分不能替代重现，也不能靠合并多个相关标签增加证据票数。

若多个相关因素都显示不一致，可用临床和统计模型探索哪个因素更接近真正效应修饰。模型仍需防止过度拟合，并公开选择过程。探索的目标是提出可验证假设，而不是从现有资料中制造唯一答案。

负向亚组信号同样不能轻率忽略

多重性常被用来质疑看起来特别好的亚组，但不利信号也需要审查。某关键人群点估计显示效应明显减弱或风险增加时，不能只因总体结果阳性就删除该行。

EMA强调亚组调查服务完整获益风险评估。若不利模式有机制依据、涉及重要人群或可能改变治疗风险，即使统计证据不确定，也可能需要进一步研究、警示或更谨慎的适用范围。

对正向亮点和负向警讯应使用同一可信度框架：查看预设状态、效应与区间、互补亚组、基线平衡、机制和重现。只严格审查不利结果、却接受有利结果，会产生方向性选择。

实际记录还应保留分析所用效应尺度与模型。风险比上的交互未必会在风险差上保持相同强度，比例风险假设不成立时，单一危险比也可能掩盖随时间变化的效果。若不同合理模型得到不同结论，应把这种模型依赖列为限制，而不是挑选最支持叙事的一项结果。这样才能区分稳健的人群差异与分析选择造成的表面差异。

资料来源

• European Medicines Agency：《Guideline on the investigation of subgroups in confirmatory clinical trials》，发布或更新于 2019-01-31
• U.S. Food and Drug Administration：《Multiple Endpoints in Clinical Trials Guidance for Industry》，发布或更新于 2022-10-20