跳转至

Testing for subgroup treatment effect consistency in the Cox model

作者: Lukas Koletzko, Holger Dette, Bj\"orn Bornkamp, Frank Bretz, Zoe Kristin Lange
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.02591

一、领域脉络与小综述

这个方向是什么

这个子方向解决的根本问题是：在临床试验中，当整体治疗效果被证实后，如何形式化地检验该效果在特定患者亚组中是否“足够一致”，从而支持将整体结论推广到亚组。其核心统计挑战在于，传统的交互检验（H0: β_TS = 0）只能回答“亚组间效果是否精确相等”，但无法回答“差异是否小到临床可忽略”。因此，该方向将问题重新框架为等价性检验（equivalence testing），即检验 H0: |差异| ≥ θ_c vs H1: |差异| < θ_c，其中 θ_c 是预先指定的临床可接受边界。当前该方向的成熟度处于方法扩展期：从连续/二元结局向生存数据（Cox模型）推广，并探索更高效的检验程序。

发展脉络（history）

  1. 奠基工作：交互检验的局限性与等价检验的引入

    • Brookes et al. (2001) 通过模拟量化了亚组分析中假阳性和假阴性的风险，指出传统交互检验在样本量不足时功效极低，而在样本量过大时又会检测出临床无关的微小差异。这为转向等价性检验提供了核心动机。
    • Berger (1982) 提出了交集-并集原则（IU principle），为TOST（双单侧检验）提供了理论基础，该原则是后续所有等价检验的基石。
    • Romano (2005) 建立了等价检验的渐近最优性理论，给出了正态均值参数下UMP检验的构造，为本文“更高效”的新检验提供了直接的理论模板。

  2. 主要进展：等价检验在亚组分析中的具体化

    • Ring et al. (2018) 和 Grill et al. (2020) 是本文最直接的前驱。Ring et al. (2018) 在广义线性模型（GLM）框架下提出了亚组一致性的TOST程序。Grill et al. (2020) 则针对二元结局和逻辑回归模型，提出了一个基于区间包含原则的一致性检验，并比较了亚组-亚组一致性与亚组-总体一致性。本文引用Grill et al. (2020)时指出，其工作“为二元结局的逻辑回归模型开发了一个新检验”，而本文的目标是将这一框架扩展到生存数据。
    • Dette et al. (2018) 和 Möllenhoff et al. (2020) 发展了回归曲线等价性的一般理论，为处理更复杂的参数/非参数结构提供了工具。本文将其视为“近期等价检验发展”的一部分，并从中汲取了构造更高效检验的灵感。

  3. 当前Frontier与本文位置

    • 生存数据与Cox模型：已有工作（如Furberg et al., 2021; Shen, 2023）考虑了生存函数的等价性检验，但本文明确指出，这些工作“处理的是不同的推断目标，并未直接考虑跨临床相关亚组的治疗效果一致性”。本文的贡献在于，将等价检验框架首次系统性地应用于Cox比例风险模型中的亚组治疗效果一致性，并针对两个具体设定（亚组间、亚组与总体）开发了两种检验（TOST和新检验）。
    • 设计导向 vs. 推断导向：Liao et al. (2018) 和 Wu et al. (2020) 的工作聚焦于多区域等效性试验的样本量分配等设计问题，而非直接的统计推断。本文明确将自己定位为“推断导向”，填补了“形式化检验”的空白。

子线索聚类

  • 线索一：传统交互检验及其局限性 (Brookes et al., 2001; Wang et al., 2015; Foster et al., 2016; Shieh, 2017)。这些工作主要关注如何检测交互作用，但本文指出其根本缺陷在于“零假设是精确相等，这在医学实践中几乎不可能成立”。
  • 线索二：等价检验的理论与方法 (Berger, 1982; Romano, 2005; Dette et al., 2018; Möllenhoff et al., 2020; Binder et al., 2022; Bastian et al., 2023)。这一簇提供了检验 H0: |参数| ≥ θ_c 的通用框架和最优性理论。本文的新检验直接继承了Romano (2005) 的思想。
  • 线索三：亚组一致性的具体应用与推广 (Ring et al., 2018; Grill et al., 2020; Liao et al., 2018; Wu et al., 2020; Dette et al., 2025)。这一簇将等价检验应用于临床试验的亚组分析，但主要限于连续/二元结局或设计问题。本文是将其推广到生存数据（Cox模型） 的关键一步。

这个方向在追问的核心问题

  1. 如何定义“一致性”？ 是亚组间效果一致，还是亚组与总体效果一致？后者又依赖于总体效果的加权定义（如 HR_pop = (1-p)HR_0 + p HR_1）。
  2. 如何选择一致性边界 θ_c？ 这本质上是临床而非统计问题，但统计方法需要能处理给定的 θ_c，并提供数据驱动的选择（如通过序贯拒绝原则找到最小可拒绝的 θ_c）。
  3. 如何构造更高效的检验？ TOST因使用交集-并集原则而保守。能否利用渐近正态性构造类似UMP的检验？本文的算法1-3正是对此的回应。
  4. 如何处理更复杂的设定？ 如非比例风险、多个亚组、连续效应修饰因子等。本文在结论中明确将其列为未来方向。

⚠️ 作者的Framing

  • 作者把缺口frame成什么？ 作者将缺口描述为：尽管已有等价检验在GLM和二元结局中的应用，但缺乏在Cox模型下针对生存数据的系统性形式化框架。他们将自己的工作定位为“显然的下一步”，即把Ring et al. (2018)和Grill et al. (2020)的思想从GLM/逻辑回归“自然地”扩展到Cox模型，并同时引入Romano (2005)的更高效检验。
  • 哪些竞争路线被淡化或回避了？
    • 非参数/半参数方法：作者完全依赖于Cox模型的比例风险假设。他们没有讨论或比较基于限制平均生存时间（RMST）或里程碑生存概率等更稳健的生存分析方法的等价检验。这些方法不依赖PH假设，但可能涉及更复杂的推断（如方向可微性，见Fang & Santos, 2014; Cárcamo et al., 2019）。
    • 置换检验：Wang et al. (2015)和Foster et al. (2016)提出的置换检验可以处理复杂的交互检验，但作者仅将其作为“传统交互检验”的代表提及，并未讨论将其改造为等价检验的可能性。
  • 什么明显该被引/该存在、却没出现在intro里？
    • 关于方向可微性的文献：本文在证明算法3（max{p,1-p}权重）的渐近性质时，遇到了权重函数在 p=0.5 处不可微的问题，并引用了Fang & Santos (2019)和Cárcamo et al. (2020)来处理。但在引言中，作者并未提及这一技术难点，也未将方向可微性作为该领域的一个已知挑战或工具来介绍。对于熟悉半参数理论的读者，这是一个值得注意的“隐藏”技术核心。
    • 关于因果推断中“异质性”的广泛文献：本文的“一致性”本质上是因果效应异质性的一个特例。但引言完全没有引用因果推断领域关于异质性检验、CATE估计、甚至敏感性分析的庞大文献（如Künzel et al., 2019; Athey & Imbens, 2016）。这暗示作者可能主要从生物统计/临床试验而非因果推断的视角切入。

张力

未见明显对立引用。所有被引工作基本都认同传统交互检验的局限性，并朝着等价检验或更稳健的异质性评估方向发展。主要张力在于方法选择（如参数模型vs.非参数、TOST vs. 最优检验），而非根本性的理论冲突。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • T_i: 第 i 个患者的真实生存时间（连续、正随机变量）。
    • C_i: 第 i 个患者的删失时间。
    • T_obs,i = min(T_i, C_i): 观测到的随访时间。
    • δ_i = I{T_i ≤ C_i}: 事件指示符（1=事件，0=删失）。
    • X_iT: 治疗组指示符（0=对照，1=治疗）。
    • X_iS: 亚组指示符（0=亚组S0，1=亚组S1）。
    • β = (β_T, β_S, β_TS)^T: 未知参数向量。β_T 是治疗主效应，β_S 是亚组主效应，β_TS 是治疗-亚组交互效应。这是核心参数。
    • h_0(t): 未知的基线风险函数。
    • θ_c: 预先指定的临床可接受一致性边界（>0）。
    • p: 总体中亚组S1的比例（未知参数）。
    • n: 总样本量。
    • ˆβ: 部分似然估计量。
    • ˆσ_ˆβ_TS: ˆβ_TS 的渐近标准误的估计量。
    • q_α^*: 基于折叠正态分布的临界值。

  • 模型：Cox比例风险模型，包含交互项： h(t | X_i = x_i) = h_0(t) * exp(β_T x_iT + β_S x_iS + β_TS x_iT x_iS) 该模型假设风险比（hazard ratio）随时间恒定（PH假设），且效应在log尺度上是线性的。

  • 可观测数据：研究者能观测到的是 {T_obs,i, δ_i, X_iT, X_iS} 对于 i=1,...,n。无法直接观测到的是：真实的生存时间 T_i（被删失）、基线风险函数 h_0(t)、以及潜在结果（counterfactual survival times）。所有关于治疗效果的推断都依赖于Cox模型的PH假设和部分似然方法。

第二步：讲最小内核

本文的核心数学问题可以归结为：如何检验一个渐近正态估计量的绝对值是否小于一个给定阈值？

最简特例（首选）：假设我们只有一个参数 µ，其估计量 ˆµ 渐近服从 N(µ, σ²/n)，且 σ² 已知。我们想检验： H0: |µ| ≥ θ_c vs H1: |µ| < θ_c

在这个特例下，本文的两种方法退化为：

  1. TOST (双单侧检验)：

    • 同时检验两个单侧假设：H01: µ ≥ θ_c 和 H02: µ ≤ -θ_c。
    • 如果 ˆµ - z_{1-α} * (σ/√n) > -θ_c 且 ˆµ + z_{1-α} * (σ/√n) < θ_c，则拒绝 H0。
    • 等价于：|ˆµ| < θ_c - z_{1-α} * (σ/√n)。
    • 这个检验是保守的，因为它要求置信区间完全落在 (-θ_c, θ_c) 内。

  2. 新检验（基于Romano, 2005）：

    • 考虑在 H0 边界上（即 |µ| = θ_c）最不利的情况。假设 µ = θ_c，那么 ˆµ ~ N(θ_c, σ²/n)。我们关心 |ˆµ| 的分布，即折叠正态分布（folded normal distribution）。
    • 计算该折叠正态分布的 α 分位数 q_α^*，即满足 P(|N(θ_c, σ²/n)| < q_α^*) = α 的 q_α^*。
    • 如果 |ˆµ| < q_α^*，则拒绝 H0。
    • 为什么更高效？ 因为TOST的拒绝域是 |ˆµ| < θ_c - z_{1-α} * (σ/√n)，而新检验的拒绝域是 |ˆµ| < q_α^*。可以证明，对于相同的 α，q_α^* > θ_c - z_{1-α} * (σ/√n)，因此新检验的拒绝域更宽，功效更高。当 n→∞ 时，q_α^* → θ_c，两者渐近等价。

本文的一般情形：就是将上述特例中的 µ 替换为 β_TS（亚组间一致性）或 w(p) * β_TS（亚组与总体一致性），并处理 σ² 未知（需估计）以及 w(p) 也需估计所带来的额外复杂性（如delta方法、方向可微性）。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在Cox比例风险模型下，针对生存数据，如何形式化地检验两个互补亚组间的治疗效果是否一致，以及亚组治疗效果与总体治疗效果是否一致。
  2. 核心工具/方法：将问题框架为等价性检验（H0: |差异| ≥ θ_c），并开发了两种检验程序：一种是基于交集-并集原则的经典双单侧检验（TOST），另一种是模仿正态均值参数UMP检验的、基于折叠正态分布临界值的新检验。
  3. 主要结论：证明了所有检验的渐近有效性。模拟研究表明，新检验在控制第一类错误的同时，始终比TOST更高效，尤其是在小样本和高删失率场景下。案例研究（CANTOS试验模拟数据）展示了方法的应用。

关键设定与假设

  • 核心设定：两个互补的、预先指定的二元亚组（如男/女）。治疗和亚组变量都是二元的。
  • 模型假设：
    1. Cox比例风险模型：公式(2.1)。这是最关键的参数假设，意味着风险比随时间恒定。
    2. 独立删失：生存时间 T_i 与删失时间 C_i 独立。
    3. i.i.d. 数据：(T_i, C_i, X_i) 独立同分布。
    4. 正则条件：满足Andersen & Gill (1982)中的条件A-D，以保证部分似然估计量的相合性和渐近正态性。
    5. （对于亚组-总体一致性）：存在一个对总体亚组比例 p 的相合且渐近正态的估计量 ˆp（如样本比例或基于模型的估计量），且 (ˆβ_TS, ˆp) 联合渐近正态（假设P1）。
    6. （对于算法3）：权重函数 w(p) = max{p, 1-p} 是Hadamard方向可微的，且其导数在 p=0.5 处是次可加的。这是一个比通常的可微性更弱、但处理起来更复杂的技术假设。
  • 相比已有文献的强化/放宽：
    • 强化：相比Grill et al. (2020)的二元结局逻辑回归，本文将其推广到更复杂的生存数据Cox模型，需要处理部分似然和删失。
    • 放宽：相比传统的交互检验（H0: β_TS=0），本文的零假设是 |β_TS| ≥ θ_c，这是一个更现实、更符合临床需求的设定。

主要结果

  • 定理7.1 & 7.2 (亚组间一致性)：证明了TOST（公式2.9）和新检验（算法1）对于检验 H0: |β_TS| ≥ θ_c 都是渐近有效的。即当 n→∞ 时，第一类错误收敛到 α（在边界上），功效收敛到1（在备择假设下）。
  • 定理7.3 & 7.4 (单个亚组与总体一致性)：证明了加权TOST（公式3.8）和新检验（算法2）对于检验 H0: w(p)|β_TS| ≥ θ_c 是渐近有效的，其中 w(p)=p 或 1-p。
  • 定理7.5 & 7.6 (两个亚组与总体一致性)：
    • 定理7.5证明了TOST（公式3.13）的渐近有效性。
    • 定理7.6证明了新检验（算法3）的渐近有效性，但有一个重要限制：当 p=1/2 时，由于权重函数 max{p, 1-p} 在这一点不可微，检验可能变得保守（limsup 的Type I error ≤ α，而非等于 α）。这是新检验的一个技术代价。
  • 模拟结果（表1 & 表2）：
    • 新检验 vs. TOST：在所有模拟场景下，新检验的功效都高于TOST。在小样本（n=200）和中高删失率下，TOST的功效几乎为0，而新检验仍能保持一定的功效（如5%-18%）。在边界上，新检验能更好地控制第一类错误在 α=0.05 附近，而TOST则严重偏低（甚至为0）。
    • 平衡 vs. 不平衡设计：平衡设计（n0=n1）比不平衡设计（n0=3n1）功效更高，且TOST在不平衡设计下功效损失更严重。
    • 删失的影响：高删失率会显著降低两种检验的功效，但新检验受影响较小。

证明路线与技术技巧

  • 整体路线：

    1. 建立渐近正态性：利用Andersen & Gill (1982)的经典结果，证明部分似然估计量 ˆβ 是渐近正态的，且其协方差矩阵可被一致估计。
    2. 构造检验统计量：对于TOST，直接构造 (1-2α) 置信区间，并检查其是否包含在 (-θ_c, θ_c) 内。对于新检验，计算在零假设边界（|β_TS|=θ_c）下 |ˆβ_TS| 的渐近分布（折叠正态），并取其 α 分位数作为临界值。
    3. 处理权重函数：对于亚组-总体一致性，需要处理 w(ˆp)ˆβ_TS。使用delta方法（当 w 可微时）或方向可微的delta方法（当 w 不可微时，如 max{p, 1-p}）来推导其渐近分布。
    4. 证明渐近有效性：分别证明在零假设内部、边界和备择假设下，检验的拒绝概率收敛到0、α 和1。关键在于处理边界情况，需要证明检验统计量的渐近分布是连续的，且临界值收敛到 θ_c。

  • 关键跳跃点：

    • 新检验临界值的确定：如何证明 q_α^*（折叠正态分布的 α 分位数）是 θ_c 的相合估计？证明依赖于 ˆσ_ˆβ_TS → 0，从而条件分布 N(θ_c, ˆσ²_ˆβ_TS) 退化到 θ_c，其分位数也收敛到 θ_c。这是证明新检验在零假设内部和备择假设下有效性的关键。
    • 算法3中 p=1/2 的处理：这是证明中最精细的部分。由于 max{p, 1-p} 在 p=1/2 处不可微，标准的delta方法失效。作者转而使用方向可微的delta方法（引用Fang & Santos, 2019; Cárcamo et al., 2020），并利用导数（w'_p(v)）的次可加性，最终只能证明 limsup 的Type I error ≤ α，而非等于 α。这解释了模拟中算法3在 p=0.5 时偏保守的现象。

  • 技术技巧点名：

    • 部分似然与计数过程：Andersen & Gill (1982)的鞅理论，用于证明 ˆβ 的渐近正态性。
    • Delta方法：用于推导 w(ˆp)ˆβ_TS 的渐近分布。
    • Hadamard方向可微性：用于处理 max{p, 1-p} 这类不可微但方向可微的函数。
    • Bootstrap Delta方法：用于证明算法3中临界值 q_α^* 的相合性。
    • 交集-并集原则（IU）：TOST的基础。
    • 折叠正态分布：新检验临界值的来源。

真实例子与应用

  • 数据/场景：模拟的CANTOS（Canakinumab Anti-inflammatory Thrombosis Outcomes Study）试验数据。该试验评估canakinumab对高危心血管疾病患者的疗效。模拟数据旨在近似真实试验的特征：n=5500，女性比例约25%（p=0.25），高删失率（约90%），并假设存在一个小的治疗-性别交互效应（β_TS = log(1.1) ≈ 0.10）。
  • 方法应用：
    1. 亚组间一致性（算法1）：检验男性和女性之间的治疗效果是否一致。设定 θ_c = log(1.6) ≈ 0.47。估计的 |ˆβ_TS| = 0.15。在 α=0.05 水平下，q_α^* = 0.12，由于 0.15 > 0.12，不能拒绝零假设，即不能声称男女间效果一致。但在 α=0.1 水平下，q_α^* = 0.20，可以声称一致。p值为0.06。
    2. 亚组与总体一致性（算法3）：检验女性和男性各自的效果是否与总体效果一致。max{ˆp, 1-ˆp} |ˆβ_TS| = 0.75 * 0.15 = 0.11。在 α=0.05 水平下，q_α^* = 0.21，由于 0.11 < 0.21，可以拒绝零假设，即声称两个亚组的效果都与总体一致。p值为0.01。
  • 结果说明：这个例子完美展示了两种检验的层次关系（Remark 3.2）。亚组间一致性（|β_TS| < θ_c）是更强的要求，在本例中未能以 α=0.05 证明。而亚组与总体一致性（max{p,1-p}|β_TS| < θ_c）是更弱的要求，因为权重 max{p,1-p}=0.75 缩小了需要检验的效应量，因此得以证明。这验证了理论，并展示了在实际应用中如何根据科学问题选择恰当的检验。

🔎 结论是否比证明窄

  • 算法3的保守性：定理7.6明确指出了当 p=1/2 时，检验是保守的（limsup Type I error ≤ α）。但在正文的结论和摘要中，作者仅笼统地说“证明了所有检验的渐近有效性”，没有特别强调这一限制。读者需要仔细阅读定理7.6才能发现这个“窄”的结论。
  • 模拟中的“小样本”：作者在模拟中展示了新检验在小样本（n=200）下的优越性，但定理的证明是渐近的。对于n=200这样的样本量，渐近理论是否足够好，作者仅通过模拟进行了验证，没有提供有限样本的理论保证（如Edgeworth展开）。因此，结论“新检验更高效”在有限样本下是一个模拟发现，而非严格证明。

四、开放问题

  1. 扩展到非比例风险：本文完全依赖于Cox模型的PH假设。当PH假设不成立时，如何定义和检验亚组治疗效果的“一致性”？作者建议使用“时变治疗效果、限制平均生存时间（RMST）或里程碑生存概率”作为替代估计量。扎根点：论文第18页“Extensions to settings with non-proportional hazards could be based on time-varying treatment effects or alternative estimands...”。
  2. 处理多个/连续效应修饰因子：本文只处理了一个预先指定的二元亚组变量。扩展到两个以上亚组、连续效应修饰因子、重叠或交叉分类的亚组，以及同时评估多个亚组变量，都需要新的方法，并需考虑多重性校正。扎根点：论文第18页“The present work is also restricted to a single prespecified binary subgroup variable... Extensions to more than two subgroups, continuous effect modifiers... would be valuable.”
  3. 检测临床相关异质性：本文关注的是“确认一致性”。反过来，如何形式化地“检测临床相关的异质性”？这可以通过交换零假设和备择假设来实现，但临床边界的解释和选择需要重新考虑。扎根点：论文第19页“A related direction is the development of methods for detecting clinically relevant heterogeneity rather than confirming consistency.”
  4. 算法3在 p=1/2 时的保守性：定理7.6只给出了 limsup 的Type I error控制。是否存在一个修正的检验，能在 p=1/2 处也达到精确的渐近第一类错误？这可能需要更精细的推断方法，如基于分数检验或调整后的临界值。扎根点：定理7.6的陈述及其证明中对 p=1/2 的特殊处理。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论