用于随机临床试验中重叠子群处理效应估计的收缩方法

在随机对照试验中，森林图常用于检验治疗效应估计在子群中的均匀性。然而，由于子群的样本量较小且子群数较大，子群特有的治疗效应估计的解释需要格外小心。已提出贝叶斯收缩方法以解决这些问题，但它们通常侧重于不重叠的子群，而森林图中显示的子群是重叠的，即每个主体出现在多个子群中。我们的方法首先基于所有可用观察数据构建灵活的 Cox 模型，包括标识感兴趣子群的分类协变量以及这些子群与治疗组变量的交互作用。我们探讨了基于 lasso 或 ridge 惩罚的 penalized 部分似然估计，以及基于正则化鬃羟先验的贝叶斯估计。贝叶斯方法的一个优势是能够推导出收缩后子群特有估计的可信区间。在第二步中，对 Cox 模型进行边际化，以获得所有子群的治疗效应估计。我们以非小梨淋巴浆瘤的随机临床试验数据为例，并进行仿真研究来评估这些方法的性能。在所有仿真情景中，采用惩罚性和收缩估计器的总体均方误差显著小于标准子群特有治疗效应估计器，但会导致对异构子群产生一定偏差。我们建议，通常在森林图中显示的子群特有估计器应更常规地辅以基于收缩方法的治疗效应估计器。该提议方法已实现于 R 包 bonsaiforest 中。