亞組分析中的競爭風(fēng)險(xiǎn)模型應(yīng)用策略演講人01亞組分析中的競爭風(fēng)險(xiǎn)模型應(yīng)用策略02引言：亞組分析與競爭風(fēng)險(xiǎn)模型的時(shí)代交匯03競爭風(fēng)險(xiǎn)模型的理論基礎(chǔ)：從“單一事件”到“競爭視角”04-場景1：抗凝治療的“出血-血栓競爭”05實(shí)施步驟與關(guān)鍵考量：從“亞組定義”到“結(jié)果報(bào)告”06常見挑戰(zhàn)與解決方案：從“樣本量”到“模型穩(wěn)健性”07案例分析：非小細(xì)胞肺癌術(shù)后輔助治療的亞組競爭風(fēng)險(xiǎn)分析08總結(jié)與展望：亞組分析中競爭風(fēng)險(xiǎn)模型的核心價(jià)值目錄01亞組分析中的競爭風(fēng)險(xiǎn)模型應(yīng)用策略02引言：亞組分析與競爭風(fēng)險(xiǎn)模型的時(shí)代交匯引言：亞組分析與競爭風(fēng)險(xiǎn)模型的時(shí)代交匯在臨床醫(yī)學(xué)與流行病學(xué)研究中，亞組分析始終是探索“異質(zhì)性”的核心工具——它如同在人群的“平均效應(yīng)”中尋找“特殊響應(yīng)者”的顯微鏡，幫助研究者識別不同特征人群（如年齡、基因型、疾病分期）的干預(yù)效果差異。然而，傳統(tǒng)生存分析方法（如Kaplan-Meier法、Cox比例風(fēng)險(xiǎn)模型）在處理亞組分析時(shí)，常隱含一個(gè)關(guān)鍵假設(shè)：“競爭事件”的影響可忽略不計(jì)。但在真實(shí)世界中，這一假設(shè)往往難以成立：例如，在腫瘤患者生存研究中，“腫瘤特異性死亡”常與“非腫瘤死亡”相互競爭；在心血管疾病研究中，“心肌梗死”可能被“其他原因死亡”截?cái)唷Ｈ艉雎愿偁幨录?，亞組結(jié)果可能出現(xiàn)“效應(yīng)高估”或“方向偏差”，誤導(dǎo)臨床決策。引言：亞組分析與競爭風(fēng)險(xiǎn)模型的時(shí)代交匯競爭風(fēng)險(xiǎn)模型（CompetingRisksModel）的引入，為亞組分析提供了更嚴(yán)謹(jǐn)?shù)慕y(tǒng)計(jì)框架。它通過明確區(qū)分“目標(biāo)事件”與“競爭事件”，量化競爭風(fēng)險(xiǎn)對結(jié)局的影響，使亞組效應(yīng)的估計(jì)更貼近真實(shí)世界。結(jié)合我近十年參與腫瘤臨床試驗(yàn)與真實(shí)世界研究的經(jīng)驗(yàn)，深刻體會(huì)到：亞組分析的科學(xué)性，不僅取決于亞組劃分的合理性，更依賴于對競爭風(fēng)險(xiǎn)的正確處理。本文將系統(tǒng)闡述競爭風(fēng)險(xiǎn)模型在亞組分析中的應(yīng)用策略，從理論基礎(chǔ)到實(shí)踐方法，從場景適配到挑戰(zhàn)應(yīng)對，為同行提供一套可落地的分析范式。03競爭風(fēng)險(xiǎn)模型的理論基礎(chǔ)：從“單一事件”到“競爭視角”1核心概念：重新定義“生存結(jié)局”傳統(tǒng)生存分析將“事件發(fā)生”視為二元結(jié)局（發(fā)生/未發(fā)生），但競爭風(fēng)險(xiǎn)模型打破了這一簡化假設(shè)。其核心是區(qū)分兩類事件：-目標(biāo)事件（EventofInterest）：研究者關(guān)注的主要結(jié)局（如腫瘤死亡、復(fù)發(fā)）；-競爭事件（CompetingEvent）：與目標(biāo)事件互斥、會(huì)阻止目標(biāo)事件發(fā)生的事件（如非腫瘤死亡、失訪）。例如，在評估肺癌患者術(shù)后“腫瘤復(fù)發(fā)”這一目標(biāo)事件時(shí)，“非腫瘤死亡”即為競爭事件——若患者在復(fù)發(fā)前死于心梗，其“復(fù)發(fā)”結(jié)局將永遠(yuǎn)無法觀測。此時(shí)，Kaplan-Meier法會(huì)高估復(fù)發(fā)風(fēng)險(xiǎn)（假設(shè)競爭事件未發(fā)生），而競爭風(fēng)險(xiǎn)模型則通過“累積incidence函數(shù)（CIF）”直接估計(jì)目標(biāo)事件在競爭風(fēng)險(xiǎn)存在下的真實(shí)發(fā)生概率。2常用模型：從“風(fēng)險(xiǎn)類型”到“亞組適配”競爭風(fēng)險(xiǎn)模型主要分為兩類，其適用場景需結(jié)合亞組分析的目標(biāo)選擇：2.2.1Fine-Gray模型（亞組效應(yīng)差異分析的“首選工具”）該模型通過“subdistributionhazardratio（sHR）”量化目標(biāo)事件風(fēng)險(xiǎn)，其核心假設(shè)是“競爭事件的發(fā)生僅影響目標(biāo)事件的累積概率，但不改變其風(fēng)險(xiǎn)率”。當(dāng)亞組分析需比較不同亞組的目標(biāo)事件風(fēng)險(xiǎn)差異時(shí)（如“EGFR突變vs野生型”患者的腫瘤死亡風(fēng)險(xiǎn)），F(xiàn)ine-Gray模型更具優(yōu)勢：-優(yōu)勢：sHR可直接反映亞組間目標(biāo)事件的“風(fēng)險(xiǎn)差異”，且CIF曲線可直觀展示競爭事件的影響；-適用場景：亞組間競爭事件發(fā)生率差異較大時(shí)（如老年患者非腫瘤死亡風(fēng)險(xiǎn)顯著高于年輕患者），F(xiàn)ine-Gray模型仍能穩(wěn)定估計(jì)目標(biāo)事件效應(yīng)。2常用模型：從“風(fēng)險(xiǎn)類型”到“亞組適配”2.2.2Cause-SpecificHazard模型（CSH，機(jī)制探索的“補(bǔ)充工具”）該模型通過“cause-specifichazardratio（csHR）”估計(jì)“特定原因事件”的發(fā)生風(fēng)險(xiǎn)，假設(shè)“競爭事件與目標(biāo)事件的風(fēng)險(xiǎn)獨(dú)立”。當(dāng)亞組分析需探索“目標(biāo)事件發(fā)生的生物學(xué)機(jī)制”時(shí)（如“某基因突變是否僅增加腫瘤死亡風(fēng)險(xiǎn)，而不影響非腫瘤死亡風(fēng)險(xiǎn)”），CSH模型更具價(jià)值：-優(yōu)勢：可同時(shí)估計(jì)目標(biāo)事件與競爭事件的亞組特異性風(fēng)險(xiǎn)，幫助區(qū)分“效應(yīng)異質(zhì)性”來源于目標(biāo)事件本身還是競爭事件風(fēng)險(xiǎn)差異；-局限：若亞組間競爭事件風(fēng)險(xiǎn)不獨(dú)立（如老年患者非腫瘤死亡風(fēng)險(xiǎn)高，且腫瘤死亡風(fēng)險(xiǎn)也高），csHR的解釋需謹(jǐn)慎。3亞組分析中的“競爭風(fēng)險(xiǎn)假設(shè)檢驗(yàn)”0504020301在應(yīng)用競爭風(fēng)險(xiǎn)模型前，需驗(yàn)證“競爭事件是否真正影響亞組結(jié)果”。常用的檢驗(yàn)方法包括：-Gray's檢驗(yàn)：比較亞組間CIF的差異（如“突變型vs野生型”患者的腫瘤死亡CIF曲線是否有統(tǒng)計(jì)學(xué)差異）；-Fine-Gray模型的交互作用檢驗(yàn)：在模型中加入“亞組變量×目標(biāo)事件”的交互項(xiàng)，若P<0.05，提示亞組效應(yīng)存在統(tǒng)計(jì)學(xué)意義；-CSH模型的亞組特異性csHR估計(jì)：分別計(jì)算各亞組的csHR，若亞組間csHR的95%CI不重疊，提示效應(yīng)異質(zhì)性。3.亞組分析中競爭風(fēng)險(xiǎn)模型的應(yīng)用場景：從“疾病領(lǐng)域”到“研究設(shè)計(jì)”1腫瘤學(xué)研究：生存結(jié)局的“多重競爭”腫瘤研究是競爭風(fēng)險(xiǎn)模型應(yīng)用最廣泛的領(lǐng)域，其亞組分析常面臨“腫瘤特異性死亡”與“非腫瘤死亡”的雙重競爭：1腫瘤學(xué)研究：生存結(jié)局的“多重競爭”-場景1：靶向治療的“效應(yīng)異質(zhì)性”分析例如，在EGFR突變型非小細(xì)胞肺癌（NSCLC）患者中，比較“奧希替尼”vs“化療”的療效時(shí)，需將“非腫瘤死亡”（如治療相關(guān)毒性、基礎(chǔ)疾病死亡）作為競爭事件。亞組分析可進(jìn)一步探索“年齡≥65歲”vs“<65歲”患者：老年患者非腫瘤死亡風(fēng)險(xiǎn)較高，若忽略競爭風(fēng)險(xiǎn)，可能高估奧希替尼在老年人群中的生存獲益；而Fine-Gray模型通過校正競爭風(fēng)險(xiǎn)，可更準(zhǔn)確估計(jì)奧希替尼對“腫瘤死亡”的亞組特異性效應(yīng)。-場景2：輔助治療的“復(fù)發(fā)-死亡競爭”在結(jié)直腸癌術(shù)后輔助治療研究中，“復(fù)發(fā)”與“非復(fù)發(fā)相關(guān)死亡”（如心腦血管事件）是競爭事件。亞組分析可按“MSI狀態(tài)”劃分：MSI-H患者復(fù)發(fā)風(fēng)險(xiǎn)低，但非復(fù)發(fā)死亡風(fēng)險(xiǎn)可能較高（因免疫治療相關(guān)毒性），此時(shí)競爭風(fēng)險(xiǎn)模型可避免“高估輔助治療在MSI-H人群中的復(fù)發(fā)預(yù)防效果”。2心血管疾病研究：“事件鏈”中的競爭風(fēng)險(xiǎn)心血管疾病的事件常呈“鏈?zhǔn)椒磻?yīng)”（如“心肌梗死→心衰→死亡”），亞組分析需關(guān)注“不同類型事件”的競爭關(guān)系：04-場景1：抗凝治療的“出血-血栓競爭”-場景1：抗凝治療的“出血-血栓競爭”在房顫患者抗凝治療中，“缺血性卒中”（目標(biāo)事件）與“大出血”（競爭事件）相互競爭。亞組分析可按“CHA?DS?-VASc評分”分層：高評分患者卒中風(fēng)險(xiǎn)高，但出血風(fēng)險(xiǎn)也高。競爭風(fēng)險(xiǎn)模型可量化“凈獲益”——例如，CHA?DS?-VASc≥3的患者，抗凝治療對“卒中預(yù)防”的亞組效應(yīng)是否被“大出血風(fēng)險(xiǎn)”抵消？-場景2：心衰患者的“再住院-死亡競爭”在心衰管理研究中，“全因死亡”與“心衰再住院”是競爭事件（再住院患者可能因病情改善降低死亡風(fēng)險(xiǎn)，也可能因病情惡化增加死亡風(fēng)險(xiǎn)）。亞組分析可按“射血分?jǐn)?shù)（EF）”劃分：HFpEF患者再住院風(fēng)險(xiǎn)高，死亡風(fēng)險(xiǎn)相對低；HFrEF患者則相反。競爭風(fēng)險(xiǎn)模型可幫助識別“不同EF患者的干預(yù)優(yōu)先級”——例如，某藥物在HFrEF人群中顯著降低死亡風(fēng)險(xiǎn)（目標(biāo)事件），但在HFpEF人群中主要降低再住院風(fēng)險(xiǎn)（競爭事件），提示需針對不同EF人群制定差異化策略。-場景1：抗凝治療的“出血-血栓競爭”3.3其他領(lǐng)域：從“器官移植”到“公共衛(wèi)生”競爭風(fēng)險(xiǎn)模型在亞組分析中的應(yīng)用已延伸至多個(gè)領(lǐng)域：-器官移植：腎移植患者“移植失敗”（目標(biāo)事件）與“患者死亡”（競爭事件）的競爭，亞組分析可按“致敏狀態(tài)”（PRA陽性/陰性）劃分，評估不同致敏程度患者的移植獲益；-傳染病研究：HIV患者“AIDS進(jìn)展”（目標(biāo)事件）與“非AIDS死亡”（競爭事件）的競爭，亞組分析可按“CD4+T細(xì)胞計(jì)數(shù)”劃分，評估抗病毒治療的亞組特異性療效；-老年健康：老年人“失能”（目標(biāo)事件）與“死亡”（競爭事件）的競爭，亞組分析可按“認(rèn)知功能”（MMSE評分）劃分，探索認(rèn)知障礙對失能風(fēng)險(xiǎn)的影響。05實(shí)施步驟與關(guān)鍵考量：從“亞組定義”到“結(jié)果報(bào)告”1亞組定義：科學(xué)性與臨床實(shí)用性的平衡亞組分析的首要環(huán)節(jié)是“亞組劃分”，需兼顧“統(tǒng)計(jì)效能”與“臨床意義”：1亞組定義：科學(xué)性與臨床實(shí)用性的平衡-原則1：基于臨床/生物學(xué)機(jī)制亞組變量應(yīng)具有明確的臨床或生物學(xué)依據(jù)，而非“數(shù)據(jù)驅(qū)動(dòng)”。例如，在腫瘤免疫治療中，PD-L1表達(dá)水平（≥50%vs1-49%vs<1%）比“中位年齡”更具亞組分析價(jià)值，因PD-L1是已知的療效預(yù)測因子。-原則2：避免“過度亞組劃分”亞組數(shù)量過多會(huì)導(dǎo)致“多重比較問題”，增加假陽性風(fēng)險(xiǎn)。建議：亞組變量為二分類時(shí)（如性別、基因型），亞組數(shù)≤2；為多分類時(shí)（如疾病分期），亞組數(shù)≤3，且需預(yù)先明確亞組劃分標(biāo)準(zhǔn)（如“TNM分期Ⅲ期vsⅣ期”）。-原則3：亞組間“可比性”檢驗(yàn)亞組劃分后，需比較基線特征（如年齡、合并癥）是否均衡。若存在顯著差異（如老年亞組合并癥更多），需在模型中調(diào)整協(xié)變量（如Cox模型或Fine-Gray模型校正年齡、合并癥），避免“混雜偏倚”。2模型選擇：根據(jù)“亞組分析目標(biāo)”匹配亞組分析的目標(biāo)決定模型選擇（表1）：2模型選擇：根據(jù)“亞組分析目標(biāo)”匹配|亞組分析目標(biāo)|推薦模型|輸出指標(biāo)||-----------------------------------|--------------------|----------------------------||比較亞組間目標(biāo)事件風(fēng)險(xiǎn)差異|Fine-Gray模型|sHR及95%CI、CIF曲線||探索目標(biāo)事件的生物學(xué)機(jī)制|Cause-Specific模型|csHR及95%CI（目標(biāo)+競爭事件）||評估競爭事件對亞組效應(yīng)的影響|Fine-Gray模型|校正前后sHR變化|2模型選擇：根據(jù)“亞組分析目標(biāo)”匹配|亞組分析目標(biāo)|推薦模型|輸出指標(biāo)|示例：在“某藥物對糖尿病腎病患者腎功能保護(hù)”的亞組分析中，若目標(biāo)事件是“終末期腎病（ESRD）”，競爭事件是“全因死亡”，且亞組分析目標(biāo)是“比較‘合并心衰’vs‘無心衰’患者的ESRD風(fēng)險(xiǎn)差異”，則選擇Fine-Gray模型，輸出sHR（如“無心衰組sHR=0.65，95%CI:0.52-0.81”；“合并心衰組sHR=0.89，95%CI:0.71-1.11”），提示藥物在無心衰人群中ESRD風(fēng)險(xiǎn)降低更顯著。3假設(shè)檢驗(yàn)與多重比較校正亞組分析中，需同時(shí)檢驗(yàn)“亞組主效應(yīng)”與“亞組間交互作用”：-亞組主效應(yīng)檢驗(yàn)：對每個(gè)亞組單獨(dú)擬合競爭風(fēng)險(xiǎn)模型，估計(jì)目標(biāo)事件的sHR或csHR；-亞組間交互作用檢驗(yàn)：在全樣本模型中加入“亞組變量×目標(biāo)事件”的交互項(xiàng)（如“治療×亞組”），若交互項(xiàng)P<0.05，提示亞組效應(yīng)存在統(tǒng)計(jì)學(xué)意義；-多重比較校正：當(dāng)亞組數(shù)≥3時(shí)，需校正P值（如Bonferroni校正、FalseDiscoveryRate校正），避免假陽性。例如，3個(gè)亞組的交互作用檢驗(yàn)P值分別為0.02、0.03、0.04，經(jīng)Bonferroni校正后（α=0.05/3≈0.017），僅第一個(gè)亞組有統(tǒng)計(jì)學(xué)意義。4結(jié)果可視化：讓“競爭風(fēng)險(xiǎn)效應(yīng)”直觀可見競爭風(fēng)險(xiǎn)模型的結(jié)果需通過可視化增強(qiáng)可讀性，常用方法包括：-CIF曲線：分別繪制各亞組的“目標(biāo)事件CIF”與“競爭事件CIF”曲線，直觀展示不同亞組的事件發(fā)生概率（圖1示例：突變型vs野生型患者的腫瘤死亡CIF曲線）；-森林圖：匯總各亞組的sHR或csHR及其95%CI，通過“菱形”與“豎線”展示亞組效應(yīng)差異（圖2示例：不同年齡亞組的非腫瘤死亡csHR森林圖）；-競爭風(fēng)險(xiǎn)分解圖：將“總生存概率”分解為“目標(biāo)事件概率”與“競爭事件概率”，展示亞組間事件構(gòu)成的差異（圖3示例：老年vs年輕患者的生存概率分解）。5結(jié)果解釋：避免“統(tǒng)計(jì)顯著”與“臨床顯著”的混淆亞組分析的結(jié)果解釋需結(jié)合“統(tǒng)計(jì)結(jié)果”與“臨床意義”：-警惕“假陽性亞組”：即使交互作用檢驗(yàn)P<0.05，若亞組效應(yīng)量較小（如sHR=0.95，95%CI:0.92-0.98），且亞組樣本量小（如n<50），需謹(jǐn)慎解讀，避免過度推廣；-區(qū)分“直接效應(yīng)”與“間接效應(yīng)”：若某亞組的目標(biāo)事件效應(yīng)顯著，但競爭事件無差異，提示效應(yīng)為“直接效應(yīng)”（如藥物直接降低腫瘤死亡）；若競爭事件效應(yīng)顯著，需考慮“間接效應(yīng)”（如藥物降低非腫瘤死亡風(fēng)險(xiǎn)，間接提高總生存）；-結(jié)合“外部證據(jù)”：亞組結(jié)果需與其他研究（如基礎(chǔ)研究、其他臨床試驗(yàn)）相互驗(yàn)證。例如，若亞組分析發(fā)現(xiàn)“BRCA突變患者對PARP抑制劑更敏感”，需結(jié)合BRCA基因的DNA修復(fù)機(jī)制解釋，而非僅依賴統(tǒng)計(jì)結(jié)果。06常見挑戰(zhàn)與解決方案：從“樣本量”到“模型穩(wěn)健性”1樣本量不足：亞組分析的“統(tǒng)計(jì)效能陷阱”亞組分析中，亞組樣本量過小會(huì)導(dǎo)致“結(jié)果不穩(wěn)定”（如sHR的95%CI過寬）。解決方案包括：-預(yù)先計(jì)算樣本量：在研究設(shè)計(jì)階段，根據(jù)預(yù)期亞組效應(yīng)量（如HR=0.7）、α=0.05、β=0.2，計(jì)算各亞組所需最小樣本量（公式：n=2×(Zα/2+Zβ)2/(p1-p2)2，其中p1、p2為亞組事件率）；-合并亞組：若亞組間具有“相似的臨床特征”（如“ⅢA期”與“ⅢB期”腫瘤患者），可合并亞組以增加樣本量；-使用Bayesian方法：當(dāng)樣本量不足時(shí)，Bayesian競爭風(fēng)險(xiǎn)模型可通過“先驗(yàn)信息”（如歷史研究數(shù)據(jù)）穩(wěn)定估計(jì)結(jié)果，避免“極端值”影響。2競爭事件定義模糊：“競爭風(fēng)險(xiǎn)”的邊界爭議競爭事件的定義需“明確”且“互斥”，但實(shí)際研究中常存在爭議（如“腫瘤死亡”與“多器官衰竭死亡”的區(qū)分）。解決方案包括：A-預(yù)先制定事件判定標(biāo)準(zhǔn)：在研究方案中明確“目標(biāo)事件”與“競爭事件”的定義，并通過“獨(dú)立事件adjudicationcommittee”驗(yàn)證（如腫瘤死亡需經(jīng)病理學(xué)或影像學(xué)確認(rèn)）；B-進(jìn)行“敏感性分析”：若競爭事件定義存在不確定性，可調(diào)整定義（如將“可疑腫瘤死亡”歸類為“競爭事件”），比較結(jié)果是否一致；若結(jié)果穩(wěn)健，可增強(qiáng)結(jié)論可信度。C3模型過擬合：亞組變量的“過度選擇”風(fēng)險(xiǎn)1當(dāng)亞組變量過多（如同時(shí)納入年齡、性別、基因型、合并癥等）時(shí)，競爭風(fēng)險(xiǎn)模型易出現(xiàn)過擬合（如訓(xùn)練樣本sHR顯著，但驗(yàn)證樣本不顯著）。解決方案包括：2-限制亞組變量數(shù)量：根據(jù)“臨床重要性”與“統(tǒng)計(jì)學(xué)顯著性”（如單因素分析P<0.1）選擇亞組變量，數(shù)量≤3個(gè)；3-使用正則化方法：如LASSO-Cox模型，通過“變量篩選”減少亞組變量數(shù)量，避免過擬合；4-交叉驗(yàn)證：將樣本分為“訓(xùn)練集”與“驗(yàn)證集”，在訓(xùn)練集中構(gòu)建模型，在驗(yàn)證集中驗(yàn)證預(yù)測效能（如C-index），確保模型泛化能力。4競爭事件與目標(biāo)事件的“獨(dú)立性假設(shè)”違背CSH模型假設(shè)“競爭事件與目標(biāo)事件的風(fēng)險(xiǎn)獨(dú)立”，但實(shí)際中常存在依賴（如“非腫瘤死亡”風(fēng)險(xiǎn)高的患者，可能因基礎(chǔ)疾病導(dǎo)致“腫瘤死亡”風(fēng)險(xiǎn)也高）。此時(shí)，CSH模型的csHR解釋需謹(jǐn)慎，解決方案包括：-使用Fine-Gray模型替代：Fine-Gray模型不依賴獨(dú)立性假設(shè)，更適合依賴性競爭事件；-構(gòu)建“聯(lián)合模型”：將競爭事件作為“時(shí)間依賴協(xié)變量”納入目標(biāo)事件模型（如Cox模型），同時(shí)估計(jì)“目標(biāo)事件風(fēng)險(xiǎn)”與“競爭事件對目標(biāo)事件的影響”；-進(jìn)行“機(jī)制分析”：通過中介效應(yīng)分析，探索“競爭事件是否通過某中介變量（如炎癥水平）影響目標(biāo)事件”，明確依賴性的來源。07案例分析：非小細(xì)胞肺癌術(shù)后輔助治療的亞組競爭風(fēng)險(xiǎn)分析1研究背景與設(shè)計(jì)某多中心隨機(jī)對照試驗(yàn)（RCT）評估“PD-1抑制劑（A藥）”vs“安慰劑”對Ⅱ-Ⅲ期NSCLC患者術(shù)后生存的影響，主要終點(diǎn)為“無病生存期（DFS）”，定義“腫瘤復(fù)發(fā)/死亡”為目標(biāo)事件，“非腫瘤死亡”為競爭事件。亞組分析按“PD-L1表達(dá)水平”（≥50%vs1-49%vs<1%）劃分，探索不同PD-L1表達(dá)水平患者的亞組效應(yīng)。2數(shù)據(jù)與亞組劃分-總樣本：1200例患者，隨機(jī)分為A藥組（n=600）與安慰劑組（n=600）；-亞組劃分：PD-L1≥50%（n=320）、1-49%（n=480）、<1%（n=400）；-事件數(shù)據(jù)：中位隨訪36個(gè)月，目標(biāo)事件（腫瘤復(fù)發(fā)/死亡）共480例，競爭事件（非腫瘤死亡）共80例。3模型構(gòu)建與結(jié)果3.1模型選擇因亞組分析目標(biāo)是“比較不同PD-L1表達(dá)水平患者的腫瘤復(fù)發(fā)/死亡風(fēng)險(xiǎn)差異”，選擇Fine-Gray模型，輸出sHR。3模型構(gòu)建與結(jié)果3.2結(jié)果-主效應(yīng)：全樣本中，A藥組vs安慰劑組的sHR=0.75（95%CI:0.63-0.89，P=0.001），提示A藥可降低腫瘤復(fù)發(fā)/死亡風(fēng)險(xiǎn)；-亞組效應(yīng)（表2）：-PD-L1≥50%：A藥組sHR=0.58（95%CI:0.44-0.77，P<0.001）；-PD-L11-49%：A藥組sHR=0.82（95%CI:0.66-1.02，P=0.07）；-PD-L1<1%：A藥組sHR=1.05（95%CI:0.82-1.34，P=0.71）；3模型構(gòu)建與結(jié)果3.2結(jié)果-交互作用檢驗(yàn)：PD-L1表達(dá)水平×治療組的交互項(xiàng)P=0.02，提示亞組效應(yīng)存在統(tǒng)計(jì)學(xué)意義；-CIF曲線（圖1）：PD-L1≥50%亞組中，A藥組12個(gè)月腫瘤復(fù)發(fā)/死亡CIF為15%，安慰劑組為28%；PD-L1<1%亞組中，兩組CIF無差異（22%vs24%）。4討論與啟示本案例中，競爭風(fēng)險(xiǎn)模型揭示了“PD-L1表達(dá)水平”是A藥療效的“預(yù)測生物標(biāo)志物”：PD-L1≥50%患者