临床试验的亚组分析subgroup analysis在研究中是非常常见的。即便不做相关试验，也需要做一定了解，否则在阅读他人论文时可能会理解不充分，甚至容易受到一些无知作者的误导。
首先，为什么要做亚组分析？
一个干预的疗效在不同特征的亚人群可能是不同的。
经典案例解析：EFGR TKI 酪氨酸激酶抑制剂对非小细胞肺癌的疗效，亚裔患者比白人患者好，女性患者比男性患者好。
原因：这一类药物的分子靶点是EGFR 敏感突变，而EGFR 敏感突变的比例在亚裔患者中高于白人患者，在女性患者中高于男性患者。
所以，如果临床试验要研究酪氨酸激酶的疗效，必须做亚组分析。
其次，亚组分析怎么做？
本文用2023年5月发表在柳叶刀上的一篇论文进行深度解析（图1）：
核心结果：高剂量激素组28天内病死比例19%，usual care对照组12%，相对风险1.59，95%CI 1.2-2.1，p值0.001，高剂量激素组更高。
亚组分析的结果（图2）：
最下方是整个队列，即所有患者的数据，菱形覆盖的范围是相对风险的95%置信区间，这个区间是1.2到2.1，不覆盖1.0，说明对照组——接受usual care的患者病死风险更低。
第一组数据：按照年龄分类的亚组，分别是70岁以下，70-80岁，和80岁以上。
第二组数据：按照性别分类的亚组，男性患者和女性患者。
最后一组数据：Days since symptom onset，从症状开始到入组时间分为2个亚组，小于等于7天的亚组，相对风险的95%置信区间1.34到2.83，不跨越1.0；大于7天的亚组，相对风险的95%置信区间0.80到1.86，跨越了1.0。
对于这样一组结果，要如何解读呢？
部分人的理解是：从症状开始到入组小于等于7天，干预组病死风险更低；大于7天，干预组和对照组没有差别。这是错误的。
分析原因：亚组分析的基本逻辑，是检验。干预的效果是否受到某个基线特征的影响，准确的英文描述：whether treatment effect on the outcome of interest is somehow dependent on a baseline or demographic factor 或者whether the treatment effect noted in the whole cohort is homogeneous across subgroups.
从这个基本点出发，亚组分析检验的是干预效果和亚组因素有没有交互作用。如果没有交互作用，就不需要再去看每个具体亚组里面相对风险的95%CI；如果有交互作用，才需要在具体的亚组中去看相对风险。
亚组分析的结果左侧一列，每个亚组，年龄、性别等等后面都有一个括号说明卡方值和p值，这就是交互作用检验的结果。而5个亚组分析，p值没有一个小于0.05。
作者给出的解释是：In exploratory analyses, the proportional effect of higher dose corticosteroids on mortality was consistent across all five pre-specified subgroups.
无独有偶，柳叶刀同一期发表的另外一篇论文（图3）：
其亚组分析结果的最右侧一列——P for interaction，就是亚组分析的最关键结果（图4）：
「白话医学研究」公众号是前哈佛大学医学院助理教授张科宏博士创办的微信公众号，累计阅读已 达 25 万余次。张科宏博士在国内外都有丰富的科研经验，于每周二在「白话医学研究」公众号发布微 视频解读论文，用论文实例从理论 - 心理 - 流程将智慧融入实战，帮助非英语母语的学者将其科研成果 展示于国内外科研平台。「白话医学研究」不仅适合入门级医学研究者关注学习，对资深医学研究者也 同样有益，对非研究型的医生提高思辨能力也有很大的帮助。