|
诸位，本公众号现在已经形成包括“样本量周一见”、“医学研究进展”、“论文的统计表达方法”、“统计视频”（R、医学统计学）、“科研工具合集”等若干系列，有兴趣请点击学习。本周将开启“真实世界临床研究回归建模方法”，敬请期待。 昨日，本公众号发布2019年7月北京大学教授李立明教授发表的一篇论文《茶与癌症：50万队列研究》，认为饮茶与癌症无关，甚至可能会增加癌症风险，许多朋友质疑这一结果科学性。现在，与诸位交流下该论文统计学方法学，看统计学方法是否有效解决论文科学性的问题。该论文科普性报道《北京大学李立明教授分析50万中国人发现，喝茶可能不防癌》，已与本篇文章共同发布在公众号中，有兴趣者可以关注并阅读。 本篇论文统计方法你将学到以下关键知识
一、文章概述 本文主要基于2008年建立的中国50万人群前瞻性队列，其总研究人群数为455981人，平均随访10.1年。 本队列研究的暴露因素为喝茶频率，通过调查对象自报得到饮茶的频率和数量，同时论文团队将人群分为每周饮茶少于一次者、每周多余一次者，每日喝茶者（每日喝茶者根据茶量又分为三档：<2g,2-4g,>4g) 研究结局，是随访期间发生是否发生癌症，以及调查对象的生存时间。结局又分为以下几类：总癌症、肺癌、胃癌、结肠癌、肝癌、女性乳腺癌和宫颈癌。 既然是队列研究，那么肯定少不了一系列的协变量（混杂变量），这里不再罗列，该文章用单独一章进行了陈述 二、统计学策略 队列研究的统计学方法是什么呢？如果要明确暴露因素与结局的关系，一般情况下可采用线性回归、logistic回归和COX回归。由于本研究是随访研究，随访时间（生存时间）和随访结局，那么COX回归是首选方法。研究一般会通过构建COX回归，调整协变量的混杂效应，从而实现科学评价暴露因素的效应。 三、论文统计方法与表达 第一段： 本研究进行了统计描述和差异性比较，但文字描述时，没有写出来，直截了当指出，我们采用人年的概念计算发病密度，采用COX回归方法构建回归模型，最后一句话是我们一般中文论文不太提，但很重要的，那就是COX比例风险模型应用的时候有个前提，风险比HR在任何时间都要保证不变。本文通过Schoenfeld residuals方法进行了诊断，发现条件成立。 第二段： 本段长篇累牍地指出了COX回归模型调整了哪些协变量来控制混杂因素，最后还指出论文还进行了趋势性检验。这里不再赘述。 第三段： 这一段在做什么呢？在做亚组分析（分层分析）、交互作用分析。这一个分析在论文扮演着重要的作用。为什么？因为如果光做COX回归，其结果固然是主要的，也是最重要的，但是论文深度不够，篇幅不够，《欧洲流行病学》显然会嫌弃。因此作者，做了一个分层分析，探讨不吸烟和不饮酒人群中，茶与癌症关系。吸烟或饮酒人群，茶与癌症的关系。接着还做了个交互效应分析（乘积交互：cross-prouduct term）。此外，论文还附带分析了，在不同饮茶水平下，吸烟和饮酒与肺癌的关系。这样一来，论文的内容就显得较为丰富，深度和广度都大大增加了。 第四段： 这一段，也是高级流行病学论文需要的内容：敏感性分析。作者从2个角度进行了敏感性分析，探讨不同数据和统计学方法带来的影响。首先，作者担心研究对象入组后前3年，发病结局和饮茶暴露因素因果关系混乱，因此，排除了前三年的病例之后再进行分析。接着，作者在构建COX回归时，分析胃癌时候额外纳入消化性溃疡病变量、在分析肝癌时候纳入肝炎、肝硬化、胆结石变量，看看额外变量的影响。这又是为什么呢？这一点是作者考虑潜在中介变量的影响。一般情况下，消化性溃疡、肝炎、肝硬化、胆结石是茶与癌症的中介变量，在回归分析中不应作为协变量纳入进来。但是到底是不是中介变量，影响有多大，则可通过敏感性分析一窥究竟。 四、研究结果 该文章分析了饮茶与各种癌症之间的关系，并将吸烟、喝酒分别作为研究变量也加入到了研究中做分层分析。在调整了包括家庭收入、学历、职业等各混杂变量之后，结果发现：饮茶与癌症似乎没有统计学关联！ 这里就陈列两张重要的结果表格： 第一张：茶与各种癌症的关系，这里列出肺癌、胃癌和总癌症 第二张：吸烟、饮酒分层分析后，饮茶和癌症的关系。 五、学习总结 对于这样一篇队列研究论文，统计学做了什么呢？ 第一，统计描述和差异性检验，虽然文字未做描述，事实成立 第二，COX回归分析，这里细节是COX回归条件的判定 第三，多层次构建COX回归，从单因素COX（未调整），到调整性别，到多因素调整，到最后调整吸烟和饮酒。这样充分展示数据的结果，也是在测试暴露因素效应的稳健性。 第四，交互效应分析和分层分析。在存在着交互效应时，最好深入开展分层分析，让结果更丰富 第五，敏感性分析。经典流行病学论文，敏感性分析是不可或缺的。 本篇论文统计方法以下关键点，你学到了吗？
点击关注我们 |
|
|
