肿瘤Ⅲ期临床试验统计语言（8）：交互检验 P 值，也会“骗人”吗？

转载自：施大夫的笔记本

亚组分析这期写到结尾，我已经“收笔”了。这个系列七篇下来，作为一个肿瘤内科医生跨界谈统计方法学，已是满身窟窿、如履薄冰。文末我还特意贴了一张图，到此为止，不敢再继续班门弄斧。

可偏偏就在收笔之后，鹰版抛来一个问题，让我意外又感动的，在端午假期的早晨阅读的习惯，热心专注患教科普事业，我只好继续跛行，再补此篇。

他的问题是这样的：上一期我说，IPASS 里 EGFR 突变阳性与阴性亚组交互检验 P<0.001 是真实差异，而“年龄<65 岁亚组 HR 0.65、≥65 岁亚组 HR 0.85、交互 P=0.3”那种多半是噪声。

那么——2019 年 ESMO 公布的 FLAURA 研究亚组森林图里，亚裔人群以及 21 外显子 L858R 人群相比奥希替尼似乎“获益不明显”，这里的 P 值，到底是噪声，还是真实差异？

这个问题问得太到位了。它正好踩在上一期那条边界上：交互检验通过，是不是就等于真实差异？（关于交互检验"是什么"，上一期第六部分已专门讲过，这里不再赘述；本篇要讲的，恰恰是它"通过了之后"还藏着的那层陷阱。）FLAURA 这张森林图，恰恰是检验"交互检验万能论"的绝佳反例。

1

先把森林图上那两格看清楚

FLAURA 是奥希替尼对比一代 EGFR-TKI（吉非替尼或厄洛替尼）一线治疗 EGFR 突变阳性晚期 NSCLC 的Ⅲ期研究，主要终点 PFS 整体强阳性，这一点毫无争议。真正引发讨论的，是后续 OS 森林图里两格“骑墙”甚至越过无效线的数据。

1

亚裔人群

总生存上，亚裔亚组 HR 落在 1.0 附近，而非亚裔亚组 HR 约 0.5，视觉上像是“亚裔不获益”。而且这是预设的随机分层因素，样本量大、把握度足，交互检验 P<0.05。另一格是L858R 人群：相比 19 外显子缺失（19del），L858R 的获益幅度明显更小，置信区间一度跨过无效线。

鹰版的直觉很准——这两格正好对应上一期点名的两类“高危亚组”：种族/地域亚组，以及置信区间贴线的亚组。但它们的命运，必须分开来判。

亚裔那格：交互 P<0.05，可信度却要打折。如果只看统计，亚裔亚组似乎比上一期举的反例（年龄亚组、交互 P=0.3）要“硬”得多——预设分层、样本量充足、交互检验 P<0.05，不像纯随机噪声。但上一期反复强调的方法学三件套——生物学合理性、外部可重复性、内部一致性——在这一格上都不成立。

生物学机制牵强。亚裔与高加索人群 EGFR 突变频率不同是事实，但这属于“得病的人多不多”，并不等于“得了病的人对药反应不同”。目前并无确凿机制证明同样携带 EGFR 突变的亚裔肿瘤，对奥希替尼的内在敏感性更低。

内部不一致，且外部不可重复。FLAURA 中亚裔亚组 PFS 与 OS 趋势并不完全吻合，后续相关研究也未能稳定重现这一种族差异。

更关键的是混杂。这正是上一期 AVAGAST→AVATAR 教训的翻版：亚裔对照组用的一代 TKI，而东亚地区（尤其中日韩）奥希替尼等后线治疗可及性高，进展后交叉用药和后续治疗更充分，会显著抬高对照组的生存，从而稀释 OS 差异。这是典型的预后因子（后线治疗可及性）冒充预测因子（种族）的混杂。把“亚裔 OS 不获益”反向推论为“亚裔一线用一代/二代药不输奥希替尼”，逻辑链从一开始就是断的。

2

L858R 人群

更像真实的定量交互。L858R 这一格的性质与亚裔截然不同，它更接近上一期 IPASS 式的“可信亚组”。

L858R 相比 19del 获益更小，这一现象远不止 FLAURA 一家——它在几乎所有一线 EGFR-TKI 研究中方向高度一致，是公认的预后更差、对 TKI 应答也更差的亚型。换句话说，它有机制、可重复、方向稳定，属于程度上的定量交互，而非方向逆转的定性交互。

因此它没有停留在探索性发现层面，而是真正催生了下一代治疗策略：FLAURA-2（奥希替尼联合化疗）、MARIPOSA（埃万妥单抗联合方案）等研究，都把 L858R 这类难治人群作为重点强化对象，走的是“加法治疗”的路子。这正是上一期 REACH→REACH-2 那种“把可信亚组当作下一项Ⅲ期种子”的成功模式。我们把两格放在一起判读。

所以回到鹰版的原问题：同一张 FLAURA 森林图上的两格“不获益”，本质截然不同。亚裔那格统计上 P<0.05，却经不起生物学与可重复性的追问，更像是被后线治疗可及性差异污染出来的假象；L858R 那格才是真实信号，并已被后续研究证实和利用。

2

这一问真正的价值

这个问题最有意思的地方，是它把上一期的核心论点又往前推了一层。上一期我说“交互检验是临床医生最该看、却最常跳过的数字”，这话容易让人误以为“只要交互 P<0.05 就万事大吉”。

FLAURA 的亚裔亚组恰好戳破了这层乐观——交互检验通过，只是亚组可信的必要条件，而非充分条件。一格亚组能不能被采信，最终仍要回到那三个老问题：背后的机制硬不硬、效应能不能在独立研究里重复、这格里有没有藏着“把预后当预测”的混杂。交互检验回答的是“这个差异像不像偶然”，但它回答不了“这个差异是不是被混杂因素伪造出来的”。

这也正是种族与地域亚组始终是森林图里最危险一格的根本原因：它的交互检验有时确实显著，但显著的背后，往往不是生物学，而是医疗可及性、就诊习惯和后续治疗格局的地理差异。看 FLAURA 的亚裔亚组，真正该问的不是“P 值多少”，而是“两组进展之后，病人到底接受了什么治疗”。

写在补记之后

这一篇算是计划外的“返场”。但写完反倒觉得值——它让我更确信，这个系列里讲的那些原则，不是写给统计学家看的教条，而是临床医生站在森林图前，真能用得上的几把尺子。谢谢鹰版的这一问。借这个问题，我也想通了一件事：跨界窟窿不要紧，有人愿意和你一起补，这事就还值得继续做下去。

肿瘤Ⅲ期临床试验统计语言（1）：P 值的真相——结合 FDA 审评解读

肿瘤Ⅲ期临床试验统计语言（2）：生存分析三件套KM曲线、log-rank 检验和 Cox 模型

肿瘤Ⅲ期临床试验统计语言（3）：α 分配 —— 多问一个问题，代价不菲

肿瘤Ⅲ期临床试验统计语言（4）：提前看数据的代价——期中分析与 α-spending消耗函数

肿瘤Ⅲ期临床试验统计语言（5）：HR ，一个数字的背后

肿瘤Ⅲ期临床试验统计语言（6）：当终点不是“时间”——CheckMate 816 与 pCR/EFS

肿瘤Ⅲ期临床试验统计语言（7）：亚组分析

与癌共舞公众号及网站及APP上发表的文章及讨论仅代表作者或发帖人个人观点，不代表平台立场。

与癌共舞公众号文章经医学编辑和版主审核，具有明显谬误和不良引导的文章将禁止发表。