在R中基于CPH回归开展糖尿病与尿量亚组生存分析求助

问题描述 #

需要在R中通过Cox比例风险（CPH）回归开展亚组分析，探究糖尿病（Y/N）与尿量（≥200ml/<200ml）的交互作用对生存结局的影响。目前已完成糖尿病亚组（覆盖所有尿量）的CPH分析，并创建了糖尿病与尿量的组合分组变量，现需基于该组合分组，分析不同尿量分组中糖尿病对生存的影响。

解决方案 #

1. 修正组合分组变量的代码错误 #

你提供的代码中存在一处笔误：xxxxl$diabfl应为xxxx$diabfl，修正后的组合分组变量创建代码如下：

# 创建尿量分组变量（≥200ml=1，<200ml=0）
xxxx$uacr200 <- ifelse(xxxx$uacr >= 200, 1, 0)

# 创建糖尿病+尿量的组合分组变量
xxxx$dmuacrgr <- NA
xxxx$dmuacrgr[xxxx$uacr < 200 & xxxx$diabfl == "N"] <- 1  # 无糖尿病+尿量<200ml
xxxx$dmuacrgr[xxxx$uacr >= 200 & xxxx$diabfl == "N"] <- 2 # 无糖尿病+尿量≥200ml
xxxx$dmuacrgr[xxxx$uacr < 200 & xxxx$diabfl == "Y"] <- 3  # 有糖尿病+尿量<200ml
xxxx$dmuacrgr[xxxx$uacr >= 200 & xxxx$diabfl == "Y"] <- 4 # 有糖尿病+尿量≥200ml

# 将组合分组转为因子并指定参考组（建议选临床意义最明确的组，比如组1）
xxxx$dmuacrgr <- factor(xxxx$dmuacrgr, levels = c(1,2,3,4),
                        labels = c("无糖尿病+尿量<200ml", "无糖尿病+尿量≥200ml",
                                   "有糖尿病+尿量<200ml", "有糖尿病+尿量≥200ml"))

2. 基于组合分组的Cox回归分析 #

以下提供两种等价的分析思路，可根据需求选择：

思路一：直接纳入糖尿病与尿量的交互项建模

这种方式能直接检验交互作用的统计学显著性，同时得到各亚组的风险比：

# 拟合包含交互项的Cox模型
cox_mod_interaction <- coxph(Surv(aval, cnsr == 0) ~ trt + diabfl * uacr200 + 
                              mageg1n + mgfrg1n + msexg1n + muacrg1n + sitegr2n,
                            data = zzzz, subset = (paramcd == "KDPDVASC"), ties = "breslow")

# 查看模型结果（包括交互项的HR和P值）
summary(cox_mod_interaction)

• 结果中diabflY:uacr2001是糖尿病与尿量的交互项，其P值可判断交互作用是否显著；
• 若交互项显著，可进一步分层分析：分别在uacr200=0和uacr200=1的亚组中拟合Cox模型，查看糖尿病对生存的影响。

思路二：使用预定义的组合分组变量建模

通过组合分组变量直接对比各组的风险，直观展示不同尿量分组中糖尿病的影响：

# 拟合包含组合分组的Cox模型
cox_mod_group <- coxph(Surv(aval, cnsr == 0) ~ trt + dmuacrgr + 
                              mageg1n + mgfrg1n + msexg1n + muacrg1n + sitegr2n,
                            data = zzzz, subset = (paramcd == "KDPDVASC"), ties = "breslow")

# 查看各组相对于参考组（无糖尿病+尿量<200ml）的HR
summary(cox_mod_group)

• 结果中dmuacrgr的各水平对应的HR，可直接对比：
  • dmuacrgr无糖尿病+尿量≥200ml：无糖尿病时，尿量≥200ml vs <200ml的HR；
  • dmuacrgr有糖尿病+尿量<200ml：尿量<200ml时，有糖尿病 vs 无糖尿病的HR；
  • dmuacrgr有糖尿病+尿量≥200ml：尿量≥200ml时，有糖尿病 vs 无糖尿病的HR。

3. 亚组分析结果可视化（可选） #

如果需要直观展示亚组结果，可使用subgroupAnalysis函数或森林图工具：

# 使用subgroupAnalysis分析尿量亚组中糖尿病的影响
subg_cox_mod_uacr <- subgroupAnalysis(cox_mod_interaction, 
                                      zzzz[zzzz$paramcd == "KDPDVASC",],
                                      treatment = "trt",
                                      subgroups = c("uacr200", "diabfl"),
                                      confint.method = "default")

# 绘制森林图（以forestmodel包为例）
library(forestmodel)
forest_model(cox_mod_interaction, 
             exponentiate = TRUE,
             include = c("diabfl", "uacr200", "diabflY:uacr2001"))

内容的提问来源于stack exchange，提问作者Leyla Shams