1. 阈值分层试验概述
1.1 定义与核心概念
阈值分层试验（Threshold Stratification Trial, TST）是一种将受试者按照预先设定的生物标志物或临床指标阈值划分为不同风险或反应亚组，并在各亚组内独立或联合评估试验干预效果的临床试验设计方法。其核心思想是：并非所有患者对同一治疗的反应相同，通过阈值识别出最可能获益的人群，从而提高试验效率与统计效能。
关键术语：
- 阈值（Threshold）： 预先定义的连续变量切点，用于区分低风险/高风险或低反应/高反应亚组。
- 分层因子（Stratification Factor）： 用于分组的生物标志物或临床评分，如 PD-L1 表达水平、肿瘤突变负荷（TMB）、肾小球滤过率（eGFR）等。
- 亚组分析（Subgroup Analysis）： 在阈值划分后的各层内分别进行疗效比较。
- 交互效应（Interaction Effect）： 阈值分层试验特别关注治疗效应是否随分层变量水平变化。
1.2 历史背景与发展脉络
阈值分层试验并非全新概念，其思想可追溯至 20 世纪 80 年代的肿瘤临床试验。随着精准医学的兴起，传统“一刀切”式试验设计逐渐暴露出效率低下的问题。以下表格梳理了关键发展阶段：
| 时期 | 里程碑事件 | 对阈值分层试验的影响 |
|---|---|---|
| 1980s–1990s | 乳腺癌激素受体亚型分析；HIV 病毒载量分层 | 首次在大型试验中按生物标志物阈值进行回顾性分层分析 |
| 2000–2010 | EGFR 突变与靶向治疗；HER2 阳性乳腺癌 | 前瞻性阈值分层设计开始出现，标志物成为入组或分层标准 |
| 2010–2020 | 免疫治疗生物标志物（PD-L1、TMB、MSI）的阈值探索 | 阈值分层试验成为肿瘤免疫治疗领域主流设计之一 |
| 2020 至今 | 适应性阈值分层设计、动态阈值调整方法学成熟 | 阈值分层与适应性设计、贝叶斯方法深度融合，形成标准化指南 |
实践提示： 阈值的选择不应仅基于统计显著性，还需结合临床意义、检测方法学变异度以及既往研究数据。一个常见的误区是直接使用中位数或均值作为阈值，而忽略了临床决策的实际需求。
1.3 与传统试验设计的区别
传统随机对照试验（RCT）通常假设治疗效应在整个人群中均匀分布，而阈值分层试验则承认并利用这种异质性。下表从多个维度对比了两者的核心差异：
| 对比维度 | 传统 RCT | 阈值分层试验 |
|---|---|---|
| 人群假设 | 同质性：治疗效应恒定 | 异质性：效应随分层变量变化 |
| 入组标准 | 宽泛，通常仅基于疾病诊断 | 可能包含标志物阈值作为入组或分层条件 |
| 随机化方法 | 简单随机化或按中心/基线因素分层 | 按阈值分层随机化，保证各层内均衡 |
| 主要分析 | 整体人群 ITT 分析 | 各层独立分析 + 整体交互检验 |
| 统计效能 | 对弱信号不敏感，样本量需求大 | 在富集人群中效能更高，样本量可减少 20%–40% |
| 假阳性风险 | 整体 α 控制简单 | 需处理多重比较与亚组分析 α 膨胀 |
| 适用场景 | 疗效预期均匀的疾病 | 存在明确生物标志物梯度效应的疾病 |
从操作层面看，传统 RCT 的分析计划相对固定，而阈值分层试验需要预先定义阈值、分层规则以及各层的假设检验策略。这种设计上的“前置复杂性”换来了后期结论的精准性与临床可操作性。
1.4 阈值分层试验的典型结构
下图展示了阈值分层试验的基本架构：受试者首先根据生物标志物检测值被划分到不同阈值层，然后在各层内分别进行随机分组与治疗评估。
设计警示： 阈值分层试验并非适用于所有场景。当标志物与疗效之间不存在真实交互效应时，分层反而会降低统计效能并增加分析复杂性。建议在试验启动前进行充分的文献综述与模拟研究，确认阈值分层的合理性。
1.5 阈值分层试验的适用条件与决策清单
在决定是否采用阈值分层设计前，研究团队应系统评估以下条件：
- 存在可靠的连续或有序生物标志物： 该标志物需有标准化的检测方法、已知的变异度以及临床可接受的阈值范围。
- 有前期证据支持效应异质性： 来自 II 期试验、回顾性分析或类似靶点药物的数据应提示治疗效应随标志物水平变化。
- 阈值具有临床可操作性： 划分出的亚组应对应不同的临床决策路径（如用药 vs. 不用药、密切监测 vs. 常规随访）。
- 样本量足以支持各层独立分析： 最低阈值层应保证足够的统计效能，避免出现“有分层无分析”的尴尬局面。
- 预先制定多重比较控制策略： 如 Bonferroni 校正、Hochberg 步骤或门控策略，需在统计分析计划中明确。
决策辅助： 若上述条件满足 4 项及以上，阈值分层试验通常是优于传统 RCT 的选择；若仅满足 2 项或更少，建议优先考虑传统设计或探索性亚组分析。