2. 阈值分层试验的核心原理：阈值概念、分层逻辑、统计推断基础

阈值分层试验（Threshold Stratified Trial, TST）并非一种全新的试验类型，而是对传统分层随机化与适应性设计思想的深度融合。其核心在于：利用一个或多个连续型生物标志物的预设阈值，将患者群体划分为具有不同预后或预测特征的亚层，并在各层内独立或联合地进行随机化与统计推断。本章从三个递进层面拆解其原理。

2.1 阈值概念：从连续指标到离散决策

阈值（Threshold）是将连续型测量值转化为二分类或多分类决策点的数值边界。在临床试验中，阈值通常来源于：

• 临床指南：如血压 ≥140/90 mmHg 定义为高血压。
• 既往研究：如某生物标志物的中位数或三分位数。
• ROC 分析：最大化约登指数（Youden Index）对应的切点。
• 最小临床重要差异（MCID）：基于患者报告结局反向推导。

下表对比了三种常见的阈值设定策略：

2.2 分层逻辑：为什么分层能提升效率

分层随机化的核心逻辑是 将变异来源从误差项中剥离。在阈值分层试验中，分层变量通常是具有强预后价值的生物标志物。其数学基础可表达为：

总变异 = 层间变异 + 层内变异（随机误差）
分层后：比较仅在层内进行 → 层内变异 < 总变异 → 检验效能 ↑

分层逻辑的三大优势：

1. 平衡预后因素：确保治疗组与对照组在关键基线变量上可比，减少偶然失衡。
2. 降低假阴性风险：当分层变量与结局强相关时，分层分析可显著缩小标准误。
3. 探索异质性治疗效应：不同阈值层可能呈现方向相反的治疗效果，分层设计可避免“平均化掩盖”。

2.3 统计推断基础：分层分析的核心方法

阈值分层试验的统计推断需同时考虑 层内效应 与 跨层一致性。以下是三种最常用的推断框架：

2.3.1 分层 Cochran-Mantel-Haenszel (CMH) 检验

适用于二分类结局（如缓解率）。CMH 检验在各层内构建 2×2 列联表，合并计算公共优势比（OR）及其置信区间。其统计量服从自由度为 1 的卡方分布：

CMH χ² = [Σ (aᵢ - E(aᵢ))]² / Σ Var(aᵢ)
其中 aᵢ = 第 i 层治疗组的阳性事件数
E(aᵢ) = n₁ᵢ × m₁ᵢ / Nᵢ
Var(aᵢ) = n₁ᵢ × n₂ᵢ × m₁ᵢ × m₂ᵢ / [Nᵢ² × (Nᵢ - 1)]

2.3.2 分层 Cox 比例风险模型

适用于时间-事件结局（如总生存期）。通过在模型中纳入 strata() 项，允许各层拥有不同的基线风险函数，但假设风险比（HR）跨层恒定：

h(t|X, stratum) = h₀_stratum(t) × exp(β × treatment)
# 在 R 中实现：
coxph(Surv(time, status) ~ treatment + strata(biomarker_level), data = trial_data)

2.3.3 交互作用检验与亚组分析

当研究者关心治疗效应是否随阈值层变化时，需进行 治疗×分层交互作用检验。常用方法包括：

• Wald 检验：在回归模型中纳入交互项，检验交互项系数是否为零。
• 似然比检验：比较含交互项与不含交互项模型的拟合优度。
• Breslow-Day 检验：专门用于检验各层 OR 是否齐性。

2.4 阈值分层试验的统计推断流程

以下流程图总结了从阈值设定到最终推断的完整逻辑链条：

2.5 样本量与检验效能考虑

阈值分层试验的样本量计算需额外考虑 层间样本分配比例 和 层内效应量差异。以下为简化计算公式：

总样本量 N = Σ Nᵢ
其中 Nᵢ = (Z_α/2 + Z_β)² × [p₁ᵢ(1-p₁ᵢ) + p₂ᵢ(1-p₂ᵢ)] / (p₁ᵢ - p₂ᵢ)²
p₁ᵢ = 第 i 层治疗组事件率
p₂ᵢ = 第 i 层对照组事件率

若预期各层效应量一致，可采用 固定效应分层样本量公式；若预期效应量跨层不同，建议使用 模拟法 或 基于交互项检验的样本量方法。