用于簇状生存试验中基于秩的 k 组检验的鞍点推断

这对真实试验为何重要

许多现代临床试验不再只记录单一的、简单的终点（例如单次就诊时的血压）。相反，它们随访患者随时间变化、汇总多次测量，并且常常同时比较多种治疗。当患者按群组接受治疗（如在医院或诊所）且终点是随时间观察得到的复杂比值或乘积时，常规统计工具容易给出过于自信甚至错误的结论。本文提出了一种更精确的分析方法，以便关于治疗获益或危害的结论不至于误导。

由群体而非个体分配的试验

在公共卫生和医学研究中，研究者常按簇进行随机化：整个诊所、学校或社区被分配到不同的研究组，簇内所有个体接受相同处理。这种设计在操作上有利并能避免处理间的“污染”，但也导致同一簇内个体结果高度相似——他们的结局往往一起变化。同时，试验越来越多地用派生指标来概括健康变化，例如两种实验室指标的比值或多次读数的累积乘积。当研究者用这些复杂且基于群组的终点比较多个治疗组时，适用于大样本独立数据的常见基于秩的检验可能失效。在小到中等规模的簇试验中，把检验统计量近似为卡方分布的常用捷径经常会提升虚警率并产生过窄的置信区间。

把混乱的度量转为可比的“时间”

作者的第一步是将复杂终点用一种共同语言重新表达：生存时间数据。诸如血液标志物之比被视为达到关键比值所需的“时间”；多个测量的乘积则通过对数变换等方式合并为一个稳定的值。然后对每位患者以其派生值首次越过阈值的时间进行总结，或记录在未越过阈值时的随访时长，模拟常规生存分析的处理方式。因为患者处于簇内，方法为每个个体分配一个考虑删失（当随访在事件发生前结束）的加权秩分数，并在簇内将这些分数求和。得到的每个簇的汇总数同时反映事件时间与簇内相关性。随后基于这些簇分数构建一个全局二次统计量，用以一次比较所有治疗组。

对随机变异的更清晰视角

从原则上讲，判断观察到的组间差异是否出乎意料的最公平方式，是在实际随机化方案下考察簇可能被分配到各治疗的所有情况，并查看检验统计量在全集合上的极端程度。对类似于抽签但不放回的配给（即从一个概念性的容器中抽取处理标签）而言，这意味着需要探索大量的置换。对现实研究而言穷举这些置换不现实，而通过计算机进行成千上万次模拟若要用于多重检验或构建置信区间也代价不菲。本文提出一种多变量鞍点近似，这是一种数学捷径，它利用检验统计量生成函数的完整特性，而不仅仅是均值和方差，从而以惊人的精度模仿这种置换分布，尤其在分布尾部（p 值所在处）表现突出。

方法的检验

通过大量模拟对新框架进行压力测试，模拟情形接近真实的多臂簇试验，涵盖不同数量的治疗组、各异的簇大小、多层次的簇内相关性以及中等到重度的删失。在 20 个具有挑战性的场景和两类派生终点（比值与乘积）中，基于鞍点的 p 值与通过大量随机置换得到的近似精确“金标准”值高度一致。相比之下，熟悉的卡方近似在小样本或高度相关的设置中常常过度拒绝原假设，尤其在比较多个治疗组时尤为明显。置信区间也呈现相同模式：通过反转鞍点检验构建的区间在标称的 95% 覆盖率附近包含真实值，而基于卡方的区间在边界性设计中（决策最为敏感的情形）会频繁漏掉真实值。

来自真实临床研究的教训

为展示实际影响，作者将该方法应用于三项多中心临床试验：一项白血病研究评估血细胞计数恢复速度、一项与年龄相关的眼病研究跟踪双眼的综合视力下降，以及一项牙周炎试验评估口内牙龈病变的进展。在其中两例中，使用卡方近似的标准分析在传统的 5% 水平上宣称存在“统计学显著”治疗效应，可能促使作出强烈的临床结论。而鞍点方法及近似精确的置换基准则给出稍大的 p 值和包含“无效应”的更宽区间，表明证据是提示性的但并非决定性的。在一项大样本、高检出率的视力研究中，各方法一致认为治疗有益，但鞍点区间再次避免了过度夸大精确度，提供了更诚实的不确定性表述。

从复杂数据中得到更清晰的答案

对普通读者而言，关键讯息是：当试验复杂且样本量有限时，并非所有统计工具都同样可靠。这项工作提供了一种有原则且计算上高效的方法，既尊重簇试验的实际随机化方案，又考虑现代终点的复杂性，无需大量模拟或脆弱的大样本近似。通过可靠地控制虚假阳性并提供兑现承诺的置信区间，鞍点框架有助于确保关于新疗法的结论——尤其在微妙平衡或较小的多中心研究中——基于与数据所允许的一样坚实的证据，不多也不少。

引用: Newer, H.A. Saddlepoint inference for rank-based k-sample tests in clustered survival trials. Sci Rep 16, 11372 (2026). https://doi.org/10.1038/s41598-026-44064-9

关键词: 簇随机化试验, 生存分析, 鞍点近似, 置换检验, 小样本推断