我们都知道，临床试验里对主要终点的分析是整个研究最重要和最主要的结果。除此之外，不少研究还会预先设计进行亚组分析，比如限制在一些人群子集里。但有时亚组分析是“事后”进行的。由于临床试验的样本量是基于主要终点设计的，在这种情况下亚组分析无论得到阳性结果还是阴性结果，都可能会引起一定的质疑（多重比较导致的假阳，或者样本量不足导致的假阴）。

尽管如此，进行亚组分析还是有实际意义的。尤其是希望将研究结果应用到临床实践时，在不同亚组患者中估计干预手段的治疗效果（treatment effect）是很有必要的，因为临床医生的首要任务是尽可能为每位患者确定可能的最佳治疗方法，并将不必要的副作用降至最低。当一项干预的治疗效果的估计大小可能因亚组而异时，只看整体结果可能也会有失偏颇。

目前最常用的亚组分析，定义的亚组是“不重叠”的。例如根据高血压病史分为具有或不具有两组，在两组分别估计治疗效果，然后再检验组间和干预的交互作用是否有统计学意义。除此之外，还有一种使用“重叠（overlap）”的亚组方式，就是STEPP。

STEPP全称是subpopulation treatment effect pattern plot，被翻译成亚组治疗效果模式图，或者亚群疗效模式图。它是指使用上述重叠的亚组定义方式后，结合传统的统计分析方法，得到的亚组治疗效果的图形化展示。

怎么理解重叠的亚组呢？我们以年龄作为关心的亚组变量举例。如果是传统的亚组分析，可能会先确定一个年龄切点，比如60岁，然后按照≤60和＞60两组，而这个切点的确定可能是基于临床印象、既往文献、或者实际数据特点。

而在STEPP中，会根据年龄被分为多个不同的亚组，同一个患者可能同时存在多个亚组里，也就是亚组之间有“重叠”。如下图所示有两种比较经典的分组方法。

纵轴是年龄，横轴是亚组。第一种是"sliding window"，年龄可以每10岁一个亚组，根据实际数据情况可能有40-50，45-55，50-60，65-75，70-80等多个组。第二种是"tail-oriented"，看图比较容易理解，可以分为40-50，40-60，40-70，40-80，50-80，60-80，70-80等多个组，其中40-80这个亚组其实就是研究的总体人群。

两种不同的亚组选择方法

划分完亚组之后，在每个亚组中可以计算所关注的事件率，也可以应用传统的统计分析方法例如Cox比例风险模型，得到每个亚组中干预效果的点估计和置信区间。然后，以每个亚组的分组中位数（例如年龄的中位数）为x轴，得到的干预效果的点估计和置信区间为y轴，画出来的图像就是STEPP。STEPP可以很直观的展示不同亚组的治疗效果，更重要的是可以反映出“模式”（pattern），比如在某个年龄之前干预治疗效果更明显等。

2021年发表在JAHA的一篇文章，使用临床试验数据评估双抗血小板治疗(DAPT)3个月后使用替格瑞洛单药治疗，与替格瑞洛为基础的12个月DAPT，对急性冠状动脉综合征患者大出血和心血管事件的年龄依赖性影响。这个分析是对临床试验数据的事后分析。

具体统计学方法上，该研究首先使用限制性立方样条分析了年龄和结局之间的关联是否是非线性的。然后采用STEPP展示了随年龄变化时两种治疗手段效果的估计值及差异。之后又应用了生存分析方法寻找危险因素。

年龄的STEPP

如图所示，STEPP展示了2个治疗组临床终点的事件发生率和净不良临床事件(A)、大出血(B)的风险比(HR)。红线表示HR，虚线表示95% 置信区间。p值表示由STEPP分析得出的交互作用。

上下两图结合，可以体现出在不同的年龄组中，两种治疗的风险是不同的，并且呈现出一定的pattern：在年龄低的时候两组的事件率差异不大且比较稳定；在某个年龄以上，两种治疗手段的事件发生率开始出现明显的差异，且差异越来越大。

尤其值得注意的是，本文得到了一个年龄的截断值（cut-off，灰色竖线），可以认为是区分从治疗策略中获益更大的患者的起始年龄。从STEPP可以直观的观察到，这个截断值就是标志着更大的事件率差异的起始点，大于这个年龄之后两组事件率差距越来越大。

以上是对STEPP方法的简单介绍。这个方法在R里有stepp 包可以实现，Stata里也有相应的工具。除了文中介绍的分组方法，还有其他的方法比如基于事件的Event-based Sliding Window Subpopulations。不同亚组间治疗效果的差别除了STEPP还可以用统计检验进行展示；还可以应用模拟的方法得到对亚组治疗效果稳定性的估计。更精确的方法理论和公式小伙伴可以查阅相关的文章。

1.Marco Bonetti, Richard D. Gelber. Patterns of treatment effects in subsets of patients in clinical trials. Biostatistics, 2004

2.Marco Bonetti,Richard D. Gelber A graphical method to assess treatment covariate interactions using the Cox model on subsets of the data. Statistics in Medicine, 2000

3.Sergio Venturini, Marco Bonetti, Ann A. Lazar, et al. Subpopulation Treatment Effect Pattern Plot (STEPP) Methods with R and Stata. Journal of Data Science, 2022

4.Byung Gyu Kim, Sung-Jin Hong, Byeong-Keuk Kim, et al. Age-Dependent Effect of Ticagrelor Monotherapy Versus Ticagrelor With Aspirin on Major Bleeding and Cardiovascular Events: A Post Hoc Analysis of the TICO Randomized Trial. JAHA, 2021