摘要
评估患者亚组间治疗效果的异质性是临床试验分析的一个基本方面。然而，由于样本量较小以及所研究的亚组数量众多，这些分析存在固有局限性。此外，人们往往倾向于关注极端的估计值，而这些极端的估计值可能反映的是随机变异而非真实效应，从而导致虚假的临床结论。近年来，监管机构制药公司的统计学家们开始考虑基于贝叶斯统计理论的收缩方法。这些方法将治疗效果异质性的先验信息纳入分析，在操作上将原始亚组治疗效果估计值向总体治疗效果方向收缩。目前已有多种收缩估计量和先验分布被提出，但尚不清楚哪种方法表现最佳。本工作统一了针对连续型、二分类、计数和时间-事件终点指标的收缩方法的表述和软件实现，并在R包bonsaiforest2中提供了实现。同时，该工作还对两种不同的仿真设置下的一元收缩方法和全局收缩方法进行了仿真比较。一元模型为每个亚组分层变量分别拟合一个独立的收缩模型，而全局模型则一次性纳入所有亚组指标进行拟合。两种模型均可推导出标准化的亚组特异性治疗效果。在所有仿真场景中，收缩方法在均方误差方面均优于未收缩的标准亚组估计量。它们也更有效地识别出无效亚组。与一元模型相比，全局收缩模型倾向于具有更小的均方误差，且对超先验参数的依赖程度更低，但同时也表现出略大的偏差以及较差的频率学派覆盖率。对于两种模型，基于试验假设中对预期总体治疗效果大小的锚定而选择的超先验参数均表现良好。我们得出结论，某种程度的收缩优于不做任何收缩，并主张在临床森林图中常规纳入收缩后的估计值，以促进更稳健的决策。
利益冲突
作者声明不存在利益冲突。
数据可用性声明
合格研究人员可通过临床研究数据请求平台https://vivli.org申请获取GALLIUM试验的个体患者水平数据[23]。有关罗氏合格研究标准的更多详细信息，请访问：https://vivli.org/members/ourmembers。有关罗氏《临床信息共享全球政策》以及申请访问相关临床研究文档的详细信息，请访问：https://www.roche.com/research_and_development/who_we_are_how_we_work/clinical_trials/our_commitment_to_data_sharing.htm。所有收缩方法均在R包bonsaiforest2[15]中实现（开发于https://github.com/openpharma/bonsaiforest2/），该包配有详细的案例文档和说明。仿真代码可在该仓库的simulations子文件夹中找到。
