1、未能根据已有知识预先设定亚组分析

研究显示，只有10%的亚组分析解释中，研究者考虑了既往证据或预先设定了亚组分析的假设[1]。而这些信息对于评估亚组分析的可信度至关重要。

2、不报告基本统计量

交互作用检验是亚组分析最关键的统计量：可以告诉我们偶然性能在多大程度上解释亚组间效应大小的差异。研究发现，只有17%的试验报告了交互作用的P值或估计值[1]。

3、忽略多重性检验问题

检测的假设越多，就越有可能偶然发现，然后声称存在亚组效应（但是虚假的）。研究发现，每项肿瘤试验平均有9个亚组分析[1]，这些亚组分析极有可能存在偶然性误差，误导读者。

4、对连续变量简单二分

对于年龄等连续变量，作者会设定阈值，并报告高于或低于该阈值的患者的疗效。更好的方法是检测连续变量范围内的效应值是否存在差异。选择单一阈值很有可能会进一步出现偶然性，同时也会因忽略连续变量所提供的额外信息而削弱分析效果。

参考文献：1.  JAMA Netw Open. 2024;7(3):e243379.

本文整理自：JAMA Netw Open. 2024;7(3):e243339.