创新统计方法有助于确定限制均值生存时间分析中的理想阈值时间。
限制均值生存时间（RMST）分析技术约25年前在医疗研究中引入，自那时起在经济学、工程学、商业和其他职业中广泛使用。
在临床环境中，RMST 是有用的，因为它是一种直接理解平均生存时间的方式——患者在诊断或治疗后存活的时间长度，以及影响该时间的因素——在特定时间范围内。
此外，与Cox回归模型和其他流行模型不同，使用RMST进行的估计和比较不依赖于比例风险假设，即事件发生的可能性会在时间上保持不变。
“但是有一个问题：RMST可以测试治疗在基线到一个时间点——阈值——之间对组的效果差异，但在临床和流行病学研究中确定理想的阈值是困难的，”德克萨斯A&M大学公共卫生学院的生物统计学教授韩刚博士说。“这导致结果的统计能力低于它们可能达到的水平。”
为了解决这个挑战，韩和来自学术界和工业界的同事开发了一种新方法，利用现有的数学工具——简化分段指数模型——在研究两个组时确定限制均值生存时间分析中的理想或最佳阈值时间。
“这在医学研究中尤其重要，因为特定事件发生的概率可以在不同的治疗阶段中变化，”参与此项研究的德克萨斯A&M公共卫生学院健康行为教授马修·李·史密斯博士说。
为了确定最佳阈值，团队从危险率的显著拐点计算阈值时间，并将其与可能的最大阈值时间进行比较。
他们的研究论文发表在《美国流行病学杂志》上，展示了在多个模拟研究和两个真实案例（临床研究和流行病学研究）中提出的该方法的好处。
他们使用新方法在模拟中测量I型错误率和统计能力，其中一个组的危险率是恒定的，而另一个组的危险率发生了变化。他们使用标准对数秩检验和他们的新模型对组进行比较。
“我们的模型表现最好，”研究证据基础预防方法的公共卫生学院杰出教授马尔西亚·G·奥里博士说。“当我们将其应用于两个现实场景时也是如此。”
在这两个场景中，传统的统计分析方法没有显示出两种治疗之间的显著差异。然而，当应用新模型时，每个场景的结果发现一种治疗明显优越。
第一个场景比较了对低水平关键生物标志物的非小细胞肺癌患者的两种治疗，时间为七个月。第二个场景使用标准评估测量与有看护人和没有看护人的轻度痴呆患者的衰退时间。
“这些结果是有希望的，仍需要更多的研究比较多个组，并使用多个协变量，如参与者的年龄、种族和社会经济状态，”韩说。“尽管如此，基于这些早期结果，我们认为此方法在时间事件结果分析中可能比所有现有的两组比较更有力。”
其他参与此项研究的人包括流行病与生物统计学系的博士生劳拉·霍普金斯、德克萨斯A&M统计系的杰出教授雷蒙德·卡罗尔博士，以及来自礼来公司和H·李·莫菲特癌症中心及研究所的外部合作者。
