响应筛选是JMP专业版平台中的一款主力产品。它可以自动对大量响应进行测试，并将测试结果和汇总统计数据直接显示在报告或数据表中，以便进一步探索数据。此外，如果不使用适当的统计方法来防止出现假阳性结果，测试许多响应以了解因素的影响即使不产生误导，也可能非常困难。错误发现率 (FDR) 方法可以避免对显著性做出错误的声明。调整后的 p 值图使结果易于解释。由于响应筛选的灵活性和性能，它是JMP临床中开发新功能的常用平台，用于分析临床试验中常见的多个终点、时间点或组。在JMP Pro 19和JMP临床19中，新的子组角色使得探索观测子组中的终点变得前所未有的简单。
首先，什么是子组？子组是全集观测值的子集，通常由数据表的所有行表示。通常，选择子组是因为它们在一个或多个共同特征上具有相似性，并且人们可能有兴趣在这些子组中进行分析，以了解结果与全集观测值的分析结果有何不同。
为了便于讨论， “因子”一词指的是单独使用或与其他因子结合使用以确定子组的变量。我们将子组定义为因子的单个水平或两个或多个因子水平的组合。例如，变量“性别”将被视为一个因子，而“男性”和“女性”将被视为子组。第二个因子“年龄”可能包含两个子组：< 65 岁和 ≥ 65 岁。基于“性别”和“年龄”的子组可以生成以下四个子组：
- 男性，<65岁
- 男性，≥65岁
- 女性，<65岁
- 女性，≥65岁
在本篇博文中，我们将使用 JMP 样本数据索引中提供的尼卡地平数据来说明子组的作用。该数据包含每个患者多行数据，每个不良事件对应一行。选择“唯一受试者标识符”列，然后前往“行”>“行选择”>“选择重复行”。这将突出显示所有重复行，仅使用“唯一受试者标识符”确定重复项。出于本次分析的目的，对这些行使用“隐藏”和“排除”后，剩余 882 行可供分析。
假设我们想基于以下因素比较亚组内尼卡地平和安慰剂（计划组描述，将安慰剂设置为对照组）之间的患者死亡情况（Y/N）（使用患者死亡标志，将目标水平设置为 Y）：
- 性别：男、女
- 年龄（岁）
- 混合赛第一组
- 药物/干预标志（是/否）
- 抗惊厥药标志
- 止吐药或吩噻嗪类药物标志
- 抗纤溶酶标志
- 抗高血压药物标志
- 输血旗
- 中心静脉压监测标志
- 诱发高血压标志
- 故意血容量过高标志
- 有意血液稀释标志
- 低分子量葡聚糖标志
- 甘露醇标志
- 类固醇标志
- 天鹅甘茨监测旗
- 血管加压素标志
图 1 中的对话框使我们能够执行分析。
Figure 1. Response Screening analysis with Subgroup role图 1. 具有子组角色的响应筛选分析
请注意子组角色中存在连续变量年龄。虽然我们始终可以创建自己的连续变量类别，但响应筛选会使用三分位数自动完成此操作。最后，为了获得每个因素水平的成对组合（例如，输血的男性），请选择“子组双向”选项。
输出如图 2 所示。
Figure 2. Response Screening of death within subgroups图 2. 亚组内死亡反应筛查
双向选择子组后，这 17 个因子产生 612 个不同的子组（从P值数据表中可以轻松看到，因为有 612 行，保存表格 > 保存 PValues）。其中，605 个子组产生 p 值（图 2）。观察到基于因子水平的个体和成对组合的所有潜在子组。“空”子组将在数据表中显示，计数等于 0（这对于子组分析的透明度和完整性最有利）。子组的规模从 1 名患者到 852 名患者不等。
当使用单个因素生成子组时，如图2表格第一行所示，子组2 = 全部。当使用两个因素时，子组和子组2均列出了非全部值。对整个患者群体（此处为882例）的分析结果显示，子组和子组2均等于全部。考虑到所有使用FDR调整的多重检验，各治疗组之间的死亡率没有差异。
在“2×M结果”选项卡中，显示了相对风险、风险差异和死亡比值比的朴素95%置信区间的森林图。这些图证实了不同治疗方案之间存在一些显著差异，尽管这些分析未根据所进行的检验次数进行调整。
Figure 3. Forest plots of death within subgroups图 3. 亚组内死亡森林图
拟合模型中的响应筛选功能可以拟合更复杂的连续端点模型，从而允许将多个协变量纳入子组分析中。
JMP Pro 19和JMP临床19中的响应筛选功能使探索亚组结果变得前所未有的轻松。很快，我们将讨论JMP临床中的亚组筛选报告，该报告利用响应筛选的强大功能，深入了解临床试验的主要终点和关键次要终点。
