響應篩選是JMP專業版平台中的主力產品。它可以自動對大量回應進行測試，並將測試結果和總計統計資料直接顯示在報表或資料表中，以便進一步探索資料。此外，如果不使用適當的統計方法來防止假陽性結果，測試許多回應以了解因素的影響即使不產生誤導，也可能非常困難。錯誤發現率 (FDR) 方法可以避免對顯著性做出錯誤的聲明。調整後的 p 值圖使結果易於解釋。由於反應篩選的靈活性和性能，它是JMP臨床中開發新功能的常用平台，用於分析臨床試驗中常見的多個終點、時間點或群體。在JMP Pro 19和JMP臨床19中，新的子組角色使得探索觀測子組中的終點變得前所未有的簡單。
首先，什麼是子組？子組是全集觀測值的子集，通常由資料表的所有行表示。通常，選擇子組是因為它們在一個或多個共同特徵上具有相似性，並且人們可能有興趣在這些子組中進行分析，以了解結果與全集觀測值的分析結果有何不同。
為了便於討論， 「因子」一詞指的是單獨使用或與其他因子結合使用以確定子組的變數。我們將子組定義為因子的單一水準或兩個或多個因子水準的組合。例如，變數“性別”將被視為一個因子，而“男性”和“女性”將被視為子組。第二個因子「年齡」可能包含兩個子組：< 65 歲和 ≥ 65 歲。基於「性別」和「年齡」的子組可以產生以下四個子組：
- 男性，<65歲
- 男性，≥65歲
- 女性，<65歲
- 女性，≥65歲
在本篇部落格文章中，我們將使用 JMP 樣本資料索引中提供的尼卡地平資料來說明子組的作用。此數據包含每個患者多行數據，每個不良事件對應一行。選擇「唯一受試者識別碼」列，然後前往「行」>「行選擇」>「選擇重複行」。這將突出顯示所有重複行，僅使用「唯一受試者識別碼」確定重複項。為本次分析的目的，對這些行使用「隱藏」和「排除」後，剩餘 882 行可供分析。
假設我們想基於以下因素比較亞組內尼卡地平和安慰劑（計劃組描述，將安慰劑設置為對照組）之間的患者死亡情況（Y/N）（使用患者死亡標誌，將目標水平設置為 Y）：
- 性別：男、女
- 年齡（歲）
- 混合賽第一組
- 藥物/介入標誌（是/否）
- 抗驚厥藥標誌
- 止吐藥或吩噻嗪類藥物標誌
- 抗纖溶酶標誌
- 抗高血壓藥物標誌
- 輸血旗
- 中心靜脈壓監測標誌
- 誘發高血壓標誌
- 故意血液容積過高標誌
- 有意血液稀釋標誌
- 低分子量葡聚醣標誌
- 甘露醇標誌
- 類固醇標誌
- 天鵝甘茨監測旗
- 血管加壓素標誌
圖 1 中的對話方塊使我們能夠執行分析。
Figure 1. Response Screening analysis with Subgroup role圖 1. 具有子組角色的反應篩選分析
請注意子組角色中存在連續變數年齡。雖然我們始終可以創建自己的連續變數類別，但「反應篩選」會使用三分位數自動完成此操作。最後，要取得每個因子水準的成對組合（例如，輸血的男性），請選擇「子組雙向」選項。
輸出如圖 2 所示。
Figure 2. Response Screening of death within subgroups圖 2. 亞組內死亡反應篩檢
選擇「子組雙向」後，這 17 個因子將產生 612 個不同的子組（由於P值資料表共有 612 行，因此很容易從中查看，保存表格 > 保存 PValues）。其中，605 個子組產生了 p 值（圖 2）。所有基於因子水準的個體組合和成對組合的潛在子組均已觀察到。 「空」子組將在資料表中顯示，計數等於 0（這最有利於亞組分析的透明度和完整性）。子組的規模從 1 名患者到 852 名患者不等。
當使用單一因素產生子組時，如圖2表格第一行所示，子組2 = 全部。當使用兩個因素時，子組和子組2均列出了非全部值。整個患者群體（此處為882例）的分析結果顯示，子組和子組2均等於全部。考慮到所有使用FDR調整的多重檢驗，各治療組之間的死亡率沒有差異。
在「2×M結果」標籤中，顯示了相對風險、風險差異和死亡比值比的樸素95%置信區間的森林圖。這些圖表證實了不同治療方案之間存在一些顯著差異，儘管這些分析未根據所進行的檢驗次數進行調整。
Figure 3. Forest plots of death within subgroups圖 3. 亞組內死亡森林圖
擬合模型中的反應篩選功能可以擬合更複雜的連續端點模型，從而允許將多個協變量納入子組分析中。
JMP Pro 19和JMP臨床 19中的「反應篩選」功能使探索亞組結果變得前所未有的輕鬆。很快，我們將討論JMP臨床中的「亞組篩選」報告，該報告利用「反應篩選」的強大功能，深入了解臨床試驗的主要終點和關鍵次要終點。
