韦红霞，康 佩，刘颖欣，黄福强，陈 征，安胜利

南方医科大学公共卫生学院生物统计学系，广东 广州510515

近年来，世界各地的监管机构和卫生技术评估机构越来越重视从试验（治疗）中识别获益的患者亚群，即亚组识别［1］；当传统临床随机对照试验中组间疗效无差异时，通过亚组识别，若能识别出实际上在试验组中存在明显获益的亚组人群，则可以有效减轻疾病对该亚组人群的危害［2］。目前，国内外亚组识别的研究已较多［3-5］，但涉及生存数据亚组识别的研究仍较少。现有生存数据亚组识别的研究，多是基于Cox模型［6-8］，而使用此模型需要满足等比例风险假定，但此假定有时不成立；对于高维的小样本数据，Cox模型也不够稳定。加速失效时间（AFT）模型已被证实适用于高删失和高维数据［9］，且无需满足等比例风险假定，因此可考虑将AFT模型作为Cox的替代模型。此外考虑到协变量之间的相关性问题，Engler和Li（2009）［10］提出了基于Elastic Net的惩罚AFT 模型。但Elastic Net 和其他惩罚模型（如lasso、岭回归）有一个共同的缺点：不能确保变量选择的一致性和系数估计的渐近正态性，即不具有Oracle性质［11］。针对此问题，Zou 和Zhang（2009）［12］提出了Adaptive Elastic Net。Khan&Shaw（2016）［13］也基于结合Adaptive Elastic Net的AFT模型，对高维数据进行变量选择。目前这些惩罚模型的应用局限于筛选协变量［9,10,13］，Kang（2019）［14］改进常规应用中的适应性正则化模型，将基于Adaptive Elastic Net的AFT模型应用于生存数据进行亚组识别，并探讨了其在不同的样本量、删失率、亚组比例下的性能。本文在Kang（2019）所研究的基础上进行拓展，进一步探讨协变量间相关性、获益亚组与非获益亚组间的疗效差异、样本量与待选协变量个数比例、生存数据的参数分布以及适应设计两个阶段的检验水准分配等对亚组识别的影响。……