Irislin7 剂量优化多因素校正分析 + PPT报告生成
适用场景
- 对临床试验数据进行剂量优化相关的多因素校正分析
- 比较不同剂量/治疗组的PFS/ORR，逐步加入协变量校正
- 使用PSM（倾向性评分匹配）和IPTW（逆概率加权）校正基线不平衡
- 通过敏感性分析验证结论稳健性
- 生成包含完整分析结果的PPT报告
前置条件
- Python 环境已安装：pandas, lifelines, matplotlib, python-pptx, statsmodels, openpyxl, scikit-learn, scipy
- 可选：pyreadstat（如需读取 SAS 数据集）
执行步骤
Step 1: 交互式参数收集
通过以下 5 步问答收集分析参数。如用户已提供部分信息则跳过对应问题。
Q1 - 项目与数据源
询问用户：
- 项目名称（用于PPT封面标题）
- 数据源类型：
- A) 已整理的分析数据（CSV/Excel 单表）— 推荐，直接使用
- B) ADaM Excel（多 sheet: ADSL/ADTTE/ADRS 等）— 需指定合并逻辑
- C) SAS 数据集目录（.sas7bdat）— 需指定域和合并逻辑
- 文件路径
- PPT 模板路径（可选，不指定则使用默认样式）
Q2 - 剂量组定义
询问用户：
- 哪个列包含剂量/治疗组信息？
- 需要比较哪些组？（试验组 vs 参考组，参考组为HR分母）
- 是否有多个比较方案？（如同线比较 + 跨线比较）
Q3 - 终点变量
询问用户：
- PFS 时间列名
- 删失列名及编码规则（如 CNSR: 0=事件发生, 1=删失）
- ORR 列名及编码规则（如 orr: 1=缓解, 0=未缓解）
- 若使用 ADaM 数据源：指定 PARAMCD 筛选条件（如 PARAMCD='PFS'）
Q4 - 协变量
询问用户：
- 列出所有需要校正的协变量及其在数据中的列名
- 每个协变量的类型（分类/连续）和编码方式
- 是否有特殊衍生规则？（如：从其他列衍生、需要分组等）
- 若某些变量在数据源中不存在，是否需要从其他文件补充？
Q5 - 确认
汇总所有参数并展示给用户确认，格式参考 参数模板。
Step 2: 数据加载与预处理
根据数据源类型执行不同的加载逻辑：
模式 A（已整理数据）：
- 读取 CSV/Excel 文件
- 验证必要列是否存在
- 处理缺失值和数据类型转换
模式 B（ADaM 多 sheet）：
- 读取 ADSL sheet → 提取基线特征（SUBJID, 治疗组, 协变量）
- 读取 ADTTE sheet → 筛选指定 PARAMCD → 提取 AVAL, CNSR
- 读取 ADRS sheet → 筛选 BOR → 衍生 ORR
- 按 SUBJID 合并所有 sheet
- 应用用户指定的衍生规则
模式 C（SAS 数据集）：
- 使用 pyreadstat 读取指定 .sas7bdat 文件
- 合并逻辑同模式 B
通用预处理：
- 根据删失编码统一为：event=1 表示事件发生, event=0 表示删失
- 协变量 dummy 编码（二分类变量转为 0/1）
- 仅保留比较组中的受试者
Step 3: PFS 生存分析概况
- 计算各组的样本量、事件数、删失数
- 计算各组中位PFS（mPFS）及95%CI
- 计算6个月、9个月、12个月PFS率
Step 4: 亚组中位PFS
按用户指定的各协变量分层，分别计算各治疗组的mPFS：
- 每个协变量的每个水平单独计算
- 计算亚组内的HR和95%CI
Step 5: 基线特征比较
- 列出各比较组的基线特征分布（n, %）
- 使用卡方检验或Fisher精确检验计算P值
- P<0.05的行标注显著
Step 6: KM生存曲线
绘制各比较组的PFS KM曲线：
- 添加删失标记（竖线tick marks）
- 添加风险表（Number at risk）
- 添加y=50%虚线标注中位PFS
- 标注HR、95%CI、Log-rank P值
- X轴每2个月一个刻度
- 参考组为HR分母（HR<1表示试验组优于参考组）
- 保存为PNG，分辨率≥150 DPI
- 使用中文字体（SimHei/Microsoft YaHei）
Step 7: 逐步单因素Cox回归
- 方法：每次在基础模型（仅含arm变量）上加入一个协变量
- 输出：每个模型的校正后HR、95%CI、P值、AIC、BIC
- 按AIC排序标识最优模型
- 列出未校正基础模型结果作为对照
Step 8: ORR逐步单因素Logistic回归
- 方法：与Step 7相同逐步法
- 因变量：ORR（1=缓解, 0=未缓解）
- 输出：每个模型的校正后OR、95%CI、P值、AIC、BIC
- 按AIC排序标识最优模型
Step 9: PSM 倾向性评分匹配
- 倾向性评分估计：使用 statsmodels Logit（无正则化），因变量为治疗组指示变量，自变量为所有非零方差协变量。不使用 sklearn（其 L2 正则化会压缩 PS 分布）。
- 匹配方法：最近邻贪心匹配（1:1），距离度量为 Logit 距离，caliper=0.2×SD(logit(PS))。不随机打乱治疗组顺序（确保可重现）。
- 匹配后评估：
- 计算匹配前后各协变量的标准化均数差（SMD）
- 绘制 Love plot（SMD 变化图），阈值线 SMD=0.1
- 匹配后分析：
- Cox 回归使用 cluster-robust SE（
cluster_col='pair_id'），处理匹配对内相关性 - KM 曲线 + Cox HR + 95%CI + P值
- ORR 比较（Fisher精确检验 + Logistic回归）
- Cox 回归使用 cluster-robust SE（
Step 10: IPTW 逆概率加权
- PS 估计：同 Step 9，使用 statsmodels Logit（无正则化）
- 权重计算：
- 稳定化 IPTW 权重：治疗组 $w = \bar{p}/\hat{p}_i$，对照组 $w = (1-\bar{p})/(1-\hat{p}_i)$
- 不截断权重（小样本下截断引入偏差，匹配R默认行为）
- 平衡检查：加权后 SMD 应 < 0.1
- 加权分析：
- Weighted Cox 回归（使用 robust 标准误）→ HR + 95%CI + P值
- Weighted Logistic 回归（GLM Binomial, freq_weights）→ ORR OR + 95%CI + P值
- 加权 KM 中位数及CI：使用手动 Greenwood + log变换CI（匹配R survfit），不使用lifelines加权KM（对非整数权重CI有偏）
Step 11: 敏感性分析
- 生成多种协变量组合（如：全部协变量、去除每个协变量、两两组合等）
- 对每种组合重复 IPTW 分析
- 汇总所有组合的 HR 和 95%CI
- 绘制 Forest plot：
- Y轴列出各协变量组合
- X轴为 HR（对数刻度）
- 添加 HR=1 的参考线
- 标注每个组合的 HR (95%CI) 数值
Step 12: 生成PPT报告
使用 python-pptx 生成PPT，详细格式要求见 PPT格式规范。
如用户提供了 PPT 模板文件，则以模板为基础添加幻灯片。
幻灯片结构（约20张）：
- 封面（项目名称、比较方案、日期）
- 分析方法概述
- PFS 概况汇总表
- 基线特征比较表
- 亚组 mPFS 表格
- KM 生存曲线图（每个比较一张）
- Cox 逐步回归结果表
- ORR 概况
- ORR 逐步 Logistic 回归结果表
- PSM 方法描述
- PSM 匹配平衡性（Love plot）
- PSM 匹配后 KM 曲线
- PSM 匹配后 Cox/ORR 结果
- IPTW 方法描述
- IPTW 加权后平衡性
- IPTW 加权后 KM 曲线
- IPTW 加权后 Cox/ORR 结果
- 敏感性分析汇总表
- Forest plot（多方法HR汇总）
- 关键发现与结论
Step 13: 汇总与交付
- 总结各比较组的关键发现
- 列出多方法对比（未校正 vs 逐步Cox vs PSM vs IPTW）
- 评价结论稳健性
- 交付PPT文件
代码参考
详细代码框架见 分析方法参考
技术栈
| 库 | 用途 |
|---|---|
| pandas + openpyxl | 数据读取（CSV/Excel） |
| pyreadstat | SAS 数据集读取（可选） |
| lifelines | KM估计、Cox回归、Log-rank检验 |
| statsmodels | Logistic回归 |
| scikit-learn | PSM倾向性评分估计 |
| scipy | 统计检验（Fisher、卡方） |
| matplotlib | KM曲线、Forest plot、Love plot |
| python-pptx | PPT生成 |