顶刊新套路，交互RCS限制性立方样条解读与复现

 过去小编发过rcs系列 点这里复习很多原创思维和文章，原创的rcssci包深受欢迎，包括了一般线性模型、logistic的OR值y轴、cox的HR值y轴、Prevalence ratio的PR值y轴，分亚组的rcs正确用法，加权rcs的使用。实战医学统计3群昨天分享了JACC、JAMA文献，出现了RCS交互曲线，正好小编结合以前自己总结分享给粉丝朋友们。

一、 顶刊导读

JACC文献PMID: 37852696，展示了三因素交互的rcs交互图，和分层后X(二分类)* Z交互表。JAMA文献PMID: 36576811，展示两因素交互rcs图(连续X*Z)。具体文献截图见下图。

交互RCS用于探究和解释变量之间的相互作用，尤其适用于X=研究治疗组（比如是否接受药物治疗，干预01二分）或X=感兴趣连续因素，和某个同时也感兴趣的连续变量Z（常见年龄、血压、BMI等）之间的相乘交互效应。该方法通过采用限制性立方样条（RCS）来对连续变量进行灵活模型flexibly model (带rcs参数)或者log-linear interaction model(不带rcs参数)，使研究人员能够精确评估治疗效果随着连续变量不同水平的变化情况。

二、R实战

下面是R实战的案例1、案例2及解释。

当然，原始代码要读懂还需要一定基础，这时候又到了rcssci包登场的时候了。rcs_cox.interact()函数，轻松搞定X(二分类)*Z(连续), X(连续)*Z(连续)的一阶交互绘图。

交互rcs曲线得到的是： treat治疗效应随着交互变量age增长发病风险HR的变化趋势。

发散思维

1.X值在拟合交互rcs的时候，取值范围与原始数据集X的2.5%~97.5%或者5%~95%并不完全一致，X范取决于想要的代表性分布范围。

2.与常规rcs不同，交互rcs都不压缩，直接引入HR值，后续可利用主线与HR=1水平交叉点或95%CI交叉点进行基于交互变量Z的2/3分。

3.灵活模型flexibly model (带rcs参数)或者log-linear interaction model(不带rcs参数) 如何选择？小编感觉带rcs结合AIC判断knot更加经典。

小结

“

rcssci包rcs_cox.interact()函数一键绘制一阶交互rcs优美曲线，顶刊的新路子so eary。