當吸煙遇上飲酒，當空氣污染疊加遺傳易感性，當熬夜撞上高壓力，這些危險因素的組合會產生怎樣的破壞力？是簡單的“1+1=2”，還是更具殺傷力的“1+1>2”？

上一篇文章我們通過研究實例講解了相加交互分析（），本文將詳細介紹如何使用“InteractionR”包進行相加交互效應分析。

1

InteractionR介紹

InteractionR 是一個用于分析交互作用（特別是相加交互作用）的 R 包，廣泛應用于流行病學、生物統計學和醫學研究。它主要用于計算和評估兩個或多個暴露因素對結局變量的聯合效應，并提供多種統計指標來量化交互作用。

1. InteractionR包可實現的分析

該程序包嚴格遵循Knol和Vanderweele提出的報告標準，自動生成包含以下內容的分析表格：

• 各因素單獨作用的 OR 值

• 聯合作用的 OR 值

• 相乘交互效應：通過回歸系數 alc:smk 的顯著性判斷

• 相加交互效應指標：相對超額風險（RERI）、歸因比例（AP）、協同指數（SI）

2. InteractionR包中三種置信區間計算方法

包中實現了三種計算相加交互作用指標置信區間的方法：

• Delta法：傳統方法，計算簡單但性能較差。

• MOVER法（方差恢復法）：利用OR/RR置信區間的不對稱性，小樣本表現優異。

• 百分位Bootstrap法：大樣本時性能最佳，但小樣本可能出現稀疏單元格問題核心指標。

3. InteractionR包用于相加交互效應分析的優勢

• 主函數`interactionR()`接受常規回歸模型對象，自動提取所需信息

• 支持logistic回歸、條件logistic回歸和Cox模型

• 提供表格生成函數，一鍵輸出發表級表格

• 內置數據示例和詳細文檔，降低學習成本

2

實戰演練

案例1：酒精與吸煙對口腔癌的交互作用

使用包中內置的OCdata數據，包含酒精（“alc”）和吸煙（“smk”）這兩個暴露變量，以及結果口腔癌（“oc”）這兩個二分變量（0 或 1，分別表示不存在或存在）。分析步驟如下：

####相加交互效應模型分析_Zhiping Niu #######
# 首次使用時，安裝interactionR程序包
# 注意：如果已安裝，可跳過此步驟以避免重復安裝
# install.packages() 是R中用于從CRAN安裝包的基礎函數
install.packages("interactionR")

# 載入interactionR包
# library() 函數用于加載已安裝的包，使其功能可用
# 如果安裝成功但加載失敗，可能是包依賴未滿足（如檢查是否安裝了devtools、ggplot2等）
library(interactionR)

# 擬合含交互項的logistic回歸模型
# glm() 是廣義線性模型函數，此處用于擬合二分類結局的Logistic回歸
# 參數說明：
#   - formula: oc ~ alc*smk 
#     - oc: 二分類結局變量（如疾病發生與否）
#     - alc*smk: 表示包含alc、smk的主效應及其交互項（等價于 alc + smk + alc:smk）
#   - family: binomial(link='logit') 
#     - 指定分布為二項分布，鏈接函數為logit（即Logistic回歸）
#   - data: OCdata 
#     - 指定數據集，需確保變量名與數據框中一致
m <- glm(oc ~ alc*smk, family = binomial(link='logit'), data = OCdata)

# 使用MOVER法進行交互作用分析
# interactionR() 是包的核心函數，用于計算相加交互作用指標
# 參數說明：
#   - model: m 
#     - 上一步擬合的回歸模型對象
#   - exposure_names: c("alc", "smk") 
#     - 指定兩個暴露變量的名稱（順序會影響結果解釋）
#   - ci.type: "mover"
#     - 置信區間計算方法，可選"delta"（默認）、"mover"或"bootstrap"
#     - MOVER法（Method of Variance Estimates Recovery）對小樣本更穩健
#   - ci.level: 0.95
#     - 置信區間水平（默認0.95）
#   - em: FALSE 
#     - 是否評估效應修飾（Effect Modification），FALSE表示分析交互作用
#   - recode: FALSE 
#     - 是否自動重新編碼保護性因素（FALSE保持原始編碼）
table_object <- interactionR(m, 
                           exposure_names = c("alc", "smk"), 
                           ci.type = "mover",
                           ci.level = 0.95,
                           em = FALSE, 
                           recode = FALSE)

# 生成發表級表格
# interactionR_table() 將結果輸出為Word格式的表格（默認保存到工作目錄）
# 輸出內容：
#   - 暴露單獨/聯合的OR值及置信區間
#   - 相加交互作用指標（RERI、AP、SI）及置信區間
#   - 交互作用的統計學顯著性
# 注意：
#   - 表格會自動保存為"interactionR_table.docx"
#   - 可通過參數調整格式（如filename修改路徑，title修改標題）
interactionR_table(table_object)

結果表格清晰展示了：

• 飲酒（alc）的單獨效應：OR=3.33（95% CI: 0.7, 15.86），表明飲酒可能增加口腔癌風險，但OR置信區間包含1，表明不具有統計學顯著性。

• 吸煙（smk）的單獨效應：OR=2.96（95% CI: 0.68, 12.91），吸煙可能增加口腔癌風險，但OR置信區間包含1，表明不具有統計學顯著性。

• 飲酒（alc）和吸煙（smk）聯合效應：OR=9.04（95% CI: 2.64, 30.91），遠高于單獨暴露的效應，表明兩者可能存在協同作用，且OR置信區間不包含1，表明具有統計學顯著性。

• 交互作用分析：

• 相加交互（RERI）：3.74（95% CI: -11.43, 21.87），點估計顯示正向交互，但置信區間包含0，統計不顯著。

案例2：運動與吸煙對腰椎間盤突出的影響

使用包中內置的HDiscdat數據，包含運動參與（“ns”）和吸煙（“smk”）這兩個暴露變量，以及結果腰椎間盤突出（“h”）。以上三個變量均為二分類變量（0 或 1，分別表示不存在或存在）。

展示bootstrap法的應用：

# 擬合含交互項的logistic回歸模型
# 使用glm()函數擬合模型，其中：
# - h: 二分類結局變量（如疾病發生與否）
# - ns*smk: 表示包含ns、smk的主效應及其交互項（等價于 ns + smk + ns:smk）
# - family=binomial(link='logit'): 指定使用logistic回歸
# - data=HDiscdata: 指定使用的數據集
m2 <- glm(h ~ ns*smk, family=binomial(link='logit'), data=HDiscdata)

# 使用bootstrap法進行交互作用分析（1000次重復）
# interactionR_boot()是interactionR包中專門用于bootstrap分析交互作用的函數
# 參數說明：
#   - model: m2 - 上一步擬合的回歸模型對象
#   - ci.level=0.95 - 置信區間水平（默認0.95）
#   - em=FALSE - 不評估效應修飾（Effect Modification），而是分析交互作用
#   - recode=FALSE - 不重新編碼保護性因素
#   - seed=12345 - 設置隨機種子以保證結果可重復
#   - s=1000 - 指定bootstrap重復次數為1000次
# 注意：
#   - bootstrap法計算量較大，重復次數越多結果越穩定但耗時越長
#   - 建議在正式分析前測試較小次數（如100次）檢查代碼是否正確
table_object2 <- interactionR_boot(m2, 
                                 ci.level=0.95, 
                                 em=FALSE,
                                 recode=FALSE,
                                 seed=12345, 
                                 s=1000)

結果表格清晰展示了：

• 不運動（ns）的單獨效應：OR=2.38（95% CI: 1.27, 4.46），顯著增加腰椎間盤突出風險。

• 吸煙（smk）的單獨效應：OR=1.88（95% CI: 1.29, 2.73），同樣顯著增加風險。

• 不運動（ns）和吸煙（smk）聯合效應：OR=1.98（95% CI: 1.12, 3.48），與單獨吸煙的效應接近，但低于單獨不運動的效應。

• 交互作用分析：

• -1.28（95% CI: -3.63, 0.54），點估計為負值，提示可能的拮抗作用（但統計不顯著）。

3

注意事項

1. 變量編碼

對于暴露變量建議將高風險組編碼為 1，低風險組為 0；對于結局變量，需將患病編碼為1，不患病編碼為0。

2. 置信區間估計方法選擇

• 小樣本研究優先考慮MOVER法

• 大樣本研究可使用bootstrap法

• Delta法僅建議用于初步分析

3. 注意數據特點與模型假設

• 確保數據符合所用模型的假設，如使用logistic 回歸模型計算相關 OR 值時，要滿足logistic 回歸的基本假設。

• 數據應盡量完整，避免過多缺失值，若存在缺失值，需根據實際情況選擇合適的處理方法，如刪除缺失值記錄、插補法等，以免影響分析結果的準確性。

4. 考慮協變量影響

實際研究中，可能存在其他因素會影響結局變量，從而干擾對相加交互效應的分析。因此，模型中可包含適當的協變量，以控制其他因素的干擾，更準確地評估因素間的相加交互作用。

5. 正確解讀分析結果

相加交互效應分析結果反映的是變量間在加法尺度上的交互關系，與乘法交互效應不同。不能將相加交互效應的結果與乘法交互效應混淆，要根據研究目的和專業背景，正確解釋結果的實際意義和生物學內涵。

4

結語

對于從事流行病學、臨床研究或公共衛生分析的研究者，InteractionR無疑是工具箱中的又一利器。InteractionR在識別危險因素共暴露時，能精準捕捉“1+1大于2”的協同效應。它通過高效算法和模型，量化危險因素相互作用產生的整體風險，這種風險往往遠超各因素單獨作用的總和。這種能力有助于更全面地理解復雜因素對健康的綜合影響，為精準干預提供依據。