图形对结果展示具有独特的优势,其在Meta分析的结果展示中发挥着重要作用。本文将介绍几种Meta分析中常用的图,推荐研究者使用: 流程图——展示原始研究纳入排除过程 森林图——展示Meta分析的结果 漏斗图/Galbraith图——评价偏倚可能性 气泡图——展示Meta回归结果 纳入排除流程图 纳入排除流程图一般在结果中最先展示。图中描述了原始研究的纳入排除过程。PRISMA提供了流程图的模板,推荐使用该模板。具体示例与建议见图1。 图1. PRISMA 2009 纳入排除流程图 绘图建议: 1、 流程图最上面展示的是初始获取的文献数量,最下面展示的是最终纳入分析的文献数量,中间部分展示文献的纳入排除过程。 2、 流程图可以归纳为四部分:文献获取、文献筛选、文献入排和文献纳入。 3、 向下的箭头表示文献选择过程,向右的箭头表示每一步中排除的文献和原因。 森林图 森林图是Meta分析结果中的经典图形,它由图形和数据列表两部分组成。森林图可以追溯到20世纪70年代,相传因图形中的线条类似于森林而得名。 数据列表部分包含各原始研究以及样本量、结局事件数、效应值等信息,原始研究的排列一般应遵从一定的顺序,比如发表年代或贡献的权重。效应值通常为均数差、OR、RR或HR等,并且要提供置信区间。在合并效应值时,方差越小的研究权重越大。固定效应模型假定各原始研究的效应一致,权重通常等于各原始研究方差的倒数。随机效应模型假定各原始研究效应不一致,但服从一定的分布,其权重包含研究间的方差。除了展示各原始研究间的数据之外,研究间效应值的异质性也需要进行报告,推荐使用I2统计量衡量异质性大小。 如果进行了亚组分析,森林图中应将各亚组分别展示,并计算I2衡量亚组间的效应值异质性大小。如果统计学检验显示,不能认为亚组间效应存在异质性,那么应该将亚组进行合并。 图形部分展示了各研究效应值及其95%CI区间,图中点的大小衡量各研究贡献的权重大小。图的最底部为Meta分析的合并值。具体示例(图2)与绘图建议如下: 数据列表部分 1、 展示纳入分析的原始研究。研究排列应遵从一定顺序,如发表年代,权重大小或作者首字母 2、 给出各原始研究的结局事件数 3、 给出各组的样本量 4、 给出各原始研究贡献的权重 5、 报告各原始研究效应值及其95%CI 6、 最列表底部报告数据的合计值以及异质性统计量I2 图形部分 1、 用方形表示各原始研究效应值,用水平线表示置信区间 2、 用方形的大小表示权重大小,方形越大,权重越大 3、 在最底部用菱形表示合并的效应值,菱形的左右顶点表示置信区间的上下界 漏斗图或Galbraith图 漏斗图用于探索可能的发表偏倚,示例(图3)和绘图建议如下: 绘图建议: 1、 X轴:效应值(取自然对数),如OR、RR等的对数值 2、 Y轴:效应值的标准误SE 3、 点:每个点大小一致,代表一个研究,至少应有10个研究,点的大小要适当 4、 漏斗:由三条线组成,垂直线代表合并的效应值在X轴的位置,两条斜线代表95%CI。 Galbraith图用于探索可能的发表偏倚,示例(图4)和绘图建议如下: 绘图建议: 1、 X轴:利用效应值标准误的倒数衡量研究的规模 2、 Y轴:标准化的效应值 3、 点:每个点代表一个研究,大小一致。点的大小要适当 4、 斜线:图中有三条斜线,中间的线斜率代表固定效应合并值,两侧为其95%CI线。如果没有异质性和发表偏倚,那么理论上在两条95%CI线外的研究数量为5% Meta回归和气泡图 研究间的异质性有时可以归因于某些研究水平的影响因素,此时可能用到Meta回归的方法。Meta回归得到的影响因素作用大小可以利用气泡图上显示。示例图(图5)和绘图建议如下: 绘图建议: 1、 X轴:影响因素的取值 2、 Y轴:效应值大小(可能需要进行转换,如取对数) 3、 圆圈:每个圆圈代表一个研究,圆圈越大,说明该研究的效应值方差越小,精确度越高,权重越大 4、 线:回归线,如果回归线斜率不为0说明影响因素对研究间效应有作用 参考文献:Heart 2017;103:19–23. 作者:大仙儿 编辑:紫花苜蓿 |
|
来自: CharlizeHuang > 《科研技巧》