选用的文章:
一、数据提取及前处理详见R语言meta包的预后meta分析复现 二、meta分析效应值计算使用metafor包rma()函数。 注意:模型结果中显示估计值为 0.5233,标准误为 0.0786,P<0.0001,此处 0.5233 为模型变量系数,即合并效应值的对数,lnRR=0.5233,RR=exp(0.5233)=1.7,可用如下命令在R中实现指数与对数的转换: 与原文相比结果一致。 绘制森林图 同样使用forest()函数: 可以明显的看到,使用metafor包rma()函数绘制的森林图远不及meta包metagen()函数漂亮,前者的森林图少了部分信息,需要添加额外的参数进行修饰绘制,比较麻烦;而后者不仅绘图命令简单,信息更加全面,还能通过settings.meta('revman5')绘制RevMan 5风格的森林图(见下)。 三、亚组分析metafor包中没有一步到位的亚组分析函数,需要将分成的亚组逐个分析再手动拼接到一起,很不友好,所以还是使用metagen( … , byvar = )节省时间。 四、meta回归分析仍然使用rma()函数,仅需添加命令参数 mods= ,注意“~”不能少。 以人种进行单因素分析为例: 与meta包的metareg()函数对比,两者结果基本一致: 多因素分析,两者结果基本一致(略): 五、敏感性分析使用leave1out()函数,该函数可反复拟合指定的模型,一次排除一项观察/研究。 逐项排除后,合并效应量没有明显变化,敏感性较好。(未发现可视化的函数) 六、发表偏倚漏斗图:funnel(res) P值均>0.05,漏斗图对称性良好。 七、其他形状图:radial(res);主要反映各研究的异质性,从而发现异质性的点。弧线对应的效应评估大小分布。 QQ图:qqnorm(res);绘制预测结果,观察是否在置信区间内部。 八、总结对于预后类meta分析: 数据前处理将HR对数化且求出标准误。 将需要进行meta亚组分析的变量转化为分类变量(因子)。 meta分析效应量合并及亚组分析使用meta包更方便,图形更好看。 meta包和metafor包均可进行meta回归分析。 敏感性分析使用meta包metainf函数可绘制森林图进行可视化。 meta包和metafor包均有相应函数进行发表偏倚检测、绘制漏斗图。 文章来源:零级伪码农 欢迎微信关注【非编码RNA研究园地】,我们致力于及时发布医学科研前沿进展,帮助医务工作者开拓思路,从专业角度解答课题基金及SCI相关问题,助力学术成果转化。 |
|