R语言的流行病学应用 课件 第17章 Meta分析

第17章Meta分析17.1概述17.2示例实践17.3练习案例17.4小结17.1概述17.1.1概念Meta分析（荟萃分析）是对相同主题的多个研究结果进行定量合成与统计分析，并检验差异来源的方法。常与系统评价交叉使用，步骤包括：提出问题、检索、明确纳排标准、提取资料、质量评估、统计处理及结果评价相比个体研究，它能更好地估计群体效应。若所选研究质量高，并且统计分析得当，其结果将是最高水平的研究证据。17.1概述17.1.2常见类型简介1．常规Meta分析当前，常规Meta分析主要基于有对照组的直接比较的研究，最常见的是基于随机临床试验（randomizedclinicaltrial，RCT）的Meta分析。常见的临床结局指标有：二分类变量结局资料、连续型变量结局资料。针对二分类变量，可以采用比值比（oddsratio，OR）、相对危险度（relativerisk,RR）等指标。对于连续型变量，可以采用均数差（meandifference，MD）。当连续测量单位不统一，或测量工具不同时，可以采用标准化均数差（standardizedmeandifference，SMD）来表示效应值大小。除此之外，还有一些其他指标（演示）。Meta分析所使用的统计模型主要分为固定效应模型（fixed-effectsmodel）和随机效应模型（randon-effectsmodel）。选择哪种模型，根据研究间异质性情况进行判定。17.1概述17.1.2常见类型简介2.单组率的Meta分析对于同一诊断试验，可能有多个作者进行研究，这些研究间必然存在不同的抽样误差，且往往采用不同的截断值，因此各研究所报告的诊断试验准确度的评价指标会存在一定的异质性。诊断性试验的Meta分析是一种全面评价诊断试验证据准确性和重要性的研究方法，通过对原研究的设计、研究质量、阈值效应等因素进行分析，能够评价诊断试验对目标疾病诊断的准确性。诊断性试验的Meta分析方法丰富，包括单个指标的合并、综合受试者工作特征法（summaryreceiveroperatingcharacteristic，SROC）、双变量模型法及分层SROC法等。17.1概述17.1.2常见类型简介3.诊断性实验的Meta分析对于同一诊断试验，可能有多个作者进行研究，这些研究间必然存在不同的抽样误差，且往往采用不同的截断值，因此各研究所报告的诊断试验准确度的评价指标会存在一定的异质性常用的方法包括：①加权计算，根据每个独立研究的样本量大小，给予不同的权重，合并各独立样本的效应量率；②直接等权相加，将各独立结果事件直接等权相加，计算合并率，并用近似正态法计算其可信区间；③调整后再等权相加，对各独立研究资料的率进行调整后再进行等权相加，计算合并率的大小。对单组率的Meta分析来说，异质性是其核心问题，一般会通过Meta回归和亚组分析进行处理。17.1概述17.1.2常见类型简介4.网状Meta分析如果想对多种药物的疗效进行评价，就需要将间接比较和直接比较的证据进行合并，开展网状Meta分析（networkmeta-analysis）。有些干预措施从未在RCT中进行比较，网状Meta分析也可以利用间接证据对这些干预措施之间的相对效果进行估计。相比常规Meta分析，网状Meta分析通常会提出更广泛的研究问题，筛选到分析的每个步骤中涉及的原始研究通常也更多，在统计上更复杂。17.1概述17.1.2常见类型简介5.累积Meta分析累积Meta分析（cumulativemeta-analysis）常被用来观察效应量随特定顺序（如发表时间等）变化的趋势，以判断当前所获得的证据是否足够、新的RCT是否应继续开展。传统的Meta分析只对各研究做一次综合分析，能综合地反映研究结果，却不易辨明先前各研究结果对综合结果的影响；而累积Meta分析，由于每次研究加入后，都重复一次Meta分析，将按一定的顺序排列累积的结果，可以反映研究结果的动态变化趋势，而且可用于评估各研究对综合结果的影响。17.1概述17.1.2常见类型简介6.剂量-反应Meta分析在流行病学研究中，常常评估某种暴露因素的水平与某种疾病发病风险之间是否存在线性剂量-反应关系，即随着剂量的增加或减少，结局指标是否呈线性变化。用于这种类型研究的Meta分析被称为剂量-反应Meta分析（dose-responsemeta-analysis）。剂量-反应关系研究的数据主要包括病例-对照型数据、发病率型数据和累积发病率型数据。对于剂量-反应型研究，根据研究设计和主题，可以选择危险比/比率、比值比或风险比等适当的效应指标。目前推荐使用基于方差加权最小二乘法（weightedleast-squares，WLS）或广义最小二乘法（generalizedleastsquares，GLS）进行线性模型估计，以及基于限制性立方样条回归（restrictedcubicspline，RCS）模型进行非线性模型估计。17.1概述17.1.2常见类型简介7.其他Meta分析除了上述介绍到的Meta分析方法，还有其他类型的Meta分析，包括单纯p值的Meta分析、前瞻性Meta分析、个体数据的Meta分析、不良反应的Meta分析、成本-效果/效用/效益的Meta分析、患者报告结局的Meta分析、全基因组关联研究的Meta分析、Meta分析的汇总分析等。17.1概述17.2示例实践17.2示例实践17.2.1R语言中常用的Meta分析程序包目前，可进行Meta分析的程序包有metafor（Viechtbauer2010）、meta（Schwarzer2010）、rmeta（Lumley2009）等。本节主要介绍metafor程序包。1.二分类资料的Meta分析本节以Colditz等发表的文献为示例进行介绍，该文章的目的是检验卡介苗预防结核病的总体有效性，并检查可能影响效果大小的调节因子。首先导入数据并查看数据格式。该示例数据可以从metadat程序包中获得（演示）。17.2.1R语言中常用的Meta分析程序包1).效应值计算在进行Meta分析前可先进行效应值及其样本方差的计算，可以使用escalc()进行计算（演示）。measure用于根据资料类型选择合并效应值，有RR、OR、RD等。ai、bi、ci、di为对应的2×2四格表数据；n1i、n2i为各组的总人数；x1i、x2i、t1i、t2i等参数用于比较人时率数据（person-timedata）的计算；m1i、m2i、sd1i、sd2i等参数用于连续性资料的计算；data为指定分析的数据。其他具体的命令使用读者可以通过help()获得（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包2).模型拟合Meta分析中不同的模型拟合可以采用rma()（可以写为rma.uni）进行分析（演示）。其中，yi、vi为由escalc()计算所得的效应值和方差；ai、bi、ci、di、n1i、n2i、m1i、m2i、sd1i、sd2i等同于escalc()的参数；mods为进行混合效应模型分析（Meta回归分析）时指定进入模型的变量的参数；method为指定应拟合的效应模型，当method="FE"时为固定效应模型，默认情况下使用加权估计（逆方差权重）。17.2示例实践17.2.1R语言中常用的Meta分析程序包2).模型拟合（演示）随机效应模型拟合方法有DL（DerSimonian-Laird）、ML（极大似然估计）、REML（约束极大似然估计）等。默认为method="REML"。knha为Hnapp-Hartung修正，对估计系数的方差进行修正；level指定置信区间，默认为95%置信区间；digits为指定结果小数位数，默认为小数点后4位。17.2示例实践17.2.1R语言中常用的Meta分析程序包2).模型拟合分析出结果后，首先要对模型的异质性进行识别。可以通过Q检验、I2检验、H检验及τ2进行评估。当I2=0时，表明研究间的变异仅由抽样误差引起；当I2<0.25时，则认为存在轻度异质性；当I2在0.25和0.5之间时，则认为存在中度异质性；当I2>0.5时，则认为存在高度异质性。统计量H值为1表示各研究间无异质性，一般情况下，若H>1.5，则提示研究间存在异质性；若H<1.2，则提示可认为各研究同质；若H值在1.2和1.5之间，则当H值的95%CI包含1，在0.05的检验水准下无法确定是否存在异质性，若没包含1，则可认为存在异质性。τ2则为真实效应大小的方差，当其值较大时，也可提示存在异质性。根据上述结果，τ2=0.31，I2=92.22%，H2=12.86，异质性检验Q=152.23（p<0.0001），说明纳入的研究间存在较大的异质性。17.2示例实践17.2.1R语言中常用的Meta分析程序包3).绘制森林图卡介苗对结核病预防效果的metafor程序包提供了许多图形绘制的函数，通过forest()，就能生成森林图（演示）。如果直接生成森林图，展示的内容比较简单，读者可以根据自己的需求修改参数来美化图像，如利用ggplot2程序包自行绘制森林图。另外，metafor程序包也可以通过添加参数来进一步美化图像（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包4).发表偏倚检验和漏斗图绘制接下来需要对发表偏倚进行检验，主要的方法为绘制漏斗图，以及进行对称性检验（Begg's检验和Egger's检验）。Begg's检验是一种采用秩相关检验定量识别报告偏倚的方法，采用线性回归，根据比值比的自然对数值来测量漏斗图的对称性。两种方法在metafor程序包中可分别采用ranktes()和regtest()来实现对称性检验，使用funnel()绘制漏斗图（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包4).发表偏倚检验和漏斗图绘制其中，漏斗图中各点代表纳入的研究；横轴代表效应量的对数；纵轴代表效应量对数的标准误，样本量越大误差越小，分布就越靠上；样本量越少误差越大，分布越靠下；两条斜线是漏斗图的可信区间，竖线代表合并的效应量的对数。理论上讲，各研究效应的点估计应该平均分布于竖线两侧，呈倒置的漏斗状。上述结果显示，Begg's检验和Egger's检验的结果均p>0.05，漏斗图对称性良好，说明没有明显的发表偏倚。17.2示例实践17.2.1R语言中常用的Meta分析程序包5).亚组分析亚组分析是Meta分析中处理异质性的常用方法之一。亚组分析通常从临床异质性和方法学异质性的角度探讨异质性的来源，可以解决同质性研究才能合并效应量的问题。可以按不同试验设计方案、纳入研究质量、参加人群特征、给药方式、治疗时间的长短、发表年代等分成亚组进行分析。metafor程序包中没有一步到位的亚组分析函数，需要先将分好的亚组逐个分析再手动拼接到一起，这里以alloc（治疗分配方法）为例进行亚组分析（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包6).Meta回归Meta回归是采用回归分析的方法探讨某些实验特征或病例特征等协变量对Meta分析中合并效应的影响，以分析各研究之间的异质性来源，从而筛选出导致异质性的重要影响因素。Meta回归是亚组分析的扩展，可以对连续或分类特征的效应进行分析，并且在原则上可以同时对多个因素的效应进行分析。在metafor程序包中，使用mods参数便可以进行meta回归分析。本研究纳入发表年份（year）及地区纬度（ablat）进行分析（演示）。7).敏感性分析敏感性分析是用于评估单个研究如何影响总体结果的分析方法。在metafor程序包中，leave1out()可反复拟合指定的模型，每次排除1项研究，输出敏感分析结果（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包2.连续型资料Meta分析连续型的资料格式不同于二分类资料，连续型的数据格式一般为试验组和对照组的总例数、治疗效应的平均值和标准差（中位数和四分位数）。metafor程序包同样可以对连续型资料进行分析，具体的分析代码与二分类资料的Meta分析类似（演示）。与二分类Meta分析一样，使用escalc()和rma()进行模型拟合，这里设置measure="MD"计算试验组和对照组的均数差，除此之外，还可以选择SMD（标准化均数差）等。另外，在rma()中，设置method="FE"，即指定使用固定效应模型进行分析。生成森林图（演示）。检验发表偏倚，绘制漏斗图（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包3.单组资料Meta分析单组资料Meta分析是一种只提供了一组人群的总人数和事件发生人数，不像其他类的Meta分析有两组人群。一般基于的原始研究为横断面研究，metafor程序包也提供了分析方法。本节以deBruin等研究为示例进行演示，该数据同样可以在metadat程序包中获得（演示）。metafor程序包中关于样本率的估计方法有5种，根据样本率的分布决定使用哪种合并方法。这5种估计方法包括PR（没有转换的原始率）、PLN（对数转换）、PLO（logit转换）、PAS（反正弦转换）、PFT（Freeman-Tukey双重反正弦转换）。对原始率及按4种估计方法进行转换后的率进行正态性检验，根据检验结果选择接近正态分布的方法。Transform命令为对数据进行计算，p、log、logit、arcsin、dsrcsin表示分别按上述5种方法估计率的函数，shapiro.test为正态性检验（演示）。17.2示例实践17.2.1R语言中常用的Meta分析程序包3.单组资料Meta分析本示例5种数据转换后均服从正态分布，选择measure="PR"对样本的率进行合并（演示）。使用随机效应模型进行拟合，生成森林图（演示）。接下来对发表偏倚进行检验，并绘制漏斗图（演示）。前面异质性检验发现该研究有异质性，因此通过Meta回归探索异质性的来源（演示）。17.2示例实践17.2.2诊断性试验的Meta分析诊断性试验的Meta分析通过对原始研究设计、研究质量、阈值效应等因素进行定量分析，以获得综合的诊断试验评价指标，使基于诊断性试验的Meta分析成为循证诊断高质量证据的重要来源之一。能进行诊断性试验Meta分析的R语言程序包有很多，如metamisc、mada、meta4diag等。其中，meta4diag程序包是基于贝叶斯框架完成的，其数据合并采用INLA法。本节将使用meta4diag程序包自带的Catheter数据集作为示例进行演示。由于meta4diag程序包的功能是基于INLA实现的，因此在使用时还需同时安装相关程序包，即INLA程序包（演示）。17.2示例实践17.2.2诊断性试验的Meta分析这里需要注意的是，INLA程序包没有发布在R综合档案网络官网上，因此安装时需要指定其下载地址。此外使用时还需要注意R语言的运行版本是否符合INLA程序包的需求，如果不符合，则会导致安装失败。接下来需要对数据进行准备，按照meta4diag程序包的数据格式进行整理，并且把变量名设置为TP（真阳性）、FP（假阳性）、TN（真阴性）、FN（假阴性）。这里展示meta4diag程序包自带的Catheter数据集（演示）。17.2示例实践17.2.2诊断性试验的Meta分析整理完数据后需要对数据进行转换和运算。通过运行4个独立的功能性函数，将导入的数据转化为程序包内部所需的数据格式。为了操作方便，meta4diag程序包将这4个独立函数合并为meta4diag()（演示）。nsample=1000表示指定后验样本数，默认为5000。执行该命令后，可通过summary()得到汇总结果（演示）。该程序包还提供了fitted()，用于合并单个效应值，accuracy.type="sens"是指输出灵敏度的值，其他还可以指定spec、LDOR、DOR等参数（演示）。17.2示例实践17.2.2诊断性试验的Meta分析灵敏度和特异度是诊断性试验的Meta分析中重要的观察指标，可以通过绘制十字交叉图来展示每个纳入研究的灵敏度、特异度及置信区间，通常采用crosshair()来进行绘制。命令中est.type可选参数有mean和median（演示）。诊断性试验的Meta分析通常需要采用SROC曲线对待评价诊断措施进行总体性评价（演示）。SROC曲线图中显示结果越接近图形的左上角，该试验的诊断价值越高，程序包默认SROC曲线为黑色粗线，置信区间为蓝色虚线，预测区间为灰色虚线。颜色和线条类型可根据需要调整。17.2示例实践17.2.2诊断性试验的Meta分析此外，可以通过森林图展示单个研究及合并研究的敏感度与特异度等。forest()可绘制森林图，accuracy.type的可选参数与fitted()的相同，nameShow表示研究名称是否在图形中显示，以及它们的对称方式，其他图形相关参数可根据需要调整（演示）。最后，可以绘制后验密度分布图和漏斗图。后验分布图展现了基于贝叶斯原理合并后后验结果分布趋势，它显示了两个研究指标的相对重要性，其中var.type的可选参数可从summary()的结果中获取（演示）。SROC曲线图中显示结果越接近图形的左上角，该试验的诊断价值越高，程序包默认SROC曲线为黑色粗线，置信区间为蓝色虚线，预测区间为灰色虚线。颜色和线条类型可根据需要调整。17.2示例实践17.3练习案例由于常见Meta分析的程序大同小异，且在第17.2节中已经详细说明，因此本节不一一列举各方法的例子进行分析。我们将通过一个探讨咖啡摄入与死亡之间关联的剂量-反应Meta分析（CrippaA，2014）进行案例练习，该数据来自dosresmeta程序包中的coffee_mort数据集。该案例中，author为研究作者，year为发表年份，type为观察研究的设计类型；dose为咖啡的剂量水平；cases为各暴露水平发病例数；n为各暴露水平的总人数（type="ci"）或各暴露的人年数（type="ir"）；logrr为相对危险度RR的自然对数值，se为logrr的标准误，gender为纳入研究受试者的性别，area为研究的地区。请以该数据集为例，结合本章R语言的相关分析方法，从剂量-反应Meta分析的角度出发，进行相应的分析。17.3练习案例17.4小结本章节对Meta分析的基本概念、常见研究类型，以及如何用R语言进行编码和解读相应结果进行了介绍。在使用R语言进行Meta分析时，研究人员需特别注意数据的准确性与完整性。源数据的质量直接影响Meta分析的结果。根据数据的特点和研究目的选择固定效应模型或随机效应模型，并对模型的假设条件进行验证，确认其在当前分析中的适宜性。最后，R语言在灵活性和功能上有极大的优势，但也需要用户有较强的编程能力和扎实的统计知识。有兴趣的读者可以从R语言中每个命令自带的help()获取更详细的参数介绍及相关例子，也可以通过相关参考文献进一步系统学习Meta分析的内容。17.4小结17.4小结函数程序包作用主要用法escalcmetafor用于计算Meta分析中常用的各种效应大小或结果度量（以及相应的抽样方差）escalc(measure,ai,bi,ci,di,n1i,n2i,x1i,x2i,t1i,t2i,m1i,m2i,sd1i,sd2i,xi,mi,ri,ti,sdi,r2i,ni,yi,vi,sei,data,slab,...)rmametafor使用线性(混合效应)模型框架拟合均等效应、固定效应和随机效应的Meta模型，以及(混合效应)Meta回归模型rma(yi,vi,sei,weights,ai,bi,ci,di,n1i,n2i,x1i,x2i,t1i,t2i,m1i,m2i,sd1i,sd2i,xi,mi,ri,ti,fi,pi,sdi,r2i,ni,mods,scale,measure="GEN",...)predictmetafor计算“rma”类对象的预测值、相应的标准误、置信区间和预测区间predict(object,newmods,intercept,tau2.levels,gamma2.levels,addx=FALSE,level,digits,transf,targs,vcov=FALSE,...)forestmetafor绘制森林图forest(x,...)ranktesmetafor对漏斗图对称性进行秩相关检验（Beggr's检验）ranktes(x,vi,sei,subset,data,digits,...)regtestmetafor对漏斗图的对称性进行Egger's回归检验regtest(x,vi,sei,ni,subset,data,model="rma",predictor="sei",ret.fit=FALSE,digits,...)funnelmetafor绘制漏斗图funnel(x,yaxis="sei",xlim,ylim,xlab,ylab,slab,...)本章重要函数17.4小结函数程序包作用主要用法leave1outmetafor通过重复拟合指定的模型来进行“留一分析”，每次只