受试者工作特征曲线 (receiver operator characteristic curve, ROC)面积，即AUC (area under the ROC)，常用于评价诊断实验中某指标的诊断价值或预测模型的预测能力。若要以AUC为效应量进行Meta分析，可从文献中提取AUC及其标准误 (SE) 或95%置信区间 (CI) 后对效应量进行合并。本文将实例演示在MedCalc软件中实现AUC的Meta分析相关操作。
关键词：MedCalc; Meta分析; ROC; AUC
一、案例介绍
某学生为探究多个预后模型对脑卒中不良预后的预测能力，拟以区分度指标AUC为效应量进行Meta分析。经过文献的查阅和筛选，最终纳入了8篇脑卒中不良预后模型相关的文献。从纳入的文献中提取AUC及其95%CI后，通过公式95%CI上限=AUC+1.96×SE推算出SE。数据见表1，本案例数据可从“附件下载”处下载。
表1 预测模型的AUC及其95%CI
| 研究 | AUC | 95%CI | SE |
| 于教授, 2020 | 0.692 | 0.6332-0.7508 | 0.030 |
| 邱教授, 2019 | 0.750 | 0.7010-0.7990 | 0.025 |
| 汪教授, 2019 | 0.765 | 0.6631-0.8669 | 0.052 |
| 沈教授, 2017 | 0.786 | 0.5880-0.9840 | 0.101 |
| 方教授, 2016 | 0.738 | 0.6929-0.7831 | 0.023 |
| 朴教授, 2015 | 0.810 | 0.7218-0.8982 | 0.045 |
| 毛教授, 2015 | 0.823 | 0.6662-0.9798 | 0.080 |
| 林教授, 2013 | 0.710 | 0.6806-0.7394 | 0.015 |
二、案例分析
本案例主要是探究多个预后模型预测脑卒中不良预后的预测能力AUC。在MedCalc中可以AUC为效应量，通过AUC的Meta分析对效应量进行加权合并。
三、软件操作及结果解读
(一) 软件操作
- 打开“比值比的Meta分析.mcl”数据文件。
- 选择“统计”—“元分析”—“ROC曲线下面积”菜单，打开“元分析∶ROC曲线下面积”对话框，见图1。
- 在“元分析：ROC曲线下面积”对话框(图2)中将Study、AUC、SE依次填入“研究”“ROC曲线下面积”“AUC的标准误差”。
在MedCalc中进行AUC的Meta分析，可同时得到固定效应和随机效应下的效应量总和。通常情况下，如果异质性分析结果显示存在异质性，汇总结果可选择总和(随机效应)，反之选择总和(固定效应)。
(二) 结果解读
1. 异质性检验
“检验异常值”结果(图3)显示，Q=9.4025，P=0.225，I2=25.55%(图3)，按照常规的异质性检验标准P<0.10或者I2>50%，可认为各研究间不存在异质性，可选择固定效应模型分析结果。
2. 效应合并量
固定效应模型下合并的AUC为0.729，95%CI为 (0.709~0.748)，可认为预测模型对脑卒中不良预后的合并区分度一般，见图4。
3. 森林图
森林图(图5)依次展示了8个模型的AUC及其95%CI，固定效应模型下效应量总和为0.730左右，但是否有统计学意义需要参考效应合并量的具体结果表格(图4)。
4. 漏斗图
漏斗图(图6)显示，尽管所有研究均在加权汇总AUC的95%CI内，但整体并未呈现较对称分布，提示该研究存在一定程度的发表偏倚。此外，发表偏倚检验(Egger's检验) 结果(图7)显示P=0.0561，很接近检验水准，提示本研究存在一定程度的发表偏倚，但不显著。
四、结论
本研究计算加权汇总ROC曲线下面积，即加权汇总AUC，异质性检验结果提示各研究间不存在显著异质性(P=0.225，I2=25.55%)，故选择固定效应模型进行效应量合并。经过Meta分析，AUC为0.729，95%CI为 (0.709~0.748)，可认为预测模型对脑卒中不良预后的合并区分度一般。漏斗图和Egger's检验均提示不存在显著的发表偏倚。