随机对照研究(二分类变量)的Meta分析——R软件实现(meta包)

关键词：R; Meta分析; 随机对照试验; 二分类数据; meta包; metabin命令

一、案例介绍

本文以模拟数据为例，为研究补钙对预防骨质疏松发生的效果，检索纳入9篇RCT研究文献，具体数据见表1，干预组为钙补充剂组，对照组为安慰剂组，具体指标含义见表1，针对这9篇文献的相对危险度进行Meta分析。案例数据可从“附件下载”处下载。

二、软件操作及结果解读

(一) 数据整理及读取

二分类数据主要是符合2×2四格表形式，在metabin命令中，变量分别为试验组和对照组中发生事件人数和总人数。t1、n1、c1、n2分别表示试验组结局事件发生数、实验组总人数(注意不是实验组未发生例数)、对照组结局事件发生数、对照组总人数。

mydata <- read.csv("随机对照研究(二分类数据).csv")
View (mydata)

(二) 异质性检验

选择RR为效应量，任意选用固定或随机效应模型进行异质性检验，可以直接得到Q统计量和I²统计量，再根据异质性检验的结果选择相应的效应模型。

代码如下：

library (meta)
mydata.meta <- metabin (event.e=t1, n.e=n1, event.c=c1, n.c=n2, data=mydata, sm="RR")
summary (mydata.meta)

从结果图2可知，异质性检验Q统计量=34.20，P <0.001，I² = 76.6%，均提示研究间异质性较大，故选用随机效应模型。

(三) 合并效应量，绘制森林图

根据具体要求，合并数据，进行Meta分析，采用倒方差法拟合随机效应模型，合并RR，采用REML法估计研究间异质性方差。结果见图3—图4。

代码如下：

mydata.meta2 <- metabin(event.e=t1, n.e=n1, event.c = c1, n.c=n2, data=mydata, studlab= paste (Author, Year), sm="RR", method="Inverse", method.tau="REML")
print (summary(mydata.meta2), digits = 2) #输出结果 

该命令参数介绍如下：

• event.e, n.e, event.e, n.c：分别表示试验组事件发生例数和总例数，对照组事件发生例数和总例数；
• studlab：表示标签；
• sm：效应量，本例选择RR值为效应量；
• method：表示估计效应值的方法，本案例选择Inverse法；
• method.tau：表示指定估计研究间异质性方差的方法，本案例采用REML法估计研究间异质性方差。

forest (mydata.meta2, leftcols = c("studlab", "event.e", "n.e", "event.c", "n.c"), leftlabs = c("Author(Year)", "Events", "Total", "Events", "Total")) #绘制森林图

森林图中Risk Ratio的点表示单个研究的效应量，横线长度表示该效应量的95%置信区间范围，点大小表示该研究的权重，即该项研究对Meta分析的贡献度；图中的菱形则代表合并后的结果；图中的垂直实线用于判定结果差异有无统计学意义，若单个研究或合并效应量的95%置信区间与该直线相交，则代表两组的差异没有统计学意义。

(四) 结果解读

无论是数字化结果，还是森林图，均给出了每一研究效应量的点估计及95%可信区间。随机效应模型得到的合并效应量点估计及95%可信区间为0.69 (95%CI: 0.57~0.84)，相应z = -3.71，P<0.001。表明钙补充剂组发生骨质疏松的风险是对照组的0.69倍，即补充钙剂可降低31%的骨质疏松发生风险。

三、知识小贴士

(一) metabin函数的用法

metabin函数的主要用法为：metabin (event.e，n.e, studlab, data=NULL, subset=NULL, method=“MH”, method.tau=REML, sm=“RR”, incur=0.5, alliner=FALSE, addiner=FALSE, allstudies=FALSE, MH.exact=FALSE, RR.cochrane=FALSE, level=0.95, level.comb=level, comb.fixed=TRUE, comb.random=TRUE)

metabin函数设置选项及说明如下，更多设置可查看meta包中metabin()函数自带帮助文件：

• event.e, n.e, event.e, n.c：分别表示试验组事件发生例数和总例数，对照组事件发生例数和总例数；
• studlab：表示标签；
• data：为所要分析的目标数据集；
• subset：为目标数据集的子集；
• method：为估计效应值的方法，在meta包中，method可选择“Inverse”“MH”或“Peto”法联合估计效应值；
• method.tau：为指定估计研究间异质性方差的方法，有“DL”“PM”“REML”“ML”“HS”“SJ”“HE”“EB”等，注意选择GLMM参数时只能选择ML方法；
• sm：效应量，meta包可选择RR、OR、RD和AS等；
• inr：为校正四格表中出现的“0”值；
• alliner：表示incr的附加校正选项，当该值选“TRUE”时、表示对四格表中所有值按照incr的赋值校正，反之，当该值选为“FALSE”时，表示仅对四格表中的“0”值按照incr进行校正；
• addincr：表示无论四格表中是否有“0”值，均按照incr的赋值校正；
• allstudies：表示包含所有的研究；
• MH.exact：表示使用MH法时，若选择FALSE，则对四格表中出现的“0”自动赋值为0.5；
• RR.Cochrane：表示当RR为效应量时，四格表有“0”值时，试验组人数和对照组人数校正2倍的incr值；
• level：表示选择的单项研究的置信区间范围；
• level.comb：表示合并效应量的置信区间范围；
• comb.fixed和comb.random：表示选择固定和随机效应模型。

(二) 森林图代码参数

森林图的部分设置选项及说明如下，更多设置可查看meta包中forest()函数自带帮助文件：

• sortvar：排序变量。可以使用“TE”按对森林图进行排序，或使用“Author”按作者姓名进行排序；
• studlab：为输出某变量作为该研究的标签，标准输出为“Author”；
• comb.fixed：是否绘制固定效应评估；
• comb.random：是否绘制随机效应评估；
• overall：是否绘制overall summaries，如果仅绘制组别(group)的summaries，则此参数对于元分析中的子组别非常有用；
• text.fixed：图中标记合并的固定效应估计值的字符串；
• text.random：图中标记随机效应估计值的字符串，必须放入“”；
• col.fixed：线条颜色(合并的固定效应估计值)；
• col.random：线条颜色(合并的随机效应估计值)；
• prediction：是否输出预测区间；
• text.predict：图中标记预测区间的字符串；
• subgroup：在森林图中，是否显示子组结果，如果不在组别水平上绘制summaries，则此参数可以用在子组别(subgroup)中。