随机对照研究(二分类变量)的Meta分析——R软件实现(metafor包)

发布于 2024年5月8日 星期三 10:08:20 浏览:379
原创不易,转载请注明来源,感谢!
附件下载:
1715063225-随机对照研究(二分类数据).csv 请勿重复点击,如无响应请耐心等待或稍后再试。

在随机对照试验(Randomized controlled trail, RCT)中,当干预措施的效果评价指标为死亡或存活、有效或无效等数据类型时,称为二分类数据。对于二分类数据,可以整理为四格表资料,效应量可选择比值比(Odds ratio, OR)、相对危险度(Relative risk, RR)、危险度差(Risk difference, RD)等。本文将实例演示在R软件中使用metafor包实现二分类变量的Meta分析相关操作。

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

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。

表1

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metafor包中,变量分别为试验组和对照组中发生事件人数和未发生例数。表1中t1、n1、c1、n2分别表示实验组结局事件发生数、试验组总人数(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。故需要生成试验组未发生例数t0,对照组未发生例数c0。

mydata <- read.csv("随机对照研究(二分类数据).csv")
mydata$t0 <- (mydata$n1-mydata$t1)  #生成试验组未发生例数
mydata$c0 <- (mydata$n2-mydata$c1)  #生成对照组未发生例数
View (mydata)
图1

(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 (metafor) 
mydata1 <- rma (ai = t1, bi = t0, ci = c1, di = c0, data = mydata, measure = "RR", method = "REML")
summary (mydata1)
图2

从结果图2可知,异质性检验Q统计量=34.2016,P <0.001,I2 = 77.67%,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。以print()函数打印Meta分析结果,predict()函数将结果返回RR,以forest()函数绘制森林图。结果见图3—图5。

代码如下:

mydata.meta <- escalc(measure="RR", ai=t1, bi=t0, ci=c1, di=c0, data=mydata)
mydata.meta2<-rma.uni (yi, vi, data=mydata.meta, slab=paste (mydata.meta$Author, mydata.meta$Year, sep= ","), digits=3)
print (summary(mydata.meta2), digits=3)
predict (mydata.meta2, transf=exp, digits=2)

该命令参数介绍如下:

  • measure:表示选择效应值,本例选择RR 为效应值;
  • ai,bi,ci,di:分别代表试验组事件发生人数和未发生人数,对照组事件发生人数和未发生人数;
  • data:为所要分析的数据对象;
  • yi:表示选择效应值,如“RR”,“OR”等;
  • vi:表示抽样方差的大小;
  • slab:表示标签;
  • digits:表示选择结果的小数位数;
图3
图4
forest (mydata.meta2, slab = paste(mydata.meta$Author, mydata.meta$Year, sep = ", "), xlim = c(-16, 6), at = log(c(0.05, 0.25, 1, 4,20)), atransf = exp,ilab = cbind(mydata.meta$t1,mydata.meta$n1,mydata.meta$c1,mydata.meta$n2), ilab.xpos = c(-9.5, -8, -6, -4.5), cex = 0.75)
text (-16, 11, "Author(Year)", pos = 4, font =2)  #在森林图上添加表头
text (6, 11, "Relative Risk [95% CI]", pos = 2, font =2)
text (c(-8.5, -7, -4.6, -3.1), 11, c("Events", "Total", "Events", "Total"), pos = 2, font =2)
text (c(-7.3, -4), 12, c("Experiental", "Control"), pos = 2, font =2)
图5

森林图中水平横线表示该效应量的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;图中的菱形为合并效应值;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 = -3.705,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) metafor包中进行Meta分析的部分函数用法

metafor包中进行Meta分析主要有两种使用途径,第一种途径为用ram.uni()函数联用escalc()函数,具体用法为先运行ram.uni()函数会得到效应值对数及方差的结果,分别以yi,vi表示。然后再采用ram.uni函数拟合经典的固定效应模型和随机效应模型。第二种途径为直接利用ram.uni()函数。

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

escalc()函数的主要用法为:escalc (measure, ai, bi, ci, di, nli, n2i, data=NULL, add=1/2,…)

  • measure:表示选择效应值,如“RR”,“OR”等;
  • ai,bi,ci,di:分别代表试验组事件发生人数和未发生人数,对照组事件发生人数和未发生人数;
  • n1i,n2i:表示试验组和对照组的总人数;
  • data:为所要分析的数据对象;
  • add:表示四格表中有“0”值时函数的赋值,运行该函数后,会得到效应值对数及方差的结果。

ram.uni()函数的主要用法为:ram.uni(yi, vi, ai, bi, ci, di, n1i, n2i, mods, measure, data, intercept=TRUE, data, slab, subset, add=1/2, to=“only0”, drop00=FALSE, vtype=“LS”, method=“REML”, weighted=TRUE, test=“z”, level=95, digits, btt, tau2, verbose=FALSE, control, …)

  • ai,bi,ci,di:分别代表试验组事件发生人数和未发生人数,对照组事件发生人数和未发生人数;
  • n1i,n2i:表示试验组和对照组的总人数;
  • yi:表示选择效应值,如“RR”,“OR”等;
  • vi:表示抽样方差的大小;
  • mods:用于指定将调节因子纳入模型,用于Meta回归模型;
  • measure:表示选择效应值,如“RR”,“OR”等;
  • data:表示所要分析的数据对象;
  • intercept:表示该模型中是否包含截距,默认是TRUE;
  • slab:表示标签;
  • subset:可选的(逻辑或数字)向量,用于指定将包括在该函数返回的数据框中的研究子集;
  • add:一个非负数,用于指定添加到零单元格、计数或频率的数量;
  • to:一个字符串,用于指定何时添加添加项下的值(“全部”、“仅0”、“if0all”或“无”);
  • drop00:逻辑参数,指定在计算观察到的效应大小或结果时,是否应将两组中没有病例/事件(或只有病例)的研究剔除;
  • vtype:字符串,用于指定要计算的抽样变异的类型;
  • method:代表选择方差分量tau2的估计方法,默认为限制极大似然估计(REML);
  • digits:表示选择结果的小数位数;
  • btt:在含有解释变量的模型中,模型中除了截距之外的其它参数都是通过多类题测试(omnibus test)进行估计的,btt是用来指定要测试的系数的索引;
  • level:表示置信区间;
  • tau2:用于指定随机效应模型和混合效应模型中的残留异质性的大小,如果不特别指定,tau2会从数据中测得;
  • control:迭代估计算法的控制值的可选列表。如果没有指定,默认值将在函数内部定义。

(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:

forest(x, annotate=TRUE, addfit=TRUE, addpred=FALSE,showweights=FALSE, header=FALSE, xlim, alim, olim, ylim, at, steps=5, level=x$level, refline=0, digits=2L, width,xlab, slab, mlab, ilab, ilab.xpos, ilab.pos,order, plim=c(0.5, 1.5), colout,col, cex, cex.lab, cex.axis, ...)

  • x:表示目标对象;
  • annotate:逻辑参数,用于指定是否应将注释添加到绘图中(默认为TRUE);
  • addfit:逻辑上指定是否应该将摘要估计(对于没有调节器的模型)或拟合值(对于有调节器的模型)添加到图中(默认为TRUE);
  • addpred:逻辑上指定预测区间的边界是否应该被添加到图中(默认为FALSE);
  • showweights:逻辑上指定注释是否应该包括模型拟合过程中给予观察结果的权重(默认为FALSE);
  • header:指定是否应将列标题添加到绘图中(默认为FALSE)。也可以是一个字符向量来指定左右标题(或者只指定左边的);
  • xlim:绘图区域的水平限制。如果没有指定,该函数会尝试将绘图的水平限制设置为一些合理的值;
  • alim:X轴的限制。如果没有指定,该函数会尝试将X轴的极限值设置为一些合理的值;
  • olim:可选参数,用于指定观察/结果限制。如果没有指定,则不使用限制;
  • ylim:绘图的Y轴极限。如果没有指定,函数会尝试将Y轴限制设置为一些合理的值;
  • at:X轴刻度线的位置和相应的标签。如果没有指定,该函数会尝试将刻度线的位置/标签设置为一些合理的值;
  • steps:x轴的刻度线的数量(默认为5)。当通过at参数指定位置时被忽略;
  • level:0到100之间的数值,用于指定置信区间的水平(默认是取自对象的值);
  • refline:数值,用于指定垂直"参考"线的位置(默认为0)。可以通过将此参数设置为NA来抑制该线;
  • digits:整数,用于指定X轴刻度线标签和注释的小数位数;
  • width:用于手动调整注释列的宽度;
  • xlab:X轴的标题。如果没有指定,该函数会尝试设置一个合适的轴的标题;
  • slab:可选的向量,包含k个研究报告的标签。如果没有指定,函数将尝试从x中提取研究标签,或者在函数中创建简单的标签。要抑制标签,请将此参数设置为NA;
  • mlab:可选的字符串,为来自等效或随机效应模型的汇总估计值提供一个标签。如果没有指定,标签将在函数中创建;
  • ilab:可选的向量、矩阵或数据框,提供有关研究的额外信息,这些信息应被添加到图表中;
  • ilab.xpos:数字向量,用于指定通过ilab给出的变量的水平位置(如果指定了ilab,必须指定);
  • ilab.pos:整数(1、2、3或4),用于指定通过ilab给出的向量的对齐方式(2表示右对齐,4表示左对齐)。如果没有指定,默认是将标签居中;
  • order:可选的字符串,用于指定研究报告的排序方式。也可以是一个变量,将根据该变量对研究进行排序;
  • plim:长度为2的数值向量,用于缩放点的大小(当指定psize时被忽略);
  • colout:可选的字符串,用于指定绘制观察结果的颜色(如果没有指定,默认使用 "黑色")。也可以是一个矢量;
  • col:可选的字符串,用于指定用于总结多边形或拟合值的颜色。如果没有指定,函数会设置一个默认的颜色;
  • cex:可选的字符和符号扩展因子。如果没有指定,该函数将尝试将其设置为一个合理的值;
  • cex.lab:可选的X轴标题扩展因子。如果没有指定,函数会尝试将其设置为一个合理的值;
  • cex.axis:X轴标签的可选扩展因子。如果没有指定,函数会尝试将其设置为一个合理的值。
End
文章目录 沉浸式阅读