随机对照研究(离散型计量资料)的Meta分析——R软件实现(meta包拟合固定/随机效应模型)

发布于 2024年5月26日 星期日 10:00:48 浏览:402
原创不易,转载请注明来源,感谢!
附件下载:
1716549285-随机对照研究(离散型计量资料).csv 请勿重复点击,如无响应请耐心等待或稍后再试。

对于无法连续取值(无小数点),只能得到如0或1、2等自然数的一类数据,称为离散型计量资料,是计量资料的类型之一。在随机对照试验(Randomized controlled trail, RCT)中,某些测量结局可能重复发生或不发生,如心肌梗死复发、哮喘急性发作等,对个体来讲没有理论上的最大值。对于离散型计量资料的Meta分析,可根据具体情况作为二分类数据、连续型数据、时间事件数据或稀疏数据处理。其中,将其作为率(rates)来分析是最常见的策略。本文将实例演示在R软件中使用meta包拟合正态-正态模型(固定效应模型和随机效应模型)实现离散型计量资料的Meta分析相关操作。

关键词:R; Meta分析; 随机对照试验; 离散型计量资料; metainc命令; 正态-正态模型

一、案例介绍

以模拟数据为例,研究某中药治疗急性心机梗死的临床疗效,阳性事件为梗死发生次数,检索纳入7篇RCT研究文献,具体数据见表1。针对这7篇文献的率比进行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

本案例中,可以率比或率差为测量指标,计算出每项研究的效应量及相应方差或标准误,然后采用经典的倒方差法拟合传统的正态-正态模型(固定效应模型和随机效应模型)来合并结果。

表1中t1、T1、c1、T2分别表示试验组结局事件发生数、试验组总人时数(注意不是试验组未发生例数,也不是总人数)、对照组结局事件发生数、对照组总人时数。

mydata <- read.csv("随机对照研究(离散型计量资料).csv")
View (mydata)
图1

(二) 异质性检验

选择“率比”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 <- metainc(event.e = t1, time.e =T1, event.c = c1, time.c = T2, data = mydata, sm = "IRR", method = "Inverse", model.tau="REML")
summary (mydata.meta)
图2

从结果图2可知,异质性检验Q统计量=78.44,P <0.001,I2 = 92.4%,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,采用倒方差法拟合传统的正态-正态模型(固定效应模型和随机效应模型),合并IRR,采用限制性最大似然估计法(REML)估计研究间异质性方差。以print()函数打印Meta分析的主要结果。结果见图3—图4。

代码如下:

mydata.meta1 <- metainc(event.e = t1, time.e =T1,event.c = c1, time.c = T2, data = mydata, sm = "IRR", method = "Inverse", model.tau="REML", studlab =paste (mydata$Author, mydata$Year, sep = ", "))
print(summary(mydata.meta1), digits = 2)

该命令参数介绍如下:

  • event.e, time.e,  event.c, time.c:分别代表试验组事件发生数和总人时数,对照组事件发生数和总人时数;
  • studlab:用于指定研究;
  • data:为所要分析的数据对象;
  • sm:用于指定效应量,本案例选择“IRR”;
  • method.tau:表示估计研究间异质性方差的方法。
图3

以forest()函数绘制森林图

forest(mydata.meta1, leftcols = c("studlab", "event.e", "time.e", "event.c", "time.c"), leftlabs = c("Author(Year)", "Events", "Time", "Events", "Time"))
图4

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。通过拟合正态-正态模型,可同时得到固定效应和随机效应模型的合并率比点估计及95%可信区间。本案例选择随机效应模型分析结果,为0.44 (95%CI: 0.19~1.00),相应z = -1.97,P<0.05。表明中药组发生急性心机梗死的风险是对照组的0.44倍,即中药组降低了56%的急性心机梗死发生风险。

三、知识小贴士

(一) metainc函数的用法

metainc()函数的主要用法为:metainc(event.e, time.e,  event.c, time.c,  studlab,  data, subset = NULL, method, sm = gs("sminc"), incr = gs ("incr"), model.glmm = "UM.FS"…)

  • event.e, time.e,  event.c, time.c:分别代表试验组事件发生数和总人时数,对照组事件发生数和总人时数;
  • studlab:用于指定研究;
  • data:为所要分析的数据对象;
  • subset:一个可选的向量,指定要使用的研究的子集;
  • method:表示用于汇集研究的方法。可以缩写为 "MH"、"Inverse"、"Cochran "或 "GLMM "中的一种;
  • sm:用于指定效应量,有IRR和IRD两种选择;
  • incr:用于含零单元格研究进行连续性校正,只在选择倒方差法时使用,默认为加0.5;
  • model.glmm:用于指定广义线性模型,有“UM.FS”,“UM.RS”,“CM.EL”3种选择,分别表示带固定研究效应的泊松回归模型、带随机研究效应的混合效应泊松回归模型、条件泊松回归模型。

(二) 森林图代码参数

森林图的部分设置选项及说明参照随机对照研究(二分类变量)的Meta分析——R软件实现(meta包)链接,更多设置可查看meta包中forest()函数自带帮助文件。

End
文章目录 沉浸式阅读