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metafor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; metafor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 (metafor) mydata.metafor <- rma.uni (measure = "IRR", x1i = t1, t1i = T1, x2i =c1, t2i = T2, data = mydata) summary(mydata.metafor)
图2
从结果图2可知，异质性检验Q统计量=78.44，P <0.001，I2 = 94.50%，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
根据具体要求，合并数据，进行Meta分析，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rma.uni()函数拟合随机效应模型，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.metafor1 <- rma.uni (measure = "IRR", x1i = t1, t1i = T1, x2i =c1, t2i = T2, data = mydata) print(summary(mydata.metafor1), digits=3) predict(mydata.metafor1, transf=exp, digits=3)
该命令参数介绍如下：
- x1i, t1i, x2i, t2i：分别代表试验组事件发生人数和总人时数，对照组事件发生人数和总人时数；
- data：为所要分析的数据对象；
- measure：用于指定效应量，本案例选择“IRR”
如果是拟合固定效应模型，代码如下：
mydata.metafor1 <- rma.uni (measure = "IRR", x1i = t1, t1i = T1, x2i =c1, t2i = T2, method = "FE", data = mydata)
图3
(四) 结果解读
通过拟合正态-正态模型，可得到随机效应模型的合并率比点估计及95%可信区间，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。