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

发布于 2024年5月28日 星期二 23:26:35 浏览:160
原创不易,转载请注明来源,感谢!
附件下载:
1716910991-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。

End
文章目录 沉浸式阅读