R语言进行meta分析教程

R语言拥有完整有效的数据处理、统计分析与保存机制，可以对数据直接进行分析和显示，命令格式简单、结果可读性强。大多数的meta分析通过Excel等常规工具或Cochrane协作网的RevMan等专业软件，其计算繁琐，操作复杂且需收取昂贵的软件使用费用，因此包含众多针对meta分析软件包的R语言成为作系统评价的绝佳平台。本文使用R 3.6.3与RStudio 1.2.1335版本进行讲解说明，需要软件的伙伴可以在公众号内回复“R”、“RS”自取，而R语言的学习笔记我每期都会进行更新，同时主要选择OR和 95%CI 两项指标作为效应尺度进行合并。
本文对Meta分析的理论步骤：
除去首先检索文献、制订文献纳入排除标准、质量评价等步骤外，重点谈一谈meta分析的研究方法步骤。在正式进行meta分析前，第一步需要异质性检验，采用 Homogeneity test(Q 检验) (检验水准为α=0.1) 。当P＜0.1时，表明研究间存在异质性; 否则研究具有同质性。再结合I^2(0～100%)定量分析异质性的大小，此值越大，则表明研究间同质性愈大。根据推荐的标准，当I2的值小于或等于40%时，表明研究异质性的合格，此时应用固定效应模型(Fixed Effects Model)；而当异质性的标准大于推荐标准值时，应选采用随机效应模型(Randomized Effects Model)进行 meta 分析。对于异质性的处理方法用亚组分析、敏感性分析，最后则检验发表偏倚。
Meta分析结果说明：
在正式选择模型进行效应量合并之前，需首先对纳入的各研究进行异质性检验，采用Q检验与 I^2值相结合的判定方法进行异质性检验在执行pfs命令后，其结果中tau^2指的是研究间方差，观察”Test of heterogeneity”后的P.value，若 P＞0.10,说明研究间不存在异质性，无统计学意义，此时可选用固定效应模型进行效应量的合并。由于纳入分析的研究文献都属于横截面调查类文献，因此选择在结果中观察其OR值与 95%CI，当OR值的置信区间不包含1时等价于P<0.05，结果有统计学意义，其可以反映出选择的结局指标与研究变量之间的关系。当OR=1或95%CI包含1时，表示该结局指标与研究变量之间无相关关系; 当OR＞1 且 95%CI 的LCI（置信上限）均大于1时，表示该结局指标是研究变量的风险因素; 当合并效应量 OR＜1 且 95%CI 的UCI（置信下限）均小于1时，即该区间在森林图中落在无效线的左侧，表示该结局指标是研究变量的保护因素。
注:以下图片均来自于我的毕业论文，由于其基于指导教师的科研课题，故一些关键信息我进行了打码处理，请谅解。若有读者想与我取得联系，可以在公众号内找到我的联系方式，或者直接搜索我的的公众号：全哥的学习生涯
程序处理步骤：
①首先要安装meta包，其具体命令为：
install.packages("meta")
②随后可连接China内地中的某个镜像网站，下载安装此程序包。
③接着，将研究第一作者及发表年限、OR值及95%置信区间（UCI、LCI）的上下限分别录入Excel文件中，并将数据保存为.csv格式。
④随后，通过 read.csv()命令在RStudio中读取数据，并将数据集命名为data1，并执行以下命令加载meta程序包。
library("meta")
⑤由于OR值并不服从正态分布，为了使数据更加平稳，削弱模型异方差性、共线性等问题，需首先将OR值及95%置信区间取自然对数，其公式如下：
seln(OR)=(ln⁡(UCI)-ln⁡(LCI))/(2×1.96)
=(ln⁡(UCI)-ln⁡(OR))/1.96
=(ln⁡(OR)-ln⁡(LCI))/1.96
其具体命令为：
lnor<- log⁡(data1[,"OR"])
lnuci<- log⁡(data1[,"UCI"])
lnlci<- log⁡(data1[,"LCI"])
selnor<- (lnuci-lnlci)/(2*1.96)
⑥随后进行meta分析，其程序为：
pfs=metagen(lnor,selnor,sm="OR",data=data,studlab=paste(data1$Author,data1$Year,sep="-"))

pfs命令结果图1

pfs命令结果图2

⑦作出森林图：
forest(pfs)

森林图1
 

森林图2

⑧当存在异质性时，需要进行亚组分析探索异质性来源，直接加入命令：
data1.random = TRUE，data1.fixed= FALSE
⑨而对于发表偏倚的检验，根据cochrane手册中的要求，当纳入的研究个数大于等于10 个时，不建议使用Egger检验或Begg检验，而应使用Peters检验，且无需做反正弦变换。其代码为：
funnel(pfs)
metabias(pfs,method.bias=”peters”)
若存在发表偏倚，那么可用trim and filled或copas模型校正，代码为：
tf1 <-trimfill(pfs,comb.fixed=TRUE)
summary(tf1)
funnel(tf1)

剪补法程序评价结果

填补后漏斗图

填补前漏斗图

从第二张漏斗图可以看出，对此结局指标的meta分析存在发表偏倚的可能性，故采用剪补法评价其所带来的影响，将概括的结果赋予在tf1命令下，如剪补法程序评价结果图所示，并作出填补后的漏斗图，如第二张漏斗图所示。
由两张漏斗图比较可以看出，在漏斗图左侧填充了2项研究，异质性检验P=0.496>0.05,无统计学意义，因此，仍应使用Fixed Effects Model,其OR值为1.06,95%CI为1.02~1.11。因此，经过对发表偏倚的校正后，其效应值仍具有统计学意义，此更能说明结局指标会对研究变量产生影响。
⑩对于敏感性分析，则可以将各研究一次性排除掉再进行，代码为：
metainf(pfs,pooled=”fixed”) (注：随机效应模型改为pooled=”random”)
forest(metainf(pfs),comb.fixed=TRUE)
程序评价结果图与森林图如下，我们可以看出来，第四项，即森林图中方块突出的那项研究异质性较大，对此我们可以在研究讨论中进一步进行异质性来源的探索。
 

敏感性分析结果图

敏感性分析结果

更多教程点击查看：R-Meta分析与【文献计量分析、贝叶斯、机器学习等】多技术融合实践
链接：https://www.jianshu.com/p/a4cc9b0a7758
来源：简书
著作权归作者所有