是时候来点不一样的森林图和漏斗图了

meta分析中千篇一律的森林图和漏斗图，难免让人审美疲劳，今天，我们就来试试不一样的森林图和漏斗图吧。

森林图

用viz_forest函数创建森林图

首先安装metaviz包进行森林图的绘制，输入以下代码：

install.packages('metaviz')
library(metaviz)
viz_forest(x = mozart[1:10, c('d', 'se')], study_labels = mozart[1:10, c('study_name')],
           summary_label = 'Summary effect', xlab = 'Cohen d')


结果可得到以下森林图：

viz_forest函数创建的森林图

另外两种森林图模式

除了传统的森林图，我们也可以控制森林图的肥瘦，出现两种不同的森林图，这两种森林图在视觉上强调大型研究（在meta分析中置信区间较窄，权重较大），而小型研究（在meta分析中置信区间交宽，权重较小）在视觉上较不占优势。
输入以下代码

viz_forest(x = mozart[1:10, c('d', 'se')], study_labels = mozart[1:10, c('study_name')],
           summary_label = 'Summary effect', xlab = 'Cohen d', variant = 'rain')


得到森林图

森林图

输入以下代码：

viz_forest(x = mozart[1:10, c('d', 'se')], study_labels = mozart[1:10, c('study_name')],
           summary_label = 'Summary effect', xlab = 'Cohen d', variant = 'thick', method = 'FE')


得到森林图：

森林图

下面重磅推荐几种漏斗图的画法

使用viz_funnel函数创建增强漏斗图

输入以下命令

viz_funnel(brainvol[, c('z', 'z_se')])


得到的漏斗图为

增强漏斗图

剪补后，增加了Egger回归的增强漏斗图

输入命令

viz_funnel(exrehab[, c('logrr', 'logrr_se')], 
           contours_col = 'Greys',
           trim_and_fill = TRUE, trim_and_fill_side = 'right', 
           egger = TRUE)


得到的增强漏斗图为

剪补加Egger回归的增强漏斗图

得到的漏斗图是不是比你画的普通漏斗图要高大尚很多呢，比起普通的漏斗图，相信杂志也更青睐于这个漏斗图。
另外再介绍一种漏斗图，能评估meta分析结果的稳定性，它显示了假设有一个新研究（具有一定的效应和标准误）更新后对meta分析效应的影响。
输入命令：

viz_funnel(mozart[1:10, c('d', 'se')], sig_contours = FALSE, addev_contours = TRUE)


得到漏斗图：

漏斗图

如感兴趣的同学，可参考以下文献：
1 Anderson, L., Oldridge, N., Thompson, D. R., Zwisler, A. D., Rees, K., Martin, N., & Taylor, R. S. (2016). Exercise-based cardiac rehabilitation for coronary heart disease: Cochrane systematic review and meta-analysis. Journal of the American College of Cardiology, 67, 1-12.
2 Pietschnig, J., Penke, L., Wicherts, J. M., Zeiler, M., & Voracek, M. (2015). Meta-analysis of associations between human brain volume and intelligence differences: How strong are they and what do they mean? Neuroscience & Biobehavioral Reviews, 57, 411-432.
3 Pietschnig, J., Voracek, M., & Formann, A. K. (2010). Mozart effect-Shmozart effect: A meta-analysis. Intelligence, 38, 314-323.
4 Schild, A. H., & Voracek, M. (2015). Finding your way out of the forest without a trail of bread crumbs: Development and evaluation of two novel displays of forest plots. Research Synthesis Methods, 6, 74-86.

异次元点评

在meta分析中，森林图和漏斗图几乎是标配，千篇一律的图片让人审美疲劳，很难抓住读者的眼球，这几种森林图尽管不常见，有时候也可以尝试一下。三种漏斗图能提供的信息要比传统的漏斗图多，值得试试，但需要注意的是，Egger回归需要的样本量较大，如果纳入文献比较少，建议不要轻易使用。

医学统计分析

软件

SPSS、Stata、R等

联系