HR值及其可信区间的网络meta分析（R软件gemtc程序包）

生信草堂交流群

加入模式：加微信bioinformatics88为好友，备注“加入生信草堂交流群”，在群里注明姓名、单位、研究领域。

征稿邮箱：[e-mail]

详情阅览：一手科研开花，一手赚钱零花

freescience联盟 

由高校、医院FS公众号和科研技能公众号等百家单位联合创建的科研交流分享平台；联盟的宗旨：“公正至上，自由分享，平等共赢”。欢迎您的关注，让我们共同学习进步。戳这里Freescience联盟公众号原文，请多关注哦~

没有什么能够阻挡，你对自由的向往。——前记

大家好，我是一个网络meta分析爱好者，很高兴借freescience联盟这个平台，和大家见面。我们知道肿瘤学的研究，HR是非常重要的指标，它既包括事件，也涵盖了时间因素。因此，几乎每个关于肿瘤药物的生存率事件都报告了HR值及其上下可信区间。如果能利用这些现成的HR值及其可信上下区间的数据类型进行网络meta分析，无疑对研究意义重大。

那么这类meta分析该如何实现呢？接下来让郭哥和大家一起来挖掘gemtc程序包。

打开R 软件，安装“gemtc”、”jags”程序包

#输入加载程序包的命令
library('gemtc')
library('rjags')


#建立数据
# Create a new network by specifying allinformation.
treatments <>
id description
1 'Treatment A'
2 'Treatment B'
3 'Treatment C'
4 'Treatment D'\'), header=TRUE)
data <->
study treatment diff  std.err
1 1 1.058     1.654
1 2 NA        NA
2 1 0.005     0.635
2 2 NA        NA
3 1 -0.409    1.640
3 2 NA        NA
4 1 0.273     1.642
4 2 NA        NA
5 3 -0.159    0.612
5 1 NA        NA
6 3 0.027     0.713
6 1 NA        NA
7 3 -1.138    1.158
7 1 NA        NA
8 3 -0.029    1.417
8 1 NA        NA
9 3 -0.154    0.070
9 2 -0.209    0.072
9 1 NA        0.066
9 4 0.055     0.064
\'), header=TRUE)

#构建网络
network <- mtc.network(data.re="data,description='Example'," treatments="">

#制作网络图
plot(network)

#建立模型
model<-mtc.model(network,type='consistency', factor="">


#设置参数，进行运算
results <- mtc.run(model,="" n.adapt="10000," n.iter="100000," thin="10,sampler">


#输出森林图
forest(relative.effect(results,'1'))

#输出排序结果
rank.probability(results,preferredDirection=-1)

OK，Gemtc程序包实现HR数据类型的网络meta分析运行结束

接下来倒过来讲这个数据集的数据是如何得来的

我们之前讲到大部分研究会直接给出HR值及其可信上下区间。在做传统meta分析时，这类数据类型是可以进行合并的，只要将这类数据转换为效应值的对数值（InHR）以及标准误(SE)即可。同样的，网络meta分析亦是如此。所以这个数据集需要diff（InHR）和std.err（SE）两列数据。

如果是双臂的临床试验，根据HR及其上下区间即可计算出InHR和SE了（InHR大家都懂，SE=。。。。）。然后将基础臂（basearm）,也叫对比组，设置为NA，这样就有了诸如以上的数据类型

1  1   1.058     1.654
1  2   NA         NA

第一列的“1”表示第一个研究，第二类的数据表示治疗干预措施的代号（1表示Treatment A，2表示TreatmentB）。将Treatment B作为基础臂，所以都标记为NA，然后1.058和 1.654 分别为该研究的diff和std.err。

如果是两臂以上的多臂试验，情况就不一样了

 看以下数据

9 3    -0.154   0.070
9 2   -0.209    0.072
9 1   NA          0.066
9 4   0.055     0.064

以1作为干预措施，diff标注为NA。问题来在于，为什么std.err这一列不是NA，而是0.066呢？


答案还得从这篇逆天的文章说起

为什么说它逆天呢？因为它提出了将HR和OR数据合在一起进行网络meta分析的壮举！而活学活用的人，将它的方法继续发扬光大，从而改良出了实现了HR数据类型的网络meta分析。

文中列举了这么一串数据。表格中In(HR)就是指diff，se(In(HR))则是指两个干预措施之间的SE。（注意两个干预措施之间的SE不是std.err，后者是指每个干预措施的）

而每个干预措施的std.err则需要进一步转换。
使用如下公式：

seb指干预措施b对应的se。sek,b则是指干预措施k和b之间的se。

OK，那么根据公式7 我们就可以计算出：
placebo的SE（std.err） =[(se2 SFC, placebo+ se2 Salmeterol,placebo- se2 SFC ,Salmeterol)/2]1/2 =[(0.0982+0.0962-0.12)/2]1/2=0.066

这也就是为什么placebo作为基臂，对应的std.err是0.066的原因。

根据公式8可以计算出：
SFC的SE（std.err） =(se2 SFC, placebo - se2 placebo)1/2=(0.0982-0.0662) 1/2=0.072

同样的可以计算出Salmeterol的SE为0.070，Fluticasone的SE为0.063。

因此也就有了如下的数据了：

9 3   -0.154    0.070
9 2   -0.209    0.072
9 1   NA         0.066
9 4   0.055     0.064

就这样，Gemtc程序包实现HR数据类型的网络meta分析就策到这里吧。

查看更多......

从GEO数据库下载得到表达矩阵 一文就够

Git教程（一）

解读GEO数据存放规律及下载，一文就够

想发Meta的看这里 | Meta分析，SCI怎么发？

学术手拉手