完成前期工作,做到数据分析这一步时,meta分析其实已经完成大半了,今天我们就来给大家分享如何使用STATA软件来绘制meta分析森林图及开展亚组分析。
一、数据整理
首先我们要对提取的数据进行整理成我们可用于分析的格式。
Study为纳入研究的信息,outcome为研究结局,or,lci及uci分别为研究的效应值及95%置信区间上下限,其他为亚组分析的变量信息。
数据整理成我们需要用的格式后,我们需要评估纳入同一meta分析的不同研究的效应估计是否存在差异,即进行异质性检验。若纳入分析的研究间不存在异质性,则说明这些研究背后的真实效应可能是相同的,用一个合并的效应值代表所有研究效应的大小是合理的,合并时应采用固定效应模型,否则使用随机效应模型,根据结果中的I2来选择模型,一般>50%用随机效应模型,<50%用固定效应模型,具体分析如下:将数据导入到stata后(复制粘贴即可导入),首先对数据进行转换:
gene lnor=ln(or)
gene lnuci=ln(uci)
接着即可对数据进行合并,使用固定效应模型进行分析——
metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) fixed nobox。合并效应量P=0.004,统计学有意义,但是I2=92.2%,结果异质性较大我们应使用随机效应模型——metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) random nobox。
当异质性检验出现阳性结果,我们就需要寻找异质性来源(即效应修饰因素),亚组分析是一个十分重的要方法。亚组分析顾名思义,即将人群按照某一因素将研究分成两组(或多组),然后再进一步计算。例如按照性别进行分组,分别估计效应值,并对男性和女性中的效果进行比较,如果效果在男性和女性之间存在差异,临床上就应该区别对待,分别报告。metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) random nobox by (gender)可以看到对性别进行分层后,男性I2=41.1%,女性I2=65.7%,均有不同程度降低,且男女之间差异显著P=0.000,因此性别可能是导致异质性的一个原因。
今天的分享到这里就结束啦,你学会了吗?大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出,我们会尽快回复!
下期分享预告:Meta分析——数据分析II—发表偏倚评估及敏感性分析。
本站仅提供存储服务,所有内容均由用户发布,如发现有害或侵权内容,请
点击举报。