meta分析

书接上回：

meta分析 | R语言进行生存结局（HR）的meta分析（森林图/漏斗图/偏倚检验/meta回归/敏感性分析/减补法）​

本文介绍stata软件实现生存结局（HR）的meta分析，包括meta分析合并效应量、森林图（forest plot）、漏斗图（funnel plot）、Begg法/Egger法偏倚检验、异质性检验、Galbraith星状图、meta回归分析、亚组分析、敏感性分析、减补法（trim and fill method）等。

相较于R语言来说，stata做meta分析其实要更麻烦一些。

没有R语言基础的人选择stata可能更合适。

但对于有R语言操作经验的人，R语言其实更方便。

本文仍以生存结局（HR）数据为例，介绍stata进行meta分析。

本人用的是stata 12。

stata默认是没有meta模块的，首先要在stata中安装meta模块。

依次输入命令安装下列模块（相反，R语言只要安装一个包基本就可以了，如meta包）

galbr模块和confunnel模块不能通过ssc install命令安装，需要手动安装。

输入findit galbr命令查找galbr：

弹窗查找的窗口：

sbe20.1，点进去。

同法查找confunnel模块

点进去后点击click here to install就开始安装。

遇到其他ssc install安装不了的都可以通过findit命令这样安装。

点击主界面上面带笔的符号，弹出空白数据框，将数据从txt或excel直接复制后粘贴进来就可以了。

后续分析主要需要表格中hr值及其95%置信区间（lci，uci）三个数据。

stata操作有两种方式，一种是命令行方式，一种是窗口点击方式。

对于meta分析来说，stata是没有相关窗口的，但是可以自己添加窗口。

网上有介绍如何添加meta模块的窗口的文章，这里不再赘述。

如：周小周：stata软件meta分析模块安装

个人认为命令行方式更方便，直接复制黏贴就可以了。窗口点来点去找半天。

先要将hr、lci、uci进行log转换

直接输入下述命令：

后面可能会用到selogHR（selogHR = (log(UCI)-log(LCI)/3.92 ），也先计算了再说。

（1）固定效应模型

输入命令，无脑粘贴：

metan就是命令

label(namevar=study, yearvar=year) 表示标记study和year

fixed effect(HR) 表示用固定效应模型，HR表示计算的是HR值（其实是图上的标注）

eform表示自己输入的是log转换的数值

xlabel(.5,1,1.5)表示X轴的显示刻度，可以自己改数值

texts(180)表示图上字体的大小，20-500之间，自己根据图型修改。

输出结果如下：

合并效应量 p=0.000，也就是有统计学意义得。

同时弹出森林图：

图的样式也是可以在窗口中进行轻度编辑的，如背景色，边距等。

但是本例I-squared值86.5%，也就是异质性比较大。改用随机效用模型

（1）随机效应模型

命令中的fixed改为random，无脑粘贴：

结果不展示了

只展示森林图：

图4结果里有几个关于异质性的重要指标：

（1） I-squared = 86.5% 。

一般认为I²>50%，认为研究间存在异质性。

（2）Heterogeneity chi-squared值

也就是Q值，等于44.39，p-value < 0.0001，提示存在异质性。

（3）H值

H值stata没有直接提供，需要自行计算。

H值是由Q值计算来的，H = Q/(k-1)的开方，k为研究数目

前面已经安装了H值得heterogi 计算模块了，命令如下：

H值等于2.7

H值的判断标准：

本命令同时计算Begg检验及Egger检验。

Begg检验p=0.764，Egger检验p=0.014。Egger检验提示是有偏倚得。

graph(begg)表示同时弹窗Begg漏斗图：

这个图还是明显有偏倚的。

绘制Egger图（两个检验是同时进行得，但是图只能分开画）：

这里得漏斗图默认是固定效应模型，无法选择随机效应模型的。

而R语言可以选择绘制固定效应模型还是随机效应模型漏斗图。

metafunnel命令可以展示另外一种漏斗图：

与上图本质一样，外观不同。

轮廓增强漏斗图增加了显著性数值的轮廓阴影标记，有利于识别出漏斗图上的点是否有统计学意义。白色区域无统计学意义。

一般样本小、精度低的研究在漏斗图底部左右对称分布；而样本大、精度大的研究分布在漏斗图的顶部，且向中间集中。​说明不存在发表偏倚。

后面可以结合减补法进行进一步解释，但是stata实现这个操作比较困难。

有研究落在可信区间外，散点图斜率较大，提示存在异质性。

meta回归分析可以对不同分组变量(v1、v2、v3、v4变量）如对异质性的影响，探索异质性来源。

（1）对v2变量进行meta回归分析

显示v2变量可以解释75.98%的异质性（Adj R-squared值），p=0.031，有统计学意义。

（2）对v4变量进行meta回归分析

v4的变量为字符，需要先赋值转换：

实际上产生了一个新的变量v4b，其中1等于v4变量的A，0等于v4变量的E。

对v4b变量进行meta回归：

对v4b变量的meta回归等于对v4变量的meta回归。

显示v4变量并不能解释异质性（Adj R-squared =-23.11%），p=0.966。

meta回归显示v2变量可以解释75.98%的异质性，那么我们就按v2变量来进行亚组分析。

前面的命令加一个by(v2)，无脑粘贴：

两个亚组内部的异质性均处于较低水平，直接用的固定效应模型。

v2变量确实是很大一部分异质性来源。

固定效应模型：

与R语言不同的是没有给出剔除研究后的I²值等数据，只能主观判断对异质性的影响。

随机效应模型：

结果不再展示。

减补法（trim and fill method）旨在识别和校正由发表偏倚引起的漏斗图不对称。

（1）固定效应模型

画漏斗图

（2）随机效应模型

值得说明的是，减补法并不是用来校正最终结果的，而是用作一种敏感性分析方法，用来评估结果稳定性。

如果减补前后结果差别不大，认为结果稳定。

减补前后差别很大，自然结果不稳定，随着后期研究项目的增加，对当前结果可能产生影响。

至于减补法后的轮廓增强漏斗图，stata也可以实现这个，但是操作太复杂。

这里​还是算了吧，需要时可以用R语言来操作吧。

风险比（Hazard Ratio，HR）由 Cox 风险比例模型计算，可以认为是考虑了时间因素的 RR值（Relative Risk），用于评估某因素对结局事件发生时间的影响。主要用于生存分析（如总体生存率OS等）。

HR=1表示暴露因素与结局事件不相关，HR>1表示暴露组的生存时间更短（危险因素），HR