R语言metafor包预后meta分析复现

选用的文章：

陈浩然, 薛昊, 刘文静, et al. 血小板淋巴细胞比值作为非小细胞肺癌预后因素的meta分析[J]. 中国肺癌杂志, 022(005):289-298.

一、数据提取及前处理

详见R语言meta包的预后meta分析复现

二、meta分析

效应值计算
使用metafor包rma()函数。
yi：效应量的对数值
sei：效应量对数值的标准误
slab：研究标签
method：固定效应模型用‘FE’；随机效应模型多用‘DL’；默认为‘REML’（随机）

library(metafor)
res <- rma(yi = lghr,sei = selghr,data = info,slab = paste(info$study,info$year,sep = ',',digits = 2),method = 'DL')
summary(res)

注意：模型结果中显示估计值为 0.5233，标准误为 0.0786，P<0.0001，此处 0.5233 为模型变量系数，即合并效应值的对数，lnRR=0.5233，RR=exp(0.5233)=1.7，可用如下命令在R中实现指数与对数的转换：

> predict(res,transf=exp)pred  ci.lb  ci.ub  cr.lb  cr.ub 1.6875 1.4465 1.9687 1.1204 2.5416

与原文相比结果一致。

绘制森林图
同样使用forest()函数：

dev.new()
forest(res,atransf = exp)

可以明显的看到，使用metafor包rma()函数绘制的森林图远不及meta包metagen()函数漂亮，前者的森林图少了部分信息，需要添加额外的参数进行修饰绘制，比较麻烦；而后者不仅绘图命令简单，信息更加全面，还能通过settings.meta('revman5')绘制RevMan 5风格的森林图（见下）。

三、亚组分析

metafor包中没有一步到位的亚组分析函数，需要将分成的亚组逐个分析再手动拼接到一起，很不友好，所以还是使用metagen( … , byvar = )节省时间。

四、meta回归分析

仍然使用rma()函数，仅需添加命令参数 mods= ，注意“~”不能少。
以人种进行单因素分析为例：

reg_ethnicity <- rma(yi = lghr,sei = selghr,data = info,mods = ~ethinicity)

与meta包的metareg()函数对比，两者结果基本一致：

多因素分析，两者结果基本一致（略）：

#metafor包
reg <- rma(yi = lghr,sei = selghr,data = info,mods = ~ethinicity+cutoff+sample_size+ethinicity)
#meta包
reg <- metareg(pfs,ethinicity+cutoff+sample_size+ethinicity)

五、敏感性分析

使用leave1out()函数，该函数可反复拟合指定的模型，一次排除一项观察/研究。

leave1out(res,transf = exp)

逐项排除后，合并效应量没有明显变化，敏感性较好。（未发现可视化的函数）

六、发表偏倚

漏斗图：funnel(res)
Begg’s检验：ranktest(res)
Egger’s检验：regtest(res)

P值均>0.05，漏斗图对称性良好。

七、其他

星状图：radial(res)；主要反映各研究的异质性，从而发现异质性的点。弧线对应的效应评估大小分布。

QQ图：qqnorm(res)；绘制预测结果，观察是否在置信区间内部。

八、总结

对于预后类meta分析：

数据前处理将HR对数化且求出标准误。
将需要进行meta亚组分析的变量转化为分类变量（因子）。
meta分析效应量合并及亚组分析使用meta包更方便，图形更好看。
meta包和metafor包均可进行meta回归分析。
敏感性分析使用meta包metainf函数可绘制森林图进行可视化。
meta包和metafor包均有相应函数进行发表偏倚检测、绘制漏斗图。