R语言meta包的预后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.

数据加载

1.读取数据

setwd('E:/R/R files')
info <- read.csv('E:/R/R files/meta.csv')
View(info)
str(info)

2.查看数据

（ethnicity打错了，请自行忽略…）
3.查看数据框结构
可以发现读取的数据框，字符串变量自动被识别为factor储存，而其他数字变量均为numeric或integer。

变量因子化

原文对种族、样本量、治疗方式以及cutoff值进行了亚组分析，故应将这四个变量转化为二分类的因子化变量。

info$sample_size[info$sample_size<=202] <- 1
info$sample_size[info$sample_size>202] <- 2
as.factor(info$sample_size)#样本量二分类
info$cutoff[info$cutoff<=162] <- 1
info$cutoff[info$cutoff>162] <- 2
as.factor(info$cutoff)#cutoff值二分类

HR数据转化

将效应量对数化，并求出其标准误，添加到原数据框中。

info$lghr <- log(info$hr)
lglci <- log(info$lci)
lguci <- log(info$uci)
info$selghr <- (lguci-lglci)/(2*1.96)

meta分析

安装并加载meta包。预后资料的meta分析使用metagen()函数。由于metagen的参数实在太多，只列几个常用的。森林图绘制用forset()函数。
TE：logHR值
seTE：SE(logHR)值
studlab ：研究标签
sm：效应量，字符串
comb.fixed：固定效应模型，默认为TRUE
comb.random：随机效应模型，默认为TRUE

library(meta)
pfs <- metagen(TE = lghr,seTE = selghr,studlab = paste(info$study,info$year,sep = ','),data = info,sm = 'HR')
forest(pfs)

此处用两种模型进行了分析，可设置comb.fixed或comb.random的逻辑值选用其中一种。对比原文成功绘制出森林图。

若提前设置settings.meta('revman5')则可绘制出RevMan 5风格的图表：

亚组分析

以种族和治疗方式为例，只需在metagen中加入“byvar=”的命令。

pfs_ethinicity <- metagen(TE = lghr,seTE = selghr,studlab = paste(info$study,info$year,sep = ','),data = info,sm = 'HR',byvar = ethinicity,comb.fixed = FALSE)
forest(pfs_ethinicity)

对比原文：

pfs_treatment <- metagen(TE = lghr,seTE = selghr,studlab = paste(info$study,info$year,sep = ','),data = info,sm = 'HR',byvar = treatment,comb.fixed = FALSE)
forest(pfs_treatment)

对比原文：

meta回归分析

用metareg()函数，但是发现无论如何改变“method.tau=”，即使用何种方法，都与原文有差别。（为什么呢？是否因为分析方法不同）

metareg(pfs,formula = ethinicity+cutoff+sample_size+treatment)

敏感性分析

使用metainf()函数进行敏感性分析，并画出森林图。原理为一次删除一项研究，以分析对总效应量的影响，结果发现P值均<0.0001，合并HR有良好的稳定性，与原文一致。

forest(metainf(pfs,pooled = 'random'), layout = "revman5")

漏斗图

1.Begg’s法

funnel(pfs)

2.Egger’s法：

radial(pfs)

3.Egger’s法检验：

metabias(pfs,method.bias = 'linreg')

其他函数的探索

1.baujat(pfs)用于探索meta分析的异质性。在x轴上，绘制了每个研究对整体异质性统计量的贡献）。在y轴上绘制了有无研究的总体效应量的标准差；此数量描述了每个研究对总体效应量的影响。
由此发现，Kim2016的研究对异质性统计量的贡献最大；Zhang2015的研究对总体效应量的影响最大。

2.气泡图：
ireg <- metareg(pfs,formula = ethinicity) bubble(ireg,studlab = paste(info$study,info$year,sep = ','))

第一次做meta分析的笔记比较粗糙，后面会尝试用metafor包进行分析，对比一下两个包的不同之处，以相互补充。