正文

Meta分析常用图形示例和绘图技巧

  Meta分析常用图形示例和绘图技巧。图形对结果展示具有独特的优势,其在Meta分析的结果展示中发挥着重要作用。本文将介绍几种Meta分析中常用的图,推荐研究者使用:

  一、利用流程图展示原始研究的纳入排除过程.

  二、利用森林图,并标明必要的统计检验结果(如异质性检验)来展示Meta分析的结果.

  三、利用漏斗图或Galbraith图等展示原始研究效应值的分布情况或相互关系,以评价发表偏倚的可能性.

  四、利用气泡图展示Meta回归结果.

  一、纳入排除流程图.

  纳入排除流程图一般在结果中最先展示。图中描述了原始研究的纳入排除过程。PRISMA提供了流程图的模板,推荐使用该模板。具体示例与建议见图1。

  图1. PRISMA 2009 纳入排除流程图

  绘图建议:

  1、流程图最上面展示的是初始获取的文献数量,最下面展示的是最终纳入分析的文献数量,中间部分展示文献的纳入排除过程。

  2、流程图可以归纳为四部分:文献获取、文献筛选、文献入排和文献纳入。

  3、向下的箭头表示文献选择过程,向右的箭头表示每一步中排除的文献和原因。

  二、森林图.

  森林图是Meta分析结果中的经典图形,它由图形和数据列表两部分组成。森林图可以追溯到20世纪70年代,相传因图形中的线条类似于森林而得名。

  数据列表部分包含各原始研究以及样本量、结局事件数、效应值等信息,原始研究的排列一般应遵从一定的顺序,比如发表年代或贡献的权重。效应值通常为均数差、OR、RR或HR等,并且要提供置信区间。

  在合并效应值时,方差越小的研究权重越大。固定效应模型假定各原始研究的效应一致,权重通常等于各原始研究方差的倒数。随机效应模型假定各原始研究效应不一致,但服从一定的分布,其权重包含研究间的方差。除了展示各原始研究间的数据之外,研究间效应值的异质性也需要进行报告,推荐使用I2统计量衡量异质性大小。

  如果进行了亚组分析,森林图中应将各亚组分别展示,并计算I2衡量亚组间的效应值异质性大小。如果统计学检验显示,不能认为亚组间效应存在异质性,那么应该将亚组进行合并。

  图形部分展示了各研究效应值及其95%CI区间,图中点的大小衡量各研究贡献的权重大小。图的最底部为Meta分析的合并值。具体示例(图2)与绘图建议如下:

  绘图建议:

  1. 数据列表部分

  (1) 展示纳入分析的原始研究。研究排列应遵从一定顺序,如发表年代,权重大小或作者首字母

  (2) 给出各原始研究的结局事件数

  (3) 给出各组的样本量

  (4) 给出各原始研究贡献的权重

  (5) 报告各原始研究效应值及其95%CI

  (6) 最列表底部报告数据的合计值以及异质性统计量I2

  2. 图形部分

  (1) 用方形表示各原始研究效应值,用水平线表示置信区间

  (2) 用方形的大小表示权重大小,方形越大,权重越大

  (3) 在最底部用菱形表示合并的效应值,菱形的左右顶点表示置信区间的上下界

  三、漏斗图或Galbraith图.

  漏斗图用于探索可能的发表偏倚,示例(图3)和绘图建议如下:

  绘图建议:

  1、X轴:效应值(取自然对数),如OR、RR等的对数值

  2、Y轴:效应值的标准误SE

  3、点:每个点大小一致,代表一个研究,至少应有10个研究,点的大小要适当

  4、漏斗:由三条线组成,垂直线代表合并的效应值在X轴的位置,两条斜线代表95%CI。

  Galbraith图用于探索可能的发表偏倚,示例(图4)和绘图建议如下:

  绘图建议:

  1、X轴:利用效应值标准误的倒数衡量研究的规模

  2、Y轴:标准化的效应值

  3、点:每个点代表一个研究,大小一致。点的大小要适当

  4、斜线:图中有三条斜线,中间的线斜率代表固定效应合并值,两侧为其95%CI线。如果没有异质性和发表偏倚,那么理论上在两条95%CI线外的研究数量为5%

  四、Meta回归和气泡图.

  研究间的异质性有时可以归因于某些研究水平的影响因素,此时可能用到Meta回归的方法。Meta回归得到的影响因素作用大小可以利用气泡图上显示。示例图(图5)和绘图建议如下:

  绘图建议:

  1、X轴:影响因素的取值

  2、Y轴:效应值大小(可能需要进行转换,如取对数)

  3、圆圈:每个圆圈代表一个研究,圆圈越大,说明该研究的效应值方差越小,精确度越高,权重越大

  4、线:回归线,如果回归线斜率不为0说明影响因素对研究间效应有作用

  参考文献.

  Heart 2017;103:19–23.

来源:医咖会 大仙儿
爱科学

上一篇:诊断试验的各种一致性检验都搞清楚了吗?

下一篇:返回列表

推荐信息

登录注册
欢迎内容投稿或举报!E-mail: ikx@ikx.cn
Copyright © 爱科学 iikx.com