R语言meta分析(3)亚组分析

R语言meta分析⑴meta包

R语言meta分析(2)单个率的Meta分析

R语言meta分析(3)亚组分析

原始研究中常常采用亚组分析的形式探索入组患者潜在的差异。事实上，亚组分析也广泛应用于meta分析中，是meta分析中处理异质性的常用方法之一。亚组分析通常从临床异质性和方法学异质性的角度探讨异质性的来源，可以解决同质性研究才能合并效应量的问题。可以按不同试验设计方案、纳入研究质量、参加人群特征、给药方式，治疗时间的长短、发表年代等，分成亚组进行分析。Meta分析中的亚组分析每次只能按照一个变量进行亚组分析，并且对每个亚组都要进行效应量的合并；若要对两个以上的变量进行分析，则应该采用Meta回归的方法。

亚组分析由于其可能带来的危害，meta分析中的亚组分析应该充分考虑以下几个要素：第一，亚组分析一定是事先确定的，最好能在系统评价的研究方案中就体现出来；第二，分组因素的确定应该是从自身专业的角度去确定，而不是盲目的随意确定亚组，或是在Meta分析过程中随意的添加亚组分析。第三，过度的亚组分析可能存在数据挖掘的嫌疑，亚组分析的结果有时也并不可靠，因为亚组分析从某种程度上说破坏了原始研究的随机性，所以亚组分析的数量必须是有限的、事先确定的，一般来说分组因素应尽可能控制在3个以内，越少越好，笔者习惯会预先确定1~2个重要的分组因素。

实战：

setwd('D:\\train\\meta_data\\meta')


data <- read.csv('Table1.csv',header=T)
colnames(data)
library(ggplot2)
library(meta)
str(data)


## Example with subgroup analysis

metawsd2 = metacont(NSCLC_count,NSCLC_mean,NSCLC_sd,
                   Control_count,Control_mean,Control_sd,
                   data=data ,sm="SMD",byvar=Source ,
                   
                   comb.fixed = FALSE,
                   comb.random = TRUE,
                   
                   studlab = study)
metawsd2



forest(metawsd2)

从结果中，我们可以看到source=tissue时以及总的研究存在异质性，这提示我们，本篇meta分析纳入的研究（来源于不同source）可能是异质性的来源。