R语言meta分析（9）连续数据的meta分析

用户1359560

发布于 2020-06-12 22:22:47

4.9K1

发布于 2020-06-12 22:22:47

文章被收录于专栏：生信小驿站生信小驿站

R语言meta分析(1)meta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

R语言meta分析(4)网状Meta 分析

R语言meta分析（5）累积Meta分析

R语言meta分析（6）一文解决诊断性meta分析（第一章）

R语言meta分析（7）诊断性meta分析（meta4diag包）

R语言meta分析（8）基于生存数据的meta分析

R语言meta分析（9）连续数据的meta分析

本文将介绍用R软件的meta数据包介绍连续数据资料的Meta分析。meta数据包提供分析连续数据的命令是: metacont()，能够计算连续型资料的固定效应值或随机效应值，命令提供了SMD和MD两种方法。

具体命令格式如下：

metacont(n.e,mean.e, sd.e, n.c, mean.c, sd.c, studlab, data=NULL, subset=NULL, level=0.95, 1eve1.comb=leve1, sm=MD, comb.fixed=TRUE, comb.random=TRUE)

实战

第一步

##########################################################################################
## step1 load package and data
###########################################################################################

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


data <- read.csv('Table1.csv',header=T)
colnames(data)
library(ggplot2)
library(meta)
str(data)
data.frame':    19 obs. of  9 variables:
 $ study        : Factor w/ 19 levels "GSE102286","GSE114711",..: 3 4 5 6 7 8 9 10 11 12 ...
 $ Year         : int  2012 2014 2012 2014 2014 2017 2015 2015 2016 2017 ...
 $ NSCLC_count  : int  22 24 22 6 103 82 14 154 126 397 ...
 $ NSCLC_mean   : num  7.87 7.48 1.64 672.57 9.23 ...
 $ NSCLC_sd     : num  0.782 1.25 0.901 701.222 0.67 ...
 $ Control_count: int  19 24 23 6 103 59 14 20 5 151 ...
 $ Control_mean : num  8.09 8.46 2.21 648.14 9.28 ...
 $ Control_sd   : num  0.826 1.55 0.641 587.815 0.622 ...
 $ Source       : Factor w/ 2 levels "blood","tissue": 2 2 1 2 2 1 2 2 2 2 .

命令中，NSCLC_count, NSCLC_mean , NSCLC_sd分别为实验组的例数、均数和标准差，Control_count，Control_mean, Control_sd分别为对照组的例数、均数和标准差。

##########################################################################################
## step2 meta-analysis
###########################################################################################


metawsd = metacont(NSCLC_count,NSCLC_mean,NSCLC_sd,
                   Control_count,Control_mean,Control_sd,
                   data=data ,sm="SMD",
                   
                   comb.fixed = FALSE,
                   comb.random = TRUE,
                   
                   studlab = study)
metawsd
            SMD              95%-CI %W(random)
GSE14936  -0.2709 [ -0.8878;  0.3460]        5.4
GSE25508  -0.6835 [ -1.2670; -0.1000]        5.5
GSE27486  -0.7220 [ -1.3270; -0.1170]        5.4
GSE29248   0.0349 [ -1.0969;  1.1666]        4.3
GSE36681  -0.0685 [ -0.3417;  0.2047]        5.9
GSE40738  -0.5027 [ -0.8425; -0.1628]        5.9
GSE47525  -0.0963 [ -0.8376;  0.6450]        5.2
GSE48414  -0.9530 [ -1.4298; -0.4763]        5.7
GSE51853  -8.8280 [-10.2341; -7.4220]        3.8
GSE53882  -0.1024 [ -0.2899;  0.0851]        6.0
GSE56036  -0.8510 [ -1.4562; -0.2459]        5.4
GSE63805  -1.6782 [ -2.2624; -1.0940]        5.5
GSE64591  -0.1591 [ -0.4367;  0.1185]        5.9
GSE72526   0.6920 [  0.1608;  1.2231]        5.6
GSE74190  -3.4235 [ -4.0079; -2.8391]        5.5
GSE77380  -0.5563 [ -1.8425;  0.7299]        4.0
GSE93300   0.2213 [ -0.9609;  1.4035]        4.2
GSE102286 -0.8262 [ -1.1318; -0.5207]        5.9
GSE114711 -0.0612 [ -0.9280;  0.8055]        4.9

Number of studies combined: k = 19

                         SMD             95%-CI     z  p-value
Random effects model -0.8819 [-1.3246; -0.4392] -3.90 < 0.0001

Quantifying heterogeneity:
 tau^2 = 0.8421 [0.9930; 4.6691]; tau = 0.9177 [0.9965; 2.1608];
 I^2 = 94.2% [92.3%; 95.7%]; H = 4.17 [3.60; 4.83]

Test of heterogeneity:
      Q d.f.  p-value
 312.69   18 < 0.0001

Details on meta-analytical method:
- Inverse variance method
- DerSimonian-Laird estimator for tau^2
- Jackson method for confidence interval of tau^2 and tau
- Hedges' g (bias corrected standardised mean difference)

Quantifying heterogeneity: tau^2 = 0.8421 0.9930; 4.6691; tau = 0.9177 0.9965; 2.1608; I^2 = 94.2% 92.3%; 95.7%; H = 4.17 3.60; 4.83 我们发现该meta分析存在异质性，因此要做亚组分析。

##########################################################################################
## step3 plot forest
###########################################################################################



pdf('meta.pdf',height = 12,width = 12)

forest(metawsd)

dev.off()



##########################################################################################
## step4 sensitivity_analysis
###########################################################################################


metainf(metawsd, pooled="random")


pdf('sensitivity_analysis.pdf',height = 8,width =8)
forest(metainf(metawsd),comb.random = TRUE)
dev.off()




##########################################################################################
## step5 bias
###########################################################################################


metabias(metawsd, method.bias = "rank")

pdf('funnel_plot.pdf',height = 6,width = 6)
meta::funnel(metawsd[["TE"]],metawsd[["seTE"]],
             ylab='SMD', xlab='se.SMD',
             comb.fixed =T,level = 0.95) 
dev.off()