R语言meta分析（9）连续数据的meta分析

R语言meta分析（9）连续数据的meta分析

`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')

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 .```

```##########################################################################################
## 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()```

0 条评论

• R语言meta分析⑴meta包

从广义上讲，meta分析是指试图将几项研究结果结合起来的统计分析。这一术语是由统计学家Gene V Glass在1976年向美国教育研究协会发表的演讲中创造的。...

• 各种临床试验终点

临床试验终点（End Point）服务于不同的研究目的。在传统的药物的研发中，早期的临床试验目的是评价安全性以及药物的生物活性，如肿瘤缩小。后期的有效性研究通常...

• R语言meta分析（5）累积Meta分析

meta分析是对具有共同研究目的相互独立的多个研究结果给予合并分析，综合评价研究结果。其方法已广泛应用于医学领域 ,且日趋完善。常规meta分析均是对数据进行一...

• TCGA的28篇教程-风险因子关联图-一个价值1000但是迟到的答案

其实那个需求很简单：https://www.ncbi.nlm.nih.gov/pubmed/24893932 文章里面也说的很清楚，如下：

• 数据分析之NumPy笔记（一）

前几天群里有个大佬推荐了一门极客时间里关于数据分析的课程，教学方式是图文+音频，是我比较喜欢的教学方式之一，光看评论都能学到很多的知识，比如学习方式，对内容的理...

• 如何使用markdown来制作一份自己的简历

程序员的简历要简洁明了，不要太多花哨的修饰，突出重点即可，使用markdown就可以很好的满足写一份简历的需求

• 剖析Android中进程与线程调度之nice

在计算机操作系统中，进程是进行资源分配和调度的基本单位，同时每个进程之内也可以存在多个线程。那么在Android系统（Linux Kernel）中，进程是如何去...

• WordPress强迫症技巧：让文章(ID)地址完美连续(障眼法)

这几天博客一直被 CC 攻击，虽然也没带来什么影响，但是因为多 IP 的并发会导致带宽不够，所以暂时用上了百度云加速。因此，导致之前前台刷新缓存功能也就失效了，...