前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >网状Meta分析之R语言‘gemtc’包实战(3)

网状Meta分析之R语言‘gemtc’包实战(3)

作者头像
生信与临床
发布2020-08-06 10:06:49
2.5K1
发布2020-08-06 10:06:49
举报
文章被收录于专栏:生物信息与临床医学专栏

这次和大家分享的还是基于R包‘gemtc‘的网状Meta分析,之前已经讲解过如何导入数据以及使用固定效应模型去分析。这一次主要内容是使用随机效应模型去进行网状Meta分析,同时包括一致性检验和概率排序的结果。

1. 首先利用之前的数据network_b_bin去构建随机效应模型。

代码语言:javascript
复制
model_b_bin_re <- mtc.model(network_b_bin, linearModel='random', n.chain=4)

2. 使用Markov Chain & Monte Carlo(MCMC)方法进行抽样模拟和计算,参数为n.adapt=5000, n.iter=10000, thin=20。

代码语言:javascript
复制
###MCMC simulation###
### burn-in 5000, iteration 10000, thin 20 ########
mcmc_b_bin_re <- mtc.run(model_b_bin_re, n.adapt=5000, n.iter=10000, thin=20)
plot(mcmc_b_bin_re)
gelman.diag(mcmc_b_bin_re)
gelman.plot(mcmc_b_bin_re)
summary(mcmc_b_bin_re)

3. 使用Markov Chain & Monte Carlo(MCMC)方法进行抽样模拟和计算,参数为n.adapt=5000, n.iter=10000, thin=5。

代码语言:javascript
复制
### burn-in 5000, iteration 10000, thin 5 ########
mcmc_b_bin_re <- mtc.run(model_b_bin_re, n.adapt=5000, n.iter=10000, thin=5)
plot(mcmc_b_bin_re)
gelman.diag(mcmc_b_bin_re)
gelman.plot(mcmc_b_bin_re)
summary(mcmc_b_bin_re)

4. 绘制森林图

代码语言:javascript
复制
forest(relative.effect(mcmc_b_bin_re, t1="A"), digits=3)

5. 一致性检验

代码语言:javascript
复制
###Inconsistency : node-splitting
#mtc.nodesplit
#fixed model
nodesplit_b_bin_fe <- mtc.nodesplit(network_b_bin, linearModel='fixed', n.adapt=5000,
n.iter=10000, thin=10)
# plot(nodesplit_b_bin_fe)
plot(summary(nodesplit_b_bin_fe))
#random moel
nodesplit_b_bin_re <- mtc.nodesplit(network_b_bin, linearModel='random', n.adapt=5000,
n.iter=10000, thin=5)
#plot(nodesplit_b_bin_re)
plot(summary(nodesplit_b_bin_re))

代码的前一半是基于固定效应模型进行的一致性分析,后半部分是基于随机效应模型进行的一致性分析。

上面就是固定效应模型的一致性分析结果,direct是指pairwise comparsion,也即直接比较,indirect是指indirect comparison,也即间接比较,P值反应的其实是直接比较和简介比较的结果之间是否有差异,一般p小于0.05,可以认为直接比较和间接比较的结果之间存在差异,及有不一致性存在。network反应的是网状meta分析的最终结果。

6. 概率排序

代码语言:javascript
复制
#rank.probability
#preferredDirection
#fixed moel
ranks_b_bin_fe <- rank.probability(mcmc_b_bin_fe, preferredDirection = -1)
print(ranks_b_bin_fe)
plot(ranks_b_bin_fe, beside=TRUE)
#random moel
ranks_b_bin_re <- rank.probability(mcmc_b_bin_re, preferredDirection = -1)
print(ranks_b_bin_re)
plot(ranks_b_bin_re, beside=TRUE)

在这里preferredDirection设置成-1是因为效应量(effect size)比参照组小意味着更好的疗效。另外mcmc_b_bin_fe这个文件是在上一期的内容中就已经创建好的,大家可以查阅往期内容网状Meta分析之R语言‘gemtc’包实战(2)

从结果可以看出,疗效最好的是E,接下来依次为C,B,D,A。其中A是安慰剂。

好了,以上就是使用‘gemtc’包进行网状Meta分析的最后一部分内容,希望大家能喜欢!有问题欢迎在留言区进行讨论。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-01-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 生信与临床 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档