Meta分析的几种图形示例和绘图建议
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.
精彩回顾
关注医咖会，轻松学习研究方法学~
有临床研究设计或统计学方面的难题？快加小咖个人微信（xys2016ykf），拉你进统计讨论群和其他小伙伴们一起交流学习；或者点击公众号下方自定义菜单的“统计咨询”，提出你遇到的统计难题。
点击左下角“阅读原文”，看看既往小伙伴们都提出了哪些问题，以及该如何去解决，也许正好能帮到你~