零基础meta分析上路（六）：数据分析（Revman）

前面这几天所讲的内容基本都还属于系统评价（systematic review）的范畴（流程图、特征表和质量评价表）。
而meta区别于系统评价主要在于它对纳入的原始文献的同类数据进行了有效的合并，通过一定的算法得出一个估计的有效值，可以一定程度实现样本量的扩增，和对目前所有证据的总结（evidence based medicine, EBM），这也是它与一般综述的区别之处，但还是属于综述。
其证据等级凌架于RCT之上。

“

讲到数据分析，那少不了统计软件，市面上主要有三款：
1Revman(傻瓜式操作，入门级选择)2Stata (进阶级利器，功能强大)3R软件 (这是什么鬼，反正没用过)
我主要是用Revman 

偶尔应审稿人要求会用下stata软件，但只会一点点。所以我下面的大部分数据分析都是基于Revman实现的。
先简单科普下，数据分为两种类型：
一连续型变量（Continuous）二二分类变量 ( Dichotomous )
连续型变量指的是有平均值和标准差的，如临床上的某些量表，以6.5±2.1这样的形式呈现; 二分类变量是表现百分率，如临床上的有效率，10个人里面6个人有效。

他们有各自的输入方式和效应值，但总体来说大同小异。我们把纳入文献的原始数据输入到Excel里，然后简单导入到软件，啪啪啪的结果高出来了，然后根据结果进行分析就可以写文章了。哇噻，听起来好简单，感觉一切都掌握了，分分钟SCI就拿下了。
假设纳入10篇文章，我们有3个结局指标（A,B,C）。其中一个主要指标，两个次要指标。
A指标 假设有6篇文献里有完整数据，那把这6篇文章的数据进行合并，得一个森林图（Forest   plot    为什么叫森林图这让我很纳闷，一点森林的感脚都没有)。
B指标假设有8篇文献里有完整数据，那把这8篇文章的数据进行合并，得一个森林图。
C指标假设有7篇文献里有完整数据，那把这7篇文章的数据进行合并，又得一个森林图（我要10个，叶问附体）。
所以并不是每个森林图里每篇文章都要纳入的，一篇meta分析有几个结局指标就有几个森林图。如果还根据一些变量进行亚组分析，那森林图就更多了，有些文章觉得图太多，会把其中的数据抽取出来做成表格或柱状图，那也是一个不错的选择。总之，假设，此处省略一万字，我们已经成功的做成了森林图,那我们主要关注图上的几个指标就可以了。

异质性检验 ：
I的平方>50%表示合并的结果具有异质性（采用随机效应模型）， I的平方<50%表示合并的结果具有同质性（采用固定效应模型），I的平方=50%算什么？）不要注意这些小细节了。其实我一直觉得统计学是个很神奇的东西，尤其这软件我随便输输数据，它就能知道是否存在异质性，其异质性来源还是多方面的（如临床设计，病人选择，样本大小等有关）。
我西厉害八格牙路。反正学统计学的都是外星人。
此外就是P值，p<0.05说明两组之间存在统计学差异，图上合并的菱形也不会与直线相交（见下图黑色的那个），一旦相交就说明两组之间没有差异（p>0.05, p=0.05算什么？）

最后看下WMD的值和95%的可信区间（这是连续型变量的，二分类的是OR或RR)，下图是的0.95（0.51， 1.39）。

关于森林图的临床意义附上一篇文献，大家有兴趣可参照起来看看。
回复“森林图”即可查看哦。

下面是龙兄ResearchGate的账户，大家有兴趣都可以follow和contact。

未完待续

科学自由分享
投稿请扔至：[e-mail]
未经许可   不得转载