Meta分析系列⽹状meta分析R语⾔实现及结果解读
公众号：医学⼤数据挖掘分析
为什么进⾏⽹状meta分析?
在临床实践中，若有⼀系列的药物可以治疗某种疾病，但RCT均是药物与安慰剂的对照，⽽药物互相之间的RCT都没有进⾏或很少，那么在这种情况下，想要进⾏药物间效应的⽐较就需要将间接⽐较和直接⽐较的证据进⾏合并，可⽤的⽅法为⽹状Meta分析。
⽹状meta分析的三个假设前提：
•同质性假设
•此与传统直接⽐较Meta分析相同，⼀般⽤Q统计量检验法，若检验结果⽆统计学差异，可认为纳⼊研究具有同质性，采⽤固定效应模型进⾏合并；否则需要探讨异质性来源，当⽆法解释统计学异质性时，采⽤随机效应模型进⾏合并，或提⽰不宜对纳⼊研究进⾏合并。
•相似性假设
爱情格言
•包括临床相似性和⽅法学相似性。临床相似性指AC和BC的两组试验中研究对象、⼲预措施和结局测量等的相似性，⽅法学相似性指两组试验的质量相似性。研究表明，若两个试验集⾜够相似，间接⽐较可以平衡两个试验集的偏倚，⽽且相⽐直接⽐较偏倚更⼩。
•⼀致性假设
云南高考分数
•若既有直接⽐较结果⼜有间接⽐较结果，或同时有多个间接⽐较结果(如：A vs B可以通过AC和BC获得，亦可通过AD和BD获得)，在决定是否合并这些结果时，则需要进⾏第3个⽔平的⼀致性检验，如果各⽐较结果之问差异⼩的话，认为符合⼀致假设，可以进⾏合并；如果出现不⼀致性，常提⽰直接⽐较或问接⽐较证据存在⽅法学缺陷，或两者临床特征有差异，或两种原因同时存在，此时需探讨出现不⼀致性可能的原因并考虑是否应合并直接⽐较和间接⽐较证据。
R 语⾔实现寿司怎么卷
R中的gemtc包可⽤于⽹状meta分析。由于gemtc包是基于贝叶斯⽅法进⾏的，⽽rjags包是基于马尔科夫链蒙特卡罗法的软件，是贝叶斯⽅法的基础，因此⾸先需要安装JAGS软件：
下⾯以结局指标为⼆分类的数据为例，进⾏R语⾔实现及结果解读：
第⼀步：安装并且加载gemtc和rjags包
install.packages('gemtc')
install.packages('rjags')
居功自傲的意思
library(gemtc)
library(rjags)
第⼆步：读取数据
twd("C:\\Urs\\TP\\Desktop\\Dailyfile")
data <- read.csv("⼆分类⽹状meta分析.csv", p=",", header=T)
treatments <- read.csv("treatment.csv", p=",", header=T)
数据格式如下：
data：
treatments：
结局指标为⼆分类的数据变量名必须如data数据中所⽰，不能改变，且⼲预措施标识也必须如treatments数据中所⽰。第三步：画⽹状关系图
network <- mtcwork(data)
plot(network)世界十大山峰
图1 ⽹状关系图
由图1的⽹状关系图可以看到字母A-E之间均有连线，表⽰⼲预措施A-E间均存在直接⽐较。其中，A与B间的连线⽐A与E间的粗，可以说明⼲预措施A与B间直接⽐较的样本量⽐A与E间的多。
第四步：建⽴⼀致性模型
model <- del(network, type="consistency", n.chain=4, likelihood = "binom", link="logit", linearModel = "random") results <- mtc.run(model, n.adapt=5000, n.iter = 20000, thin=1)
forest(relative.effect(results,"A"))
图2 森林图
图2的森林图描述的是⼲预措施A-D与E之间⽐较的OR值及95%可信区间（credible intervals，CrI），其中⼲预措施A与E疗效⽐较结果的OR值为0.16，表⽰使⽤⼲预措施A结局事件发⽣的风险是使⽤⼲预pek是什么意思
措施E结局事件发⽣的风险的0.16倍，OR值的95%可信区间(0.091-0.26)。由于⼲预措施A-D与E⽐较的可信区间均没有跨越1，因此它们之间的效应差异均有统计学意义。
（由于篇幅原因，只给出⼲预措施A-D与E直接的森林图）
第五步：画轨迹图和密度图
plot(results)
图3 轨迹图和密度图
由图3的轨迹图可知，当迭代次数达到5000次以上时，MCMC链波动稳定并有良好的重叠；由密度图可知，当迭代次数达到20000次时，Bandwith趋向于0并达到稳定，综合说明模型收敛较好。
达到20000次时，Bandwith趋向于0并达到稳定，综合说明模型收敛较好。
第六步：画Brooks-Gelman-Rubin诊断图
gelman.plot(results)
图4 Brooks-Gelman-Rubin诊断图
计算规模缩减因⼦（potiential scale reduction factor，PSRF）
gelman.diag(results)
表1 PSRF值
满意的收敛模型需要同时满⾜3个条件：
（1）缩减因⼦的中位值经n次迭代计算后趋向于1并达到稳定；
（2）缩减因⼦的97.5%经n次迭代计算后趋向于1并达到稳定；
（3）PSRF值趋向于1。
由图4和表1可知，模型同时满⾜上⾯的收敛的是三个条件，所以是⼀个满意的收敛模型。第七步：log(OR)值
relative.effect.table(results)
上⾯给出的结果为每个⼲预措施A-E相互⽐较后取指数对数的结果。
第⼋步：等级排序
ranks <- rank.probability(results)
#单个排序结果
未来我来歌词print(ranks)
屏蔽短信由单个排序结果可知⼲预措施E排在第⼀位的概率为0.9957，排在第五位的概率为0，⽽⼲预措施A排在第⼀位的概率为0，排在第五位的概率为0.8527。
#综合排序结果
sucra(ranks)
由综合排序结果可知，⼲预措施E为5种⼲预措施中最好的，⽽⼲预措施A为最差的。
#等级排序图
plot(ranks,beside=TRUE)
图5 等级排序图
虽然等级排序给出了每个⼲预措施的排序结果，但是不能简单地下结论说⼲预措施E为最好的，⽽⼲预措施A为最差的，还要结合其他结果综合来看。
