什么是Meta分析异质性,怎么处理Meta分析异质性?看完这篇就够了

Meta分析、临床数据分析一对一指导,符合学术规范,结课直接投稿,+tjzgBL哟!

很多小伙伴觉得写Meta分析难,花大量时间才弄懂Meta分析全流程、学会使用相关统计软件,但怎么也不明白Meta分析异质性,但其实找对方法写Meta分析并不难。今天我们就来讲讲什么是Meta分析异质性,以及怎么对Meta分析异质性进行处理。

Meta分析异质性的基本概念

根据Cochrane手册的定义,纳入同一个Meta分析的所有研究不可避免地都存在差异,我们将Meta分析中不同研究间的各种不同,称之为异质性,当研究间存在异质性时,合并的结果可能是不可靠的,或合并本身就是不恰当的。因此需要识别和测量Meta分析异质性,并制定相应的策略,探索Meta分析异质性来源并进行处理。

在了解Meta分析异质性基本概念之后,我们还是得提一下Meta分析的8大步骤,如下图所示,以确定Meta分析异质性处理主要是在哪一步进行!


统计之光-Meta分析异质性

在Meta分析的八大步骤中,Meta分析异质性处理主要在7步——统计分析中进行, 当Meta分析纳入的各项研究均指向同一个结果,即各研究间具有同质性,则Meta分析具有意义,但如果各项研究指向的结果有很大偏差,当Meta分析异质性较大时,超出了随机误差,Meta分析的结果就不太可靠。此时,我们就需要通过各种方式对异质性进行检验。

Meta分析异质性几种定量检验方法

1、Q 统计量

该检验的无效假设为纳入各研究的效应量均相同。具体公式如下图,对于公式我们不了解也不要紧,只需要知道,Q 服从于自由度为 k-1 的 χ分布,Q 值越大,其对应的 P 值越小。若 Q>χ(1-α),则 P<α,表明研究间存在异质性。反之亦然。


2、I统计量

I统计量反映异质性部分在效应量总的变异中所占的比重。由下式计算得出

其 中 Q 为 Q 统计量,df 是它的自由度(即研究总个数减去 1 得 到的数值)。当 I =0(如果 I为负值,我们设它为 0)时,表明没有观察到异质性,I统计量越大异质性越大;异质性的低、中、高程度分别用I统计量 25%、50%、75% 表示。若 I>50%,则说明存在比较明显的异质性。

3、H 统计量

公式如下图,其中 k 表示纳入 Meta 分析的研究数。统计量 H 值为 1 表示各研究间无异质性,一般情况下,若 H>1.5 提示研究间存在异质性,H<1.2 则提示可认为各研究同质;若 H 值在 1.2 和 1.5 之间,当 H 值的 95%CI 包含 1,在 0.05 的检验水准下无法确定是否存在异质性,若没包含 1 则可认为存在异质性。


4、Galbraith 图法

该法提供了一个图形化的显示,可以直观得到 Meta 分析异质性。对于每一个试验, 以 Z 统计量(效应量除以它的标准误(b/se(b)))为纵轴、标准误的倒数(1/se(b))为横轴作图。若该 Meta 分析各研究无异质性,我们将看到所有点落到可信区间回归直线的内部。

5、L’Abbe 图

该图通常用于RCT 的二分类变量数据的 Meta分析异质性检验。根据每个研究的处理组事件发生率相对于对照组事件的发生率作图,若研究结果同质,则所有点呈线性分布,若偏离该线过远,则表明该研究结果为异常。

经过预处理和检验仍存在异质性,Meta分析异质性处理方法

1、获得研究数据,采用多元回归模型

如果能得到每个研究的原始数据,可以探讨Meta分析异质性来源,并对每个研究采用统一的多元回归模型进行分析,以避免由于使用的模型不一致而导致的异质性。

2、采用随机效应模型

采用随机效应模型估计合并效应量,可对Meta分析异质性进行部分纠正。该法在Meta分析异质性不明显的条件下,与固定效应模型方法计算结果相似;若异质性明显,则可提高估算的可信区间的精度,并同时增大检验效能。

3、亚组分析

亚组分析是将所有数据分成更小的单元,进而在各亚组内进行比较,如按不同设计方案、研究质量、发表年代等进行亚组分析。亚组分析每次只能对一个变量进行亚组分析,并且对每个亚组都要进行效应量的合并。若要对两个以上的变量进行分析,则应采用Meta回归。

4、Meta回归

Meta回归是通过建立回归方程,来反映一个或多个解释变量与结果变量的关系。目前Meta回归虽然在Rev Man中没有被运用,但在STATA软件中通过“Metareg”宏能很好地实现。

5、敏感性分析

敏感性分析是用于评价结果稳定性的一种方法。如果敏感性分析结果与原分析结果没有冲突,那么该结果加强了原分析结果的可信度。如果敏感性分析结果得出不同结论,这提示存在与干预措施有关的潜在重要因素,应进行进一步研究以明确干预效果存在争议的来源。

若经过以上处理后异质性仍然过大,特别在效应的方向上极其不一致,这时候引用平均效应也许会导致误导,应考虑放弃Meta分析,只作一般的统计描述。上述文字用图表示如下。

统计之光-Meta分析异质性

为方便大家进一步了解Meta分析异质性,小编还为大家准备了一篇北大研究团队近期发表的一项最新的国人研究,该研究结果表明:30岁中国人群,如果保持上述5个健康的生活方式,心血管疾病、癌症、慢性呼吸疾病等发病率大幅减少,预期寿命可延长8-9年。

此项研究是首个针对中国人群开展的观察性研究,严谨的量化了综合生活方式对30岁人群预期寿命的影响,对推广健康生活方式有一定指导意义。

该研究纳入的CKB数据库,有大样本量和长随访的详细数据,使得研究能够针对不同性别、不同地区人群的全因和病因特异性死亡率做详细的异质性分析,让结果具有更广泛的适用性,大家可以利用这篇文献更加深入的了解Meta分析异质性。

以上就是本次对Meta分析异质性的全部介绍啦,如果你近期想要发表Meta分析,但是对Meta分析异质性处理不太懂,怎么也学不会,可以试试通过我们进行系统的学习,我们拥有指导上千医学人成功发刊的经验,能够帮你快速学会做Meta分析,发表SCI。

文章引用:Meta分析中的异质性及其处理方法——王丹

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 220,295评论 6 512
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,928评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,682评论 0 357
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,209评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,237评论 6 397
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,965评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,586评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,487评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 46,016评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,136评论 3 340
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,271评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,948评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,619评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,139评论 0 23
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,252评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,598评论 3 375
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,267评论 2 358

推荐阅读更多精彩内容