《询证医学基础》学习笔记【1】

       之前每次学完一门科目,会把期末考试当作是结束。但是这次由于做了一个思维导图,就感觉想要更多地去做一个小小的总结。顺便对几个问题做了一些探讨学习。但写着写着,发现给自己挖了一个大坑。哈哈哈哈,有点窒息。

       学习的书本为《循证医学基础》(主编:黄鹏    奉水东)。针对全书做得思维导图如下:



       然后自己觉得可能需要理解的一些问题大致如下(这一章节主要附上关于第一点的总结)。



一.meta分析的异质性检验方法

       首先可能要对异质性进行一下解释:即由于可能存在混杂因素导致研究结果不同质。个人的理解是,尽管meta分析对文献的纳入等提出了标准,但由于不是同一个研究依然会存在除了抽样误差之外的因素所导致的不同(如计划的执行情况,经济等影响因素)。我们进行异质性检验的目的是,去评价抽样误差以外的因素的异质性的情况。

      通过逛各论坛以及查找文献【2,3,4,5】等,总结为以下方法:


       在我们所学习的教材中,仅介绍了Q检验以及I2两种方法来检验所纳入研究是否具有异质性。在学习(搜找资料)的过程中,大多也是对这两种方法进行解读。这可能与软件有关,也说明这两种方法较为常用。

       关于图示法对异质性的表达与解读如下:

1.森林图

       可显示单项研究和合并效应量及其置信区间,如果单项研究结果的置信区间有很少的重叠或者不重叠,则提示研究间可能存在异质性。如图,第1项研究和第2、第4项研究的置信区间无重叠,提示研究间可能存在异质性。



2.星状图

以标准化估计值相对于其标准误的倒数作图,若散点斜率接近就说明同质。



3.拉贝图

      通常用于RCT的二分类变量数据的异质性检验。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。



4.加尔布雷斯图

       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



二、统计模型的选择

      这里的统计模型分为固定效应模型与随机效应模型。两种模型的区别在于各研究权重的计算方式不同。固定效应模型认为所有研究来源于同一整体,根据研究内方差分配权重;随机效应模型则认为其可能来源于不同的总体,根据研究内和研究间的方差分配权重。通过调整分配方式,平衡各研究的效应。统计模型的选取也影响着后面合并统计量的方法的选取(如M-H法,D-L法,倒方差法的选取)。

       关于异质性的检验影响着我们对统计模型的选择。在这个方面也是纠结了比较久。因为在学习过程中有看到Q检验与I方的结果不一致的情况,然后不知道怎么取舍。在网上看帖子发现也有人遇到过相同的问题。通过总结以及和老师的交流,模型选择方面【6,7】大致有以下情况:


1.根据I2检验结果进行选择。

2.根据Q检验结果进行选择。

3.任何情况均用随机效应模型。


        当Q检验与I方检验均表明没有异质性的时候,即选用固定效应模型。当I方与Q检验冲突时,推荐选用I方或H检验的结果,因为相比之下,Q检验的检验效能比较低。

       关于任何情况下均可以选用随机效应模型:因为异质性不大时,两种模型结果并无很大区别,相比之下,随机效应模型所的出的95%CI比较宽,得出的结果比较保守。

三、关于纳入各研究权重的计算

       开始没打算写这个,但是在资料搜索中看到有人提出了这样的问题。随后自己开始百度但是没有的到比较清晰的结果,也没能找到计算公式。不过之后在与任课老师的交流过程中,终于让这件有点头大的事情解决的。

       首先值得说的是权重的分配时根据每个研究标准误的计算,而非标准差的计算。权重时标准误的倒数。标准误是用以描述抽样误差的指标。标准误越小,则说明抽样误差越小,样本对总体的代表性越强,应该分配的权重也越大。

        先看一下百度百科【9】的解读;


       其实这个东西乍一看就挺让人迷惑的。似乎说这个和标准差有关系,然后样本量决定了权重的大小。嗯嗯嗯,我想说这个解释有问题,但是我也是个小白哈哈哈,不过建议大家不要太执着相信这种百科。

      给大家放两个可信的解释:


       第一个图是我在《卫生统计学》教材【10】拍的图,希望有助于大家理解。

       最后放一个小例子,还有关于权重的计算公式(其实感觉这里似乎才是重点,哈哈啊哈哈)。这个是老师提供给我的,说是给研究生上课的时候会提。直接上图好了。小伙伴可以动手操作一下计算过程。


        嗯嗯嗯,写这个东西一方面是总结,一方面也算是抛砖引玉吧。里面的了解和观点不一定全对,但是讨论总是能让我们不断接近真理的。感觉循证这种东西大概还是需要更多的实践(所以暂时还处于纸上谈兵的阶段)。查资料的时候有一句话印象还蛮深刻的,大概意思是异质性不可怕,关键是找到异质性的来源。另外想说的是,就对于一些理论,大家主要还是一课本为主吧。好了,先到这里。



【参考资料】:

【1】《循证医学基础》(主编:黄鹏  奉水东)  

【2】 Meta分析中异质性检验浅析   https://mp.weixin.qq.com/s?__biz=MzA5MjYwMTA0MA==&mid=2649741687&idx=1&sn=fc42ecbc0adb8c870c6b287b1837c789&scene=21

【3】分析中异质性的识别与处理   贾丽燕循证中医药 2016-04-22

http://www.wodefanwen.com/lhd_5rzem8i4fx7u3cn9al2c_1.htmlMeta

【4】Meta分析异质性的检验和处理  转载大师

http://www.sci666.com.cn/50737.html(异质性的处理)

【5】Meta分析中的异质性评价

http://www.ttdoc.cn/article/390.jhtml

【6】丁香园帖子http://3g.dxy.cn/bbs/topic/23295484

【7】meta分析法在医学实践中的应用   刘勤勤 唐俊  黄河浪  实用临床医学

2010

【8】Meta分析中的异质性检验方法  何寒青  陈坤  中国卫生统计  2006

http://www.doc88.com/p-1911929941307.html

【9】百度百科

【10】《卫生统计学》  人民卫生出版社  第八版   李晓松主编

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 214,658评论 6 496
  • 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 91,482评论 3 389
  • 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 160,213评论 0 350
  • 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 57,395评论 1 288
  • 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 66,487评论 6 386
  • 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 50,523评论 1 293
  • 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 39,525评论 3 414
  • 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 38,300评论 0 270
  • 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 44,753评论 1 307
  • 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 37,048评论 2 330
  • 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 39,223评论 1 343
  • 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 34,905评论 5 338
  • 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 40,541评论 3 322
  • 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 31,168评论 0 21
  • 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 32,417评论 1 268
  • 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 47,094评论 2 365
  • 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 44,088评论 2 352