基本介紹

• 在我們大量閱讀同個領域paper的時候，常常會發現一件事情，那就是這些結果有時候是矛盾的。

– A研究顯著正相關、B研究不顯著、C研究顯著負相關…

• 這時候你會怎麼做呢？

1. 投票
2. 看誰樣本最大
3. 看誰研究設計的最好
4. 看誰年代最近
5. 問朱老師

System review & Meta analysis

• 在你做出任何決定之前，我們首先要保證一件事情，那就是你所看到的文章不是被選擇過的！

– System review是一種透過系統性搜索文章的方式，盡量減少選擇偏差，納入盡量客觀（注意：是客觀，不是全部）的資料

• 其中，上述幾點可能是都要考慮的（可能除了問老師之外…）

1. 投票 <- 票票等價？
2. 看誰樣本最大 <- 兩個都很大怎辦？
3. 看誰研究設計的最好 <- 都是隨機對照試驗怎辦？
4. 看誰年代最近 <- 比較老的文獻不會是經典嗎？

• 因此，Meta analysis(統合分析)是一種在確保你的證據是客觀的之後，將所有研究根據樣本數給於一個投票的權重，並且同時測試不同實驗設計或是不同年代的研究是否結果不一的統計方式

定義你的研究問題

• 在開始進行Meta analysis之前，我們要先確保自己的搜索流程是正確無誤的，我們基本上把醫學問題定義為四個部份

1. 族群(Population) <- 族群
2. 介入(Intervention) <- 自變項
3. 比較(Comparison) <- 自變項
4. 結果(Outcome) <- 依變項

• 小練習

– 下列是5篇文章，請試著讀出他的PICO。

– 第一篇

– 第二篇

– 第三篇

– 第四篇

– 第五篇

關鍵字

• 讀出他的PICO之後，下個最重要的步驟是在關鍵字，假設我們已知我們的PICO分別是：

1. 族群(Population)： 一般族群
2. 介入(Intervention)： Angiotensin-Converting Enzyme Insertion allele
3. 比較(Comparison)`: Angiotensin-Converting Enzyme Deletion allele
4. 結果(Outcome) : Chronic Kidney Disease

• 在制定你的搜索關鍵字之前，你可能必須把所有的相關字詞的同義字都找出來：

– 請試著利用下面這個網站找出Angiotensin-Converting Enzyme Insertion/Deletion以及Chronic Kidney Disease所有的同意詞(https://www.nlm.nih.gov/mesh/MBrowser.html)

搜索

• 在搜索的時候，我們必須利用簡單的布林字元進行搜索，如下面這些：

1. OR：聯集
2. AND：交集
3. () ：合併布林字元
4. NOT：某字不可出現

• 接著，聯集所有搜索到的同義字，交集PICO，也就是你的搜索策略，像是這個樣子：

– (P1 OR P2 OR P3 OR…) AND (I1 OR I2 OR I3 OR…) AND (C1 OR C2 OR C3 OR…) AND (O1 OR O2 OR O3 OR…)

• 我不建議你使用左側的篩選器(Filter)，因為可能無法取得完整的搜尋結果。

練習-1

• 請依據下列這個題目，擷取出他的PICO，並試著打出適合的關鍵字搜索，等等報告時必須附上這些資訊：

– Homocysteine-lowering therapy with folic acid is effective in cardiovascular disease prevention in patients with kidney disease: A meta-analysis of randomized controlled trials

– 您所定義的PICO

– 這些詞彙所有的同義字

– 最終您制定的關鍵字

– 搜索結果

• 這些是您可能會用到的網站

選定Paper並且擷取數字

• System review的基本過程大概就在剛剛結束了，接著就是要瘋狂的看文獻，篩出真正與自己有關的paper，並且評讀…

• 下個問題是，我如果想要做meta analysis，我要擷取哪些資訊呢？

– 最基本的是，我至少需要他實驗組&介入組的人數，以及發生Outcome的人數。

– 如果可以的話，儘可能告訴我越多不同研究族群之間特性的描述(Ex: 糖尿病的盛行率、國家是否有葉酸強化政策…)

練習-2

• 請試著擷取下列這三篇文章中的一部分資訊：

– 請擷取這篇文章的實驗組&介入組的人數，以及發生CVD的人數

– 請擷取這篇文章的實驗組&介入組的人數，以及發生Outcome的人數

– 請擷取這篇文章的研究族群之糖尿病盛行率

整理研究結果

• 首先，我們假設你已經有一份像這樣的資料（請至下面的網站下載）

• 從這裡開始我們將會使用R語言進行這些分析，我們使用的是metafor套件，請各位打開R之後，先安裝&載入metafor&meta兩個套件，並且讀取剛剛下載的資料（我假設你將檔案存取於D槽，若不是請自行改變路徑名稱）

install.packages("metafor")
library(metafor)
install.packages("metar")
library(meta)
Folic=read.csv("d:/Folic acid.csv")
Folic

預備動作！-1

• 在開始分析之前，我們先理解一下meta analysis用到的分析概念：

– 前面兩張表格是兩個研究，而第三個表格是我們直接將兩個研究的人數加起來，請問為什麼前兩個Table的RR都是1，但第三個Table的RR卻是2.886？

##         Outcome
## Group    death Total
##   Treat     10   100
##   Placeb   100  1000

##         Outcome
## Group    death Total
##   Treat   1000  2000
##   Placeb   100   200

##         Outcome
## Group    death Total
##   Treat   1010  2100
##   Placeb   200  1200

• 面對這樣的結果，請回答下面問題：

1. 你相信這個Treat的RR是1，還是2.886？

2. 到底是發生了什麼事情？

3. 如果這樣是有問題的，該如何解決這個問題？

預備動作！-2

• 根據上一頁的問題，我們可以想像的到如果有需要合併不同的研究結果，應該要分別先計算出個別研究的RR(也可以是OR、其他參數等)，絕對不可以直接將個案人數先合併成一張表。

• 下一個問題是，當兩個研究的RR是同樣的數字時，我們就可以說這個相同的RR值就是整合的結果，但若兩個研究本來的RR不同的時候，我們該怎麼辦呢？

– Note: 在合併時我們必須先以log(RR)來估算，接著才能進行合併

##         Outcome
## Group    death Total
##   Treat     13    51
##   Placeb    11    30

##         Outcome
## Group    death Total
##   Treat    146   342
##   Placeb    73   168

• 這是計算log(RR)以及其變異數之公式

• 我們假設這個部份大家都會(如果不會的可能要在下課時練習)，所以，上述這兩個研究的log(RR)以及其變異數分別是…

– Note: 你可以透過複製下列R code獲得結果。

Trial1=c(13,11,51,30)  
Trial2=c(146,73,342,168)
Table=rbind(Trial1,Trial2)
colnames(Table)=c("ev.trt","ev.ctrl","n.trt","n.ctrl")
outcome=escalc(measure = "RR", ai = ev.trt, ci = ev.ctrl, n1i = n.trt, n2i = n.ctrl, data = Table, append = TRUE) # function in metafor package
outcome # print result

預備動作！-3

• 下個問題是，上述的這兩個研究其log(RR)並不相同，這時候我們應該要進行“加權平均”來合併這兩個RR值。

– 合併的技術主要區分為兩種：Fixed effect model & Random effects model

• Main assumption:

– Fixed effect model: 所有研究都屬於同一母群，所以應該有“一”相同的log(RR)，研究間的差異完全由隨機誤差所解釋

– Random effects model: 所有研究所屬的母群並不相同，因此log(RR)也不相同，但呈現一個常態分布，除此之外，還有一個隨機誤差在裡面(換句話說，研究間的差異完全由“log(RR)分布之變異數”以及隨機誤差所解釋)

• 如果你喜歡看數學式，他就長成這個樣子：

預備動作！-4 (練習-3)

• 使用Fixed effect model以及Random effects model合併檔案的公式如下：

• 什麼都別想，按照剛剛給的範例，求到的yi,vi如下表所示，請至少以Fixed effect model求出合併這兩個研究得到的Summary value：

##             yi     vi
## Trial1 -0.3636 0.1149
## Trial2 -0.0177 0.0117

• 如果你想要在R內獲得答案，請複製這串代碼

Trial1=c(13,11,51,30)  
Trial2=c(146,73,342,168)
Table=rbind(Trial1,Trial2)
colnames(Table)=c("ev.trt","ev.ctrl","n.trt","n.ctrl")
outcome=escalc(measure = "RR", ai = ev.trt, ci = ev.ctrl, n1i = n.trt, n2i = n.ctrl, data = Table, append = TRUE) # function in metafor package
outcome # print result
rma(yi, vi, data=outcome, method="FE") # Fixed effect model
rma(yi, vi, data=outcome, method="DL") # Random effects model

分析-合併結果&森林圖1

• 我們先直接進行森林圖的繪製&講解上面的每個數字

– 這裡我們使用的是metabin()這個函數，他可以幫助我們直接合併檔案：

install.packages("metafor")
library(metafor)
install.packages("meta")
library(meta)
Folic=read.csv("d:/Folic acid.csv")
Result=metabin(event.e = ev.trt, n.e = n.trt, event.c = ev.ctrl, n.c =  n.ctrl, studlab = name, data = Folic, sm = "RR",
method.tau="DL")
Result

• 參數解釋

– event.e: 實驗組的發生事件人數

– n.e: 實驗組的總人數

– event.c: 對照組的發生事件人數

– n.c: 對照組的總人數

– studlab: 研究簡稱

– data: 你的分析資料集

– sm: 你所使用的參數(有“RR”,“OR”,“RD”)

– method.tau: 估計隨機效應變異數的方式(主要有“DL”,“REML”,“ML”…等)

• 在完成上述代碼後，若您想要畫出一張森林圖，你可以簡單的使用forest()函數

forest(Result)

• 當然，如果你夠騷包，你可以畫出一張像這樣的圖…

forest(Result, leftlabs=c("Author","Year","DM", "CVD","Total","CVD","Total"),leftcols=c("studlab",
"year","dm","event.e","n.e","event.c","n.c"),rightlabs=c("OR","95% CI","Weight"),col.square="royalblue",
col.square.lines="royalblue",col.diamond="darkblue",col.diamond.lines="darkblue",col.by="black",col.i="black",
col.i.inside.square="white")

分析-數據解讀

• 我們以騷包版的圖片作為例子

• 每張森林圖上有幾個重要的指標是一定要解釋的

– 異質性(Hetergeneity): I-square, tau-square, p-value

– 合併後的RR：Fixed effect model & Random effects model

• 所謂的異質性，異指所合併研究之結果(本例為RR)是否不相同。

– 主要的指標為I-square的區間為0% to 100%，一般我們認為<25%叫做無異質性，25%_{50%叫低異質性，50%}75%叫做中異質性，75%以上叫做高異質性。另外tau-square是隨機效應的變異數，p-value則是檢定這個異質性是否顯著的卡方檢定。

• 有時候我們會只顯示一種合併結果，兩者的分析解釋有非常大的不同。

– Fixed effect model：母群的RR值有95%的機率位在0.91至1.02之間。

– Random effects model：所有母群的RR值的平均值有95%的機率位在0.90至1.02之間。

• 怕你忘掉了你最開始的假設，請複習一下他們的Main assumption:

– Fixed effect model: 所有研究都屬於同一母群，所以應該有“一”相同的log(RR)，研究間的差異完全由隨機誤差所解釋

– Random effects model: 所有研究所屬的母群並不相同，因此log(RR)也不相同，但呈現一個常態分布，除此之外，還有一個隨機誤差在裡面(換句話說，研究間的差異完全由“log(RR)分布之變異數”以及隨機誤差所解釋)

分析-預測區間

• 如果我們使用了Random effects model，並且給了一個這樣的解釋『所有母群的RR值的平均值有95%的機率位在0.90至1.02之間』，那讀者一定很好奇另外一件事情

– 既然你告訴我『所有母群的RR值的平均值有95%的機率位在0.90至1.02之間』，那你能否告訴我『所有母群的RR值有95%的機率位在???至???之間』？

• 回答這個問題的關鍵技術是預測區間(Prediction interval)。

– 下面這是一個計算預測區間的例子（很遺憾的，很少統計軟體有這樣的功能，我們可能要學會用手算）：

練習-4

• 可以的話，請依據剛剛的公式，計算我們剛剛分析的資料的95% Prediction interval，並且明確的講出95% prediction interval所代表的意義。

• 公式：

• 題目：

分析-漏斗圖及Egger’s regression

• 這是基本款圖片(假定你已經完成了前面的分析了)

funnel(Result)

• 這是對上述這些研究的“對稱性”做檢定(p > 0.05代表無法拒絕對稱的虛無假設)

metabias(Result)

• BTW，同樣為了騷包的人準備加強版圖片…

funnel(Result, comb.fixed=TRUE,  level=0.95, contour=c(0.9, 0.95, 0.99),
       col.contour=c("darkgreen", "green", "lightgreen"),
       lwd=1, cex=1, pch=19, studlab=TRUE, cex.studlab=0.7)
legend(0.05, 0.05,
       c("0.1 > p > 0.05", "0.05 > p > 0.01", "< 0.01"),
       fill=c("darkgreen", "green", "lightgreen"))

分析-漏斗圖

• 漏斗圖的主要判斷方法仍然以目視為主，不在虛線三角形內的研究理論上不應該太多，同一個y軸上的點最好要類似於常態分布，像下面這張圖，Nanayakkara等人的研究可能就要被排除再做一次分析(敏感性分析)。

• 漏斗圖不對稱的原因有很多，根據Matthias Egger的說法，主要共有5個可能性：

– Publication bias

– True heterogeneity

– Data irregularities (Fraud)

– Choice of effect measure

– Chance

• 我們特別要提一下Fraud，並非所有已存在的Paper都是真實的，有許多很有可能是造假的。

– 請你讀一下這篇lancet的文章，他已經被證實造假了，請問你看的出他造假的痕跡嗎？

小結

• 今天的課程教了幾項重點，請大家課後務必多多練習：

1. 搜索文獻
2. 擷取資料至適當的資料格式
3. 合併估計值&森林圖&預測區間的計算
4. 異質性檢定
5. 漏斗圖判讀&檢定

• 下次上課時，我們還會講解下列這些部份的分析&解讀：

1. 次組分析
2. Meta-regression
3. 敏感性分析
4. Trial Sequential Analysis (概述)
5. Network meta analysis (概述)