诊断性试验Meta分析
诊断性试验Meta分析报告
诊断性试验Meta分析报告一、引言诊断性试验在医学领域中具有至关重要的作用，它们帮助医生确定患者是否患有某种疾病，以及评估疾病的严重程度和预后。
然而，单个诊断性试验往往受到样本量、研究人群、研究方法等因素的限制，其结果可能存在偏差。
Meta 分析作为一种系统评价方法，能够综合多个诊断性试验的结果，提供更全面、更准确的诊断信息。
二、目的本 Meta 分析的目的是综合评估某种诊断性试验在特定疾病中的诊断价值，为临床医生的诊断决策提供依据。
三、资料与方法（一）检索策略我们在多个数据库（如 PubMed、Embase、Cochrane Library 等）中进行了系统的检索，检索时间范围为_____至_____。
检索词包括疾病名称、诊断性试验名称以及相关的关键词。
（二）纳入与排除标准纳入标准：①研究对象为疑似患有特定疾病的患者；②使用了所关注的诊断性试验；③报告了诊断准确性的相关指标，如敏感度、特异度、阳性预测值、阴性预测值等。
排除标准：①重复发表的研究；②研究质量差，如样本量过小、方法学存在明显缺陷等；③无法获取全文或关键数据的研究。
（三）数据提取由两名研究者独立提取纳入研究的基本信息（如作者、发表年份、研究地点等）、研究对象的特征（如年龄、性别、疾病严重程度等）、诊断性试验的方法和参数、诊断准确性的指标等。
如有分歧，通过讨论或咨询第三方解决。
（四）质量评估采用 QUADAS-2（Quality Assessment of Diagnostic Accuracy Studies 2）工具对纳入研究的质量进行评估，评估内容包括病例的选择、待评价试验、金标准、病例流程和进展情况等方面。
（五）数据分析使用 Review Manager 53 软件进行数据分析。
对于诊断准确性的指标，计算合并的敏感度、特异度、阳性似然比、阴性似然比和诊断比值比，并绘制森林图和受试者工作特征（ROC）曲线。
采用随机效应模型或固定效应模型进行合并分析，根据异质性检验的结果（I²值）选择合适的模型。
meta分析方法介绍
Meta分析详细介绍
➢ Meta分析是一种基于文献资料的定量化综合评价多个同类 独立研究结果的统计学方法。常用于临床试验、诊断试验和 流行病学研究等方面的综合评价。
➢ 它包括提出问题、收集和分析数据、报告结果等基本过程。 ➢ Meta分析常用的方法有固定效应模型（fixed-effects model）
G 2 Sen
2
ai
ln(
a
ai m1i
)
ci
ln(
c
ci m1i
)
m1
m1
其中， a ai ， c ci ， m1 m1i
在 H0 成立时，G2Sen 服从自由度为 ν=k-1 的 χ2 分布。若 P >α，则不拒绝 H0， 可认为各研究是同质的，可以采用上面的公式计算 Sen 及其 95%置信区间。
（1）以 OR 为效应指标的统计量及其标准误
ORi
ai d i bi ci
SEln(ORi )
1111 ai bi ci di
（2）以 RR 为效应指标的统计量及其标准误
RRi
ai ci
n1i n2i
SEln(RRi )
11 1 1 ai ci n1i n2i
（3）以 RD 为效应指标的统计量及其标准误
诊断试验
+ 合计
表 2 第 i 个研究资料整理格式
金标准
+ ai（TP） ci（FN）
m1i
_ bi（FP） di（TN）
m2i
合计
n1i n2i Ni
真阳性数（TP）、假阳性数（FP）、假阴性数（FN）、真阴性数（TN）
1、基于灵敏度的 Meta 分析计算过程 （1）各研究的灵敏度
诊断性实验的Meta分析分解
阳性
阴性
阳性
TP（a）
FP（b）
a+b
阴性
FN（c）
TN（d）
c+d
1.2 单个诊断性实验的评价指标
灵敏度
特异度
指标
假阴性率（漏诊率）
假阳性率（误诊率）
灵敏度=a/a+c；特异度=b/b+d； 假阴性率=c/a+c；假阳性率=d/b+d
• 这个四格表衍生的各种指标：真阳性率（敏感度）、假阳 性率、假阴性率、真阴性率（特异度）等等都是评估替代
3. 诊断性试验meta分析方法在统计 软件中的实现
• RevMan5.0软件和Meta-DiSc 都是在国际上权威的用来做 诊断试验meta分析的软件，在这里仅介绍Meta-Disc软件 的使用方法。
• 下载地址：
http://www.hrc.es/investigacion/metadisc_en.htm
诊断性试验meta分析方法在统 计软件中的实现
3.1 数据录入 3.2 选择项 设置 3.3 阈值效应 检验 3.4 非阈值效应 检验 3.5 合并各诊断试 验评价指标
3.1 数据录入
3.2 选择项设置
3.3 阈值效应检验
3.4 非阈值效应检验
探讨异质性
3.5 合并各诊断试验评价指标
绘制森林图
诊断性实验的Meta分析
刘延青 研究生
前言
临床医生在接诊的过程中，经常考虑的问题就是如何把可 以有病与实际无病的人区别开来，以及如何将患某种疾病 的患者于其他疾病鉴别出来，这个过程中就需要合理运用
诊断试验。广义诊断包括实验室检查、影像学诊断、仪器
检查、病史询问、体格检查等。 对于某个诊断性试验，可能已有多位研究者进行了研究， 为了对不同的研究结果进行综合性分析，获得综合的结论， 需要采用诊断性实验的Meta分析。
最常见几大类型的Meta分析
最常见几大类型的Meta分析系统综述可以分为定性和定量两种分析方法：用统计学方法对资料的定量综合即Meta分析（Meta analysis）；有些资料不适合Meta分析时，可以进行定性综合。
Meta分析有很多种类型，常见的几种如下：1、常规Meta分析这种Meta分析以合并随机对照试验、非随机对照试验、队列研究、病例对照研究的效应量为主。
这类Meta分析的方法最成熟，发文量也最多。
举例：钠-葡萄糖协同转运体2(SGLT-2)抑制剂对2型糖尿病患者心血管结局的影响。
From: Wu JH, et al. Lancet Diabetes Endocrinol. 2016;4:411-9.2、个体数据Meta分析个体数据Meta分析被称为系统综述的金标准。
它不是利用已经发表的研究结果的总结数据进行Meta分析，而是从原始研究的作者处获取每个研究对象的原始数据，并对这些数据进行Meta分析。
然而此类文章非一般研究者可以完成，适合于学科带头人领衔操作。
举例：BMI和全死因死亡的关系。
From: Global BMI Mortality Collaboration. Lancet. 2016;388:776-86.3、单组率的Meta分析Meta分析还可以对单组率进行合并。
这类Meta分析的结局指标多为发病率、患病率、病死率、检出率、知晓率、感染率等，原始研究多为横断面研究。
对单组率的Meta分析而言，难点在于控制异质性。
亚组分析和Meta回归分析是处理异质性的重要方法。
举例：在残疾儿童中，有多大比例的人遭受过性暴力？From：Jones L, et al. Lancet 2012;380:899-907.4、诊断试验Meta分析评价某项措施对疾病的诊断价值，主要评价灵敏度、特异度、ROC曲线下面积等。
举例：选择性结直肠手术的患者中，降钙素原和C反应蛋白对早期腹腔感染的诊断价值。
From: Cousin F, et al. Ann Surg. 2016;264:252-6.5、累积Meta分析累积Meta分析是将各个纳入的研究按照一定的次序（如发表时间、样本量、研究质量评分等），序贯地添加到一起，进行多次的Meta分析。
诊断试验准确性的Meta分析
诊断试验准确性的Meta分析一、问题与数据某肿瘤科大夫希望了解CT对某肿瘤的诊断准确性，他查阅了很多国内外文献，发现文献中各研究样本量都偏小，且对该方法的准确性评价结果不一，因此想通过Meta分析的方法对其准确性进行较为可靠的评价。
通过对相关文献的检索，共获得以下数据：表1 部分研究数据变量意义及赋值情况如下：表2 变量意义与赋值情况二、对问题分析要进行诊断试验准确性的Meta分析，至少应当收集真阳性、假阳性、假阴性与真阴性的人数。
然而，Meta分析并不是简单的进行数据的加权合并，因为各研究结果不同的原因通常不仅仅是因为样本量小造成的结果不稳定，还可能是因为研究的设计、执行等多方面的因素存在差异所导致，因此Meta分析的一个重要的任务便是对可能的因素进行探讨，找出文献结果不一的原因，这也是证据评价的过程。
表1中，是否是前瞻性研究（predesign）、金标准是否是同一个（samemth）、是否详细描述待评价试验（index）、是否详细描述金标准（reftest）和是否详细描述待评价人群（subject）是本研究中研究者认为可能的影响因素。
三、Stata分析1. 安装分析包一般认为，诊断试验准确性的数据异质性比较明显，因此推荐使用随机效应模型进行分析。
Stata中有专门针对诊断试验准确性Meta分析的分析包midas和metandi，均是采用两水平的随机效应模型进行分析。
由于后者不支持meta回归功能，因此本文仅介绍midas包的使用。
在command窗口，依次输入以下命令，安装必需的分析包：ssc install midasssc install mylabels2. 数据录入在Stata窗口点击数据编辑按钮，弹出数据编辑窗口。
在变量名位置双击，弹出新建变量窗口。
如果变量是字符型，则变量类型（Variable type）选择str，是数值型则选择double（小数）或int （整数）。
设定好变量名后，从excel中将数据复制到新建变量窗口中即可，部分数据如下图。
诊断性实验Meta分析
1.3 ROC曲线定义
• 对某一诊断试验方法，通过改变诊断临界点，可以获得多 对灵敏度和特异度，以敏感度为纵坐标，1-特异度为横坐 标绘制曲线，横轴与纵轴长度相等，形成正方形，在图中 将ROC曲线工作点标出，用直线连接各相邻两点构建ROC曲 线。通过计算ROC曲线下面积，可以评定该诊断方法的准 确性。
• 在国际上质量评价有一个QUADAS标准(quality assessment of diagnostic accuracy studies)来评价纳入诊 断试验的质量
2.3 资料提取
研究资料的基本情况 • 包括纳入研究的作者、发表时间、研究对象的病例数、对
照数目、SEN、SPE、计算获得的真阳性( TP) 、假阳性 (FP) 、真阴性( TN) 、假阴性(FN)、检测的方法、检测试 剂的来源、诊断的临界值等基本情况，都用表表示出来。
1.4 ROC曲线的解读
灵敏度
1
0.8
0.6
0.4
0.2
0
0
0.2
0.4
0.6
0.8
1
1-特异度
机会线
所谓的“曲线左上角”至少可以找出3 种判断方式：
（1）
曲线与斜率为1 的斜线的切点；
（2）
曲线与经过 （0,1）和 （1,0）两点直 线的交点；
（3）
曲线上与 （0,1）点绝 对距离最近 的点。
2.4.2 非阈值效应检验
• 在诊断性试验的meta分析中，除了阈值效应引起研究间异 质性外，其他原因：人群（如疾病严重程度和伴发疾病）、 试验条件（如不同的技术、化验、操作者）、标准试验等， 在软件中用诊断比值比DOR的Cochran-Q检验来检测是否 存在非阈值效应引起的变异。
诊断性meta分析报告手把教你做临床Meta分析报告——诊断试验性Meta-Disc分析报告
诊断性meta分析手把教你做临床Meta 分析——诊断试验性 Meta-Disc分析导读：诊断性meta分析,手把教你做临床 Meta 分析——诊断试验性 Meta-Disc 分析,诊断性meta分析stata,诊断性试验meta，推荐访问：诊断性meta分析stata诊断性试验meta手把教你做临床 Meta 分析——诊断试验性Meta-Disc 分析临床治疗的基础首先是需要准确的诊断，准确诊断性 Meta 分析是 Meta 分析的一个重要部分，本次想向大家推荐的是一款专用于诊断性试验的免费 Meta 分析软件，临床医学、临床检验、临床病理、临床科研人员、临床康复科及临床影像科等工作人员可用它写上一篇高大上的诊断准确性试验的 Meta 分析文章。
安装软件Meta-DiSc 是一个免费的下载软件，登录http://www.hrc.es/investigacion/metadisc_en.htm，下载安装软件，目前最新版本是 1.4 版。
运行软件在试行此软件之前，必须明确和熟悉准确诊断性 Meta 分析里结果计算的经典四格表（可能不会在您所纳入的文献中出现，需要研究人自己总结并准确的填写在四格表内，不易混淆而且方便分析）。
TP：True positive 表示真阳性的结果，用数字表示；FP：False positive 表示假阳性的结果，用数字表示；FN：False negative 表示假阴性的结果，用数字表示；TN：True negative 表示真阴性的结果，用数字表示。
1打开软件，可以看到如下界面Author：第一作者名 + 文章年限，如 Rachow 2013；StudyID：纳入文献的排序编号，亦可以按照自己理想的排名排序；2数据的输入有三种方法可以输入，我们掌握其中两种就足够运用，一种是当纳入的文献较多的时候，可以按照软件中表格的形式对应写在 Excel 表上，点击复制 Ctrl+c，并点击黏贴 Ctrl+v，便可以 copy 至软件中的表格内；另一种当纳入的文献数量较少时，则可以直接用手动输入到 Meta-disc 数据表内，如下图。
临床试验meta分析简介
meta分析简介Meta分析的前身源于Fisher1920年“合并P值”的思想，1955年由Beecher首次提出初步的概念，1976年心理学家Glass进一步按照其思想发展为“合并统计量”，称之为Meta分析。
1979年英国临床流行病学家Archie Cochrane提出系统评价（systematic review，SR）的概念，并发表了激素治疗早产孕妇降低新生儿死亡率随机对照试验的系统评价，对循证医学的发展起了举足轻重的作用。
Meta分析国内翻译为“荟萃分析”，定义是“The statistical analysis of large collection of analysis results from individual studies for the purpose of integrating the findings.”亦即“对具备特定条件的、同课题的诸多研究结果进行综合的一类统计方法。
”M eta从字源来说据考证有“Meta logic：a branch of analytic philosophy that deals with the critical examination of the basic concepts of logic”；“Meta mathematics：the philosophy of mathematics，especially，the logical syntax of mathematics.”其中最简洁并且一语中的的是Meta science:：a theory or science of science，a theory concerned with the investigation?analysis?or description of theory itself.”意为一种科学中的科学或理论，一种对原理本身进行调查、分析和描述的原理。
Meta分析有广义和狭义两种概念：前者指的是一个科学的临床研究活动，指全面收集所有相关研究并逐个进行严格评价和分析，再用定量合成的方法对资料进行统计学处理得出综合结论的整个过程；后者仅仅是一种单纯的定量合成的统计学方法。
诊断性meta分析 手把教你做临床 Meta 分析——诊断试验性 Meta-Disc 分析
诊断性meta分析手把教你做临床Meta 分析——诊断试验性Meta-Disc 分析导读：诊断性meta分析,手把教你做临床 Meta 分析——诊断试验性 Meta-Disc 分析,诊断性meta分析stata,诊断性验meta手把教你做临床 Meta 分析——诊断试验性 Meta-Disc 分析临床治疗的基础首先是需要准确的诊断，准确诊断性 Meta 分析是 Meta 分析的一个重要部分，本次想向大家推荐的是一款专用于诊断性试验的免费 Meta 分析软件，临床医学、临床检验、临床病理、临床科研人员、临床康复科及临床影像科等工作人员可用它写上一篇高大上的诊断准确性试验的 Meta 分析文章。
安装软件AHA12GAGGAGAGGAFFFFAFAFMeta-DiSc 是一个免费的下载软件，登录http://www.hrc.es/investigacion/metadisc_en.htm，下载安装软件，目前最新版本是 1.4 版。
运行软件AHA12GAGGAGAGGAFFFFAFAF在试行此软件之前，必须明确和熟悉准确诊断性 Meta分析里结果计算的经典四格表（可能不会在您所纳入的文献中出现，需要研究人自己总结并准确的填写在四格表内，不易混淆而且方便分析）。
TP：True positive 表示真阳性的结果，用数字表示；FP：False positive 表示假阳性的结果，用数字表示；FN：False negative 表示假阴性的结果，用数字表示；TN：True negative 表示真阴性的结果，用数字表示。
1打开软件，可以看到如下界面AHA12GAGGAGAGGAFFFFAFAFAuthor：第一作者名 + 文章年限，如 Rachow 2013；StudyID：纳入文献的排序编号，亦可以按照自己理想的排名排序；2数据的输入AHA12GAGGAGAGGAFFFFAFAF有三种方法可以输入，我们掌握其中两种就足够运用，一种是当纳入的文献较多的时候，可以按照软件中表格的形式对应写在 Excel表上，点击复制 Ctrl+c，并点击黏贴Ctrl+v，便可以 copy 至软件中的表格内；另一种当纳入的文献数量较少时，则可以直接用手动输入到 Meta-disc 数据表内，如下图。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Revman,Stata,Meta-disc在诊断试验准确性（DTA）系统评价中的应用文献数据摘自《ProGRP与NSE对小细胞肺癌诊断价值的meta分析》文中提取数据注：表中10 个原始研究均使用酶联免疫吸附测定法检测阳性界值；TP= 真阳性数；FP= 假阳性数；FN= 假阴性数；TN= 真阴性数a:ProGRP,b: NSERevman5.2新建诊断试验准确性(DTA)系统评价模板添加所有纳入研究此处对每篇文献QUADAS2质量特征进行描述，以便探讨异质性来源及作表图数据分析里面添加所要研究的待评价诊断试验可计算相关指标（似然比及诊断比值比和单独在干预系统评价里面作森林图）添加分析里面制作SEN和SPE森林图及SROC曲线，可对数据进行重新制定StudyLamy 2000Molina 2009Nissan 2009Schneider 2003Shibayama 2001Stieber 1999Sun 2005Takada 1996Yamaguchi 1995Yang 2005TP3541134297411773802546FP18979611222669FN164641840292847917TN229218548119234972034696072Sensitivity (95% CI)0.69 [0.54, 0.81]0.47 [0.36, 0.58]0.77 [0.70, 0.83]0.78 [0.62, 0.90]0.65 [0.55, 0.74]0.80 [0.73, 0.86]0.72 [0.62, 0.81]0.63 [0.54, 0.71]0.74 [0.56, 0.87]0.73 [0.60, 0.83]Specificity (95% CI)0.93 [0.89, 0.96]0.96 [0.93, 0.98]0.87 [0.85, 0.90]0.95 [0.90, 0.98]0.96 [0.92, 0.98]0.98 [0.93, 1.00]0.90 [0.86, 0.94]0.99 [0.97, 1.00]0.91 [0.81, 0.97]0.89 [0.80, 0.95]Sensitivity (95% CI)00.20.40.60.81Specificity (95% CI)00.20.40.60.81设置参数若用户对上图窗口中的统计分析显示的结果不满意，可点击右上角的属性按钮); 或依次展开树形目录分支"Data and Analyses→Analyses→ProGRP"，选中"ProGRP"并单击右键，选择"Properties …"，弹出属性设置对话框。
在图对话框中，可对统计指标(General)、SROC图、森林图和异质性来源的参数进行设置，并点击"Apply"使其生效，见下图。
亚组分析（假如，原文没做）ProGRP(高质量)StudyLamy 2000Molina 2009Nissan 2009Schneider 2003Shibayama 2001TP35411342974FP18979611FN164641840TN229218548119234Sensitivity (95% CI)0.69 [0.54, 0.81]0.47 [0.36, 0.58]0.77 [0.70, 0.83]0.78 [0.62, 0.90]0.65 [0.55, 0.74]Specificity (95% CI)0.93 [0.89, 0.96]0.96 [0.93, 0.98]0.87 [0.85, 0.90]0.95 [0.90, 0.98]0.96 [0.92, 0.98]Sensitivity (95% CI)00.20.40.60.81Specificity (95% CI)00.20.40.60.81ProGRP(低质量)StudyStieber 1999Sun 2005Takada 1996Yamaguchi 1995Yang 2005TP11773802546FP222669FN292847917TN972034696072Sensitivity (95% CI)0.80 [0.73, 0.86]0.72 [0.62, 0.81]0.63 [0.54, 0.71]0.74 [0.56, 0.87]0.73 [0.60, 0.83]Specificity (95% CI)0.98 [0.93, 1.00]0.90 [0.86, 0.94]0.99 [0.97, 1.00]0.91 [0.81, 0.97]0.89 [0.80, 0.95]Sensitivity (95% CI)00.20.40.60.81Specificity (95% CI)00.20.40.60.81 QUADAS-2偏倚表（图）制作Patient Selection14463 Index Test424451 Reference Standard24446 Flow and Timing2530%25%50%75%100%0%25%50%75%100%Risk of Bias Applicability Concerns High Unclear LowP a t i e n t S e l e c t i o nLamy 2000?Molina 2009Nissan 2009+Schneider 2003?Shibayama 2001+Stieber 1999–Sun 2005+Takada 1996?Yamaguchi 1995+Yang 2005?I n d e x T e s t–?+–+––?++R e f e r e n c e S t a n d a r d??+–+?–?++F l o w a n d T i m i n g??+??––?++Risk of Bias P a t i e n t S e l e c t i o n––?–––?–?I n d e x T e s t??–?–?+?––R e f e r e n c e S t a n d a r d–?–?–???–?Applicability Concerns–High ?Unclear +Low异质性来源在DTA系统评价里面不能直接进行似然比、诊断比值比的森林图以及各指标漏斗图制作，但可以改变四个表数据模式或直接计算相关指标，添加入干预性系统评价模板中进行制作及查看异质性、发表偏倚（漏斗图）。
Stata12一拟合双变量混合效应模型：midas命令1.计算所有诊断试验统计学指标（敏感度、特异度、似然比、诊断比值比等）及异质性检验统计量:Diagnostic Odds Ratio 39.071 [ 25.251, 60.456]Diagnostic Score 3.665 [ 3.229, 4.102]Negative Likelihood Ratio 0.316 [ 0.262, 0.381]Positive Likelihood Ratio 12.348 [ 8.245, 18.494]Specificity 0.943 [ 0.913, 0.963]Sensitivity 0.702 [ 0.641, 0.756]Parameter Estimate 95% CIInconsistency (I-square): LRT_I2 = 96.39, 95% CI = [93.72-99.06]Heterogeneity (Chi-square): LRT_Q = 55.419, df =2.00, LRT_p =0.000ROC Area, AUROC = 0.89 [0.86 - 0.92]Correlation (Mixed Model)= -0.491Between-study variance(varlogitSPE)= 0.406, 95% CI = [0.133-1.241]Between-study variance(varlogitSEN) =0.136, 95% CI = [0.041-0.452]Pretest Prob of Disease =0.279Reference-negative Subjects = 2417Reference-positive Subjects = 935Number of studies = 10Bivariate Binomial Mixed ModelSUMMARY DATA AND PERFORMANCE ESTIMATES2. 绘制敏感度、特异度森林图:SENSITIVITY (95% CI)0.70[0.64 - 0.76]0.69 [0.54 - 0.81]0.47 [0.36 - 0.58]0.77 [0.70 - 0.83]0.78 [0.62 - 0.90]0.65 [0.55 - 0.74]0.80 [0.73 - 0.86]0.72 [0.62 - 0.81]0.63 [0.54 - 0.71]0.74 [0.56 - 0.87]0.73 [0.60 - 0.83]STUDY(YEAR)COMBINEDQ = 39.00, df = 9.00, p = 0.00I2 = 76.92 [62.83 - 91.01]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 20050.40.9SENSITIVITYSPECIFICITY (95% CI)0.94[0.91 - 0.96]0.93 [0.89 - 0.96]0.96 [0.93 - 0.98]0.87 [0.85 - 0.90]0.95 [0.90 - 0.98]0.96 [0.92 - 0.98]0.98 [0.93 - 1.00]0.90 [0.86 - 0.94]0.99 [0.97 - 1.00]0.91 [0.81 - 0.97]0.89 [0.80 - 0.95]STUDY(YEAR)COMBINEDQ = 75.58, df = 9.00, p = 0.00I2 = 88.09 [82.01 - 94.17]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 20050.8 1.0SPECIFICITY3. 绘制ROC 曲线图：0.00.51.0Sensitivity0.00.51.0SpecificityObserved DataSummary Operating PointSENS = 0.70 [0.64 - 0.76]SPEC = 0.94 [0.91 - 0.96]SROC CurveAUC = 0.89 [0.86 - 0.92]95% Confidence Ellipse95% Prediction EllipseSROC with Confidence and Predictive Ellipses4. 绘制漏斗图，识别发表偏倚:STATISTICAL TESTS FOR SMALL S TUDY EFFECTS/PUBLICATION B IAS> 206Intercept 3.78234 1.105751 3.42 0.009 1.232475 6.332> 146Bias -.7005376 17.62442 -0.04 0.969 -41.34253 39.94>> al]yb Coef. Std. Err. t P>|t| [95% Conf. Interv>11110.040.060.080.100.121/root(ESS)StudyRegressionLineLog Odds Ratio versus 1/sqrt(Effective Sample Size)(Deeks)5. 绘制似然比森林图:DLR POSITIVE (95% CI)12.35[8.24 - 18.49]9.42 [5.82 - 15.25]11.89 [6.03 - 23.41]6.08 [4.87 -7.59]16.33 [7.35 - 36.30]14.46 [7.99 - 26.16]39.67 [10.04 - 156.77]7.39 [4.88 - 11.19]49.87 [22.27 - 111.67]8.09 [3.67 - 17.81]6.57 [3.49 - 12.39]STUDY(YEAR)COMBINEDQ = 51.60, df = 9.00, p = 0.00I2 = 72.67 [72.67 - 92.45]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 20053.5156.8DLR POSITIVEDLR NEGATIVE (95% CI)0.32[0.26 - 0.38]0.34 [0.23 - 0.51]0.55 [0.45 - 0.67]0.27 [0.20 - 0.35]0.23 [0.12 - 0.42]0.37 [0.29 - 0.47]0.20 [0.15 - 0.28]0.31 [0.22 - 0.42]0.37 [0.30 - 0.47]0.29 [0.17 - 0.51]0.30 [0.20 - 0.46]STUDY(YEAR)COMBINEDQ = 42.30, df = 9.00, p = 0.00I2 = 78.72 [66.00 - 91.44]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 200501DLR NEGATIVE6. 绘制诊断比值比森林图：ODDS RATIO (95% CI)39.07[25.25 - 60.46]27.83 [12.99 - 59.60]21.59 [9.81 - 47.50]22.67 [14.87 - 34.57]71.90 [23.14 - 223.38]39.35 [19.22 - 80.58]195.67 [45.54 - 840.84]24.06 [12.95 - 44.68]133.05 [55.07 - 321.46]27.78 [8.94 - 86.29]21.65 [8.90 - 52.64]STUDY(YEAR)COMBINEDQ =10306.42, df = 9.00, p = 0.00I2 = 99.91 [99.90 - 99.92]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 20059841ODDS RATIODIAGNOSTIC SCORE (95% CI)3.67[3.23 -4.10]3.33 [1.41 - 3.33]3.07 [1.26 - 3.07]3.12 [1.49 - 3.12]4.28 [1.73 - 4.28]3.67 [1.63 - 3.67]5.28 [2.11 - 5.28]3.18 [1.41 - 3.18]4.89 [2.21 - 4.89]3.32 [1.21 - 3.32]3.07 [1.21 - 3.07]STUDY(YEAR)COMBINEDQ = 23.94, df = 9.00, p = 0.00I2 = 62.41 [36.63 - 88.18]Schneider 2003Stieber 1999Molina 2009Nissan 2009Shibayama 2001Lamy 2000Takada 1996Yamaguchi 1995Sun 2005Yang 2005 1.25.3DIAGNOSTIC SCORE7.绘制验前概率、 验后概率图：验前概率=患病率，验后概率=验前概率*似然比0.0010.0020.0050.010.020.050.10.20.51251020501002005001000Likelihood Ratio0.10.20.30.50.712357102030405060708090939597989999.399.599.799.899.9P o s t -t e s t P r o b a b i l i t y (%)0.10.20.30.50.712357102030405060708090939597989999.399.599.799.899.9Prior Prob (%) = 20LR_Positive = 12Post_Prob_Pos (%) = 76LR_Negative = 0.32Post_Prob_Neg (%) = 7Fagan's Nomogram二 拟合HSROC 模型：metandi 命令 1.合并统计量命令Covariance between estimates of E(logitSe) & E(logitSp) -.0117264>> 9451/LR- 3.164112 .3007045 2.626377 3.811> 526LR- .3160444 .0300356 .2623332 .3807> 296LR+ 12.34813 2.544551 8.245105 18.49> 194DOR 39.07088 8.70083 25.25202 60.45> 602Sp .9431557 .0123616 .9134894 .9630> 599Se .7019209 .029502 .6410901 .7563Summary pt.>> 023s2theta .1750668 .0938807 .0611986 .5008> 701s2alpha .2388279 .1917059 .0495257 1.151> 426beta .5485361 .3866854 1.42 0.156 -.2093534 1.306> 583Theta -.5042014 .3386717 -1.167986 .159> 009Lambda 3.261869 .2776274 2.71773 3.806HSROC>> 676Corr(logits) -.4913658 .3666173 -.9024235 .3879> 996Var(logitSp) .4063271 .2312948 .1331508 1.23> 984Var(logitSe) .1356511 .0833172 .0407018 .4520> 826E(logitSp) 2.808916 .230571 2.357005 3.260> 825E(logitSe) .8564618 .1410043 .5800985 1.132Bivariate>> al]Coef. Std. Err. z P>|z| [95% Conf. Interv>> 10Log likelihood = -67.370744 Number of studies =Meta-analysis of diagnostic accuracyIteration 3: log likelihood = -67.370744Iteration 2: log likelihood = -67.370744Iteration 1: log likelihood = -67.370761Iteration 0: log likelihood = -67.378598Performing gradient-based optimization:Iteration 3: log likelihood = -67.378598Iteration 2: log likelihood = -67.980313Iteration 1: log likelihood = -69.302533Iteration 0: log likelihood = -73.728348 (not concave)Refining starting values:. metandi tp fp fn tn2.绘制SROC曲线.2.4.6.81Sensitivity.2.4.6.81SpecificityStudy estimate Summary pointHSROC curve95% confidenceregion95% predictionregionMeta-disc14表2 Meta-Disc软件的主要功能主要功能说明Describing primary results and exploringheterogeneity描述原始结果和探索异质性●Tabular results ●将结果以表格形式列出●Forest plots(sensitivity,specificity,LRs,dOR) ●以森林图形式显示灵敏度、特异度、似然比和诊断比值比●ROC plane scatter-plots ●ROC平面散状图●Cochran-Q,Chi-Square, Inconsistency index ●判断研究间异质性●Filtering/subgrouping capacities ●亚组分析Exporing Threshold effect 探讨阈值效应●Spearman correlation coefficient ●Spearman相关系数●ROC plane plots ●ROC平面图SROC curve fitting.Area under the curve(AUC) andQ拟合SROC曲线、计算AUC和Q指数Meta-regression analysis 回归分析，探讨异质性来源●Univariate and multivariate Moses andLitteenberg model(weight and unweight) ●（加权或未加权）单变量及多变量MosesLitteenberg模型Statistical polling of indices 合并统计量●Fixed effect model ●固定效应模型●Random effect model ●随机效应模型数据录入Meta分析1.探索阈值效应2.合并效应量、探讨异质性Summary SpecificityStudy | Spe [95% Conf. Iterval.] TP/(TP+FN) TN/(TN+FP)--------------------------------------------------------------------------------------Schneider | 0.927 0.887 - 0.956 35/51 229/247Stieber | 0.960 0.926 - 0.982 41/87 218/227Molina |0.874 0.845 - 0.899 134/175 548/627 Nissan | 0.952 0.898 - 0.982 29/37 119/125 Shibayama | 0.955 0.921 - 0.977 74/114 234/245 Lamy | 0.980 0.929 - 0.998 117/146 97/99 Takada | 0.902 0.856 - 0.938 73/101 203/225 Yamaguchi | 0.987 0.973 - 0.995 80/127 469/475 Sun | 0.909 0.813 - 0.966 25/34 60/66Yang | 0.889 0.800 - 0.948 46/63 72/81--------------------------------------------------------------------------------------Pooled Spe | 0.930 0.920 - 0.940--------------------------------------------------------------------------------------Heterogeneity chi-squared = 77.68 (d.f.= 9) p = 0.000Inconsistency (I-square) = 88.4 %No. studies = 10.Filter OFFAdd 1/2 to all cells of the studies with zero3.绘制森林图4.绘制SROC曲线5.meta回归分析。