诊断性试验Meta分析报告
meta分析论文数据
Meta分析论文数据国内学者将Meta分析也称为荟萃分析、汇总分析或元分析。
狭义的Meta 分析是指对资料进行定量合成的统计处理方法，实质上就是将相同研究目标的多个研究结果汇总并分析评价其合并效应量的一系列过程，即通过综合多个研究结果而提供一个量化的平均效果或联系来回答问题。
Meta分析是由英国教育心理学家Glass于1976年首次正式命名[]，最初应用于教育学、心理学等社会科学领域。
20世纪70年代末，随着医学研究者开始吸收社会和行为科学的某些内容，Meta分析被引入医学领域，医学文献中出现了Meta分析这样的文献类型。
80年代后期Meta分析在解决医学问题上取得了很大进展，有研究发现截止1988年已经有超过110篇医学方面的Meta分析正式发表。
1989年，美国国立医学图书馆的医学主题词表出现了与Meta分析相对应的主题词——Meta-Anal-ysis as Topic,并且在1993年有了“Meta-Analysis”这一出版类型，该词表对其做了如下的阐释：Meta分析这类文献是用定量的方法合并多个独立研究结果、综合这些文献的摘要和结论，目的是评价治疗效果、计划进行新的研究等等；Meta分析常常是临床试验的全面评述，应该与传统的文献综述相区别[a]。
从这个意义上讲，Meta分析应该属于一种系统综述类文献，是用Meta分析的定量方法对资料进行统计学处理所获得的系统综述。
Meta分析具有传统综述的优点，又提供了定量的总结与统计估计，其主要贡献是为某一问题的了解提供了系统、全面、客观的评价。
鉴于Meta分析在循证临床决策中的重要性，目前临床医务工作者开始注重使用并尝试着撰写Meta分析。
但是有研究表明我国Meta分析的方法学质量和报告质量有待提高。
临床上在Meta分析的撰写方面还存在很多的问题，如：文献的查全率不高，没有列出被排除的试验，病人的特征范围、诊断标准和治疗范围不明确，对资料的可合并性的检验较差，对潜在偏倚的控制和检测不足，统计分析不规范，缺少对原始研究的质量评价，未改变方法进行敏感度分析，缺少对发表偏倚的检测，缺少对结果应用价值的评估等。
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。
完结篇：如何解读meta分析结果Meta简明教程（8）
完结篇：如何解读meta分析结果Meta简明教程（8）Meta简明教程目录1. 认识一下meta方法！ | Meta简明教程（1）2. 一文初步学会Meta文献检索| Meta简明教程（2）3. 如何搞定“文献筛选” | Meta简明教程（3）4.Meta分析文献质量评价 | Meta简明教程（4）5.Meta分析数据提取| Meta简明教程（5）6.一文学会revman软件| Meta简明教程（6）7.手把手教你用Stata进行Meta分析 | Meta简明教程（7）Meta简明教程（8）本期是meta简明教程的最后一章，将对meta分析的结果进行解读。
meta分析结果的正确解读，有利于得到准确的结论。
在meta分析结果解读时，要考虑到研究的异质性、采用的模型、选用的效应量、研究样本量、研究偏倚性等，本期将给大家介绍几类数据meta分析的森林图，漏斗图和SROC曲线。
一、二分类数据、生存-时间数据的meta分析结果森林图1.纳入研究个体，一般以作者和发表年份标注2.Meta分析的分组3.合并效应值，RR值、OR值、RD值、HR值，（Meta分析数据提取| Meta简明教程（5））已做介绍，需要根据纳入研究的设计方法，选择合适的效应指标分析4.Meta分析模型，可分为固定效应模型和随机效应模型，根据纳入文献的异质性进行选择5.各研究效应量及合并效应量的95%可信区间6.纳入分析的数据和权重7.异质性检验，p<0.05或I2>50%，认为各研究存在异质性，选用随机效应模型；P>0.05且I2<50%,不能认为各研究存在异质性，选用固定效应模型。
8.合并效应量OR值及可信区间，可信区间包含1，说明不认为两组率存在差异；可信区间不包含1，说明两组率存在差异9.各研究及合并效应量、可信区间，横线或菱形与竖线交叉，说明研究无统计学意义；研究中间方块面积越大，说明在分析中占权重越大二、连续型数据的meta分析结果森林图1.纳入研究个体，一般以作者和发表年份标注2.Meta分析的分组3.合并效应值，WMD、SMD值（Meta分析数据提取| Meta简明教程（5））已做介绍。
诊断性me分析手把教你做临床Me分析诊断试验性MeDisc分析
阴性结果的Meta分析，最关键是能够对为什么会出现该结果进行深刻的讨论，一篇文章写的好不好也体现在讨论部分，体现作者水平的部分，读者也是根据你的讨论来对你的结果有分寸的慎重的来指导临床。讨论部分的切入点可以通过亚组分析的结果来体现。亚组分析能够很好的帮我们找到异质性来源。如果亚组分析结果既有养性又有阴性，那么可以重点讨论导致这两种结果出现的原因是什么。
安装软件
Meta-DiSc 是一个免费的下载软件，登录 ，下载安装软件，目前最新版本是 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；
介绍到这里就结束了，大家赶快去下载软件试一下吧。
诊断性meta分析简单实现(4) 结果的展示和解读
例文结果展示和解读
诊断性meta分析简单实现——第一章?和范文解析
诊断性meta分析简单实现(2)
诊断性meta分析简单实现(3)
当我们做完了上述的统计分析之后，结果需要整理一下,我们看看例文的作者是如何呈现这些结果的！
二.诊断性meta分析亚组分析问题求助
你说的后边的不对,比如排除平均年龄大于80的文献。
这句话是正确的，或者纳入排除研究后的meta分析,排除营养不良率大于60%的文献而亚组分析主要从文献里病例特性来排除,等等
亚组分析主要从文献里分组病例特征分类。
敏感性分析是排除低质量研究后的meta分析。
亚组分析是根据纳入研究的病人特点适当氦孩份绞莓悸逢溪抚娄的进行分层，过多的分层和过少的分层都是不好的
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。
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。
诊断性试验Meta分析
Revman,Stata,Meta-disc在診斷試驗準確性（DTA）系統評價中的應用文獻數據摘自《ProGRP與NSE對小細胞肺癌診斷價值的meta 分析》文中提取數據GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFSun中國------病理105016.3251968915658Yang 中國------病理1444616.346491617237265注：表中 10 個原始研究均使用酶聯免疫吸附測定法檢測陽性界值； TP= 真陽性數； FP= 假陽性數； FN= 假陰性數； TN= 真陰性數a:ProGRP,b: NSERevman5.2新建診斷試驗準確性(DTA)系統評價模板GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF添加所有納入研究GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF此處對每篇文獻QUADAS2質量特征進行描述，以便探討異質性來源及作表圖數據分析里面添加所要研究的待評價診斷試驗GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF可計算相關指標（似然比及診斷比值比和單獨在干預系統評價里面作森林圖）添加分析里面制作SEN和SPE森林圖及SROC曲線，可對數據進行重新制定GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFStudyLamy 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設置參數GAGGAGAGGAFFFFAFAF若用戶對上圖窗口中的統計分析顯示的結果不滿意，可點擊右上角的屬性按鈕); 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。
诊断性试验的Meta分析
3. 诊断性试验meta分析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
摘自progrp不nse对小细胞肺癌诊断价值的meta分析文中提取数据作者国家研究方法金标准病例阳性界值pgmltpfpfntnschneider德国前瞻连续病理29829196353818351613229212stieber德国回顾病理3143831194139444648218183molina西班牙前瞻连续病理802502513411479504161548577nissan以色列前瞻连续病理1624822291819119113shibayama日本连续病理3594975744911104065234235lamy法国回顾病理245531711711029369795takada日本回顾连续病理326338106736322432838203182yamaguchi日本60250818079264748469449sun中国病理100501632519156058yang中国病理144461634640161723726524诊断性试验的meta分析241阈值效应检验242非阈值效应检验243合并各诊断试验评价指标244发表偏倚的识别241阈值效应检验在诊断性试验中可能因为纳入的研究采用丌同的诊断界值而引起异质性在迚行合并时要迚行检测当存在阈值效应时灵敏度和特异度负相关灵敏度和1特异度呈正相关其结果在sroc曲线平面图上呈肩臂状点分布metadisc软件计算
关于meta分析的一点总结
Meta分析的结果实际上是对多个原始研究结果的综合，因此它的结果在推广应用时，应该注意个体对象的特征及生物学或文化变异、干预场所、干预措施及依从性、有无辅助治疗等。不宜推荐没有meta分析证据支持的建议。在无肯定性结论进，应注意区别两种情况，是证据不充分而不能定论，还是有证据表明确实无效。
(1)明确简洁地提出需要解决的问题。
(2)制定检索策略，全面广泛地收集随机对照试验。
(3)确定纳入和排除标准，剔除不符合要求的文献。
(4)各纳入试验的质量评估和特征描述。
(5)资料选择和提取。
明确简洁的提出解决的问题是整个分析的基石，在第（1）条中提出问题后，第（2）、（3）、（4）、（5）条的工作都是在第一条的基础上进行的。检索文献一定要全，包括已发表的或未发表的内部资料，正在发表的资料等，防止由于研究者缺乏信心、语言障碍、工作调动等其他原因造成阴性结果无法发表，而导致其结论没有纳入统计，产生偏倚。
[交流]关于meta分析的一点总结 已有9人参与
前几天看了一篇关于meta分析的日志，感觉受益颇多。我一直以来对这个东西很感兴趣，所以就趁热打铁，抓住几篇文献恶补了一下。现在就自己这几天看到的东西做一下小结，发到空间里，让各位老师同学多提批评意见。
一、 Meta分析的定义
Meta分析属于系统分析。系统分析是指针对某一具体临床问题（如疾病的病因、诊断、治疗、预后），系统、全面地收集现在已发表或未发表的临床研究，采用临床流行病学严格评价文献的原则和方法，筛选出符合质量标准的文献，进行数据合成，得出可靠的综合结论。举个例子说：有专家提出，如果对可能早产的孕妇使用激素，可促进胎儿的肺的发育，降低因肺发育未成熟而导致死亡和呼吸窘迫综合征的发生率。而你查寻了有关资料，发现在有了7个高质量的对照试验，其中5个试验结果为阴性（使用激素后未能减少早产儿的死亡率和呼吸窘迫综合征的发生率），2个试验结果为阳性，你将作何决策呢？科学回答这个问题，就需要对这七篇文献进行系统评价，以助自己的科学决策。
最新 Meta分析(例子较详细)
8
用计算机检索时，常用的医学网站或数据库有
ki.nt、 、Medline、
中国医院数字图书馆、中国学术期刊全文数据库、
中国生物医学文献数据库等
单纯通过计算机检索而获得所需的所有文献是很 困难的，还应补充手工检索、学术会议资料及未 发表的文献等，也不应只依靠一个数据库
2
21
3．齐性检验 H0：各研究效应量的总体均数相等 H1：各研究效应量的总体均数不全相等
kSd 2 Se
2
2
2
2 4 k d Se 2 (1 ) wi 8
4 6 (0.39) Se 1 294 8
2
0.0832
6 0.0544 3.92 0.0832
料类型应选择不同的效应量，如数值变量资料的
效应量可以是两个均数之差、相关系数、回归系
数等；分类变量资料的效应量可以是两个率之差、
两个率的比值比（OR）的对数、两个率的相对危
险度（RR）的对数、SMR等
17
一、两个均数差值的合并
例1为了研究复合降脂胶囊对降血脂的疗效，
将复合降脂胶囊与降脂片进行对照试验，
1．研究重大健康问题
2．临床诊断和治疗方法的选择与评价
3．临床治疗效果评价
４．病因研究中因果联系的强度和特异性
3
５．疾病预防干预措施的评价 ６．疾病防治的成本效益分析、卫生经济学 研究 ７．卫生服务评价
８．卫生决策、卫生管理评价
4
二、Meta分析的特点
1．提高统计检验效能 2．评价各研究结果的不一致或矛盾 3．发现单个研究的不足
n2i X 2i
13 50 25 20 8 30
S2i
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。
【医学课件】Meta分析
2023-11-11
目 录
• meta分析简介 • meta分析方法与步骤 • meta分析的常见类型 • meta分析的局限性及解决措施 • meta分析的实践应用与案例分享
01
meta分析简介
定义与概念
定义
Meta分析是对先前研究结果进行统计合并、评价和分析的方法，旨在提供更准确、全面的医学结论 。
THANKS
感谢观看
确定研究人群
根据研究问题，确定研究人群，如疾病类型、年龄、 性别等。
确定比较措施
根据研究问题，确定比较措施，如药物治疗与安慰剂 对照、手术治疗与非手术治疗等。
检索相关文献
制定检索策略
根据研究问题，制定相应的检索策略，包括关 键词、检索范围等。
检索数据库
根据制定的检索策略，在相关数据库中检索相 关文献。
总结词
详细描述
解决方法
研究质量和偏倚风险是meta分析中 需要考虑的重要因素。
在meta分析中，纳入的研究质量参 差不齐，这可能会对结果的稳定性和 可靠性产生影响。此外，偏倚风险也 是需要考虑的因素，例如选择偏倚、 信息偏倚等。
为了控制研究质量和偏倚风险，研究 者应采用严格的标准来筛选和评估纳 入的研究。同时，应采用适当的统计 学方法和敏感性分析来评估结果的可 靠性和稳定性。此外，应尽可能获取 和记录原始数据，以便进行更深入的 分析和解释。
04
meta分析的局限性及解决措施
发表偏倚及其控制方法
总结词
发表偏倚是meta分析中最常见的局限性之一。
详细描述
发表偏倚指的是在meta分析中，研究者可能只纳入了已发表的研究结果，而未包括未发表的研究或负面结果。这可能导致结果偏向于阳性结果和有统计学意 义的研究，而忽略了阴性结果或无统计学意义的研究。
Stata软件在诊断性研究的meta分析中的命令
Stata软件在诊断性研究的meta分析中的命令在诊断性研究的meta分析中可以计算合并阳性似然比、合并阴性似然比、诊断OR值、ROC值、SROC曲线、HSROC-bivariate meta-analysis等。
Stata进行诊断研究meta分析时的起始命令：*Variable codes: tp=true positives; fp=false positives; tn=true negatives;fn=false negatives*add .5 to all zero cellsgen zero=0replace zero=1 if tp==0|fp==0|fn==0|tn==0replace tp=tp+.5 if zero==1replace fp=fp+.5 if zero==1replace fn=fn+.5 if zero==1replace tn=tn+.5 if zero==1gen tpr= tp/(tp+fn)gen fpr=fp/(fp+tn)gen logittpr=ln(tp/fn)gen logitfpr=ln(fp/tn)gr7 tpr fpr, s(O) noaxis ysize(6) xsize(6) xline(0(.1)1) yline(0(.1)1) tlab(0(.1)1) xlab(0(.1)1) ylab(0(.1)1) t1(1-Specificity) l1(Sensitivity) b2(1-Specificity) b1(ROC Plot of Sensitivity vs Specificity)gr7 logittpr logitfprspearman logittpr logitfpr1.1 合并阳性似然比命令：metan tp fn fp tn, rr random nowt sortby(author) xlab(.01,1,100) label(namevar=author, yearvar=pubyear) t1(Summary LR+, Random Effects)2.2 合并阴性似然比命令：metan fn tp tn fp, rr random nowt sortby(author) xlab(.01,1,100) label(namevar=author, yearvar=pubyear) t1(Summary LR-, Random Effects)2.3 合并诊断OR值命令：metan tp fn fp tn, or random nowt sortby(author) xlab(.01,1,100) label(namevar=author, yearvar=pubyear) t1(Summary Diagnostic Odds Ratio, Random Effects)2.4 ROC值命令：gr7 tpr fpr, s(O) noaxis ysize(6) xsize(6) xline(0(.1)1) yline(0(.1)1) tlab(0(.1)1) xlab(0(.1)1) ylab(0(.1)1) t1(1-Specificity) l1(Sensitivity) b2(1-Specificity) b1(ROC Plot of Sensitivity vs Specificity)2.5 SROC曲线命令：gen sum= logittpr+ logitfprgen diff= logittpr- logitfprregress diff sumpredict yhatgr7 diff yhat sum, ylab(3,4,5,6,7,8) xlab(-4,-3,-2,-1,0,1,2) c(.l) s(oi)gen tse=1/(1+(1/(exp(_cons/1-_b)*(fpr/spec)^1+_b/1-_b)))(constant and b are derived from the above regression model)*plot SROC curve (generic)gr7 se tse fpr, ysize(6) xsize(6) noaxis xline(0(.1)1) yline(0(.1)1) tlab(0(.1)1) xlab(0(.1)1)ylab(0(.1)1) s(Oi) c(.s) l1(Sensitivity) b2(1-Specificity) ti(Summary ROC Curve) key1(" ")key2(" ")2.6 HSROC-bivariate meta-analysis命令：metandi tp fp fn tn, plot （基于SROC命令）2.7 发表偏倚命令：gen or=(tp*tn)/(fp*fn)gen lnor=ln(or)gen selnor=(1/tp)+(1/fp)+(1/fn)+(1/tn)*Begg and Egger test for publication bias with Begg's funnel plot: metabias lnor selnor, graph(begg)*Begg and Egger tests for subgroups (eg. Covariate=1)metabias lnor selnor if covariate==1, graph(begg)。
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。
Meta分析(例子较详细)
目的、意义、现状、内容、方法、资料来源与分
析、结果解释、报告撰写等
7
第三节 Meta分析的基本步骤
三、文献检索
检索时必须查全、查准，最好能找到所有相关文 献（包括未发表的），以减少发表偏倚对结论的 影响，这是十分重要的环节 从立题入手确定检索词，制定检索策略和检索范围
24
二、两个率差值的合并
例2 5项临床试验研究雷尼替丁治疗消化性溃疡的
疗效，对照药物为西咪替丁，研究结果及Meta分
析结果见表2。
25
表2
研究 编号 1 2 3 4 5 合计
雷尼替丁治疗消化性溃疡疗效的Meta分析
试验组
对照组
n1i m p1i 1i
7 36 62 32 53 7 30 54 25 43 1.0000 0.8333 0.8710 0.7813 0.8113
20
2．计算效应量的加权均数（ d ）和 d i 的方差估计 值（ Sd 2 ）
wi di d wi
2 2 w ( d d ) w d Sd 2 i i i i d2 wi wi
114.18 d 0.39 294
60.72 Sd (0.39)2 0.0544 294
29
总体合并效应量95%的可信区间为：
d 1.96Sd 0.1313 1.96 0.0019 0.0459 ~ 0.2167 4.59% ~ 21.67%
其可信区间不包括0，可以认为雷尼替丁治疗消化性溃疡的疗 效高于西咪替丁，前者比后者的溃疡愈合率至少提高了 4.59%，最多可提高21.67%，平均约提高13.13%
2
本例， 6 1 5, 2 20.05,5 11.07, P 0.05 不拒绝H0，应采 用固定效应模型估计效应量合并值的 可信区间。
Meta分析系列之八_Meta分析的报告规范
合成结果 研究间偏倚 补充分析 讨论 证据总结
局限性 结论 资金支持 资金
编号 要 求
表1 PRISMA声明清单
1 能鉴定出是否为系统评价，Meta分析，抑或两者皆是
2 提供结构化摘要，按照实际情况包含以下部分：背景、目的、资料来源、纳入标准、研究人群、干预措 施、质量评价方法和合并方法、结果、限制、结论和对主要结果的分析、系统评价注册号
一步开展临床试验做出很好的评估[13]。2006年，英国莱特 斯大学Peters等[14]对103篇动物实验的系统评价与Meta分析进 行的系统评价发现这103篇系统评价与Meta分析报告的质量 普遍不高。因此，他们借鉴QUOROM[3]及MOOSE[6]的条目， 设计出了动物实验的Meta分析报告规范 ， [14] 内容包括6个 部分，共17个条目（详见《A systematic review of systematic reviews and meta-analyses of animal experiments with guidelines for reporting》文中表1）。
25 探讨研究层面和结局层面的局限性（如偏倚的风险）和系统评价的局限性（如检索不全面、报告偏倚）
26 联合其他证据解释结果，给出对未来研究的启示 27 描述本系统评价的资金来源和其他支持（如提供数据），以及资金提供者在完成系统评价中所扮演的角色
性研究Meta分析方法学组于2000年提出的用于提高观察性研 究Meta分析质量的报告规范[6]。MOOSE声明要求观察性研究 报告的内容包括6个部分，共35个条目（表2）。
5 STARLITE声明
meta 分析
进行Meta分析时应遵循以下原则： 1、纳入Meta分析的多个研究的原始数据（如果有的话） 应保持分开状态。Meta分析整合的是多个研究的分析结 果，而不是其原始数据。那种合并原始数据后再进行分 析的做法是错误的。 2、纳入Meta分析的多个研究之间也许在某些方面（病 人特征、结果变量等）存在差异，但在大体上应该是类 似的。 3、纳入Meta分析的多个研究最好是采用了随机化分组 和适当盲法的试验（随机对照试验）。对偏离研究方案 的处理，最好是采用了Intention-to-treat原则的研究。 4、应尽可能地利用所有相关的、可以应用的研究的数 据。
Meta分析介绍
如何综合收集到的证据帮助你决策
循证医学Evidence Based Medicine
指临床医生对病人的诊治应基于科学证据。任何 决策需建立在当前最佳证据的基础上。 强调临床医生应在仔细采集病史和体格检查的基 础上，根据临床实践中急需解决的问题，进行有 效的文献检索，并对其进行评价，找到最适宜和 最有力的证据，通过严谨的判断，将最适宜的诊 断方法、最精确的预后估计及最有效的治疗方法 用于对每个具体病人的服务。 传统医学与循证医学的差异
bh c h
其取对数尺度时的标准误为：SE ln(ORh ) =
[
]
1 1 1 1 + + + a h bh c h d h
a h n1h 第h个研究的相对危险度的计算公式为：RRh = c h n2 h
其取对数尺度时的标准误为： [ln (RRh )] = SE
1 1 1 1 + − − a h ch n1h n2 h
1 2 h H
观察到的治疗效果的估计与真值θ 的差异仅仅是由于抽样误差造成的。 随机效应方法假设个别研究的治疗效果（真值）是不同的，它们围绕 综合治疗效果θ上下波动。一般的，假设个别治疗效果θh服从均数为θ 方差为τ2的正态分布，即： 对于固定效应方法，其同质性假定是需要进行检验的。该检验称为同 质性检验。本质上，同质性检验即检验是否τ2=0。这反映了固定效应 方法和随机效应方法之间的联系。 τ2值越小，由固定效应方法得到的 结果与由随机效应方法得到的结果越接近。
meta分析总结
met a分析总结篇一：m et a分析资源大总结经过一段时间对me ta的分析和了解，自己虽算不上精通m et a分析，但自己还是觉得自己对me ta分析产生了一定的兴趣！现在将我获得的各种资源汇总如下！与大家一起分享，一起进步！（一）m et a分析的选题原则首先，选定的题目要有争议性！如果关于某项研究，大家的结论都是一致的，那没有再做me ta分析的必要了！其次，选定的题目要有原始文献作支撑！俗话说，巧妇难为无米之脆！m et a分析质量的好坏，关键还是取决于有无高质量的原始研究作为强大的后盾力量！再者，所选题目要具有创新！创新是论文是否发表的很重要的决定性因素！me ta分析不像其他原始研究~我在美国做可能是A结果，我在中国做可能就是B结果！这两个研究是不同的因为研究的地域、人群等不同！但me ta分析是针对目前所有发表或者未发表的研究报告进行二次研究！我理解的创新就是要在前人的工作基础上，结合自己的体会和阅读文献的感悟，提出一个合理，科学的问题！最后，所选题目要有意义！所有科学研究的终极目标是促进人类更好的发展！对于m et a分析（无论是干预性研究的m et a或者是诊断性试验的me ta，e tc），必须明确你的研究目的是什么？！这样做有什么意义！！（二）me ta分析的经典之作~唐茂芝、董佳毅八篇S R（声明：这八篇SR著作权属原作者所有！这里仅仅是分享而已，不带有任何其他目的！）我刚开始学习me ta分析的时候，我导师就要求我们先看一下这八篇S R！最初看的有点吃力！但是后面慢慢就习惯了！下面是这八篇SR，与大家分享一下！（三）关于me ta分析理论入门的P PT（特别适用于刚入门的战友们！！）下面是我刚接触me ta是看的P P他，也一并传上来，给初学m et a的战友们打气加油！！（四）me ta分析的证据分级和检索策略众所周知，不同原始文献的证据级别是不一样的！小弟整理了目前有关分级的标准！传上来与大家一起学习！另外，我也把三大数据库的检索使用方法一并传上来！（这些资料均来自互联网！版权属原作者所有！发帖者仅为交流学习之用，无其他意图！）（五）m et a分析的圭臬毫无疑问，要做好m et a分析，Cc hr an eHa nb K是每个人必读的经典之作！下面我把5.0和5.1都上传上来！另外，还上创一个介绍m et a分析的英文文献！（六）关于me ta研究论文的写作指导一片好的me ta分析，无论是文章结构还是语言表达，都十分完美！！那有没有一个me ta分析写作的固定模版呢！？答案是肯定的！下面我上传SR写作的模版和报告规范！！呵呵，暂时就整理出这些啦！！本来是想把En dn te和S ta ta 一起传上来的，但是这两个文件有点大！所以各位战友如有需要，在园子里搜索一下吧！！谢谢大家了！！上面有什么不对的，请大家不吝赐教哈！！我们一起学习，一起进步！！祝大家国庆节快乐！！篇二：循证医学-me ta分析入门总结一、选题和立题（一）形成需要解决的临床问题：系统评价可以解决下列临床问题:1.病因学和危险因素研究;2.治疗手段的有效性研究;3.诊断方法评价;4.预后估计;5.病人费用和效益分析等。
META分析
第一节定义Meta分析，又称“荟萃分析”，“元分析”、“综合分析”，也有人翻译为“分析的分析”、“资料的再分析”等。
Meta分析可简单归纳为定量的系统评价。
Glass把Meta分析定义为“以综合现有的发现为目的，对单个研究结果的集合的统计分析方法”。
Meta分析解释如：对具有共同研究目的相互独立的多个研究结果给予定量分析，合并分析，剖析研究间差异特征，综合评价研究结果。
英国心理学家G1ass认为Meta分析是为达到统一研究目的，对收集到的多个研究进行的综合统计分析，是数据收集和相关信息处理的一系列统计原则和过程，而不是一个简单的方法。
Finney则把对不同来源科学技术信息的定量化汇总分析，统称为Meta分析。
Meta分析是汇总多个研究的结果并分析评价其合并效应量的一系列过程，包括提出研究问题、制定纳入和排除标准、检索相关研究、汇总基本信息、综合分析并报告结果等。
G1ass最早在教育学研究中使用了Meta分析。
二十世纪八十年代中期开始被引入到临床随机对照试验以及观察性的流行病学研究中。
在过去的15年内，有大约几百篇有关Meta分析的文章出现在医学杂志上。
Meta分析结果能够帮助解决重要的公共健康问题或使个体直接受益，同时能作为可靠的证据指导临床实践及卫生决策的科学化。
Meta分析可以用于分析危险因素较弱，但为公众所关心的重要健康问题(如被动吸烟与肺癌、低剂量辐射与白血病、避孕药与乳腺癌等)；可以得到危险因素定量化的综合效应(如标准化死亡比、相对危险比)；还可用于较复杂的剂量反应关系研究及诊断试验研究的综合分析。
第二节Meta分析能解决的问题一、放大统计功效在临床研究中，如果样本量小，则结果受偶然因素的影响就大，且难以明确肯定或排除某些相对较弱的药物作用，而这些作用对临床来说可能又是重要的。
如果要从统计学上来肯定或排除这些作用，研究所需要的样本量可能较大。
Meta分析通过整合大量的临床研究报告，增加了样本量，增加了结论的统计功效。
- 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 2000 Molina 2009 Nissan 2009 Schneider 2003 Shibayama 2001 Stieber 1999Sun 2005 Takada 1996 Yamaguchi 1995 Yang 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 2009 Nissan 2009 Schneider 2003 Shibayama 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 1996 Yamaguchi 1995 Yang 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)00.20.40.60.81QUADAS-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 Model SUMMARY 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 20050.81.0SPECIFICITY3. 绘制 ROC 曲线图：0.00.51.0S e n s i t i v i t y0.00.51.0SpecificityObserved DataSummary Operating Point SENS = 0.70 [0.64 - 0.76]SPEC = 0.94 [0.91 - 0.96]SROC CurveAUC = 0.89 [0.86 - 0.92]95% Confidence Ellipse 95% Prediction EllipseSROC with Confidence and Predictive Ellipses4. 绘制漏斗图， 识别发表偏倚:STATISTICAL TESTS FOR SMALL STUDY EFFECTS/PUBLICATIONBIAS> 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>11010010000.040.060.080.100.121/root(ESS)Study Regression LineLog 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：7.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 Ratio 0.10.20.30.50.712357102030405060708090939597989999.399.599.799.899.9P 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. metandi tp fp fn tnRefining starting values:Iteration 0: log likelihood = -73.728348 (not concave)Iteration 1: log likelihood = -69.302533Iteration 2: log likelihood = -67.980313Iteration 3: log likelihood = -67.378598Performing gradient-based optimization:Iteration 0: log likelihood = -67.378598Iteration 1: log likelihood = -67.370761Iteration 2: log likelihood = -67.370744Iteration 3: log likelihood = -67.370744Meta-analysis of diagnostic accuracyLog likelihood = -67.370744 Number of studies = > 10>Coef. Std. Err. z P>|z| [95% Conf. Interv > al]>BivariateE(logitSe) .8564618 .1410043 .5800985 1.132 > 825E(logitSp) 2.808916 .230571 2.357005 3.260 > 826Var(logitSe) .1356511 .0833172 .0407018 .4520 > 984Var(logitSp) .4063271 .2312948 .1331508 1.23 > 996Corr(logits) -.4913658 .3666173 -.9024235 .3879 > 676>HSROCLambda 3.261869 .2776274 2.71773 3.806 > 009Theta -.5042014 .3386717 -1.167986 .159 > 583beta .5485361 .3866854 1.42 0.156 -.2093534 1.306 > 426s2alpha .2388279 .1917059 .0495257 1.151 > 701s2theta .1750668 .0938807 .0611986 .5008 > 023>Summary pt.Se .7019209 .029502 .6410901 .7563 > 599Sp .9431557 .0123616 .9134894 .9630 > 602DOR 39.07088 8.70083 25.25202 60.45 > 194LR+ 12.34813 2.544551 8.245105 18.49 > 296LR- .3160444 .0300356 .2623332 .3807 > 5261/LR- 3.164112 .3007045 2.626377 3.811 > 945>Covariance between estimates of E(logitSe) & E(logitSp) -.01172642.绘制SROC曲线S e n s i t i v it yMeta-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●Forestplots(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)and Q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 - 0.899 134/175 548/627Nissan | 0.952 0.898 - 0.982 29/37 119/1253.绘制森林图4.绘制SROC曲线5.meta回归分析。