危险因素的病例对照meta分析stata程序
Meta分析的步骤与实例分析2014-07-25
1. 将原始研究中可用的资料提取出来，以免混乱，便于集中分析； 2. 在提取过程中，对资料进行质量分析和评价； 3. 将原始资料条理化，便于 Meta 分析作者对文献中的具体工作进行评价， 以评估系统评价的准确性；
4. 多个Meta分析作者应对质量分析的一致性进行自测；
5. 根据立题时的目标设计制定详细的资料录入表格。
Meta分析的文献检索
收集文献：中文文摘数据库(首都医科大学)
Meta分析的文献检索
收集文献：循证医学数据库(首都医科大学)
Meta分析的文献检索
文献检索：是一门专业，可在研究生阶段选修相关课程，以及参加培训课程
Meta分析的文献检索
收集文献：药物临床试验数据库，信息量大，更新迅速
Meta分析的文献检索
Meta分析的文献检索后的纳入
为使用当前最佳证据而检索：充分检索
如对治疗证据进行检索，一般： 首选Cochrane Library（CDSR） 不满意 DARE， ACP Journal Club，EBM指南, Bandolier等 仍不满意
MDELINE，EMBASE，CBMdisc等
还不满意 指南、专业杂志、会议录数据库等
6. 亚组结果Outcomes：亚组人群中多少例罹患食管癌、多少未罹患
7. 列出原始研究的所有测量指标，也可能是最后舍弃的（本研究中食管腺
癌资料最终从表格中被舍弃）
Meta分析的数据提取---实例
Meta分析的数据提取
影响数据提取的因素：资料不全
1. 对每篇进入分析的文章主要内容进行描述，如治疗方法的可比性、病人 特点、疾病程度、并发症、取材手段、检测方法等；
收集文献：注意事项
1. 全面性的概念以及不同层面的概念，例如地域、领域、方法等；
“meta分析”文件汇总
“meta分析”文件汇总目录一、心脏外科术后患者发生谵妄危险因素的Meta分析二、老年共病患者衰弱患病率的Meta分析三、网状Meta分析中敏感性分析和一致性分析在R软件中的实现四、针刺治疗脊髓损伤后神经源性膀胱随机对照试验Meta分析五、中国大学生自杀意念检出率的Meta分析六、正念减压疗法对乳腺癌患者干预效果的Meta分析心脏外科术后患者发生谵妄危险因素的Meta分析本文旨在探讨心脏外科术后患者发生谵妄危险因素的影响，通过Meta 分析的方法对相关研究进行深入剖析。
关键词：谵妄、危险因素、Meta 分析。
心脏外科术后患者发生谵妄的问题一直是临床的重点。
谵妄是一种急性精神障碍，常发生在术后患者中，对患者的生活质量和预后产生严重影响。
因此，探究心脏外科术后患者发生谵妄的危险因素具有重要意义。
Meta分析是一种通过整合和分析多个研究，以获得更具代表性的结论的方法，对于本问题的研究具有必要性。
在过去的研究中，诸多危险因素被报道与心脏外科术后患者发生谵妄有关。
这些因素包括高龄、男性、白种人、慢性疾病、冠状动脉疾病、体外循环、术后低血压、高血压、贫血、术前镇静剂使用等。
然而，这些因素间的相互作用及其对谵妄发生的独立影响仍不清楚。
本文采用Meta分析的方法，对心脏外科术后患者发生谵妄的危险因素进行研究。
通过检索电子数据库，收集相关研究，筛选符合纳入标准的文献。
利用RevMan软件进行数据分析，计算各因素的合并效应值和95%置信区间。
本次Meta分析共纳入21项研究，包括17项观察性和4项随机对照试验。
结果显示，心脏外科术后患者发生谵妄的总发生率为4%。
根据合并效应值及其95%置信区间，我们发现以下因素与谵妄的发生显著相关：高龄（OR=65，95%CI=29-86）、男性（OR=51，95%CI=04-18）、慢性疾病（OR=86，95%CI=92-28）、冠状动脉疾病（OR=10，95%CI=38-19）、体外循环（OR=70，95%CI=10-64）、术后低血压（OR=34，95%CI=54-88）、高血压（OR=60，95%CI=04-44）和贫血（OR=93，95%CI=04-57）。
Stata在meta分析中的应用
1 定量资料两组比较的meta分析2 定性资料两组比较的meta分析实例：分类资料的meta分析为了探讨用Aspirin预防心肌梗塞(myocardial infarction，MI)后死亡的发生。
美国在1976——1988年问进行了7个关于Aspirin预防MI后死亡的研究，详细结果见表1，其中6项研究的结果表明Aspirin组及安慰剂组的MI后死亡率的差别无统计学意义。
只有1项结果表明Aspirin预防MI后死亡有效并且差别有统计学意义。
现根据表1提供的结果进行meta分析表1 Aspirin预防心肌梗塞死亡的临床试验结果研究发表年份Aspirin组安慰剂组总例数死亡例数总例数死亡例数MRC-119746154962467 CDP19767584477164 MRC-21979832102850126 GASP19793173230938 PARIS198AMIS1987219 ISIS-2198885870操作步骤1 把数据输入stata软件2 变量的解释Study 纳入的研究Year 年份Death1 Aspirin组的死亡人数Live1 Aspirin组的存活人数Death2 安慰剂组的死亡人数Live2 安慰剂组的死亡人数3 进行meta分析metan death1 live1 dead2 live2, or label(namevar=study, yearvar=year)结果：以上结果分成两部分(1)meta分析的合并统计量合并OR值OR=0.897,95%的可信区间(0.841,0.957)(2)给出异质性检验的结果只要异质性检验的P值不小于0.10(或者I-squared小于50%)就可以认为不存在异质性，可以用应固定效应模型(stata默认的情况)。
如果质性检验的P值小于等于0.10(或者I-squared大于50%)，则不同的组间存在异质性，应该应用随机效应模型随机效应模型的命令如下：metan death1 live1 dead2 live2, or label(namevar=study, yearvar=year) random在运行meta分析命令的同时stata输出森林图，如下：由输出的合并结果和漏斗图可以得出，合并的OR值为0.90,95%可信区间为(0.84，0.96)4 发表偏倚的检验，命令如下：(1) gen logor=log(_ES)(2)gen selogor=_selogES(3)metabias logor selogor,graph(begg)输出结果如下：发表偏倚主要看begg检验的结果，由上图可以看到发表偏倚假设检验的z值为1.20，p值为0.230>0.05，可以认为没有发表偏倚。
Meta分析的步骤(完整版)
Meta分析的完整步骤Meta分析的完整步骤，根据个人的体会，结合战友的经验总结而成，meta的精髓就是对文献的二次加工和定量合成，所以这个总结也算是对战友经验的meta分析吧。
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。
进行系统评价的最初阶段就应对要解决的问题进行精确描述,包括人群类型(疾病确切分型、分期) 、治疗手段或暴露因素的种类、预期结果等,合理选择进行评价的指标。
（二）指标的选择直接影响文献检索的准确性和敏感性，关系到制定检索策略。
（三）制定纳入排除标准。
二、文献检索（一）检索策略的制定这是关键，要求查全和查准。
推荐Mesh联合free word检索。
（二）文献检索，获取摘要和全文国内的有维普全文VIP，CNKI，万方数据库，外文的有medline ,SD，OVID等。
（三）文献管理强烈推荐使用endnote，procite，noteexpress等文献管理软件进行检索和管理文献。
查找文献全文的途径：在这里，讲一下找文献的过程，以请后来的战友们参考（不包括网上有电子全文的）：1.查找免费全文：（1）在pubmed center中看有无免费全文。
有的时候虽然没有显示free full text，但是点击进去看全文链接也有提供免费全文的。
我就碰到几次。
（2）在google中搜一下。
少数情况下，NCBI没有提供全文的，google有可能会找到，使用“学术搜索”。
本人虽然没能在google中找到一篇所需的文献，但发现了一篇非常重要的综述，里面包含了所有我需要的文献（当然不是数据），但起码提供了一个信息，所需要的文献也就这么多了，因为老外的综述也只包含了这么多的内容。
这样，到底找多少文献，找什么文献，心里就更有底了。
（3）免费医学全文杂志网站。
提供很过超过收费期的免费全文。
stata软件meta分析操作详细攻略
2020/3/5
21
4. 1 亚组分析
按照用药方式 分为两个亚组
*
4. 1 亚组分析菜单命令
输入亚组命令 *
4. 1 亚组分析森林图
不同亚组的异 质性
总的异质性
*
4. 2 meta回归菜单操作
因变量 协变量
标准误 ReML法
*
4. 2 meta回归结果
*
P值大于0.05，提示发 表年限与研究间异质性 无关。
发表偏倚的检验方法：漏斗图法、Begg和Egger法、 剪补法和失安全系数法。
*
5.1 漏斗图法检测发表偏倚
只能定性的识别发 表偏倚。
*
5.2 Begg法检测发表偏倚（二分类）
方法选择 *
5.2 Begg法结果输出
*
调整统计量Z值及 P值。
5.2 Begg法漏斗图
Begg's funnel plot with pseudo 95% confidence limits 4
读书报告
Stata软件在Meta分析中的运用
2020/3/5
1
目录
1 Stata软件简介 2 Stata中二分类资料的Meta分析 3 Stata中连续性资料的Meta分析 4 异质性的处理 5 发表偏倚检验
*
1 第一部分
Stata软件简介
2020/3/5
3
3
1.1 stata软件简介
Stata是一个功能强大而又小巧玲珑的统计分析软 件,最初由美国计算机资源中心(Computer Resource Center)研制,现为Stata公司的产品。从1985年1.0 版 问世以来,通过不断的更新和扩充,软件功能已日趋完善。
手把手教你用Stata进行Meta分析Meta简明教程（7）
手把手教你用Stata进行Meta分析Meta简明教程（7）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）Meta简明教程（7）上一期介绍了Revman 软件对二分类数据、连续型数据、诊断性试验数据、生存-时间数据进行meta分析，本期将利用Stata对以上数据进行meta分析。
大家可以到本公众号下载Stata软件（重磅推荐：分类最全的统计分析相关软件，了解一下？请关注、收藏以备用）Stata12.0 界面一、二分类数据分析数据形式例：研究阿司匹林（aspirin）预防心肌梗死（MI）7个临床随机对照试验，观察死亡率，数据提取如下：操作步骤1.构建数据1)启动Stata 12.0 软件后，可以直接点击工具栏中DataEditor (edit)按钮。
也可在在菜单栏中点击Data→Data Editor→ DataEditor (edit)，出现以下界面。
2）点击变量名位置，依次输入研究名称（research），阿司匹林组死亡数(a)，阿司匹林组存活数(b)，安慰剂组死亡数(c)，安慰剂组存活数(d)3）录入数据：在变量值区域输入数据2. 数据分析1）导入meta模块：在Command窗口中进行编程，首先需要在Stata中安装meta 模块:在Command窗口输入“ssc install metan”，选中点回车。
结果窗口中出现下面的结果，说明已经安装了meta模块。
2）输入meta分析代码：在Command窗口输入“Command窗口输入“metan a b c d, or fixed”,点回车，完成结果分析。
stata软件meta分析操作详细攻略报告
试验组 样本数
试验组 均数
试验组 标准差
对照组 样本数
对照组 均数
对照组 标准差
作者
发表年份
2021/3/7
CHENLI
13
*
2.3 metan菜单命令
计数资料 连续性资料
效应量
效应量的标 准误
研究标签
命令输入
年份标签
亚组分析
按某种顺序排 列
2021/3/7
CHENLI
14
*
2.3 metan菜单命令
202Байду номын сангаас/3/7
*
调整统计量Z值及 P值。
CHENLI
33
logor
5.2 Begg法漏斗图
Begg's funnel plot with pseudo 95% confidence limits 4
2
0
-2 0
2021/3/7
*
.5
1
s.e. of: logor
CHENLI
1.5
34
5.3 Begg法检测发表偏倚（连续性）
2021/3/7
CHENLI
4
*
1.1 stata软件简介
相对RevMan而言,Stata的Meta分析功能更全面和强 大,该软件除了可以完成二分类变量和连续性变量的Meta 分析,也可以进行Meta回归分析、 累积Meta分析、单个 研究影响分析、诊断试验的Meta分析、剂量反应关系 Meta分析、生存分析资料合并等几乎所有Meta分析方法。
连续性资料的不 用取对数
图形显示依据 权重大小
2021/3/7
CHENLI
35
*
使用stata进行meta分析的详细具体过程和方法
使用stata进行meta分析的详细具体过程和方法meta, stata最近使用stata 8进行meta分析，之前已经使用refman 5进行了初步处理，但是refman 的漏斗图只能粗略看是否对称，无法定量，据说stata可以进行发表性偏倚定量评价，所以自己摸索stata中的meta分析方法，在DXY中学习了不少战友的帖子（zhangdog战友），都感觉不是很系统，有的还有些问题。
结合自己的体会，写个详细的总结，希望对像我一样的初学者有所帮助，尤其对很多非统计学专业的人员有用，当然我也不是统计学专业的，问题再所难免，共同学习，还望战友指点。
1.stata的安装，建议下载8.0的版本，有战友反映9.0和10.0的版本好象有些问题，反正基本功能有了，meta分析的菜单在8.0以后版本都有了，所以不必追求最新的。
我是在上下载的。
baidu，google上都能找到。
2.原始数据的录入，这是应用stata进行分析的基础。
（1）命令窗口输入：Input no study event1 total1 event0 total0: |( g; m- [2 `; b3 `（分别表示纳入研究序号，名称，暴露组或处理组例数，总例数，对照组例数，对照组总例数，因为我是用refman中导出数据，这后4项可以直接输出），作用是产生变量。
然后可以逐行输入数据，以end命令结束，我建议初学者跳到下面的输入更简单。
* s# ?- w; d: B6 v$ L- j（2）点Data——Data editor（或ctrl＋7快捷键），可以直接录入数据，可以直接复制，粘贴数据。
输完后点击preserve保存退出Data editor 窗口。
6 z7 T5 M3 H5 ~%第一步（1）也可以省略，进入第二步后，先输入数据，然后双击自动产生的变量var1,var2....进行变量名称的修改，个人感觉这样快捷。
1 Deng SL 2004 31 114 8 100* Z4 U' m+ R$ i4 i8 V( P&2 Ding HF 2006 19 25 5 8^3 h2 l* t6 W9 ?" \$ _" o- S3 Fang ZL 2002 35 36 20 35+ C& ?* ^) Q3 y! l R, F' F14 Ito K 2006 36 40 31 40@5 ?* E& [!5 Kao JH 2003 81 127 4 35m/ y4 w2 R. y: h4 ~5 a6 Yuen MF 2004 60 66 101 1351 V3 [0 M& Y4 ~. B. x- a. B% l*完毕在命令窗输入list命令查看数据。
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)。
[转载]诊断性实验META分析在STATA中的实现过程（转）
![[转载]诊断性实验META分析在STATA中的实现过程（转）](https://img.taocdn.com/s3/m/10fa105fe418964bcf84b9d528ea81c758f52e7b.png)
[转载]诊断性实验META分析在STATA中的实现过程（转）原⽂地址：诊断性实验META分析在STATA中的实现过程（转）作者：数据统计服务中⼼⼀、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、对数据结构的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分析与结果解读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。
Stata软件实现meta分析
Both the output and the graph show that there is a clear effect of streptokinase in protecting against death following myocardial infarction. The meta-analysis is dominated by the large GISSI-12and ISIS-23trials which contribute 76·2% of the weight in this analysis. If required, the text showing the weights or treatment effects may be omitted from the graph (options nowt and nostats, respectively). The metan command will perform all the commonly used fixed effects (inverse variance method, Mantel–Haenszel method and Peto’s method) and random effects (DerSimonian and Laird) analyses. These methods are described in Chapter 15. Commands labbe to draw L’Abbé plots (see Chapters 8 and 10) and funnel to draw funnel plots (see Chapter 11) are also included. 352Note that meta performs both fixed and random effects analyses by default and the tabular output includes the weights from both analyses. It is clear that the smaller studies are given relatively more weight in the random effects analysis than with the fixed effect model. Because the meta command requires only the estimated treatment effect and its standard error, it will be particularly useful in meta-analyses of studies in which the treatment effect is not derived from the standard 2 ×2 table. Examples might include crossover trials, or survival trials, when the treatment effect might be measured by the hazard ratio derived from Cox regression. Example 2: intravenous magnesium in acute myocardial infarction The following table gives data from 16 randomised controlled trials of intravenous magnesium in the prevention of death following myocardial infarction. These trials are a well-known example where the results of a meta-analysis8were contradicted by a single large trial (ISIS-4)9–11(see also Chapters 3 and 11).355Dealing with zero cellsWhen one arm of a study contains no events – or, equally, all events – we have what is termed a “zero cell” in the 2 ×2 table. Zero cells create problems in the computation of ratio measures of treatment effect, and the standard error of either difference or ratio measures. For trial number 8 (Bertschart), there were no deaths in the intervention group, so that the estimated odds ratio is zero and the standard error cannot be estimated. A common way to deal with this problem is to add 0·5 to each cell of the 2 ×2 table for the trial. If there are no events in either the intervention or control arms of the trial, however, then any measure of effect summarised as a ratio is undefined, and unless the absolute (risk difference) scale is used instead, the trial has to be discarded from the meta-analysis.The metan command deals with the problem automatically, by adding 0·5 to all cells of the 2 ×2 table before analysis. For the commands which require summary statistics to be calculated (meta,metacum,metainf, metabias and metareg) it is necessary to do this, and to drop trials with no events or in which all subjects experienced events, before calculating the treatment effect and standard error.To drop trials with no events or all events:drop if dead1==0&dead0==0drop if dead1==tot1&dead0==tot0357By the late 1970s, there was clear evidence that streptokinase prevented death following myocardial infarction. However it was not used routinely until the late 1980s, when the results of the large GISSI-1 and ISIS-2 trials became known (see Chapter 1). The cumulative meta-analysis plot makes it clear that although these trials reduced the confidence interval for the summary estimate, they did not change the estimated degree of protection.Examining the influence of individual studiesThe influence of individual studies on the summary effect estimate may be displayed using the metainf command.15This command performs an influence analysis, in which the meta-analysis estimates are computed omitting one study at a time. The syntax for metainf is the same as that for the meta command. By default, fixed-effects analyses are displayed. Let’s perform this analysis for the magnesium data:metainf logor selogor, eform id (trialnam)361The label above the vertical axis indicates that the treatment effect estimate (here, log odds ratio) has been exponentiated. The meta-analysis is dominated by the ISIS-4 study, so omission of other studies makes little or no difference. If ISIS-4 is omitted then there appears to be a clear effect of magnesium in preventing death after myocardial infarction.Funnel plots and tests for funnel plot asymmetryThe metabias command16,17performs the tests for funnel-plot asymmetry proposed by Begg and Mazumdar18and by Egger et al.11(see Chapter 11). If the graph option is specified the command will produce either a plot of standardized effect against precision11(graph(egger)) or a funnel plot (graph(begg)). For the magnesium data there is clear evidence of funnel plot asymmetry if the ISIS-4 trial is included. It is of more interest to know if there was evidence of bias before the results of the ISIS-4 trial were known. Therefore in the following analysis we omit the ISIS-4 trial:metabias logor selogor if trial<16, graph(begg)Note: default data input format (theta, se_theta) assumed.if trialno < 16362The funnel plot appears asymmetric, and there is evidence of bias using the Egger (weighted regression) method (P for bias 0·007) but not using the Begg (rank correlation method). This is compatible with a greater statistical power of the regression test, as discussed in Chapter 11. The horizontal line in the funnel plot indicates the fixed-effects summary estimate (using363To use the metareg command, we need to derive the treatment effect estimate (in this case log risk ratio) and its standard error, for each study.generate logrr=log((cases1/tot1)/(cases0/tot0)) generate selogrr=sqrt((1/cases1)-(1/tot1)+(1/cases0)-(1/tot0))In their meta-analysis, Colditz et al. noted the strong evidence for heterogeneity between studies, and concluded that a random-effects meta-analysis was appropriate:meta logrr selogrr, eformMeta-analysis (exponential form)Pooled95% CI Asymptotic No. ofies MethodEst Lower Upper z_value p_value stud Fixed0.6500.6010.704-10.6250.00013 Random0.4900.3450.695-3.9950.000Test for heterogeneity: Q= 152.233 on 12 degrees of freedom (p= 0.000)Moment-based estimate of between studies variance = 0.309366。
中国居民高血压的危险因素Meta分析
中国居民高血压的危险因素Meta分析一、本文概述Overview of this article高血压作为一种常见的慢性疾病，已成为全球公共卫生问题的重要组成部分。
在中国，随着生活方式和人口结构的变化，高血压的患病率逐年上升，严重影响了居民的健康和生活质量。
因此，深入探讨中国居民高血压的危险因素，对于制定针对性的防控策略、降低高血压的发病率和并发症风险具有重要意义。
Hypertension, as a common chronic disease, has become an important component of global public health issues. In China, with changes in lifestyle and population structure, the incidence of hypertension has been increasing year by year, seriously affecting the health and quality of life of residents. Therefore, in-depth exploration of the risk factors of hypertension among Chinese residents is of great significance for formulating targeted prevention and control strategies and reducing the incidence rate and complication risk of hypertension.本文旨在通过系统综述和Meta分析的方法，全面汇总和分析中国居民高血压的危险因素研究。
通过对已有文献的梳理和评价，我们将提取出与高血压发病风险相关的各种因素，并对它们的影响程度和可信度进行定量评估。
用stata进行单个率meta分析程序总结
用stata进行单个率meta分析程序总结用stata进行单个率meta分析程序总结感谢版主对我的方法进行验证，这里整理一下方面大家研究谷歌的程序（标红部分，分批录入stata12.0.可得到结果。
）clearinput study cases total1 20 10002 40 50003 30 15004 25 3300endgen p = .gen se = .// get proportions and std errorsforv i =1(1)4 {cii total[`i'] cases[`i']qui replace p = r(mean) in `i'qui replace se = r(se) in `i'}// get the inverse variance-weighted proportion// use the official Stata -vwls- commandgen cons =1vwls p cons, sd(se)// use the user written -metan- command// for fixed-effects meta-analysismetan p se, nograph fixed// for random-effects meta-analysismetan p se, nograph random我的数据，用谷歌方法运行的命令：clearinput study cases total1 76 4512 86 2023 24 974 401 2502endgen p = .gen se = .forv i =1(1)4 {cii total[`i'] cases[`i']qui replace p = r(mean) in `i' qui replace se = r(se) in `i' }gen cons =1vwls p cons, sd(se)metan p se, nograph fixed metan p se, nograph random 我自已编的程序结果见贴子中的图片：录入格式，r nclearinput study r n1 0.831 1542 0.828 1343 0.88 100endgenerate ser=sqrt(r*(1-r)/n)metan r ser, fixed label(namevar=study)metan r ser, random label(namevar=study) metafunnel r ser。
用stata进行单个率meta分析程序总结
用stata进行单个率meta分析程序总结第一篇：用stata进行单个率meta分析程序总结用stata进行单个率meta分析程序总结感谢版主对我的方法进行验证，这里整理一下方面大家研究谷歌的程序（标红部分，分批录入stata12.0.可得到结果。
）clearinput study cases total 20 1000 40 5000 30 1500 25 3300 end gen p =.gen se =.// get proportions and std errors forv i =1(1)4 {cii total[`i'] cases[`i']qui replace p = r(mean)in `i'qui replace se = r(se)in `i' }// get the inverse variance-weighted proportion// use the official Stata-vwls-commandgen cons =1vwls p cons, sd(se)// use the user written-metan-command// for fixed-effects meta-analysismetan p se, nograph fixed// for random-effects meta-analysismetan p se, nograph random我的数据，用谷歌方法运行的命令：clearinput study cases total451 2 86 202 3 24 97 401 2502 endgen p =.gen se =.forv i =1(1)4 {cii total[`i'] cases[`i']qui replace p = r(mean)in `i'qui replace se = r(se)in `i' } gen cons =1vwls p cons, sd(se)metan p se, nograph fixed metan p se, nograph random我自已编的程序结果见贴子中的图片：录入格式，r n clear input study r n 1 0.831 154 2 0.828 134 3 0.88 100 endgenerate ser=sqrt(r*(1-r)/n)metan r ser, fixed label(namevar=study)metan r ser, random label(namevar=study)metafunnel r ser第二篇：meta分析资源大总结经过一段时间对meta的分析和了解，自己虽算不上精通meta分析，但自己还是觉得自己对meta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）meta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meta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！meta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！meta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meta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meta分析（无论是干预性研究的meta或者是诊断性试验的meta，etc），必须明确你的研究目的是什么？！这样做有什么意义！（二）meta分析的经典之作~唐茂芝、董佳毅八篇SR（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meta分析的时候，我导师就要求我们先看一下这八篇SR！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meta分析理论入门的PPT（特别适用于刚入门的战友们！）下面是我刚接触meta是看的PP他，也一并传上来，给初学meta 的战友们打气加油！（四）meta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）meta分析的圭臬毫无疑问，要做好meta分析，Cochrane HanbooK 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meta分析的英文文献！（六）关于meta研究论文的写作指导一片好的meta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meta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Endnote和Stata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！第三篇：循证医学-meta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分析及stata命令
敏感性分析和发表偏倚
• 敏感性分析：metainf es se, id(study) random print
• 发表偏倚：metabias es se, graph(begg)
注：发表偏倚结果指标为：begg和Egger两种，当结 论不一致时以Egger检验为准
实例演示
• 执行命令后： • 采用X2检验和 I2检验检验同类研究间的异质性，若
P≥0.1，I2≤50%，说明研究间有统计学同质性，则使 用固定效应模型，不更改命令；若 P<0.1，I2>50%， 说明各研究间存在统计学异质性，改用随机效应模 型，命令修改，如：
• metan death1 live1 death2 live2, or label (namevar=study, yearvar=year) random
森林图及异质性检验： ——相关系数
• ③metan命令后跟两个变量：效应量和其标 准误)
• 例：metan ES se, label(namevar=study, yearvar=year)
异质性的检测标准
• 默认为固定效应模型
• 如metan death1 live1 death2 live2, or label (namevar=study, yearvar=year)
学资料；疾病类型、诊断时间等临床资料 • 研究变量 • 效应指标（文献中已有或者需要计算获得）。
制表、建立数据库
• 1.6 文献质量评价
• 纽卡斯尔-渥太华量表（the Newcastle-Ottawa Scale， NOS）
• 澳大利亚乔安娜循证护理中心(Joanna briggs institute, JBI)研制的横断面研究偏倚风险评价标准