（3）當其95%可信區(qū)間橫線不與森林圖的無效線相交且落在無效線右側(cè)時，表明試驗組的效應(yīng)量大于對照組；
（4）當其95%可信區(qū)間橫線不與森林圖的無效線相交且落在無效線左側(cè)時，表明試驗組的效應(yīng)量小于對照組；
（5）對于臨床研究而言，當試驗組效應(yīng)量大于對照組時，因研究事件性質(zhì)不同而臨床意義會截然相反；同樣當試驗組效應(yīng)量小于對照組時其臨床意義亦然。
第三節(jié) 兩分類數(shù)據(jù)的meta分析
OR：oddsratio優(yōu)勢比
RR：risk ratio風險比
RD：risk difference 風險差異
兩分類數(shù)據(jù)資料進行meta分析可選擇OR、RR和RD[相當于隊列研究中的歸因危險度（attributable risk，AR）]等作為效應(yīng)指標，再根據(jù)異質(zhì)性檢驗結(jié)果選擇不同的分析模型。
（1）若各研究間具有同質(zhì)性，則采用固定效應(yīng)模型；
（2）若各研究間具有異質(zhì)性，則采用隨機效應(yīng)模型；
一、固定效應(yīng)模型
對兩分類變量資料而言，適應(yīng)于固定效應(yīng)模型的meta分析方法有Mantel-Haenszel法（簡稱M-H法）、Peto法、Fleiss法以及Inverse-variance法。除了Peto法外，其他三種方法是RevMan、Stata等軟件進行meta分析時的常用方法。
1. M-H法
M-H法是分類變量固定效應(yīng)模型常用的統(tǒng)計方法，可用于OR、RR和RD等效應(yīng)指標的合并。該方法需要每個研究有完整的四格表。
2. Peto法
也稱改良的M-H法，常用于以比數(shù)比OR為效應(yīng)指標進行多個研究的合作，是固定效應(yīng)模型的經(jīng)典方法。對于無法獲得完整四格表的文獻研究，Peto法則彌足了這一不足。不過，Peto法在四格表很不平衡或各個納入研究的OR值都遠離1時會產(chǎn)生較大的偏性，故常用于基于OR值的研究。
3. Inverse-variance法
該方法可用于計量資料的均數(shù)差等效應(yīng)指標的合并，也可用于分類資料的比數(shù)比（OR）、相對危險度（RR）和危險度差（RD）等效應(yīng)指標的合并。用θ估計值表示ln（OR）、ln（RR）或RD等效應(yīng)指標的總體估計值。
二、隨機效應(yīng)模型
Meta分析時，若異質(zhì)性檢驗拒絕零假設(shè)，則應(yīng)采用隨機效應(yīng)模型。與計量資料一樣，對于分類資料，當異質(zhì)性檢驗統(tǒng)計量Q＜k-1，其與固定效應(yīng)模型相似；當Q≥k-1，隨機效應(yīng)模型主要是對固定效應(yīng)模型中的wi加以校正，即計算所謂的校正因子Γ2值。
本節(jié)介紹的異質(zhì)性檢驗，統(tǒng)計量Q易受研究文獻數(shù)量的影響。若研究文獻多，合并方差小，則權(quán)重大，對Q值的貢獻也大，這是容易得出假陽性（即拒絕H0，不同質(zhì)）的結(jié)果；反之，如果研究文獻較少，權(quán)重也較小，檢驗效能又往往太低，容易得出假陰性（即不拒絕H0，同質(zhì)）的結(jié)果。從而，導致效應(yīng)模型上的選擇錯誤，特別是把理應(yīng)采用隨機效應(yīng)模型的分析錯誤的選擇了固定效應(yīng)模型，其所得的結(jié)果會相差很遠，甚至結(jié)論相反。為此，可通過對統(tǒng)計量Q進行自由度的校正，來降低研究文獻的數(shù)量對異質(zhì)性檢驗結(jié)果的影響。這就是目前也常用的另一種基于統(tǒng)計量Q的異質(zhì)性判斷方法，即I2統(tǒng)計量，
I2={[Q-(k-1)]/Q}X100% 當Q＞k-1
I2=0 當Q≤k-1
其中，k表示納入meta分析的研究個數(shù)。
一般地I2＞56%時，提示各研究間存在較大的異質(zhì)性；I2＜31%時，則可認為各個研究是同質(zhì)的。I2在31%-56%之間，往往無法排除其異質(zhì)性的存在。
第四節(jié) 診斷試驗的meta分析
診斷試驗的meta分析與一般的隨機對照試驗的meta分析不同，選擇的文獻要有明確的診斷金標準，并可直接或間接獲得診斷試驗的真陽性（TP）、假陽性數(shù)（FP）、假陰性數(shù)（FN）、真陰性數(shù)（TN）等原始數(shù)據(jù)。
一、單一評價指標的meta分析
診斷試驗的meta分析常用的效應(yīng)指標有靈敏度（Sen）、特異度（Spe）、陽性似然比（LR+）、陰性似然比（LR-）、診斷比數(shù)比（DOR）及ROC曲線等。傳統(tǒng)的診斷試驗meta分析時將各獨立研究的單一評價指標進行綜合估計，得到相應(yīng)的合并效應(yīng)值及其95%CI。
應(yīng)用條件：不同研究的結(jié)果具有同質(zhì)性是計算靈敏度、特異性、陰性似然比和陽性似然比等單一指標合并效應(yīng)量的前提條件。否則，因異質(zhì)性會造成評價結(jié)果的不準確性。
二、SROC曲線法
Moses等提出了一種基于ROC曲線的所謂SROC曲線法，該方法不受異質(zhì)性或閾值的影響，并綜合了靈敏度和特異度的信息，可綜合評價診斷試驗的準確度。
SROC曲線，即綜合受試者工作特征曲線，它是通過對真陽性率（true positive rate, TPR）與假陽性率（false positive rate, FPR）進行logit變換，將TPR與FPR間的非線性關(guān)系轉(zhuǎn)化成一種線性關(guān)系，利用最小二乘法進行參數(shù)估計，建立SROC曲線回歸方程，并獲得綜合評價診斷試驗準確度的統(tǒng)計量。
SROC曲線分析法的基本步驟如下：
（1）計算各研究的TPR和FPR，對其進行logit變換。
（2）估計模型參數(shù)A及B。
（3）建立SROC曲線回歸方程。
對于SROC曲線分析方法，用TPR*表示SROC曲線的診斷試驗準確性，它與靈敏度和特異度有關(guān)，也可用于不同診斷試驗間診斷準確性的比較。
TPR*=（1+e-A/2）-1
第五節(jié) meta分析的偏倚考察
Meta分析中可能出現(xiàn)的偏倚：
（1）抽樣偏倚：發(fā)表偏倚、查找偏倚、索引偏倚、引文偏倚和語種偏倚；
（2）選擇偏倚：納入標準偏倚和選擇者偏倚；
（3）研究內(nèi)偏倚：提取者偏倚、研究質(zhì)量評分偏倚和報告偏倚；
（4）發(fā)表偏倚：指具有統(tǒng)計學意義的研究結(jié)果較無統(tǒng)計學意義或無效的結(jié)果被報告和發(fā)表的可能性更大，是meta分析中最常見的偏倚。
識別和控制發(fā)表偏倚的方法有：
1. 漏斗圖法
基本思想：每個納入研究的效應(yīng)值的精度隨研究的樣本量的增加而增加，即樣本量越小的研究，其變異越大。一般以效應(yīng)值為橫坐標，精度為縱坐標繪制散點圖，若納入研究無發(fā)表偏倚，則圖形呈現(xiàn)倒置的漏斗形；若漏斗圖不對稱或不完整，則提示可能存在發(fā)表偏倚。
優(yōu)點：簡單易操作，只需要利用每個納入研究的樣本量和效應(yīng)值就可以了。
缺點：此法只能對結(jié)果做定性判定，比較粗糙，適合于納入的研究個數(shù)比較多的情況。
2. 線性回歸法
針對漏斗圖只能進行定性判斷的特點。根據(jù)漏斗圖的基本原理，可以用線性回歸模型來檢驗漏斗圖的對稱性，稱為線性回歸法。
方法：
（1）先計算納入分析的每個研究的標準正態(tài)離差（SND）和精度（precision），以精度為自變量，標準正態(tài)離差為應(yīng)變量建立回歸方程，即
SND=a+b*precision。
標準正態(tài)分布亦稱為μ分布，μ被稱為標準正態(tài)分布或標準正態(tài)離差（standard normaldeviate）
（2）精度是由樣本量決定，樣本量趨近0時，精度也接近0，SND也趨近0。因而小樣本研究代表的散點在回歸直線中接近原點。
（3）理論上，如果不是來自一個有偏倚的樣本，那么散點的分布能形成一條通過原點的直線，回歸直線的截距a=0，這也對應(yīng)于對稱的漏斗圖。a的大小用以評價不對稱性，a的絕對值越大，表示越可能有偏倚；斜率b表示效應(yīng)值的大小。
（4）實際操作中，求出線性回歸方程的截距，并對是否為0進行假設(shè)檢驗，進一步推斷漏斗圖是否對稱，是否存在發(fā)表偏倚。
優(yōu)點：簡單易懂，容易計算；
缺點：Egger’s test 中自變量的標準誤估計來自納入研究的數(shù)據(jù)，存在抽樣誤差，因而回歸方程的斜率和截距都為有偏估計，而且線性回歸法不能解釋漏斗圖不對稱的原因。
3. 漏斗圖回歸法：針對Egger的線性回歸其標準差的估計存在抽樣誤差這一局限之處，提出了一種新方法，即漏斗圖回歸法。
原理：直接以效應(yīng)值為應(yīng)變量，樣本量n為自變量直接建立回歸方程。若不存在發(fā)表偏倚，那么回歸直線的斜率應(yīng)該為0，截距代表總體的效應(yīng)值。如果得到的回歸方程，經(jīng)假設(shè)檢驗后斜率不為0，那么提示有可能存在發(fā)表偏倚。
4. 秩相關(guān)法（基于Kendall’s的秩相關(guān)檢驗法）
如果Z＞1.96，P＜0.05，提示可能存在發(fā)表偏倚；如果Z＜1.96，P＞0.05，提示不存在發(fā)表偏倚。
Begg的秩相關(guān)檢驗被認為是漏斗圖的直接統(tǒng)計學模擬，但對該檢驗效能的模擬研究結(jié)果表明，檢驗效能的變異性大。
5. 剪補法（trim and fill method）
剪補法是一種非參數(shù)統(tǒng)計方法，用于估計缺失的研究個數(shù)，并對發(fā)表偏倚進行校正。
缺點：（1）剪補法是建立在漏斗圖是嚴格對稱的基礎(chǔ)上，然而實際情況并非如此。漏斗圖可能會受到各種情況的影響。
（2）用剪補法來探測發(fā)表偏倚，容易受極端值的影響。
（3）計算過程中不斷進行中心化。
6. Richy法
X=∑i=k i=1 fi x (di-d-)
MF= fi x (di-d-)
前5種方法容易受到極端值影響，Richy法利用非參數(shù)方法求出所有MF的可信區(qū)間（一般是95%CI）。如果X的值在這個區(qū)間外，就認為存在發(fā)表偏倚。
缺點：該方法存在很多的局限；
優(yōu)點：但是因為這個方法的提出，跳出了漏斗圖這一基礎(chǔ)限制，從另外一個角度來看待發(fā)表偏倚。
7. 失安全數(shù)法（fail-safe number method）：也稱為“抽屜文件”分析（file drawer analysis）。是一種敏感性分析方法。
基本思想：當meta分析得到有統(tǒng)計學意義的“陽性”結(jié)果時，為了避免該“陽性”結(jié)果是由于遺漏了一些沒有統(tǒng)計學意義的“陰性”結(jié)果文獻而產(chǎn)生的，可以估計這些可能被遺漏了的“陰性”結(jié)果的研究數(shù)量NR，即最少需要再增加多少“陰性”結(jié)果的研究才能使綜合分析的結(jié)論逆轉(zhuǎn)，由此來評價發(fā)表偏倚的程度。
（1）NR越大，表明存在這種因遺漏“陰性”結(jié)果而導致發(fā)表偏倚的程度越低，此時meta分析的結(jié)果也就越可靠。
（2）NR越小，則表明存在這因遺漏“陰性”結(jié)果而導致發(fā)表偏倚的程度越高，此時meta分析的結(jié)果也就越不可靠。
（3）一般，當NR＜10時，meta分析得到的陽性結(jié)果應(yīng)慎重對待。
從嚴格意義上講，該方法不是一種識別發(fā)表偏倚的方法，而是一種能否確定發(fā)表偏倚可以忽略的方法，屬于敏感性分析范疇。
優(yōu)點：屬于敏感性分析范疇。
缺點：當本身合并效應(yīng)值無統(tǒng)計學意義時，則不能進行。
8. 量表評價法：Jadad量表較為常用。
如果各研究間異質(zhì)性較大，則可在分析異質(zhì)性的來源后，根據(jù)原因作出處理，包括：
（1）亞組分析：可以將各研究按設(shè)計方案、研究質(zhì)量等分為幾個亞組，分別合并及評價；
（2）敏感性分析：將所有研究納入分析，得出結(jié)果。再將被認為是有異常的研究排除后重新分析，通過比較前后兩次分析結(jié)果的差異來評價被排除的研究對綜合結(jié)果的影響；
（3）采用隨機效應(yīng)模型等。
總之，在meta分析之前，應(yīng)測量發(fā)表偏倚和評估其影響程度，如果發(fā)表偏倚較大，則需進一步收集相關(guān)資料信息，如與原文作者或者研究組聯(lián)系，查閱有無陰性結(jié)果的研究，如果有，則盡量從中獲得相關(guān)的資料。如果不能將發(fā)表偏倚減少到一定的水平，則只能放棄meta分析。
第七節(jié) meta分析的具體實施
Meta分析常用的軟件有Stata和ReviewManager，前者較好。尤其在做漏斗圖方面以Stata為佳，還有敏感性分析和偏倚分析方面更佳。在Stata/SE軟件中才有Meta分析（在User欄），無“/SE”的Stata軟件不可。
Meta分析最重要的是文獻搜索，一般要將pubmed，splinger，website，ovid，萬方，NK等中外數(shù)據(jù)庫均可用到，當中、英文重疊時取英文的，方式一般取[Title/Abstract]，連接詞“OR”較好，半年之內(nèi)完成就（四個月搜索文獻閱讀，1周分析，余下的時間寫作）可嘗試不同的檢索方式，隊列及病例對照研究均要，隊列研究的價值高。如果隊列研究多，而病例對照只有1個，則舍去；反之亦然。在meta分析的文中必須有1個檢索流程。GADAD評分共5分，低于3分不納入研究。
聯(lián)系客服
