【原】Meta分析｜第8期. 数据分析I — 森林图绘制及亚组分析

完成前期工作，做到数据分析这一步时，meta分析其实已经完成大半了，今天我们就来给大家分享如何使用STATA软件来绘制meta分析森林图及开展亚组分析。

一、数据整理

首先我们要对提取的数据进行整理成我们可用于分析的格式。

Study为纳入研究的信息，outcome为研究结局，or，lci及uci分别为研究的效应值及95%置信区间上下限，其他为亚组分析的变量信息。

二、森林图

数据整理成我们需要用的格式后，我们需要评估纳入同一meta分析的不同研究的效应估计是否存在差异，即进行异质性检验。若纳入分析的研究间不存在异质性，则说明这些研究背后的真实效应可能是相同的，用一个合并的效应值代表所有研究效应的大小是合理的，合并时应采用固定效应模型，否则使用随机效应模型，根据结果中的I2来选择模型，一般>50%用随机效应模型，<50%用固定效应模型，具体分析如下：

将数据导入到stata后（复制粘贴即可导入），首先对数据进行转换：

gene lnor=ln(or)

gene lnlci=ln(lci)

gene lnuci=ln(uci)

接着即可对数据进行合并，使用固定效应模型进行分析——

metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) fixed nobox。

合并效应量P=0.004，统计学有意义，但是I2=92.2%，结果异质性较大我们应使用随机效应模型——

metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) random nobox。

三、亚组分析

当异质性检验出现阳性结果，我们就需要寻找异质性来源（即效应修饰因素），亚组分析是一个十分重的要方法。亚组分析顾名思义，即将人群按照某一因素将研究分成两组（或多组），然后再进一步计算。例如按照性别进行分组，分别估计效应值，并对男性和女性中的效果进行比较，如果效果在男性和女性之间存在差异，临床上就应该区别对待，分别报告。

代码如下：

metan lnor lnlci lnuci,eform label(namevar=study) effect (“OR”) random nobox by (gender)

可以看到对性别进行分层后，男性I2=41.1%，女性I2=65.7%，均有不同程度降低，且男女之间差异显著P=0.000，因此性别可能是导致异质性的一个原因。

今天的分享到这里就结束啦，你学会了吗？大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话”栏目中提出，我们会尽快回复！

下期分享预告：Meta分析——数据分析II—发表偏倚评估及敏感性分析。