诊断准确性Meta分析

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。

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。

STATA已经有独立的模块（metandi）来做诊断性试验的meta分析，所用方法是拟合了一个两水平的混合logistic回归模型。

虽然该模块还没有与metan模块类似的对话框，但是应该来说已经是一个比较大的进步。

最终的呈现结果不仅能给出基于多水平模型估计得到的南京58信息网ROC曲线下面积（hierarchical summary receiver operating characteristic，hsroc），同时能得到“拐点”信息（summary point），以下摘选该模块的帮助内容来简要介绍该模块。

Titlemetandi -- Meta-analysis of diagnostic accuracySyntaxmetandi tp fp fn tn [if] [in] [, plot gllamm force ip(g|m) nip(#) nobivariate nohsroc nosummarypt detail level(#) trace nolog]by is allowed with metandi; see [D] by.See metandi postestimation for features available after estimation, in particular, the predict command. metandiplot graphs the results from metandi.Descriptionmetandi performs meta-analysis of diagnostic test accuracy studies in which both the index test under study and the reference test (gold standard) are dichotomous. It takes as input four variables: tp, fp, fn, and tn, giving the number of true positives, false positives, false negatives, and true negatives within each study. It fits a two-level mixed logistic regression model, with independent binomial distributions for the true positives and true negatives conditional on the sensitivity and specificity in each study, and a bivariate normal model for the logit transforms of sensitivity and specificity between studies.In Stata 10, metandi fits the model by using the official Stata command xtmelogit by default. In Stata 8 or 9, metandi uses the user-written command gllamm, which must be installed.To ensure you have the most recent version of gllamm, type ssc install gllamm, replace.metandi does not allow covariates to be fit; i.e., meta-regression of diagnostic accuracy is not supported.。

Meta分析Meta分析是指用统计学方法对收集的多个研究资料进行分析和概括,以提供量化的平均效果来回答研究的问题.其优点是通过增大样本含量来增加结论的可信度,解决研究结果的不一致性 meta分析是对同一课题的多项独立研究的结果进行系统的、定量的综合性分析。

它是文献的量化综述，是以同一课题的多项独立研究的结果为研究对象，在严格设计的基础上，运用适当的统计学方法对多个研究结果进行系统、客观、定量的综合分析。

目录meta分析的主要优点有：Meta分析的起源广义上的Meta & 狭义上的MetaMeta 分析的基本步骤Meta分析的目的及适用性meta分析的主要优点有：Meta分析的起源广义上的Meta & 狭义上的MetaMeta 分析的基本步骤Meta分析的目的及适用性展开编辑本段meta分析的主要优点有：1）能对同一课题的多项研究结果的一致性进行评价；2）对同一课题的多项研究结果作系统性评价和总结；3）提出一些新的研究问题，为进一步研究指明方向；4）当受制于某些条件时，如时间或研究对象的限制，meta分析不失为一种选择；5）从方法学的角度，对现阶段某课题的研究设计进行评价；6）发现某些单个研究未阐明的问题；7）对小样本的临床实验研究，meta分析可以统计效能和效应值估计的精确度。

因此，设计合理，严密的meta分析文章能对证据进行更客观的评价（与传统的描述性的综述相比），对效应指标进行更准确、客观的评估，并能解释不同研究结果之间的异质性。

meta分析符合人们对客观规律的认识过程，是与循证医学的思想完全一致的，是一个巨大的进步。

编辑本段Meta分析的起源Meta分析的前身源于Fisher 1920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》。

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)。