meta分析的平均差异（单组率的meta分析metan还是metaprop）

原创 Lau TG 尔云间meta分析 云生信学生物信息

上方蓝字关注我们

之前我们介绍过以常规森林图为基础的单组率meta分析的操作。

以Stata为例，其实就是将数据转换为ES, esES的类型，然后用metan得到森林图和合并结果。

然而，单组率的meta分析还有一个命令：metaprop。它与“metan”有什么区别？实践是检验真理的唯一标准，一起用实例操作验证一下。如图1所示，一共有7个研究，n代表样本量，case为某疾病的发生频数，我们将分别运用metan, metaprop进行单组率meta分析的合并，看看结果是否存在差异。

图1 示例数据

运行metan的操作代码，得到合并结果。

gen p=case/n

gen se=sqrt(p*(1-p)/n)

metan p se, lcols(study) random xlabel(0.2,0.4,0.6,0.8) dp(3)

注：模型的选择是meta分析的基础内容，此处省略了异质性检验的操作过程，直接选择了用随机效应模型进行森林图的合并。

如图2所示，合并结果为0.138 (0.098, 0.178)，也就是发病率为13.8% (9.8%, 17.8%)。

图2 基于metan的单组率meta分析森林图

运行metaprop的操作代码，得到合并结果。

metaprop case n, random cimethod(exact) lcols( study) xlab(0.2,0.4,0.6,0.8) dp(3)

如图3所示，合并结果（发病率）为0.138 (0.098, 0.178)，与metan得到的合并结果是一致的。

图3 基于metaprop的单组率meta分析森林图

除了合并结果一致，两种方法得到的异质性检验结果也相同。那么，两者的区别是什么？

第一，森林图的结构。虽然看上去两个图形很相似，但有一个固有的区别。基于metan命令得到的森林图，在随机效应模型时，左下角会有一行信息“NOTE: Weights are from random effects analysis”，而metaprop的森林图是没有的。此外，metan命令基于两组的对比，所以默认绘制无效线（如本例的ES=0），而metaprop是专门为单组率meta分析而开发的，没有无效线。

有人会觉得这又怎么了，结果对就行了，何必在意这些细节。但是，如果metan可以满足单组率meta分析的需求，就不会有metaprop的出现了。

两者最大的区别是：metaprop不受数据特征的影响，简单的说，当出现某个/某些研究的率为0%/100%，置信区间的范围超过0%/100%时，metan不再适用，而metaprop依然可以得到合理结果。

再看一个例子吧。从下图可以得知，C的率为100%，E的率为0%，G的率的95%CI的下限低于0%。用metan进行合并，出现了什么问题？C、E被排除了，没有参与合并。而G的95%CI出现了负值，这跟常规认知是不符的。

我们再看看metaprop的结果。C、E依然被纳入分析，G的95%CI也不会出现负值。当然，要注意！当数据出现极端情况，应用metaprop进行合并的时候，需要对命令稍作调整，很简单，加上“ftt”就行。

metaprop case n, random ftt cimethod(exact) lcols( study case n) xlab(0.1, 0.2, 0.3, 0.4) dp(3)

今天的分享就到这里了，关于单组率的meta分析，如果你还有其他疑问，私信小编哦。欢迎关注！