จะคำนวณช่วงความมั่นใจสำหรับอัตราส่วนคี่รวมในการวิเคราะห์อภิมานได้อย่างไร

ฉันมีสองชุดข้อมูลจากการศึกษาความสัมพันธ์ของจีโนมกว้าง ข้อมูลเท่านั้นที่มีคืออัตราส่วนคี่และช่วงความมั่นใจ (95%) สำหรับแต่ละ SNP ฉันต้องการสร้างพล็อตป่าเปรียบเทียบสองอัตราต่อรอง แต่ฉันไม่สามารถหาวิธีในการคำนวณช่วงความเชื่อมั่นที่รวมกันเพื่อให้เห็นภาพผลสรุป ฉันใช้โปรแกรมPLINKเพื่อทำการวิเคราะห์เมตาโดยใช้เอฟเฟกต์คงที่ แต่โปรแกรมไม่ได้แสดงช่วงความมั่นใจเหล่านี้

• ฉันจะคำนวณช่วงความมั่นใจได้อย่างไร

ข้อมูลที่มีคือ:

• อัตราส่วนที่แปลกสำหรับการศึกษาแต่ละครั้ง
• ช่วงความมั่นใจ 95% และ
• ข้อผิดพลาดมาตรฐาน

ในการวิเคราะห์อภิมานส่วนใหญ่ของอัตราต่อรองข้อผิดพลาดมาตรฐาน $se_i$ จะขึ้นอยู่กับอัตราส่วนอัตราต่อรองเข้าสู่ระบบ $log(OR_i)$. ดังนั้นคุณจะรู้วิธีของคุณ$se_i$ ได้รับการประเมิน (และสิ่งที่พวกเขาสะท้อนการวัด? $OR$ หรือ $log(OR)$)? ระบุว่า$se_i$ ขึ้นอยู่กับ $log(OR_i)$จากนั้นข้อผิดพลาดมาตรฐานที่รวมกลุ่มกัน (ภายใต้รูปแบบเอฟเฟกต์คงที่) สามารถคำนวณได้ง่าย ก่อนอื่นให้คำนวณน้ำหนักของแต่ละเอฟเฟกต์:$w_i = \frac{1}{se_i^2}$. ประการที่สองข้อผิดพลาดมาตรฐานที่รวบรวมได้คือ$se_{FEM} = \sqrt{\frac{1}{\sum w}}$. นอกจากนี้ให้$log(OR_{FEM})$เป็นเอฟเฟกต์ทั่วไป (โมเดลเอฟเฟกต์คงที่) จากนั้นช่วงความเชื่อมั่น ("พูล") 95% คือ$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$.

ปรับปรุง

เนื่องจาก BIBB ให้ข้อมูลฉันจึงสามารถเรียกใช้การวิเคราะห์เมตา 'เต็ม' ใน R

library(meta)
or <- c(0.75, 0.85)
se <- c(0.0937, 0.1029)
logor <- log(or)
(or.fem <- metagen(logor, se, sm = "OR"))

> (or.fem <- metagen(logor, se, sm = "OR"))
    OR            95%-CI %W(fixed) %W(random)
1 0.75  [0.6242; 0.9012]     54.67      54.67
2 0.85  [0.6948; 1.0399]     45.33      45.33

Number of trials combined: 2 

                         OR           95%-CI       z  p.value
Fixed effect model   0.7938  [0.693; 0.9092] -3.3335   0.0009
Random effects model 0.7938  [0.693; 0.9092] -3.3335   0.0009

Quantifying heterogeneity:
tau^2 < 0.0001; H = 1; I^2 = 0%

Test of heterogeneity:
    Q d.f.  p.value
 0.81    1   0.3685

Method: Inverse variance method

อ้างอิง

ดูเช่นLipsey / Wilson (2001: 114)

ที่จริงแล้วคุณสามารถใช้ซอฟต์แวร์เช่นMETALซึ่งได้รับการออกแบบมาโดยเฉพาะสำหรับการวิเคราะห์เมตาในบริบทของ GWA

มันอึดอัดใจที่การทำลายล้างไม่ได้ให้ช่วงความมั่นใจ อย่างไรก็ตามคุณสามารถได้รับ CI เพราะคุณมีรอบชิงชนะเลิศหรือ$\log(\text{OR})$) และ $p$- ค่า (ดังนั้น $z$) สำหรับผลคงที่

วิธีการของ Bernd แม่นยำยิ่งขึ้น

ระวังว่าฉันจะเป็นกังวลมากขึ้นเกี่ยวกับทิศทางของผลกระทบเนื่องจากดูเหมือนว่าคุณจะมีเพียงสถิติสรุปสำหรับการศึกษาแต่ละครั้ง เว้นแต่คุณจะรู้ว่ามันทำในอัลลีลเดียวกัน

คริสเตียน

นี่คือความคิดเห็น (มีคะแนนตัวแทนไม่เพียงพอ) หากคุณรู้ขนาดตัวอย่าง (#case และ #controls) ในการศึกษาแต่ละครั้งและอัตราส่วนอัตราต่อรองสำหรับ SNP คุณสามารถสร้างตารางกรณี / การควบคุม 2x2 ใหม่ได้โดย a / b (โดย a และ b เป็นอัลลีลทั้งสอง) สำหรับ แต่ละการศึกษาทั้งสอง จากนั้นคุณสามารถเพิ่มจำนวนที่จะได้รับตารางสำหรับการศึกษาเมตาและใช้สิ่งนี้เพื่อคำนวณอัตราต่อรองและความเชื่อมั่นรวม

นี่คือรหัสสำหรับรับ CIs สำหรับการวิเคราะห์เมตาใน PLINK:

getCI = function(mn1, se1, method){
    remov = c(0, NA)
    mn    = mn1[! mn1 %in% remov]
    se    = se1[! mn1 %in% remov]
    vars  <- se^2
    vwts  <- 1/vars

    fixedsumm <- sum(vwts * mn)/sum(vwts)
    Q         <- sum(((mn - fixedsumm)^2)/vars)
    df        <- length(mn) - 1
    tau2      <- max(0, (Q - df)/(sum(vwts) - sum(vwts^2)/sum(vwts)) )

    if (method == "fixed"){ wt <- 1/vars } else { wt <- 1/(vars + tau2) }

    summ <- sum(wt * mn)/sum(wt)
    if (method == "fixed") 
         varsum <- sum(wt * wt * vars)/(sum(wt)^2)
    else varsum <- sum(wt * wt * (vars + tau2))/(sum(wt)^2)

    summtest   <- summ/sqrt(varsum)
    df         <- length(vars) - 1
    se.summary <- sqrt(varsum)
    pval       = 1 - pchisq(summtest^2,1)
    pvalhet    = 1 - pchisq(Q, df)
    L95        = summ - 1.96*se.summary
    U95        = summ + 1.96*se.summary
    # out = c(round(c(summ,L95,U95),2), format(pval,scientific=TRUE), pvalhet)   
    # c("OR","L95","U95","p","ph")
    # return(out)

    out = c(paste(round(summ,3), ' [', round(L95,3), ', ', round(U95,3), ']', sep=""),
            format(pval, scientific=TRUE), round(pvalhet,3))
    # c("OR","L95","U95","p","ph")
    return(out)
}

ฟังก์ชั่นการโทร R:

getCI(log(plinkORs), plinkSEs)