接著我們指定類別型的共變數,meta4diag 的指令是「modality」,我們丟入「S_M」這個變項,S 代表 surgical 族群,M 代表 Medical 族群。目前為止,此套件只支援在模式中指定一個類別型的共變數。

 

1.jpg

 

下圖「fit」列印出來關於模式估計的資訊,顯示「Data has Modality variable with level 2」有估計一個具有水準為二的類別型解釋變項。

 

2.jpg

 

下圖「summary(fit2)」列印出來估計的報表結果,可看到此套件是同時將兩個族群(Surgical vs. Medical)分開估計,例如「Se.S」代表是手術組的敏感度。然而相較於之前介紹的SAS macroMetaDAS),R meta4diag 此套件並沒有提供針對共變數的檢定結果,以敏感度而言,下圖列出手術組與非手術組的合併後敏感度及95%置信區間分別為 0.7250.630-0.813)及0.7970.730-0.858),但這兩者之間是否達顯著差異,並不可知。

 

3.jpg

 

接著以不分組(手術組、非手術組的結果),來繪製 SROCsummary receiver operating characteristic)曲線。首先先下「par(pty="s")」的指令,令待會 SROC 圖形距離原點多餘的位置會被剔除掉。「pty」是指當前繪圖區域的形狀;「s」的意思是「square」,亦即正方形,然而 R 的預設是「m」,代表是「max」,亦即生成最大的繪圖區域。

SROC 指令會繪製出圖形,「sroc.type」的數字從 1 5,其中「5」為目前主流的Rutter and Gatsonis HSROC curve(請見筆者之前的介紹:(https://reurl.cc/Q96YQ2)。「est.type」是估計類型,可選擇平均數(mean)或中位數(median)。由於 SROC 指令只會繪出圖形,我們需額外再下「AUC」指令將曲線下面積的數值輸出至報表。

 

4.jpg

 

下圖即為 HSROC 圖形,紅色的點代表每一個研究個別的數值;「米」字號的則為估計的平均數,圍繞著它的藍色虛線的範圍是其95%置信區間;最外圍的灰色虛線則是95%的預測區間。

 

5.jpg

 

SROC 的指令只是繪製圖形,需再以「AUC」指令輸出估計值,下圖可知這32個研究的平均 AUC 0.85495%置信區間為0.8020.900

 

6.jpg

 

完成上述分析後,最後我們要呈現出版偏誤(publication bias)的評估結果,一般都用煙囪圖(funnel plot)來呈現,指令中的「main=””」代表省略圖形的標題(Funnel plot)。

 

7.jpg

 

完成後的圖形如下,X 軸是診斷勝算比(diagnostic odds ratio, DOR)的自然對數轉換過的數值,數字越大代表該研究做出來的結果越好(uNGAL 越能成功區別 AKI 病人);Y 軸為標準差(不是標準誤,因為這是貝氏估計),標準差越大(越偏向下方)代表該研究的樣本數越小。

由此圖形來看,有明顯的不對稱性(asymmetry),圖形的點明顯呈現「左上至右下」的分佈型態。越偏向右下角的點,代表是樣本數比較小但又做出比較好的結果。不過出版偏誤在統合分析很常見的狀況,如實報導即可,不會因為只因為這個偏差而整個分析就因此沒有臨床意義。

 

8.jpg

arrow
arrow
    全站熱搜
    創作者介紹
    創作者 晨晰部落格新站 的頭像
    晨晰部落格新站

    晨晰統計部落格新站(統計、SPSS、BIG DATA討論園地)

    晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()