写好诊断性meta分析的秘密（四）
诊断性试验Meta分析报告
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。
诊断性me分析手把教你做临床Me分析诊断试验性MeDisc分析
阴性结果的Meta分析，最关键是能够对为什么会出现该结果进行深刻的讨论，一篇文章写的好不好也体现在讨论部分，体现作者水平的部分，读者也是根据你的讨论来对你的结果有分寸的慎重的来指导临床。讨论部分的切入点可以通过亚组分析的结果来体现。亚组分析能够很好的帮我们找到异质性来源。如果亚组分析结果既有养性又有阴性，那么可以重点讨论导致这两种结果出现的原因是什么。
安装软件
Meta-DiSc 是一个免费的下载软件，登录 ，下载安装软件，目前最新版本是 版。
运行软件
在试行此软件之前，必须明确和熟悉准确诊断性 Meta 分析里结果计算的经典四格表（可能不会在您所纳入的文献中出现，需要研究人自己总结并准确的填写在四格表内，不易混淆而且方便分析）。
TP：True positive 表示真阳性的结果，用数字表示；
介绍到这里就结束了，大家赶快去下载软件试一下吧。
诊断性meta分析简单实现(4) 结果的展示和解读
例文结果展示和解读
诊断性meta分析简单实现——第一章?和范文解析
诊断性meta分析简单实现(2)
诊断性meta分析简单实现(3)
当我们做完了上述的统计分析之后，结果需要整理一下,我们看看例文的作者是如何呈现这些结果的！
二.诊断性meta分析亚组分析问题求助
你说的后边的不对,比如排除平均年龄大于80的文献。
这句话是正确的，或者纳入排除研究后的meta分析,排除营养不良率大于60%的文献而亚组分析主要从文献里病例特性来排除,等等
亚组分析主要从文献里分组病例特征分类。
敏感性分析是排除低质量研究后的meta分析。
亚组分析是根据纳入研究的病人特点适当氦孩份绞莓悸逢溪抚娄的进行分层，过多的分层和过少的分层都是不好的
诊断性实验的Meta分析分解
阳性
阴性
阳性
TP（a）
FP（b）
a+b
阴性
FN（c）
TN（d）
c+d
1.2 单个诊断性实验的评价指标
灵敏度
特异度
指标
假阴性率（漏诊率）
假阳性率（误诊率）
灵敏度=a/a+c；特异度=b/b+d； 假阴性率=c/a+c；假阳性率=d/b+d
• 这个四格表衍生的各种指标：真阳性率（敏感度）、假阳 性率、假阴性率、真阴性率（特异度）等等都是评估替代
3. 诊断性试验meta分析方法在统计 软件中的实现
• RevMan5.0软件和Meta-DiSc 都是在国际上权威的用来做 诊断试验meta分析的软件，在这里仅介绍Meta-Disc软件 的使用方法。
• 下载地址：
http://www.hrc.es/investigacion/metadisc_en.htm
诊断性试验meta分析方法在统 计软件中的实现
3.1 数据录入 3.2 选择项 设置 3.3 阈值效应 检验 3.4 非阈值效应 检验 3.5 合并各诊断试 验评价指标
3.1 数据录入
3.2 选择项设置
3.3 阈值效应检验
3.4 非阈值效应检验
探讨异质性
3.5 合并各诊断试验评价指标
绘制森林图
诊断性实验的Meta分析
刘延青 研究生
前言
临床医生在接诊的过程中，经常考虑的问题就是如何把可 以有病与实际无病的人区别开来，以及如何将患某种疾病 的患者于其他疾病鉴别出来，这个过程中就需要合理运用
诊断试验。广义诊断包括实验室检查、影像学诊断、仪器
检查、病史询问、体格检查等。 对于某个诊断性试验，可能已有多位研究者进行了研究， 为了对不同的研究结果进行综合性分析，获得综合的结论， 需要采用诊断性实验的Meta分析。
诊断试验准确性的Meta分析
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。
meta分析的写作思路
收集整理丁香园郎中1987的关于meta分析的写作！！一、新手meta分析上路（一）：选题现在读研的很多学生甚至临床上的医生，迫于某些压力或者是个人兴趣（找虐型），开始学习meta分析，理想的发篇SCI文章，不济的也当学个技术，技多不压身。
为什么会找meta做为切入点呢，江湖传言此乃发文神器，某大仙一年发十篇meta的也不是少见。
感觉它不用做实验，窝在家一股脑的看文献，整理整理数据，也不耗钱，真是一本万利的生意，尤其适合苦逼的临床医生。
也不用养老鼠闻味道，不用陪细胞过夜，不用天天WB，PCR，转染，过表达，etal。
长期接触这些生物试剂能活下来的都是命大。
所以聪明的中国人开始走上了meta这道“不规路”，早上发，中午发，天天发，发。
好了，扯了那么多没用的，入正题，想发一篇文章，首先是要选好一个题目。
我可以负责任的告诉大家，你今天选题的高度决定了你日后发文的高度。
所以磨刀不误砍柴工，好好选题，良好的开端是成功的一半（好一碗鸡汤）。
那么问题来了，怎么选题呢？结合我个人的经验，我认为良好的优质的题目有以下几个特点：1.是临床现有的争议点，大家对此还不是很统一，指南也模棱两可。
2.对现有的操作的一种challenge,如果你的meta能改变某种临床行为，那你屌了。
3.之前已经有篇meta了，但后来因为加入新的articles,挑战了之前的结果，能引起一定的讨论。
当然，这些题目都很难找，因为不仅国人“沉迷”meta,老外也不甘落后的。
现阶段大部分multi-centersRCTs都是国外研究机构发表的，他们一般在进行临床研究的同时，已经将其meta分析的文章也顺带做了，RCTs发表同时将meta分析也扔出去。
所以好题目都被他们抢了，我们只能捡些他们不要的（这是一个忧伤的故事）。
不管如何，我们还是要掌握一些选题的技巧和原则，指不定那一天就让我们碰上了一个好题目也不一定（人如果没有梦想那跟咸鱼有什么区别，星爷如是说）。
诊断性试验Meta分析
Revman,Stata,Meta-disc在診斷試驗準確性（DTA）系統評價中的應用文獻數據摘自《ProGRP與NSE對小細胞肺癌診斷價值的meta 分析》文中提取數據GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFSun中國------病理105016.3251968915658Yang 中國------病理1444616.346491617237265注：表中 10 個原始研究均使用酶聯免疫吸附測定法檢測陽性界值； TP= 真陽性數； FP= 假陽性數； FN= 假陰性數； TN= 真陰性數a:ProGRP,b: NSERevman5.2新建診斷試驗準確性(DTA)系統評價模板GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF添加所有納入研究GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF此處對每篇文獻QUADAS2質量特征進行描述，以便探討異質性來源及作表圖數據分析里面添加所要研究的待評價診斷試驗GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAF可計算相關指標（似然比及診斷比值比和單獨在干預系統評價里面作森林圖）添加分析里面制作SEN和SPE森林圖及SROC曲線，可對數據進行重新制定GAGGAGAGGAFFFFAFAFGAGGAGAGGAFFFFAFAFStudyLamy 2000Molina 2009Nissan 2009Schneider 2003Shibayama 2001Stieber 1999Sun 2005Takada 1996Yamaguchi 1995Yang 2005TP3541134297411773802546FP18979611222669FN164641840292847917TN229218548119234972034696072Sensitivity (95% CI)0.69 [0.54, 0.81]0.47 [0.36, 0.58]0.77 [0.70, 0.83]0.78 [0.62, 0.90]0.65 [0.55, 0.74]0.80 [0.73, 0.86]0.72 [0.62, 0.81]0.63 [0.54, 0.71]0.74 [0.56, 0.87]0.73 [0.60, 0.83]Specificity (95% CI)0.93 [0.89, 0.96]0.96 [0.93, 0.98]0.87 [0.85, 0.90]0.95 [0.90, 0.98]0.96 [0.92, 0.98]0.98 [0.93, 1.00]0.90 [0.86, 0.94]0.99 [0.97, 1.00]0.91 [0.81, 0.97]0.89 [0.80, 0.95]Sensitivity (95% CI)00.20.40.60.81Specificity (95% CI)00.20.40.60.81設置參數GAGGAGAGGAFFFFAFAF若用戶對上圖窗口中的統計分析顯示的結果不滿意，可點擊右上角的屬性按鈕); 或依次展开树形目录分支"Data and Analyses→Analyses→ProGRP"，选中"ProGRP"并单击右键，选择"Properties … "，弹出属性设置对话框。
诊断性试验的Meta分析
3. 诊断性试验meta分析在统计软件中的实现
• RevMan5.0软件和Meta-DiSc 都是在国际上权威的用来做 诊断试验meta分析的软件，在这里仅介绍Meta-Disc软件的 使用方法。
• 下载地址：http://www.hrc.es/investigacion/metadisc_en.htm
摘自progrp不nse对小细胞肺癌诊断价值的meta分析文中提取数据作者国家研究方法金标准病例阳性界值pgmltpfpfntnschneider德国前瞻连续病理29829196353818351613229212stieber德国回顾病理3143831194139444648218183molina西班牙前瞻连续病理802502513411479504161548577nissan以色列前瞻连续病理1624822291819119113shibayama日本连续病理3594975744911104065234235lamy法国回顾病理245531711711029369795takada日本回顾连续病理326338106736322432838203182yamaguchi日本60250818079264748469449sun中国病理100501632519156058yang中国病理144461634640161723726524诊断性试验的meta分析241阈值效应检验242非阈值效应检验243合并各诊断试验评价指标244发表偏倚的识别241阈值效应检验在诊断性试验中可能因为纳入的研究采用丌同的诊断界值而引起异质性在迚行合并时要迚行检测当存在阈值效应时灵敏度和特异度负相关灵敏度和1特异度呈正相关其结果在sroc曲线平面图上呈肩臂状点分布metadisc软件计算
写好诊断性meta分析的秘密（三）
写好诊断性meta分析的秘密（三）诊断性meta究竟需要哪些图哪些表1 基线特征表2 敏感性、特异性、阳性似然比、阴性似然比图3 ROC曲线图4 发表偏倚检测图学习了上面一讲，敏感性、特异性、阳性似然比、阴性似然比图、ROC曲线图大家现在都能画了吧？一些需要了解的概念重要的事情说三遍！说三遍!说三遍!本系列文章不是教科书，不是教统计的，我不希望大家把注意力放在名词的确切定义上，小编也发了十几篇了，事实证明:不纠结那些复杂的名词也是可行的。
本系列文章重点在于把诊断性meta发表SCI文章所需要的东西分享给大家：诊断性meta分析，方法难不难，答案是非常非常简单，当时我也是参加了一天的培训班，很多名词的确切的定义，建议翻阅统计学书籍及丁香园，相对于传统的meta分析，诊断性meta分析是一个相对较新的事物，不希望大家把注意力放在名词的确切定义上敏感性、特异性在医学统计里，任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性。
所谓敏感性，就是指其在诊断疾病的时候不漏诊（假阴性）的机会有多大（小），所谓特异性就是指该指标在诊断某疾病时，不误诊（假阳性）的机会有多大（小）。
单独一个指标，如果提高其诊断的敏感性，必然降低其诊断的特异性。
换句话说，减少漏诊必然增加误诊，反之亦然。
阳性及阴性似然比概念：LR= [a/(a+c)]÷[b/(b+d)]=Sen/1−SpeSen：敏感性；Spe：特异性；a：真阳性；b：假阳性；c：假阴性；d：真阴性阳性似然比、阴性似然比结合了敏感性、特异性、阳性预测值和阴性预测值的优点，既可以根据患者有无某项报警症状来做预测，同时又不受被检人群中病变发生率的影响，可用于多种临床环境中，因此是一个相对独立的、更具临床意义的诊断性试验效果的评估指标。
当阳性似然比>10 或阴性似然比<0.1时，诊断或排除某种疾病的可能性就显著的增加（来源于百度百科；大家记得红色的字体就好，怎么来的，电脑自己会算啊，不用纠结这点）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
写好诊断性meta分析的秘密（四）
方法一分亚组
分亚组的原因，在何种情况下需要用到分亚组？
我自己的理解，就像一幅拍好的照片需要后处理--如果相片拍的好，那么不进行后处理也是可以的；如果相片拍的不好，进行后处理可以把里面的局部凸显出来也是可以的，假如相片拍的不好，那么说不定局部还是美的呢……
这里的照片拍得好不好——可以类比为文章最后出来的结果好不好。
咱医学生，最怕看大段大段的文字了，为了让大家有一个良好的阅读体验及直观的理解，请看以下图例：
类似的对应我们的诊断性meta分析的写作中：
图左——最基本的诊断性meta分析单个技术对肺癌的诊断价值（蘑菇花生壳叶子）。
图右——扩展为单个技术对非小细胞肺癌（蘑菇）的诊断价值以及单个技术对小细胞肺癌（蘑菇）的诊断价值--当然此处也不一定非得是蘑菇，花生壳和叶子都可以的，看看什么更好看就放什么，文章中也是亦然。
问题:分亚组需要获得的数据和具体操作方法。
分亚组需要获得的数据--看文章--比如要做DWI对非小细胞肺癌的亚组分析--那么在读这篇文章时候如果文章本来就是以非小细胞肺癌作为研究对象的自然可以入选。
具体操作方法---读全文---总之最后要能提取真阳性、假阴性、假阳性、真阴性的数据才可以做。
分亚组示例
假如研究1及研究3为非小细胞肺癌。
研究2 研究4-5为小细胞肺癌。
非小细胞肺癌敏感性
具体操作方法：
Summary Sensitivity
下划线部分需要记录并在meta分析结果中报告。
非小细胞肺癌特异性。
非小细胞肺癌阳性似然比。
非小细胞肺癌阴性似然比。
同样的我们可以得到：
•小细胞肺癌敏感性
•小细胞肺癌特异性
•小细胞肺癌阳性似然比
•小细胞肺癌阴性似然比
现在我们在之前的最基本的诊断性meta分析数据的基础上可以得出非小细胞肺癌敏感性（SEN）、特异性(SPE)、阳性似然比（PLR）、阴性似然比（NLR）数据以及小细胞肺癌敏感性（SEN）、特异性(SPE)、阳性似然比（PLR）、阴性似然比（NLR）数据啦!
结果是不是丰富一些了呢？
关于基本的诊断学meta怎么做的详细步骤，可以翻炒写好诊断性meta分析的秘密(二)[1]。
关于更多的变化，且听下回分解。