應用R語言netmeta程序包實現網狀Meta分析_《中國循證醫學雜志》

作者：

 張超 ¹ , 耿培亮 ² , 郭毅 ³ ,  曾憲濤 ^1,4

1. 湖北醫藥學院附屬太和醫院循證醫學與臨床研究中心（湖北十堰 442000）;
2. 中國人民解放軍總醫院腫瘤中心（北京 100853）;
3. 武漢大學公共衛生學院流行病學教研室（武漢 430071）;
4. 湖北醫藥學院附屬太和醫院口腔醫學中心（湖北十堰 442000）;

關鍵詞：

網狀Meta分析貝葉斯學派頻率學派 netmeta程序包 R軟件

DOI：

10.7507/1672-2531.20140103

視頻：

導出 下載 收藏 掃碼 引用

摘要 全文 圖表 視頻 參考文獻 施引文獻 補充材料

netmeta程序包是基于經典頻率學派研發、在R語言框架下運行的專用于網狀Meta分析的程序包。該程序包克服了基于貝葉斯統計學派研發的軟件及程序包實現網狀Meta分析時對先驗設定的難點，同時具備操作流程簡單、操作難度小等優點。此外，該程序包還能同時以隨機效應與固定效應模型展現單個配對研究及Meta分析合并的結果，并能繪制森林圖。本文通過實例展示了應用netmeta程序包實現網狀Meta分析的過程。

引用本文： 張超, 耿培亮, 郭毅, 曾憲濤. 應用R語言netmeta程序包實現網狀Meta分析. 中國循證醫學雜志, 2014, 14(5): 625-630. doi: 10.7507/1672-2531.20140103 復制

網狀Meta分析自2002年由Lumley教授正式提出以來^{[1, 2]}，引發廣泛關注。近年來，網狀Meta分析的方法學得到了快速發展且越發成熟。因貝葉斯理論克服了許多經典頻率學無法解釋的問題，更適合于網狀Meta分析，故當前網狀Meta分析制作仍以直接或間接使用基于貝葉斯理論研發的軟件為主^[3-8]。然而，貝葉斯先驗設定卻一直是軟件使用者的主要難題之一，特別是對于初學者，對其設定往往較為保守。

近年來，隨著經典頻率學派的不斷完善，其在網狀Meta分析中的應用也逐漸顯現并取得了較大發展。R軟件netmeta程序包^[9]就是基于經典頻率學派研發的一款專用于實現網狀Meta分析的程序包，本文以《R軟件R2WinBUGS程序包在網狀Meta分析中的應用》一文的數據為示例^{[3, 10]}，對該程序包的使用進行介紹。

1 程序包安裝與加載

R軟件當前的最新版本為R-3.0.2，可從官方網站[http://www.r.project.org]上獲取。R軟件的安裝可參閱《R軟件Metafor程序包在Meta分析中的應用》一文^[11]。

R軟件安裝之后，就可以安裝及加載相關的程序包了。因netmeta程序包^[9]內部數據處理和圖形繪制的核心代碼均依賴于meta程序包^[12]及grid程序包實現，因此，在安裝與加載netmeta程序包的同時，還需安裝與加載meta及grid這兩個程序包。全部完成之后，方可進行后續操作。

netmeta程序包的具體安裝與加載代碼如下：

install.packages(“netmeta”)

library(“netmeta”)

meta程序包為：

install.packages(“meta”)

library(“meta”)

grid程序包為：

install.packages(“grid”)

library(“grid”)

2 數據預處理與加載

netmeta程序包在數據的加載上與nlme程序包^[7]相似，其最終需要加載的數據格式為：效應量、標準誤、配對治療方案以及配對治療方案的研究者編號。表 1展示了最終預加載的數據及其格式，其預加載數據運算過程請參閱《R軟件nlme程序包在網狀Meta分析中的應用》一文^[7]。

數據按照表 1處理好之后，將其儲存在桌面的“Rwork”文件夾下的“netmetadata.txt”文本中。存貯完畢后，即可進行讀取。

表1 處理后加載數據

表選項

下載CSV

表1 處理后加載數據

studlab	TE	seTE	t1	t2
1	–0.106	0.23	A	B
1	–0.235	0.229	A	G
1	–0.129	0.23	B	G
2	–0.443	0.261	A	B
2	–0.109	0.258	A	L
2	0.334	0.264	B	L
3	–0.765	0.264	A	B
3	–0.863	0.266	A	L
3	–0.098	0.272	B	L
4	–1.651	0.216	A	D
5	–0.416	0.266	A	D
6	–0.769	0.224	A	D
7	–0.344	0.273	A	D
8	–0.197	0.198	A	D
8	–0.385	0.227	A	E
8	–0.188	0.196	D	E
9	–0.030	0.245	A	E
10	–0.608	0.251	A	E
11	–1.061	0.286	A	E
12	–0.461	0.22	A	E
12	–0.379	0.22	A	F
12	0.081	0.173	E	F
13	–0.479	0.348	A	E
13	–0.468	0.431	A	G
13	0.01	0.424	E	G
14	–0.594	0.251	A	E
14	–0.379	0.289	A	K
14	0.215	0.257	E	K
15	–0.947	0.26	A	E
15	–1.245	0.321	A	K
15	–0.298	0.289	E	K
16	–1.056	0.294	A	G
17	–0.193	0.536	A	G
17	–0.225	0.535	A	K
17	–0.032	0.388	G	K
18	–0.293	0.286	A	G
18	–0.563	0.286	A	N
18	–0.271	0.28	G	N
19	–0.349	0.284	A	G
19	–0.490	0.287	A	N
19	–0.141	0.281	G	N
20	–0.956	0.707	A	H
21	–1.168	0.464	A	J
22	–0.617	0.385	A	J
23	-1.043	0.424	A	K
24	–0.795	0.256	A	L
25	–0.267	0.423	A	L
26	–0.790	0.239	A	L
27	–0.663	0.255	A	L
28	–0.885	0.37	A	L
29	–1.156	0.301	A	N
30	0.173	0.366	B	G
31	–0.355	0.279	B	L
32	0.74	0.369	B	M
33	0.161	0.284	C	F
34	0.102	0.298	C	H
35	–0.463	0.242	E	F
36	–0.485	0.239	E	F
37	–0.211	0.19	E	K
38	0.02	0.303	F	G
39	0.533	0.206	F	K
40	0.074	0.296	F	L
41	0.534	0.288	F	N
42	–0.304	0.349	G	I
43	–0.042	0.36	G	J
44	0.029	0.296	G	K
45	–0.288	0.439	G	K
46	0.08	0.4	G	K
47	–0.205	0.305	G	K
47	–0.503	0.314	G	L
47	–0.297	0.316	K	L
48	–0.510	0.275	G	L
49	–0.308	0.238	G	L
50	–0.341	0.395	G	N
51	–0.875	0.584	G	N
52	0.414	0.218	G	N
53	–0.344	0.285	G	N
54	–0.480	0.238	G	N
55	–0.790	0.34	G	N
56	0.189	0.242	I	K
57	0.407	0.286	I	M
58	–1.186	0.717	J	K
59	0.154	0.317	J	L
60	0.336	0.62	K	M
61	–0.581	0.393	L	M
62	–0.354	0.34	L	N
63	0.197	0.339	L	N
64	–0.329	0.323	L	N
注：上述數據均保留3位小數。studlab：配對治療措施的研究者編號，其中3臂試驗存在3個配對比較（如研究“1”所示）；TE：配對藥物比較效應量，本處為logOR；seTE：配對藥物比較效應量所對應的標準誤；t1與t2：分別表示兩種配對藥物編號，其中： A為placebo，B為bupropion，C為citalopram，D為desvenlafaxine，E為duloxetine，F為escitalopram，G為fluoxetine，H為fluvoxamine，I為mirtazapine，J為nefazodone，K為paroxetine，L為sertraline，M為trazodone，N為velafaxine。

具體讀取命令如下：

data＜-read.table("C:/Users/Administrator/Desktop/Rwork/netmetadata.txt", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)

讀取成功，則表明數據成功加載。

3 數據運算

在完成上述數據排列及加載之后，即可進行相應的運算。

執行運算的具體代碼如下：

net1＜-netmeta(TE=data$TE, seTE=data$seTE, treat1=data$t1, treat2=data$t2, studlab=data$studlab, comb.random=TRUE, sm="OR", reference="A")

代碼中：TE、seTE、t1、t2、studlab參數參見表 1的注釋；“comb.random”表示是否默認儲存隨機模型，而配對研究的固定和隨機模型均會執行；“sm”表示選取的最終合并效應量；“reference”表示選取的參考治療方案，可以依次更改參考藥名，來獲取其他配對結果。

4 結果匯總

運算完成后，即可對運算的相關結果一一進行展示。

展示結果的命令較多，通過“net1”命令則可一次性展示單個配對比較的結果（表 2）及合并的結果（表 3）。兩種形式均可同時展示出固定效應與隨機效應模型的結果。

表2 配對治療方案結果

表選項

下載CSV

表2 配對治療方案結果

Data utilised in network meta-analysis
?	t1	t2	fixed effect model					?	random effects model
?	t1	t2	OR	95%CI	W%	Q	Leverage	?	OR	95%CI	W%
1	A	B	0.5789	[0.4624;0.7247]	1.33	2.44	0.17	?	0.5707	[0.4290;0.7591]	1.32
1	A	G	0.6141	[0.5227;0.7214]	1.35	0.82	0.09	?	0.6192	[0.5054;0.7587]	1.34
1	B	G	1.0608	[0.8371;1.3442]	1.33	0.44	0.18	?	1.0851	[0.8039;1.4646]	1.32
2	A	B	0.5789	[0.4624;0.7247]	1.03	0.11	0.13	?	0.5707	[0.4290;0.7591]	1.14
2	A	L	0.5145	[0.4398;0.6019]	1.08	3.16	0.07	?	0.5198	[0.4246;0.6363]	1.17
2	B	L	0.8887	[0.7080;1.1155]	0.99	1.91	0.13	?	0.9108	[0.6825;1.2156]	1.1
3	A	B	0.5789	[0.4624;0.7247]	1.04	0.47	0.13	?	0.5707	[0.4290;0.7591]	1.14
3	A	L	0.5145	[0.4398;0.6019]	1.01	0.38	0.06	?	0.5198	[0.4246;0.6363]	1.12
3	B	L	0.8887	[0.7080;1.1155]	0.92	0	0.12	?	0.9108	[0.6825;1.2156]	1.05
4	A	D	0.5088	[0.4203;0.6159]	2.26	20.39	0.2	?	0.5216	[0.3968;0.6856]	1.74
5	A	D	0.5088	[0.4203;0.6159]	1.49	0.95	0.13	?	0.5216	[0.3968;0.6856]	1.41
6	A	D	0.5088	[0.4203;0.6159]	2.11	0.17	0.19	?	0.5216	[0.3968;0.6856]	1.68
7	A	D	0.5088	[0.4203;0.6159]	1.42	1.48	0.13	?	0.5216	[0.3968;0.6856]	1.37
8	A	D	0.5088	[0.4203;0.6159]	2.01	4.35	0.18	?	0.5216	[0.3968;0.6856]	1.64
8	A	E	0.5596	[0.4801;0.6522]	1.03	0.37	0.06	?	0.5619	[0.4583;0.6890]	1.14
8	D	E	1.0999	[0.8767;1.3799]	2.07	1.57	0.26	?	1.0773	[0.7830;1.4821]	1.67
9	A	E	0.5596	[0.4801;0.6522]	1.76	5.05	0.1	?	0.5619	[0.4583;0.6890]	1.54
10	A	E	0.5596	[0.4801;0.6522]	1.68	0.01	0.1	?	0.5619	[0.4583;0.6890]	1.5
11	A	E	0.5596	[0.4801;0.6522]	1.29	2.82	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	E	0.5596	[0.4801;0.6522]	1.29	0.17	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	F	0.4322	[0.3538;0.5279]	1.29	2.58	0.13	?	0.4325	[0.3293;0.5680]	1.3
12	E	F	0.7723	[0.6402;0.9318]	2.88	3.14	0.25	?	0.7696	[0.5888;1.0060]	1.92
13	A	E	0.5596	[0.4801;0.6522]	0.7	0.07	0.04	?	0.5619	[0.4583;0.6890]	0.87
13	A	G	0.6141	[0.5227;0.7214]	0.33	0	0.02	?	0.6192	[0.5054;0.7587]	0.48
13	E	G	1.0974	[0.9011;1.3365]	0.36	0.02	0.03	?	1.102	[0.8521;1.4251]	0.52
14	A	E	0.5596	[0.4801;0.6522]	1.26	0	0.07	?	0.5619	[0.4583;0.6890]	1.28
14	A	K	0.5431	[0.4480;0.6584]	0.66	0.33	0.06	?	0.5366	[0.4198;0.6860]	0.84
14	E	K	0.9705	[0.8013;1.1756]	1.17	0.66	0.11	?	0.955	[0.7367;1.2379]	1.23
15	A	E	0.5596	[0.4801;0.6522]	1.24	1.58	0.07	?	0.5619	[0.4583;0.6890]	1.27
15	A	K	0.5431	[0.4480;0.6584]	0.5	1.91	0.05	?	0.5366	[0.4198;0.6860]	0.68
15	E	K	0.9705	[0.8013;1.1756]	0.91	0.62	0.08	?	0.955	[0.7367;1.2379]	1.04
16	A	G	0.6141	[0.5227;0.7214]	1.22	3.74	0.08	?	0.6192	[0.5054;0.7587]	1.26
17	A	G	0.6141	[0.5227;0.7214]	0.21	0.17	0.01	?	0.6192	[0.5054;0.7587]	0.33
17	A	K	0.5431	[0.4480;0.6584]	0.21	0.3	0.02	?	0.5366	[0.4198;0.6860]	0.33
17	G	K	0.8844	[0.7241;1.0801]	0.6	0.05	0.06	?	0.8666	[0.6744;1.1135]	0.77
18	A	G	0.6141	[0.5227;0.7214]	0.85	0.3	0.05	?	0.6192	[0.5054;0.7587]	1
18	A	N	0.4905	[0.4041;0.5954]	0.85	0.18	0.08	?	0.481	[0.3761;0.6152]	1
18	G	N	0.7987	[0.6734;0.9474]	0.92	0.02	0.07	?	0.7768	[0.6229;0.9688]	1.06
19	A	G	0.6141	[0.5227;0.7214]	0.87	0.16	0.06	?	0.6192	[0.5054;0.7587]	1.02
19	A	N	0.4905	[0.4041;0.5954]	0.84	0.39	0.08	?	0.481	[0.3761;0.6152]	0.99
19	G	N	0.7987	[0.6734;0.9474]	0.91	0.06	0.07	?	0.7768	[0.6229;0.9688]	1.05
20	A	H	0.4015	[0.1968;0.8191]	0.21	0	0.26	?	0.3997	[0.1673;0.9547]	0.33
21	A	J	0.5129	[0.3574;0.7360]	0.49	1.16	0.16	?	0.5238	[0.3406;0.8056]	0.67
22	A	J	0.5129	[0.3574;0.7360]	0.71	0.02	0.23	?	0.5238	[0.3406;0.8056]	0.88
23	A	K	0.5431	[0.4480;0.6584]	0.59	1.04	0.05	?	0.5366	[0.4198;0.6860]	0.77
24	A	L	0.5145	[0.4398;0.6019]	1.61	0.26	0.1	?	0.5198	[0.4246;0.6363]	1.47
25	A	L	0.5145	[0.4398;0.6019]	0.59	0.88	0.04	?	0.5198	[0.4246;0.6363]	0.77
26	A	L	0.5145	[0.4398;0.6019]	1.85	0.28	0.11	?	0.5198	[0.4246;0.6363]	1.58
27	A	L	0.5145	[0.4398;0.6019]	1.62	0	0.1	?	0.5198	[0.4246;0.6363]	1.48
28	A	L	0.5145	[0.4398;0.6019]	0.77	0.35	0.05	?	0.5198	[0.4246;0.6363]	0.93
29	A	N	0.4905	[0.4041;0.5954]	1.17	2.17	0.11	?	0.481	[0.3761;0.6152]	1.23
30	B	G	1.0608	[0.8371;1.3442]	0.79	0.1	0.11	?	1.0851	[0.8039;1.4646]	0.95
31	B	L	0.8887	[0.7080;1.1155]	1.36	0.72	0.17	?	0.9108	[0.6825;1.2156]	1.34
32	B	M	1.1251	[0.7357;1.7208]	0.78	2.84	0.35	?	1.1294	[0.6742;1.8919]	0.94
33	C	F	1.1829	[0.7015;1.9949]	1.31	0	0.88	?	1.1861	[0.6076;2.3153]	1.31
34	C	H	1.0989	[0.6374;1.8944]	1.19	0	0.87	?	1.0961	[0.5529;2.1731]	1.24
35	E	F	0.7723	[0.6402;0.9318]	1.8	0.72	0.16	?	0.7696	[0.5888;1.0060]	1.56
36	E	F	0.7723	[0.6402;0.9318]	1.85	0.9	0.16	?	0.7696	[0.5888;1.0060]	1.58
37	E	K	0.9705	[0.8013;1.1756]	2.93	0.91	0.26	?	0.955	[0.7367;1.2379]	1.93
38	F	G	1.4209	[1.1415;1.7688]	1.15	1.2	0.14	?	1.4319	[1.0686;1.9187]	1.22
39	F	K	1.2566	[1.0087;1.5655]	2.49	2.19	0.3	?	1.2408	[0.9149;1.6830]	1.81
40	F	L	1.1904	[0.9493;1.4928]	1.21	0.11	0.15	?	1.2019	[0.8877;1.6273]	1.25
41	F	N	1.1349	[0.8908;1.4461]	1.27	2	0.18	?	1.1123	[0.8072;1.5327]	1.29
42	G	I	0.7247	[0.5019;1.0464]	0.87	0	0.29	?	0.7143	[0.4433;1.1509]	1.01
43	G	J	0.8352	[0.5779;1.2070]	0.82	0.15	0.27	?	0.8459	[0.5444;1.3143]	0.97
44	G	K	0.8844	[0.7241;1.0801]	1.21	0.26	0.12	?	0.8666	[0.6744;1.1135]	1.25
45	G	K	0.8844	[0.7241;1.0801]	0.55	0.14	0.05	?	0.8666	[0.6744;1.1135]	0.73
46	G	K	0.8844	[0.7241;1.0801]	0.66	0.26	0.07	?	0.8666	[0.6744;1.1135]	0.84
47	G	K	0.8844	[0.7241;1.0801]	0.79	0.05	0.08	?	0.8666	[0.6744;1.1135]	0.95
47	G	L	0.8378	[0.7036;0.9976]	0.7	0.71	0.05	?	0.8394	[0.6710;1.0501]	0.88
47	K	L	0.9473	[0.7612;1.1788]	0.69	0.38	0.08	?	0.9686	[0.7331;1.2798]	0.86
48	G	L	0.8378	[0.7036;0.9976]	1.4	1.47	0.1	?	0.8394	[0.6710;1.0501]	1.36
49	G	L	0.8378	[0.7036;0.9976]	1.87	0.3	0.14	?	0.8394	[0.6710;1.0501]	1.59
50	G	N	0.7987	[0.6734;0.9474]	0.68	0.09	0.05	?	0.7768	[0.6229;0.9688]	0.85
51	G	N	0.7987	[0.6734;0.9474]	0.31	1.24	0.02	?	0.7768	[0.6229;0.9688]	0.46
52	G	N	0.7987	[0.6734;0.9474]	2.22	8.58	0.16	?	0.7768	[0.6229;0.9688]	1.72
53	G	N	0.7987	[0.6734;0.9474]	1.3	0.18	0.09	?	0.7768	[0.6229;0.9688]	1.31
54	G	N	0.7987	[0.6734;0.9474]	1.87	1.15	0.13	?	0.7768	[0.6229;0.9688]	1.59
55	G	N	0.7987	[0.6734;0.9474]	0.91	2.76	0.07	?	0.7768	[0.6229;0.9688]	1.05
56	I	K	1.2203	[0.8558;1.7400]	1.8	0	0.56	?	1.2133	[0.7588;1.9399]	1.56
57	I	M	1.4636	[0.9599;2.2314]	1.29	0.01	0.57	?	1.4573	[0.8517;2.4934]	1.3
58	J	K	1.0589	[0.7164;1.5651]	0.21	3.01	0.08	?	1.0245	[0.6411;1.6371]	0.32
59	J	L	1.0031	[0.6962;1.4453]	1.05	0.23	0.35	?	0.9923	[0.6396;1.5397]	1.15
60	K	M	1.1994	[0.7891;1.8229]	0.27	0.06	0.12	?	1.2011	[0.7202;2.0031]	0.41
61	L	M	1.2661	[0.8377;1.9136]	0.68	4.32	0.29	?	1.24	[0.7514;2.0463]	0.86
62	L	N	0.9534	[0.7786;1.1675]	0.91	0.81	0.09	?	0.9254	[0.7149;1.1981]	1.05
63	L	N	0.9534	[0.7786;1.1675]	0.92	0.52	0.09	?	0.9254	[0.7149;1.1981]	1.05
64	L	N	0.9534	[0.7786;1.1675]	1.01	0.76	0.1	?	0.9254	[0.7149;1.1981]	1.12

表3 合并結果匯總

表選項

下載CSV

表3 合并結果匯總

Treatment estimate (sm='OR', reference.group='A'):
?	固定效應模型		?	隨機效應模型
?	OR	95%-CI	?	OR	95%-CI
A	1	[1.0000;1.0000]	?	1	[1.0000;1.0000]
B	1.7273	[1.3798;2.1624]	?	1.7523	[1.3174;2.3307]
C	2.7371	[1.5778;4.7482]	?	2.7426	[1.3549;5.5517]
D	1.9655	[1.6236;2.3794]	?	1.9172	[1.4585;2.5201]
E	1.787	[1.5332;2.0829]	?	1.7796	[1.4514;2.1822]
F	2.3138	[1.8943;2.8262]	?	2.3123	[1.7606;3.0370]
G	1.6284	[1.3862;1.9130]	?	1.6149	[1.3180;1.9787]
H	2.4908	[1.2208;5.0819]	?	2.5022	[1.0474;5.9774]
I	2.2469	[1.5480;3.2613]	?	2.2609	[1.3896;3.6786]
J	1.9497	[1.3587;2.7978]	?	1.9091	[1.2413;2.9362]
K	1.8413	[1.5189;2.2321]	?	1.8635	[1.4577;2.3823]
L	1.9437	[1.6615;2.2738]	?	1.9239	[1.5715;2.3553]
M	1.5352	[1.0133;2.3261]	?	1.5515	[0.9359;2.5720]
N	2.0387	[1.6795;2.4748]	?	2.0789	[1.6254;2.6589]
?	?	?	?	?	?
Quantifying heterogeneity/inconsistency:
tau^2=0.0581; I^2=42%
Test of heterogeneity/inconsistency:
?	Q	d.f.	p.value		?
?	108.65	63	0.0003		?

此外，執行“net1”命令后的結果應為三部分：原始數據分析、配對治療方案結果及結果匯總分析，其中原始數據分析結果的資料在此未作展示，讀者運行命令后即可獲取。

5 繪制圖形

netmeta程序包當前僅支持森林圖的繪制。具體命令如下：

forest(net1, ref="A")

命令中：“ref”表示選取的參考藥物，本例為A；“net1”為數據匯總的命令。因步驟3中運算時設定的為隨機效應模型，故森林圖依據隨機效應模型繪制（圖 1）。可以看到，圖 1是表 3中隨機效應模型結果的展示。

圖1 基于隨機效應模型的合并結果的森林圖

圖選項

下載全尺寸圖像

下載幻燈片

至此，使用netmeta程序包實現網狀Meta分析中的操作就全部完成。

6 結語

netmeta程序包是目前唯一一個基于頻率學派研發的、且未使用回歸模型就能一次性完成網狀Meta分析的程序包。因此，其避免了貝葉斯統計中復雜先驗設置、初始值設置，以及回歸模型^[7]啞變量和方差-協方差矩陣等設置所帶來的人為偏差，簡化了操作者對各參數的設定。然而，盡管netmeta程序包在數據運算及操作流程上較其他程序包^[3-8]簡捷，但其在圖形的繪制功能上仍有待完善；此外，與基于貝葉斯統計研發的軟件及程序包相比，其在結果似然估計精確度上亦稍為遜色。與前述的基于頻率學派研發的nlme程序包^[7]相比，netmeta程序包能順利處理大于兩臂的研究，更加適合初學者。在圖形方面，netmeta程序包已可繪制森林圖；網狀Meta分析中建議繪制的網狀關系圖可通過network程序包等來實現^[13]。

盡管該程序包在使用方面存在諸多優點，但對于組間與組內的異質性與一致性的鑒別仍有所欠缺，同時，對相關性的考量也未引入到該程序包中。隨著網狀Meta分析方法學不斷完善及該程序包的不斷更新，相信該程序包的優勢將逐漸展露，運用也將越發廣泛。

1 程序包安裝與加載

R軟件當前的最新版本為R-3.0.2，可從官方網站[http://www.r.project.org]上獲取。R軟件的安裝可參閱《R軟件Metafor程序包在Meta分析中的應用》一文^[11]。

netmeta程序包的具體安裝與加載代碼如下：

install.packages(“netmeta”)

library(“netmeta”)

meta程序包為：

install.packages(“meta”)

library(“meta”)

grid程序包為：

install.packages(“grid”)

library(“grid”)

2 數據預處理與加載

數據按照表 1處理好之后，將其儲存在桌面的“Rwork”文件夾下的“netmetadata.txt”文本中。存貯完畢后，即可進行讀取。

表1 處理后加載數據

表選項

下載CSV

表1 處理后加載數據

studlab	TE	seTE	t1	t2
1	–0.106	0.23	A	B
1	–0.235	0.229	A	G
1	–0.129	0.23	B	G
2	–0.443	0.261	A	B
2	–0.109	0.258	A	L
2	0.334	0.264	B	L
3	–0.765	0.264	A	B
3	–0.863	0.266	A	L
3	–0.098	0.272	B	L
4	–1.651	0.216	A	D
5	–0.416	0.266	A	D
6	–0.769	0.224	A	D
7	–0.344	0.273	A	D
8	–0.197	0.198	A	D
8	–0.385	0.227	A	E
8	–0.188	0.196	D	E
9	–0.030	0.245	A	E
10	–0.608	0.251	A	E
11	–1.061	0.286	A	E
12	–0.461	0.22	A	E
12	–0.379	0.22	A	F
12	0.081	0.173	E	F
13	–0.479	0.348	A	E
13	–0.468	0.431	A	G
13	0.01	0.424	E	G
14	–0.594	0.251	A	E
14	–0.379	0.289	A	K
14	0.215	0.257	E	K
15	–0.947	0.26	A	E
15	–1.245	0.321	A	K
15	–0.298	0.289	E	K
16	–1.056	0.294	A	G
17	–0.193	0.536	A	G
17	–0.225	0.535	A	K
17	–0.032	0.388	G	K
18	–0.293	0.286	A	G
18	–0.563	0.286	A	N
18	–0.271	0.28	G	N
19	–0.349	0.284	A	G
19	–0.490	0.287	A	N
19	–0.141	0.281	G	N
20	–0.956	0.707	A	H
21	–1.168	0.464	A	J
22	–0.617	0.385	A	J
23	-1.043	0.424	A	K
24	–0.795	0.256	A	L
25	–0.267	0.423	A	L
26	–0.790	0.239	A	L
27	–0.663	0.255	A	L
28	–0.885	0.37	A	L
29	–1.156	0.301	A	N
30	0.173	0.366	B	G
31	–0.355	0.279	B	L
32	0.74	0.369	B	M
33	0.161	0.284	C	F
34	0.102	0.298	C	H
35	–0.463	0.242	E	F
36	–0.485	0.239	E	F
37	–0.211	0.19	E	K
38	0.02	0.303	F	G
39	0.533	0.206	F	K
40	0.074	0.296	F	L
41	0.534	0.288	F	N
42	–0.304	0.349	G	I
43	–0.042	0.36	G	J
44	0.029	0.296	G	K
45	–0.288	0.439	G	K
46	0.08	0.4	G	K
47	–0.205	0.305	G	K
47	–0.503	0.314	G	L
47	–0.297	0.316	K	L
48	–0.510	0.275	G	L
49	–0.308	0.238	G	L
50	–0.341	0.395	G	N
51	–0.875	0.584	G	N
52	0.414	0.218	G	N
53	–0.344	0.285	G	N
54	–0.480	0.238	G	N
55	–0.790	0.34	G	N
56	0.189	0.242	I	K
57	0.407	0.286	I	M
58	–1.186	0.717	J	K
59	0.154	0.317	J	L
60	0.336	0.62	K	M
61	–0.581	0.393	L	M
62	–0.354	0.34	L	N
63	0.197	0.339	L	N
64	–0.329	0.323	L	N
注：上述數據均保留3位小數。studlab：配對治療措施的研究者編號，其中3臂試驗存在3個配對比較（如研究“1”所示）；TE：配對藥物比較效應量，本處為logOR；seTE：配對藥物比較效應量所對應的標準誤；t1與t2：分別表示兩種配對藥物編號，其中： A為placebo，B為bupropion，C為citalopram，D為desvenlafaxine，E為duloxetine，F為escitalopram，G為fluoxetine，H為fluvoxamine，I為mirtazapine，J為nefazodone，K為paroxetine，L為sertraline，M為trazodone，N為velafaxine。

具體讀取命令如下：

data＜-read.table("C:/Users/Administrator/Desktop/Rwork/netmetadata.txt", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE)

讀取成功，則表明數據成功加載。

3 數據運算

在完成上述數據排列及加載之后，即可進行相應的運算。

執行運算的具體代碼如下：

net1＜-netmeta(TE=data$TE, seTE=data$seTE, treat1=data$t1, treat2=data$t2, studlab=data$studlab, comb.random=TRUE, sm="OR", reference="A")

4 結果匯總

運算完成后，即可對運算的相關結果一一進行展示。

表2 配對治療方案結果

表選項

下載CSV

表2 配對治療方案結果

Data utilised in network meta-analysis
?	t1	t2	fixed effect model					?	random effects model
?	t1	t2	OR	95%CI	W%	Q	Leverage	?	OR	95%CI	W%
1	A	B	0.5789	[0.4624;0.7247]	1.33	2.44	0.17	?	0.5707	[0.4290;0.7591]	1.32
1	A	G	0.6141	[0.5227;0.7214]	1.35	0.82	0.09	?	0.6192	[0.5054;0.7587]	1.34
1	B	G	1.0608	[0.8371;1.3442]	1.33	0.44	0.18	?	1.0851	[0.8039;1.4646]	1.32
2	A	B	0.5789	[0.4624;0.7247]	1.03	0.11	0.13	?	0.5707	[0.4290;0.7591]	1.14
2	A	L	0.5145	[0.4398;0.6019]	1.08	3.16	0.07	?	0.5198	[0.4246;0.6363]	1.17
2	B	L	0.8887	[0.7080;1.1155]	0.99	1.91	0.13	?	0.9108	[0.6825;1.2156]	1.1
3	A	B	0.5789	[0.4624;0.7247]	1.04	0.47	0.13	?	0.5707	[0.4290;0.7591]	1.14
3	A	L	0.5145	[0.4398;0.6019]	1.01	0.38	0.06	?	0.5198	[0.4246;0.6363]	1.12
3	B	L	0.8887	[0.7080;1.1155]	0.92	0	0.12	?	0.9108	[0.6825;1.2156]	1.05
4	A	D	0.5088	[0.4203;0.6159]	2.26	20.39	0.2	?	0.5216	[0.3968;0.6856]	1.74
5	A	D	0.5088	[0.4203;0.6159]	1.49	0.95	0.13	?	0.5216	[0.3968;0.6856]	1.41
6	A	D	0.5088	[0.4203;0.6159]	2.11	0.17	0.19	?	0.5216	[0.3968;0.6856]	1.68
7	A	D	0.5088	[0.4203;0.6159]	1.42	1.48	0.13	?	0.5216	[0.3968;0.6856]	1.37
8	A	D	0.5088	[0.4203;0.6159]	2.01	4.35	0.18	?	0.5216	[0.3968;0.6856]	1.64
8	A	E	0.5596	[0.4801;0.6522]	1.03	0.37	0.06	?	0.5619	[0.4583;0.6890]	1.14
8	D	E	1.0999	[0.8767;1.3799]	2.07	1.57	0.26	?	1.0773	[0.7830;1.4821]	1.67
9	A	E	0.5596	[0.4801;0.6522]	1.76	5.05	0.1	?	0.5619	[0.4583;0.6890]	1.54
10	A	E	0.5596	[0.4801;0.6522]	1.68	0.01	0.1	?	0.5619	[0.4583;0.6890]	1.5
11	A	E	0.5596	[0.4801;0.6522]	1.29	2.82	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	E	0.5596	[0.4801;0.6522]	1.29	0.17	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	F	0.4322	[0.3538;0.5279]	1.29	2.58	0.13	?	0.4325	[0.3293;0.5680]	1.3
12	E	F	0.7723	[0.6402;0.9318]	2.88	3.14	0.25	?	0.7696	[0.5888;1.0060]	1.92
13	A	E	0.5596	[0.4801;0.6522]	0.7	0.07	0.04	?	0.5619	[0.4583;0.6890]	0.87
13	A	G	0.6141	[0.5227;0.7214]	0.33	0	0.02	?	0.6192	[0.5054;0.7587]	0.48
13	E	G	1.0974	[0.9011;1.3365]	0.36	0.02	0.03	?	1.102	[0.8521;1.4251]	0.52
14	A	E	0.5596	[0.4801;0.6522]	1.26	0	0.07	?	0.5619	[0.4583;0.6890]	1.28
14	A	K	0.5431	[0.4480;0.6584]	0.66	0.33	0.06	?	0.5366	[0.4198;0.6860]	0.84
14	E	K	0.9705	[0.8013;1.1756]	1.17	0.66	0.11	?	0.955	[0.7367;1.2379]	1.23
15	A	E	0.5596	[0.4801;0.6522]	1.24	1.58	0.07	?	0.5619	[0.4583;0.6890]	1.27
15	A	K	0.5431	[0.4480;0.6584]	0.5	1.91	0.05	?	0.5366	[0.4198;0.6860]	0.68
15	E	K	0.9705	[0.8013;1.1756]	0.91	0.62	0.08	?	0.955	[0.7367;1.2379]	1.04
16	A	G	0.6141	[0.5227;0.7214]	1.22	3.74	0.08	?	0.6192	[0.5054;0.7587]	1.26
17	A	G	0.6141	[0.5227;0.7214]	0.21	0.17	0.01	?	0.6192	[0.5054;0.7587]	0.33
17	A	K	0.5431	[0.4480;0.6584]	0.21	0.3	0.02	?	0.5366	[0.4198;0.6860]	0.33
17	G	K	0.8844	[0.7241;1.0801]	0.6	0.05	0.06	?	0.8666	[0.6744;1.1135]	0.77
18	A	G	0.6141	[0.5227;0.7214]	0.85	0.3	0.05	?	0.6192	[0.5054;0.7587]	1
18	A	N	0.4905	[0.4041;0.5954]	0.85	0.18	0.08	?	0.481	[0.3761;0.6152]	1
18	G	N	0.7987	[0.6734;0.9474]	0.92	0.02	0.07	?	0.7768	[0.6229;0.9688]	1.06
19	A	G	0.6141	[0.5227;0.7214]	0.87	0.16	0.06	?	0.6192	[0.5054;0.7587]	1.02
19	A	N	0.4905	[0.4041;0.5954]	0.84	0.39	0.08	?	0.481	[0.3761;0.6152]	0.99
19	G	N	0.7987	[0.6734;0.9474]	0.91	0.06	0.07	?	0.7768	[0.6229;0.9688]	1.05
20	A	H	0.4015	[0.1968;0.8191]	0.21	0	0.26	?	0.3997	[0.1673;0.9547]	0.33
21	A	J	0.5129	[0.3574;0.7360]	0.49	1.16	0.16	?	0.5238	[0.3406;0.8056]	0.67
22	A	J	0.5129	[0.3574;0.7360]	0.71	0.02	0.23	?	0.5238	[0.3406;0.8056]	0.88
23	A	K	0.5431	[0.4480;0.6584]	0.59	1.04	0.05	?	0.5366	[0.4198;0.6860]	0.77
24	A	L	0.5145	[0.4398;0.6019]	1.61	0.26	0.1	?	0.5198	[0.4246;0.6363]	1.47
25	A	L	0.5145	[0.4398;0.6019]	0.59	0.88	0.04	?	0.5198	[0.4246;0.6363]	0.77
26	A	L	0.5145	[0.4398;0.6019]	1.85	0.28	0.11	?	0.5198	[0.4246;0.6363]	1.58
27	A	L	0.5145	[0.4398;0.6019]	1.62	0	0.1	?	0.5198	[0.4246;0.6363]	1.48
28	A	L	0.5145	[0.4398;0.6019]	0.77	0.35	0.05	?	0.5198	[0.4246;0.6363]	0.93
29	A	N	0.4905	[0.4041;0.5954]	1.17	2.17	0.11	?	0.481	[0.3761;0.6152]	1.23
30	B	G	1.0608	[0.8371;1.3442]	0.79	0.1	0.11	?	1.0851	[0.8039;1.4646]	0.95
31	B	L	0.8887	[0.7080;1.1155]	1.36	0.72	0.17	?	0.9108	[0.6825;1.2156]	1.34
32	B	M	1.1251	[0.7357;1.7208]	0.78	2.84	0.35	?	1.1294	[0.6742;1.8919]	0.94
33	C	F	1.1829	[0.7015;1.9949]	1.31	0	0.88	?	1.1861	[0.6076;2.3153]	1.31
34	C	H	1.0989	[0.6374;1.8944]	1.19	0	0.87	?	1.0961	[0.5529;2.1731]	1.24
35	E	F	0.7723	[0.6402;0.9318]	1.8	0.72	0.16	?	0.7696	[0.5888;1.0060]	1.56
36	E	F	0.7723	[0.6402;0.9318]	1.85	0.9	0.16	?	0.7696	[0.5888;1.0060]	1.58
37	E	K	0.9705	[0.8013;1.1756]	2.93	0.91	0.26	?	0.955	[0.7367;1.2379]	1.93
38	F	G	1.4209	[1.1415;1.7688]	1.15	1.2	0.14	?	1.4319	[1.0686;1.9187]	1.22
39	F	K	1.2566	[1.0087;1.5655]	2.49	2.19	0.3	?	1.2408	[0.9149;1.6830]	1.81
40	F	L	1.1904	[0.9493;1.4928]	1.21	0.11	0.15	?	1.2019	[0.8877;1.6273]	1.25
41	F	N	1.1349	[0.8908;1.4461]	1.27	2	0.18	?	1.1123	[0.8072;1.5327]	1.29
42	G	I	0.7247	[0.5019;1.0464]	0.87	0	0.29	?	0.7143	[0.4433;1.1509]	1.01
43	G	J	0.8352	[0.5779;1.2070]	0.82	0.15	0.27	?	0.8459	[0.5444;1.3143]	0.97
44	G	K	0.8844	[0.7241;1.0801]	1.21	0.26	0.12	?	0.8666	[0.6744;1.1135]	1.25
45	G	K	0.8844	[0.7241;1.0801]	0.55	0.14	0.05	?	0.8666	[0.6744;1.1135]	0.73
46	G	K	0.8844	[0.7241;1.0801]	0.66	0.26	0.07	?	0.8666	[0.6744;1.1135]	0.84
47	G	K	0.8844	[0.7241;1.0801]	0.79	0.05	0.08	?	0.8666	[0.6744;1.1135]	0.95
47	G	L	0.8378	[0.7036;0.9976]	0.7	0.71	0.05	?	0.8394	[0.6710;1.0501]	0.88
47	K	L	0.9473	[0.7612;1.1788]	0.69	0.38	0.08	?	0.9686	[0.7331;1.2798]	0.86
48	G	L	0.8378	[0.7036;0.9976]	1.4	1.47	0.1	?	0.8394	[0.6710;1.0501]	1.36
49	G	L	0.8378	[0.7036;0.9976]	1.87	0.3	0.14	?	0.8394	[0.6710;1.0501]	1.59
50	G	N	0.7987	[0.6734;0.9474]	0.68	0.09	0.05	?	0.7768	[0.6229;0.9688]	0.85
51	G	N	0.7987	[0.6734;0.9474]	0.31	1.24	0.02	?	0.7768	[0.6229;0.9688]	0.46
52	G	N	0.7987	[0.6734;0.9474]	2.22	8.58	0.16	?	0.7768	[0.6229;0.9688]	1.72
53	G	N	0.7987	[0.6734;0.9474]	1.3	0.18	0.09	?	0.7768	[0.6229;0.9688]	1.31
54	G	N	0.7987	[0.6734;0.9474]	1.87	1.15	0.13	?	0.7768	[0.6229;0.9688]	1.59
55	G	N	0.7987	[0.6734;0.9474]	0.91	2.76	0.07	?	0.7768	[0.6229;0.9688]	1.05
56	I	K	1.2203	[0.8558;1.7400]	1.8	0	0.56	?	1.2133	[0.7588;1.9399]	1.56
57	I	M	1.4636	[0.9599;2.2314]	1.29	0.01	0.57	?	1.4573	[0.8517;2.4934]	1.3
58	J	K	1.0589	[0.7164;1.5651]	0.21	3.01	0.08	?	1.0245	[0.6411;1.6371]	0.32
59	J	L	1.0031	[0.6962;1.4453]	1.05	0.23	0.35	?	0.9923	[0.6396;1.5397]	1.15
60	K	M	1.1994	[0.7891;1.8229]	0.27	0.06	0.12	?	1.2011	[0.7202;2.0031]	0.41
61	L	M	1.2661	[0.8377;1.9136]	0.68	4.32	0.29	?	1.24	[0.7514;2.0463]	0.86
62	L	N	0.9534	[0.7786;1.1675]	0.91	0.81	0.09	?	0.9254	[0.7149;1.1981]	1.05
63	L	N	0.9534	[0.7786;1.1675]	0.92	0.52	0.09	?	0.9254	[0.7149;1.1981]	1.05
64	L	N	0.9534	[0.7786;1.1675]	1.01	0.76	0.1	?	0.9254	[0.7149;1.1981]	1.12

表3 合并結果匯總

表選項

下載CSV

表3 合并結果匯總

Treatment estimate (sm='OR', reference.group='A'):
?	固定效應模型		?	隨機效應模型
?	OR	95%-CI	?	OR	95%-CI
A	1	[1.0000;1.0000]	?	1	[1.0000;1.0000]
B	1.7273	[1.3798;2.1624]	?	1.7523	[1.3174;2.3307]
C	2.7371	[1.5778;4.7482]	?	2.7426	[1.3549;5.5517]
D	1.9655	[1.6236;2.3794]	?	1.9172	[1.4585;2.5201]
E	1.787	[1.5332;2.0829]	?	1.7796	[1.4514;2.1822]
F	2.3138	[1.8943;2.8262]	?	2.3123	[1.7606;3.0370]
G	1.6284	[1.3862;1.9130]	?	1.6149	[1.3180;1.9787]
H	2.4908	[1.2208;5.0819]	?	2.5022	[1.0474;5.9774]
I	2.2469	[1.5480;3.2613]	?	2.2609	[1.3896;3.6786]
J	1.9497	[1.3587;2.7978]	?	1.9091	[1.2413;2.9362]
K	1.8413	[1.5189;2.2321]	?	1.8635	[1.4577;2.3823]
L	1.9437	[1.6615;2.2738]	?	1.9239	[1.5715;2.3553]
M	1.5352	[1.0133;2.3261]	?	1.5515	[0.9359;2.5720]
N	2.0387	[1.6795;2.4748]	?	2.0789	[1.6254;2.6589]
?	?	?	?	?	?
Quantifying heterogeneity/inconsistency:
tau^2=0.0581; I^2=42%
Test of heterogeneity/inconsistency:
?	Q	d.f.	p.value		?
?	108.65	63	0.0003		?

5 繪制圖形

netmeta程序包當前僅支持森林圖的繪制。具體命令如下：

forest(net1, ref="A")

圖1 基于隨機效應模型的合并結果的森林圖

圖選項

下載全尺寸圖像

下載幻燈片

至此，使用netmeta程序包實現網狀Meta分析中的操作就全部完成。

6 結語

表1 處理后加載數據

studlab	TE	seTE	t1	t2
1	–0.106	0.23	A	B
1	–0.235	0.229	A	G
1	–0.129	0.23	B	G
2	–0.443	0.261	A	B
2	–0.109	0.258	A	L
2	0.334	0.264	B	L
3	–0.765	0.264	A	B
3	–0.863	0.266	A	L
3	–0.098	0.272	B	L
4	–1.651	0.216	A	D
5	–0.416	0.266	A	D
6	–0.769	0.224	A	D
7	–0.344	0.273	A	D
8	–0.197	0.198	A	D
8	–0.385	0.227	A	E
8	–0.188	0.196	D	E
9	–0.030	0.245	A	E
10	–0.608	0.251	A	E
11	–1.061	0.286	A	E
12	–0.461	0.22	A	E
12	–0.379	0.22	A	F
12	0.081	0.173	E	F
13	–0.479	0.348	A	E
13	–0.468	0.431	A	G
13	0.01	0.424	E	G
14	–0.594	0.251	A	E
14	–0.379	0.289	A	K
14	0.215	0.257	E	K
15	–0.947	0.26	A	E
15	–1.245	0.321	A	K
15	–0.298	0.289	E	K
16	–1.056	0.294	A	G
17	–0.193	0.536	A	G
17	–0.225	0.535	A	K
17	–0.032	0.388	G	K
18	–0.293	0.286	A	G
18	–0.563	0.286	A	N
18	–0.271	0.28	G	N
19	–0.349	0.284	A	G
19	–0.490	0.287	A	N
19	–0.141	0.281	G	N
20	–0.956	0.707	A	H
21	–1.168	0.464	A	J
22	–0.617	0.385	A	J
23	-1.043	0.424	A	K
24	–0.795	0.256	A	L
25	–0.267	0.423	A	L
26	–0.790	0.239	A	L
27	–0.663	0.255	A	L
28	–0.885	0.37	A	L
29	–1.156	0.301	A	N
30	0.173	0.366	B	G
31	–0.355	0.279	B	L
32	0.74	0.369	B	M
33	0.161	0.284	C	F
34	0.102	0.298	C	H
35	–0.463	0.242	E	F
36	–0.485	0.239	E	F
37	–0.211	0.19	E	K
38	0.02	0.303	F	G
39	0.533	0.206	F	K
40	0.074	0.296	F	L
41	0.534	0.288	F	N
42	–0.304	0.349	G	I
43	–0.042	0.36	G	J
44	0.029	0.296	G	K
45	–0.288	0.439	G	K
46	0.08	0.4	G	K
47	–0.205	0.305	G	K
47	–0.503	0.314	G	L
47	–0.297	0.316	K	L
48	–0.510	0.275	G	L
49	–0.308	0.238	G	L
50	–0.341	0.395	G	N
51	–0.875	0.584	G	N
52	0.414	0.218	G	N
53	–0.344	0.285	G	N
54	–0.480	0.238	G	N
55	–0.790	0.34	G	N
56	0.189	0.242	I	K
57	0.407	0.286	I	M
58	–1.186	0.717	J	K
59	0.154	0.317	J	L
60	0.336	0.62	K	M
61	–0.581	0.393	L	M
62	–0.354	0.34	L	N
63	0.197	0.339	L	N
64	–0.329	0.323	L	N
注：上述數據均保留3位小數。studlab：配對治療措施的研究者編號，其中3臂試驗存在3個配對比較（如研究“1”所示）；TE：配對藥物比較效應量，本處為logOR；seTE：配對藥物比較效應量所對應的標準誤；t1與t2：分別表示兩種配對藥物編號，其中： A為placebo，B為bupropion，C為citalopram，D為desvenlafaxine，E為duloxetine，F為escitalopram，G為fluoxetine，H為fluvoxamine，I為mirtazapine，J為nefazodone，K為paroxetine，L為sertraline，M為trazodone，N為velafaxine。

表選項

下載CSV

表2 配對治療方案結果

Data utilised in network meta-analysis
?	t1	t2	fixed effect model					?	random effects model
?	t1	t2	OR	95%CI	W%	Q	Leverage	?	OR	95%CI	W%
1	A	B	0.5789	[0.4624;0.7247]	1.33	2.44	0.17	?	0.5707	[0.4290;0.7591]	1.32
1	A	G	0.6141	[0.5227;0.7214]	1.35	0.82	0.09	?	0.6192	[0.5054;0.7587]	1.34
1	B	G	1.0608	[0.8371;1.3442]	1.33	0.44	0.18	?	1.0851	[0.8039;1.4646]	1.32
2	A	B	0.5789	[0.4624;0.7247]	1.03	0.11	0.13	?	0.5707	[0.4290;0.7591]	1.14
2	A	L	0.5145	[0.4398;0.6019]	1.08	3.16	0.07	?	0.5198	[0.4246;0.6363]	1.17
2	B	L	0.8887	[0.7080;1.1155]	0.99	1.91	0.13	?	0.9108	[0.6825;1.2156]	1.1
3	A	B	0.5789	[0.4624;0.7247]	1.04	0.47	0.13	?	0.5707	[0.4290;0.7591]	1.14
3	A	L	0.5145	[0.4398;0.6019]	1.01	0.38	0.06	?	0.5198	[0.4246;0.6363]	1.12
3	B	L	0.8887	[0.7080;1.1155]	0.92	0	0.12	?	0.9108	[0.6825;1.2156]	1.05
4	A	D	0.5088	[0.4203;0.6159]	2.26	20.39	0.2	?	0.5216	[0.3968;0.6856]	1.74
5	A	D	0.5088	[0.4203;0.6159]	1.49	0.95	0.13	?	0.5216	[0.3968;0.6856]	1.41
6	A	D	0.5088	[0.4203;0.6159]	2.11	0.17	0.19	?	0.5216	[0.3968;0.6856]	1.68
7	A	D	0.5088	[0.4203;0.6159]	1.42	1.48	0.13	?	0.5216	[0.3968;0.6856]	1.37
8	A	D	0.5088	[0.4203;0.6159]	2.01	4.35	0.18	?	0.5216	[0.3968;0.6856]	1.64
8	A	E	0.5596	[0.4801;0.6522]	1.03	0.37	0.06	?	0.5619	[0.4583;0.6890]	1.14
8	D	E	1.0999	[0.8767;1.3799]	2.07	1.57	0.26	?	1.0773	[0.7830;1.4821]	1.67
9	A	E	0.5596	[0.4801;0.6522]	1.76	5.05	0.1	?	0.5619	[0.4583;0.6890]	1.54
10	A	E	0.5596	[0.4801;0.6522]	1.68	0.01	0.1	?	0.5619	[0.4583;0.6890]	1.5
11	A	E	0.5596	[0.4801;0.6522]	1.29	2.82	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	E	0.5596	[0.4801;0.6522]	1.29	0.17	0.07	?	0.5619	[0.4583;0.6890]	1.3
12	A	F	0.4322	[0.3538;0.5279]	1.29	2.58	0.13	?	0.4325	[0.3293;0.5680]	1.3
12	E	F	0.7723	[0.6402;0.9318]	2.88	3.14	0.25	?	0.7696	[0.5888;1.0060]	1.92
13	A	E	0.5596	[0.4801;0.6522]	0.7	0.07	0.04	?	0.5619	[0.4583;0.6890]	0.87
13	A	G	0.6141	[0.5227;0.7214]	0.33	0	0.02	?	0.6192	[0.5054;0.7587]	0.48
13	E	G	1.0974	[0.9011;1.3365]	0.36	0.02	0.03	?	1.102	[0.8521;1.4251]	0.52
14	A	E	0.5596	[0.4801;0.6522]	1.26	0	0.07	?	0.5619	[0.4583;0.6890]	1.28
14	A	K	0.5431	[0.4480;0.6584]	0.66	0.33	0.06	?	0.5366	[0.4198;0.6860]	0.84
14	E	K	0.9705	[0.8013;1.1756]	1.17	0.66	0.11	?	0.955	[0.7367;1.2379]	1.23
15	A	E	0.5596	[0.4801;0.6522]	1.24	1.58	0.07	?	0.5619	[0.4583;0.6890]	1.27
15	A	K	0.5431	[0.4480;0.6584]	0.5	1.91	0.05	?	0.5366	[0.4198;0.6860]	0.68
15	E	K	0.9705	[0.8013;1.1756]	0.91	0.62	0.08	?	0.955	[0.7367;1.2379]	1.04
16	A	G	0.6141	[0.5227;0.7214]	1.22	3.74	0.08	?	0.6192	[0.5054;0.7587]	1.26
17	A	G	0.6141	[0.5227;0.7214]	0.21	0.17	0.01	?	0.6192	[0.5054;0.7587]	0.33
17	A	K	0.5431	[0.4480;0.6584]	0.21	0.3	0.02	?	0.5366	[0.4198;0.6860]	0.33
17	G	K	0.8844	[0.7241;1.0801]	0.6	0.05	0.06	?	0.8666	[0.6744;1.1135]	0.77
18	A	G	0.6141	[0.5227;0.7214]	0.85	0.3	0.05	?	0.6192	[0.5054;0.7587]	1
18	A	N	0.4905	[0.4041;0.5954]	0.85	0.18	0.08	?	0.481	[0.3761;0.6152]	1
18	G	N	0.7987	[0.6734;0.9474]	0.92	0.02	0.07	?	0.7768	[0.6229;0.9688]	1.06
19	A	G	0.6141	[0.5227;0.7214]	0.87	0.16	0.06	?	0.6192	[0.5054;0.7587]	1.02
19	A	N	0.4905	[0.4041;0.5954]	0.84	0.39	0.08	?	0.481	[0.3761;0.6152]	0.99
19	G	N	0.7987	[0.6734;0.9474]	0.91	0.06	0.07	?	0.7768	[0.6229;0.9688]	1.05
20	A	H	0.4015	[0.1968;0.8191]	0.21	0	0.26	?	0.3997	[0.1673;0.9547]	0.33
21	A	J	0.5129	[0.3574;0.7360]	0.49	1.16	0.16	?	0.5238	[0.3406;0.8056]	0.67
22	A	J	0.5129	[0.3574;0.7360]	0.71	0.02	0.23	?	0.5238	[0.3406;0.8056]	0.88
23	A	K	0.5431	[0.4480;0.6584]	0.59	1.04	0.05	?	0.5366	[0.4198;0.6860]	0.77
24	A	L	0.5145	[0.4398;0.6019]	1.61	0.26	0.1	?	0.5198	[0.4246;0.6363]	1.47
25	A	L	0.5145	[0.4398;0.6019]	0.59	0.88	0.04	?	0.5198	[0.4246;0.6363]	0.77
26	A	L	0.5145	[0.4398;0.6019]	1.85	0.28	0.11	?	0.5198	[0.4246;0.6363]	1.58
27	A	L	0.5145	[0.4398;0.6019]	1.62	0	0.1	?	0.5198	[0.4246;0.6363]	1.48
28	A	L	0.5145	[0.4398;0.6019]	0.77	0.35	0.05	?	0.5198	[0.4246;0.6363]	0.93
29	A	N	0.4905	[0.4041;0.5954]	1.17	2.17	0.11	?	0.481	[0.3761;0.6152]	1.23
30	B	G	1.0608	[0.8371;1.3442]	0.79	0.1	0.11	?	1.0851	[0.8039;1.4646]	0.95
31	B	L	0.8887	[0.7080;1.1155]	1.36	0.72	0.17	?	0.9108	[0.6825;1.2156]	1.34
32	B	M	1.1251	[0.7357;1.7208]	0.78	2.84	0.35	?	1.1294	[0.6742;1.8919]	0.94
33	C	F	1.1829	[0.7015;1.9949]	1.31	0	0.88	?	1.1861	[0.6076;2.3153]	1.31
34	C	H	1.0989	[0.6374;1.8944]	1.19	0	0.87	?	1.0961	[0.5529;2.1731]	1.24
35	E	F	0.7723	[0.6402;0.9318]	1.8	0.72	0.16	?	0.7696	[0.5888;1.0060]	1.56
36	E	F	0.7723	[0.6402;0.9318]	1.85	0.9	0.16	?	0.7696	[0.5888;1.0060]	1.58
37	E	K	0.9705	[0.8013;1.1756]	2.93	0.91	0.26	?	0.955	[0.7367;1.2379]	1.93
38	F	G	1.4209	[1.1415;1.7688]	1.15	1.2	0.14	?	1.4319	[1.0686;1.9187]	1.22
39	F	K	1.2566	[1.0087;1.5655]	2.49	2.19	0.3	?	1.2408	[0.9149;1.6830]	1.81
40	F	L	1.1904	[0.9493;1.4928]	1.21	0.11	0.15	?	1.2019	[0.8877;1.6273]	1.25
41	F	N	1.1349	[0.8908;1.4461]	1.27	2	0.18	?	1.1123	[0.8072;1.5327]	1.29
42	G	I	0.7247	[0.5019;1.0464]	0.87	0	0.29	?	0.7143	[0.4433;1.1509]	1.01
43	G	J	0.8352	[0.5779;1.2070]	0.82	0.15	0.27	?	0.8459	[0.5444;1.3143]	0.97
44	G	K	0.8844	[0.7241;1.0801]	1.21	0.26	0.12	?	0.8666	[0.6744;1.1135]	1.25
45	G	K	0.8844	[0.7241;1.0801]	0.55	0.14	0.05	?	0.8666	[0.6744;1.1135]	0.73
46	G	K	0.8844	[0.7241;1.0801]	0.66	0.26	0.07	?	0.8666	[0.6744;1.1135]	0.84
47	G	K	0.8844	[0.7241;1.0801]	0.79	0.05	0.08	?	0.8666	[0.6744;1.1135]	0.95
47	G	L	0.8378	[0.7036;0.9976]	0.7	0.71	0.05	?	0.8394	[0.6710;1.0501]	0.88
47	K	L	0.9473	[0.7612;1.1788]	0.69	0.38	0.08	?	0.9686	[0.7331;1.2798]	0.86
48	G	L	0.8378	[0.7036;0.9976]	1.4	1.47	0.1	?	0.8394	[0.6710;1.0501]	1.36
49	G	L	0.8378	[0.7036;0.9976]	1.87	0.3	0.14	?	0.8394	[0.6710;1.0501]	1.59
50	G	N	0.7987	[0.6734;0.9474]	0.68	0.09	0.05	?	0.7768	[0.6229;0.9688]	0.85
51	G	N	0.7987	[0.6734;0.9474]	0.31	1.24	0.02	?	0.7768	[0.6229;0.9688]	0.46
52	G	N	0.7987	[0.6734;0.9474]	2.22	8.58	0.16	?	0.7768	[0.6229;0.9688]	1.72
53	G	N	0.7987	[0.6734;0.9474]	1.3	0.18	0.09	?	0.7768	[0.6229;0.9688]	1.31
54	G	N	0.7987	[0.6734;0.9474]	1.87	1.15	0.13	?	0.7768	[0.6229;0.9688]	1.59
55	G	N	0.7987	[0.6734;0.9474]	0.91	2.76	0.07	?	0.7768	[0.6229;0.9688]	1.05
56	I	K	1.2203	[0.8558;1.7400]	1.8	0	0.56	?	1.2133	[0.7588;1.9399]	1.56
57	I	M	1.4636	[0.9599;2.2314]	1.29	0.01	0.57	?	1.4573	[0.8517;2.4934]	1.3
58	J	K	1.0589	[0.7164;1.5651]	0.21	3.01	0.08	?	1.0245	[0.6411;1.6371]	0.32
59	J	L	1.0031	[0.6962;1.4453]	1.05	0.23	0.35	?	0.9923	[0.6396;1.5397]	1.15
60	K	M	1.1994	[0.7891;1.8229]	0.27	0.06	0.12	?	1.2011	[0.7202;2.0031]	0.41
61	L	M	1.2661	[0.8377;1.9136]	0.68	4.32	0.29	?	1.24	[0.7514;2.0463]	0.86
62	L	N	0.9534	[0.7786;1.1675]	0.91	0.81	0.09	?	0.9254	[0.7149;1.1981]	1.05
63	L	N	0.9534	[0.7786;1.1675]	0.92	0.52	0.09	?	0.9254	[0.7149;1.1981]	1.05
64	L	N	0.9534	[0.7786;1.1675]	1.01	0.76	0.1	?	0.9254	[0.7149;1.1981]	1.12

表選項

下載CSV

表3 合并結果匯總

Treatment estimate (sm='OR', reference.group='A'):
?	固定效應模型		?	隨機效應模型
?	OR	95%-CI	?	OR	95%-CI
A	1	[1.0000;1.0000]	?	1	[1.0000;1.0000]
B	1.7273	[1.3798;2.1624]	?	1.7523	[1.3174;2.3307]
C	2.7371	[1.5778;4.7482]	?	2.7426	[1.3549;5.5517]
D	1.9655	[1.6236;2.3794]	?	1.9172	[1.4585;2.5201]
E	1.787	[1.5332;2.0829]	?	1.7796	[1.4514;2.1822]
F	2.3138	[1.8943;2.8262]	?	2.3123	[1.7606;3.0370]
G	1.6284	[1.3862;1.9130]	?	1.6149	[1.3180;1.9787]
H	2.4908	[1.2208;5.0819]	?	2.5022	[1.0474;5.9774]
I	2.2469	[1.5480;3.2613]	?	2.2609	[1.3896;3.6786]
J	1.9497	[1.3587;2.7978]	?	1.9091	[1.2413;2.9362]
K	1.8413	[1.5189;2.2321]	?	1.8635	[1.4577;2.3823]
L	1.9437	[1.6615;2.2738]	?	1.9239	[1.5715;2.3553]
M	1.5352	[1.0133;2.3261]	?	1.5515	[0.9359;2.5720]
N	2.0387	[1.6795;2.4748]	?	2.0789	[1.6254;2.6589]
?	?	?	?	?	?
Quantifying heterogeneity/inconsistency:
tau^2=0.0581; I^2=42%
Test of heterogeneity/inconsistency:
?	Q	d.f.	p.value		?
?	108.65	63	0.0003		?

表選項

下載CSV

圖1 基于隨機效應模型的合并結果的森林圖

圖選項

下載全尺寸圖像

下載幻燈片

1.	曾憲濤, 曹世義, 孫鳳, 等. Meta分析系列之六:間接比較及網狀分析.中國循證心血管醫學雜志, 2012(05):399-402.
2.	Lumley T. Network meta-analysis for indirect treatment comparisons. Stat Med, 2002, 21(16):2313-24.
3.	曾憲濤, 張超, 郭毅. R軟件R2WinBUGS程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2013, 13(9):1137-1144.
4.	張超, 董圣杰, 曾憲濤. R軟件gemtc程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2013, 13(10):1258-1264.
5.	曾憲濤, 徐暢, 張超, 等.網狀Meta分析在Stata軟件中的實現.中國循證醫學雜志, 2013, 13(11):1387-1391.
6.	張超, 孫鳳, 曾憲濤. R調用JAGS軟件實現網狀Meta分析.中國循證醫學雜志, 2014, 14(2):241-248.
7.	張超, 牛玉明, 曾憲濤. R軟件nlme程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2014, 14(3):355-360.
8.	羅杰, 張超, 曾憲濤. R軟件調用OpenBUGS軟件實現網狀Meta分析.中國循證醫學雜志, 2014, 14(4):492-496.
9.	Gerta Ruecker GS. netmeta:Network meta-analysis with R. Available at: http://cran.r-project.org/web/packages/netmeta/netmetapdf.2013-08-01.
10.	Jonas DE, Wilkins TM, Bangdiwala S, et al. Findings of Bayesian Mixed Treatment Comparison Meta-Analyses:Comparison and Exploration Using Real-World Trial Data and Simulation[Internet]. Rockville (MD):Agency for Healthcare Research and Quality (US); [2013 Feb. Appendix A, WinBUGS Code Used in Bayesian Mixed Treatment Comparisons Meta-Analysis. Available from: http://www.ncbi.nlm.nih.gov/books/NBK126104/.
11.	董圣杰, 曾憲濤, 郭毅. R軟件Metafor程序包在Meta分析中的應用.中國循證醫學雜志. 2012, 12(9):1141-1147.
12.	蔣文瀚, 陳炳為, 鄭建光, 等. R語言meta包在Meta分析中的應用.循證醫學, 2011, 11(5):305-309.
13.	張超, 徐暢, 曾憲濤.網狀Meta分析中網狀關系圖的繪制.中國循證醫學雜志, 2013, 13(11):1382-1386.

1. 曾憲濤, 曹世義, 孫鳳, 等. Meta分析系列之六:間接比較及網狀分析.中國循證心血管醫學雜志, 2012(05):399-402.
2. Lumley T. Network meta-analysis for indirect treatment comparisons. Stat Med, 2002, 21(16):2313-24.
3. 曾憲濤, 張超, 郭毅. R軟件R2WinBUGS程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2013, 13(9):1137-1144.
4. 張超, 董圣杰, 曾憲濤. R軟件gemtc程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2013, 13(10):1258-1264.
5. 曾憲濤, 徐暢, 張超, 等.網狀Meta分析在Stata軟件中的實現.中國循證醫學雜志, 2013, 13(11):1387-1391.
6. 張超, 孫鳳, 曾憲濤. R調用JAGS軟件實現網狀Meta分析.中國循證醫學雜志, 2014, 14(2):241-248.
7. 張超, 牛玉明, 曾憲濤. R軟件nlme程序包在網狀Meta分析中的應用.中國循證醫學雜志, 2014, 14(3):355-360.
8. 羅杰, 張超, 曾憲濤. R軟件調用OpenBUGS軟件實現網狀Meta分析.中國循證醫學雜志, 2014, 14(4):492-496.
9. Gerta Ruecker GS. netmeta:Network meta-analysis with R. Available at: http://cran.r-project.org/web/packages/netmeta/netmetapdf.2013-08-01.
10. Jonas DE, Wilkins TM, Bangdiwala S, et al. Findings of Bayesian Mixed Treatment Comparison Meta-Analyses:Comparison and Exploration Using Real-World Trial Data and Simulation[Internet]. Rockville (MD):Agency for Healthcare Research and Quality (US); [2013 Feb. Appendix A, WinBUGS Code Used in Bayesian Mixed Treatment Comparisons Meta-Analysis. Available from: http://www.ncbi.nlm.nih.gov/books/NBK126104/.
11. 董圣杰, 曾憲濤, 郭毅. R軟件Metafor程序包在Meta分析中的應用.中國循證醫學雜志. 2012, 12(9):1141-1147.
12. 蔣文瀚, 陳炳為, 鄭建光, 等. R語言meta包在Meta分析中的應用.循證醫學, 2011, 11(5):305-309.
13. 張超, 徐暢, 曾憲濤.網狀Meta分析中網狀關系圖的繪制.中國循證醫學雜志, 2013, 13(11):1382-1386.

上一篇
近視與開角型青光眼關系的Meta分析
下一篇
隨機對照臨床試驗中盲法質量評價現狀

《中國循證醫學雜志》

應用R語言netmeta程序包實現網狀Meta分析

摘要 全文 圖表 視頻 參考文獻 施引文獻 補充材料

1 程序包安裝與加載

2 數據預處理與加載

3 數據運算

4 結果匯總

5 繪制圖形

6 結語

1 程序包安裝與加載

2 數據預處理與加載

3 數據運算

4 結果匯總

5 繪制圖形

6 結語

上一篇

下一篇

Format

Content

《中國循證醫學雜志》

應用R語言netmeta程序包實現網狀Meta分析

摘要 全文 圖表 視頻 參考文獻 施引文獻 補充材料

1 程序包安裝與加載

2 數據預處理與加載

3 數據運算

4 結果匯總

5 繪制圖形

6 結語

1 程序包安裝與加載

2 數據預處理與加載

3 數據運算

4 結果匯總

5 繪制圖形

6 結語

上一篇

下一篇

Format

Content

摘要全文圖表視頻參考文獻施引文獻補充材料