生存資料的Meta分析越來越多。從原始文獻計算出風險比（HR）及其95%可信區間，實際頻數和理論頻數的差值（O-E）及其標準差后，可以使用Review Manager（RevMan）、Stata和R等軟件計算合并HR。RevMan軟件簡單易學，但存在一定的局限；Stata和R軟件功能強大，靈活多樣，能夠繪制多種圖形，但需要進行適當的編程。
引用本文： 陳新林, 胡月, 郎建英, 陳麗霞, 徐謙, 莫傳偉, 武哲麗. RevMan、Stata和R軟件在生存資料Meta分析的應用. 中國循證醫學雜志, 2016, 16(6): 736-740. doi: 10.7507/1672-2531.20160113 復制
生存分析（survival analysis）是將患者的結局和生存時間結合起來分析的一類統計方法。生存分析使用風險比（hazard ratio，HR）來表示不同組別患者死亡的風險。只要原始文獻報告了足夠的信息，就可以使用相關的公式和程序 [1, 2]，計算出HR及其95%可信區間（95%CI），實際頻數和理論頻數的差值（O-E）及其標準差（Variance）。得到這些數值后，可以使用Review Manager（RevMan）、Stata和R等軟件計算合并HR。本文簡單介紹如何使用RevMan、Stata和R軟件計算合并HR。
1 資料介紹
Xie等 [3]對70歲以上的老年人結直腸癌肝轉移的療效進行Meta分析，研究手術對老年人患者是否有效，納入8篇文獻。使用相關的公式和程序 [1, 2]，得到老年人患者和年輕患者總體生存率（overall survival）的風險比（hr1）及其標準誤（se），95%CI的置信下限（lci）和置信上限（uci），實際頻數和理論頻數的差值（O-E）及其標準差（variance），見表 1。
表1
分析使用的資料
2 Review Manager（RevMan）軟件
RevMan軟件是Cochrane協作網為系統評價和Meta分析工作者提供的專用軟件，是Cochrane系統評價的標準化軟件。RevMan軟件簡單易學，可以對計數資料（如優勢比odds ratio、相對危險度relative risk和差率）和計量資料進行Meta分析，也可以對生存分析的資料進行Meta分析。這里用到“ O-E ”和“ variance ”兩個變量。
2.1 新建工作表
首先安裝RevMan軟件（網址http://tech.cochrane.org/revman/download），目前的版本是5.3。生存分析Meta分析的步驟跟普通干預研究Meta分析步驟是一致的。打開RevMan軟件，點擊“ File—New ”，新建一個工作表，可看到“ New review wizard welcome ”頁面，點擊“ Next ”。在“ Type of review ”頁面中選擇“ Intervention review ”，點擊“ Next ”。在“ Title ”頁面中分別輸入“ Surgery ”和“ Elderly colorectal cancer ”，點擊“ Next ”。在“ Stage ”頁面選擇默認的“ Protocol ”，點擊“ finish ”。
2.2 分析數據和繪制圖形
在左邊的“ Table—Characteristics of studies ”中添加納入的文獻。在“ Data and analyses ”中建立需要分析的文件“ colorectal cancer ”。右擊“ colorectal cancer ”，選擇“ Add outcome ”，彈出圖 1的對話框，選擇“ O-E and Variance ”，點擊“Next ”。
圖1
RevMan選擇數據類型
在“ Name ”頁面，名字框中輸入分析文件名，這里命名為“總生存率”，點擊“ finish ”。
添加完文件后，打開“總生存率”，輸入具體的數據有兩種方法：① 輸入處理組和對照組的發生事件（Events）和總數（Total）；② 輸入差值（O-E）及其方差（Variance）。本例采用第二種方式輸入數據，得到圖 2的結果。結果顯示HR的合并效應為0.83，95%CI為（0.77，0.90）。對應的漏斗圖見圖 3。
圖2
RevMan的森林圖
圖3
RevMan的漏斗圖
RevMan軟件進行生存分析，輸入差值（O-E）及其方差（Variance）的數據，只能使用固定效應模型，合并HR通過∑(O-E)/∑(1/V*)公式計算。
3 Stata軟件
Stata軟件是一個功能強大的統計軟件，最初由美國計算機資源中心研制，現在是Stata公司的產品。Stata軟件操作簡單，靈活多樣，是用于Meta分析的常用軟件 [4, 5]。Stata軟件最新的版本為14.0，本文用于分析的是12.0版本。這里使用“ hr1 ”、“ lci ”、“ uci ”和“ se ”四列變量。
3.1 導入數據
首先安裝Stata軟件（網址http://www.stata.com/）。Stata 12.0軟件可以導入以下格式的數據：Excel、SAS、XML、Acess、dBase、Stata格式（Dct）和文本文檔（txt）。本例采用最簡單的文本文檔格式。
將表 1的資料（包括變量名）另存為“ survdata.txt ”，并將數據放在c盤。打開Stata軟件，點擊“ File--Import—Text data created by a spreadsheet ”。“ Import text data ”頁面，在“ Browse ”中選擇導入的數據，本例數據的第一行是變量名。點擊“ Data—Data Editor-- Data Editor (Browse) ”可以查看數據。
3.2 分析數據和繪制圖形
首先開展固定效應模型，在“ Command ”命令框中輸入以下語法：
metan hr1 lci uci,effect (HR) label(namevar = study,yearvar = year)
Stata軟件的變量名要注意大小寫。結果顯示I2=54.8%，P=0.030，說明存在異質性。因此采用隨機效應模型，語法為：
metan hr1 lci uci,effect (HR) random label(namevar = study,yearvar = year)
隨機效應模型結果顯示：HR合并效應量為0.74，95%CI為（0.62，0.87），見圖 4。如果要開展亞組分析，則在上面語法后面增加“ by(亞組變量) ”。 例如對年份進行亞組分析，其語法為：
圖4
Stata的森林圖
metan hr1 lci uci,effect (HR) random label(namevar=study,yearvar=year) by(year)
繪制漏斗圖使用以下語法：metafunnel hr se。漏斗圖結果（圖 5）顯示左右效應量基本對稱，沒有發表偏倚。Begg漏斗圖（圖 6）的語法為：metabias hr1 lci uci,ci graph(begg)。Egger發表偏倚的語法為：metabias hr1 lci uci,ci graph(Egger)，見圖 7。Egger結果顯示偏倚bias為-0.96，95%CI（-2.63，0.71），P=0.209 > 0.05，沒統計學意義，還不能認為存在發表偏倚。
圖5
Stata的漏斗圖
圖6
Stata的Begg漏斗圖
圖7
Stata的Egger發表偏倚圖
4 R軟件
R軟件是由奧克蘭大學的幾名志愿人員開發的一個系統。R語言是貝爾實驗室開發的S語言的一種實現。R軟件是一套完整的數據處理、計算和制圖軟件系統。其最大優勢在于：它是一個開放性平臺，存在大量程序包，可供研究者免費使用。R軟件中用于Meta分析的程序包主要包括Meta、rmeta和metafor等。本例主要介紹Meta程序包。Meta程序包由Guido Schwarzer開發，目前是4.3-2版本，發布在CRAN。該程序包可用于分析二分類資料、連續性資料，也可以用于相關系數、生存分析數據等。具體見https://cran.r-project.org/web/packages/meta/。R軟件只需用到“ hr1 ”和“ se ”這兩列數據。
4.1 下載及安裝程序包
首先安裝R軟件（網址http://www.r-project.org），打開R軟件后，下載并安裝Meta程序包，對應的語法為：install.packages("meta")，隨便選擇一個鏡像進行下載。加載Meta程序包的語法為：library(meta)。
4.2 加載數據
將表 1的資料存為“ survdata.txt ”，并將數據放在c盤。語法為：
surv < - read.table ('c:/survdata.txt',T)
表示從c盤中讀取“ survdata.txt ”數據，并保存為“ surv ”文件。如果要查看“ surv ”文件，可以在對話框中輸入“ fix(surv) ”。
4.3 分析數據和繪制圖形
分析數據時，需要用到HR及其標準誤（se），其語法為：
ColonCa < - metagen(TE=surv$hr1,seTE=surv$se,studlab=paste(surv$Study,surv$year,sep=" "),sm="HR1")
ColonCa
異質性結果顯示χ2=15.47，P=0.03，I2=54.8%，說明存在異質性，應采用隨機效應模型。隨機效應模型森林圖的語法為：forest(ColonCa,comb.fixed=FALSE)，森林圖見圖 8。
圖8
R軟件的森林圖
如果要開展亞組分析，則在上面的程序后面增加“ byvar ”語句。例如對年份進行亞組分析，其語法為：
ColonCa2 < - metagen(TE=surv$hr1,seTE=surv$se,studlab=paste(surv$Study,surv$year,sep=" "),sm="HR1",byvar= surv$year)
使用Egger法進行檢驗并繪制Egger圖，其語法為：metabias(ColonCa,method.bias="linreg",plotit=T,k.min=5)。Egger法結果顯示：t= -1.00，P=0.355 > 0.05，說明沒有發表偏倚，見圖 9。
圖9
R軟件的Egger圖
5 小結
生存資料的Meta分析越來越普遍，獲取到HR及其95%CI等指標后，如何計算合并HR是關鍵的一步。本文簡要介紹如何使用RevMan、Stata和R軟件計算合并HR。其中RevMan軟件簡單易學，但存在一定的局限；Stata軟件和R軟件功能強大，靈活多樣，很容易得到結果，能夠繪制多種圖形，但需要進行適當的編程。
生存分析（survival analysis）是將患者的結局和生存時間結合起來分析的一類統計方法。生存分析使用風險比（hazard ratio，HR）來表示不同組別患者死亡的風險。只要原始文獻報告了足夠的信息，就可以使用相關的公式和程序 [1, 2]，計算出HR及其95%可信區間（95%CI），實際頻數和理論頻數的差值（O-E）及其標準差（Variance）。得到這些數值后，可以使用Review Manager（RevMan）、Stata和R等軟件計算合并HR。本文簡單介紹如何使用RevMan、Stata和R軟件計算合并HR。
1 資料介紹
Xie等 [3]對70歲以上的老年人結直腸癌肝轉移的療效進行Meta分析，研究手術對老年人患者是否有效，納入8篇文獻。使用相關的公式和程序 [1, 2]，得到老年人患者和年輕患者總體生存率（overall survival）的風險比（hr1）及其標準誤（se），95%CI的置信下限（lci）和置信上限（uci），實際頻數和理論頻數的差值（O-E）及其標準差（variance），見表 1。
表1
分析使用的資料
2 Review Manager（RevMan）軟件
RevMan軟件是Cochrane協作網為系統評價和Meta分析工作者提供的專用軟件，是Cochrane系統評價的標準化軟件。RevMan軟件簡單易學，可以對計數資料（如優勢比odds ratio、相對危險度relative risk和差率）和計量資料進行Meta分析，也可以對生存分析的資料進行Meta分析。這里用到“ O-E ”和“ variance ”兩個變量。
2.1 新建工作表
首先安裝RevMan軟件（網址http://tech.cochrane.org/revman/download），目前的版本是5.3。生存分析Meta分析的步驟跟普通干預研究Meta分析步驟是一致的。打開RevMan軟件，點擊“ File—New ”，新建一個工作表，可看到“ New review wizard welcome ”頁面，點擊“ Next ”。在“ Type of review ”頁面中選擇“ Intervention review ”，點擊“ Next ”。在“ Title ”頁面中分別輸入“ Surgery ”和“ Elderly colorectal cancer ”，點擊“ Next ”。在“ Stage ”頁面選擇默認的“ Protocol ”，點擊“ finish ”。
2.2 分析數據和繪制圖形
在左邊的“ Table—Characteristics of studies ”中添加納入的文獻。在“ Data and analyses ”中建立需要分析的文件“ colorectal cancer ”。右擊“ colorectal cancer ”，選擇“ Add outcome ”，彈出圖 1的對話框，選擇“ O-E and Variance ”，點擊“Next ”。
圖1
RevMan選擇數據類型
在“ Name ”頁面，名字框中輸入分析文件名，這里命名為“總生存率”，點擊“ finish ”。
添加完文件后，打開“總生存率”，輸入具體的數據有兩種方法：① 輸入處理組和對照組的發生事件（Events）和總數（Total）；② 輸入差值（O-E）及其方差（Variance）。本例采用第二種方式輸入數據，得到圖 2的結果。結果顯示HR的合并效應為0.83，95%CI為（0.77，0.90）。對應的漏斗圖見圖 3。
圖2
RevMan的森林圖
圖3
RevMan的漏斗圖
RevMan軟件進行生存分析，輸入差值（O-E）及其方差（Variance）的數據，只能使用固定效應模型，合并HR通過∑(O-E)/∑(1/V*)公式計算。
3 Stata軟件
Stata軟件是一個功能強大的統計軟件，最初由美國計算機資源中心研制，現在是Stata公司的產品。Stata軟件操作簡單，靈活多樣，是用于Meta分析的常用軟件 [4, 5]。Stata軟件最新的版本為14.0，本文用于分析的是12.0版本。這里使用“ hr1 ”、“ lci ”、“ uci ”和“ se ”四列變量。
3.1 導入數據
首先安裝Stata軟件（網址http://www.stata.com/）。Stata 12.0軟件可以導入以下格式的數據：Excel、SAS、XML、Acess、dBase、Stata格式（Dct）和文本文檔（txt）。本例采用最簡單的文本文檔格式。
將表 1的資料（包括變量名）另存為“ survdata.txt ”，并將數據放在c盤。打開Stata軟件，點擊“ File--Import—Text data created by a spreadsheet ”。“ Import text data ”頁面，在“ Browse ”中選擇導入的數據，本例數據的第一行是變量名。點擊“ Data—Data Editor-- Data Editor (Browse) ”可以查看數據。
3.2 分析數據和繪制圖形
首先開展固定效應模型，在“ Command ”命令框中輸入以下語法：
metan hr1 lci uci,effect (HR) label(namevar = study,yearvar = year)
Stata軟件的變量名要注意大小寫。結果顯示I2=54.8%，P=0.030，說明存在異質性。因此采用隨機效應模型，語法為：
metan hr1 lci uci,effect (HR) random label(namevar = study,yearvar = year)
隨機效應模型結果顯示：HR合并效應量為0.74，95%CI為（0.62，0.87），見圖 4。如果要開展亞組分析，則在上面語法后面增加“ by(亞組變量) ”。 例如對年份進行亞組分析，其語法為：
圖4
Stata的森林圖
metan hr1 lci uci,effect (HR) random label(namevar=study,yearvar=year) by(year)
繪制漏斗圖使用以下語法：metafunnel hr se。漏斗圖結果（圖 5）顯示左右效應量基本對稱，沒有發表偏倚。Begg漏斗圖（圖 6）的語法為：metabias hr1 lci uci,ci graph(begg)。Egger發表偏倚的語法為：metabias hr1 lci uci,ci graph(Egger)，見圖 7。Egger結果顯示偏倚bias為-0.96，95%CI（-2.63，0.71），P=0.209 > 0.05，沒統計學意義，還不能認為存在發表偏倚。
圖5
Stata的漏斗圖
圖6
Stata的Begg漏斗圖
圖7
Stata的Egger發表偏倚圖
4 R軟件
R軟件是由奧克蘭大學的幾名志愿人員開發的一個系統。R語言是貝爾實驗室開發的S語言的一種實現。R軟件是一套完整的數據處理、計算和制圖軟件系統。其最大優勢在于：它是一個開放性平臺，存在大量程序包，可供研究者免費使用。R軟件中用于Meta分析的程序包主要包括Meta、rmeta和metafor等。本例主要介紹Meta程序包。Meta程序包由Guido Schwarzer開發，目前是4.3-2版本，發布在CRAN。該程序包可用于分析二分類資料、連續性資料，也可以用于相關系數、生存分析數據等。具體見https://cran.r-project.org/web/packages/meta/。R軟件只需用到“ hr1 ”和“ se ”這兩列數據。
4.1 下載及安裝程序包
首先安裝R軟件（網址http://www.r-project.org），打開R軟件后，下載并安裝Meta程序包，對應的語法為：install.packages("meta")，隨便選擇一個鏡像進行下載。加載Meta程序包的語法為：library(meta)。
4.2 加載數據
將表 1的資料存為“ survdata.txt ”，并將數據放在c盤。語法為：
surv < - read.table ('c:/survdata.txt',T)
表示從c盤中讀取“ survdata.txt ”數據，并保存為“ surv ”文件。如果要查看“ surv ”文件，可以在對話框中輸入“ fix(surv) ”。
4.3 分析數據和繪制圖形
分析數據時，需要用到HR及其標準誤（se），其語法為：
ColonCa < - metagen(TE=surv$hr1,seTE=surv$se,studlab=paste(surv$Study,surv$year,sep=" "),sm="HR1")
ColonCa
異質性結果顯示χ2=15.47，P=0.03，I2=54.8%，說明存在異質性，應采用隨機效應模型。隨機效應模型森林圖的語法為：forest(ColonCa,comb.fixed=FALSE)，森林圖見圖 8。
圖8
R軟件的森林圖
如果要開展亞組分析，則在上面的程序后面增加“ byvar ”語句。例如對年份進行亞組分析，其語法為：
ColonCa2 < - metagen(TE=surv$hr1,seTE=surv$se,studlab=paste(surv$Study,surv$year,sep=" "),sm="HR1",byvar= surv$year)
使用Egger法進行檢驗并繪制Egger圖，其語法為：metabias(ColonCa,method.bias="linreg",plotit=T,k.min=5)。Egger法結果顯示：t= -1.00，P=0.355 > 0.05，說明沒有發表偏倚，見圖 9。
圖9
R軟件的Egger圖
5 小結
生存資料的Meta分析越來越普遍，獲取到HR及其95%CI等指標后，如何計算合并HR是關鍵的一步。本文簡要介紹如何使用RevMan、Stata和R軟件計算合并HR。其中RevMan軟件簡單易學，但存在一定的局限；Stata軟件和R軟件功能強大，靈活多樣，很容易得到結果，能夠繪制多種圖形，但需要進行適當的編程。
