Meta 分析的樣本量應該不低于單個隨機對照試驗的樣本量，試驗序貫分析（TSA）可提供期望信息量（RIS）以及界值來判斷 Meta 分析的結論是否充足。而 TSA 軟件只能進行二分類和連續型數據的分析，不能進行時間-事件數據的分析。本文主要介紹如何應用 TSA 方法進行時間-事件數據的分析。
引用本文： 翁鴻, 龔侃, 劉小平, 李旭東, 彭建平, 曾憲濤. 試驗序貫分析在時間-事件數據中的應用. 中國循證醫學雜志, 2017, 17(2): 239-242. doi: 10.7507/1672-2531.201607062 復制
一般認為“證據充足”的 Meta 分析的樣本量應該不低于單個隨機對照試驗（randomized controlled trial，RCT）的樣本量[1,2]。期望信息量（required information size，RIS）的估算主要取決于對照組事件發生率、最小干預效應、所允許的最大Ⅰ型錯誤和Ⅱ型錯誤。當累積信息量（即 Meta 分析納入研究的樣本量）低于 RIS 時，干預效應估計值的不確定性和獲得假陽性結果的概率會隨之增加[3]。此外，GRADE 系統推薦，若累積信息量未達到 RIS，則因其不精確性而降低證據級別[4-6]。
試驗序貫分析（trial sequential analysis，TSA）可提供 RIS 以及類似于單個研究期中分析界值的計算。哥本哈根臨床試驗中心團隊提出 TSA 方法后，又為其開發了相關的 TSA 軟件。但這一方法和軟件只能分析二分類數據和連續型數據，不能進行時間-事件數據（time-to-event data）的分析。南佛羅里達大學循證醫學與健康結果研究中心的 Miladinovic 教授等[3] 將 TSA 的方法進行發展，并提出了 TSA 在時間-事件數據中應用的方法。本文主要介紹 TSA 在時間-事件數據中的應用。
1 軟件及數據準備
1.1 軟件準備
我們采用 Stata12.0 軟件進行分析。分析的命令為 Miladinovic 等[3] 編寫的“metacumbounds”命令，前期本團隊已對該命令如何實現 TSA 進行了介紹[7]。此外，還需要安裝 R 軟件。
1.2 命令安裝
在 Stata 軟件的命令窗口鍵入：findit metacumbounds，然后點擊“st0284 from http://www.stata-journal.com/software/sj13-1”，然后在描述“st0284”軟件包的界面中點擊“click here to install”完成安裝。
“metacumbounds”命令是基于 Stata 軟件“metan”命令進行 Meta 分析的計算，因此，還需安裝“metan”命令，安裝方法為在命令窗口鍵入：ssc install metan。
此外，“metacumbounds”命令還需結合 R 軟件的“ldbounds”和“foreign”程序包，安裝方法為鍵入命令：install.packages(c("ldbounds", "foreign"))，關于 R 軟件與 Meta 分析，有興趣的讀者請參閱《R 與 Meta 分析》[8]。“ldbounds”程序包用來計算 TSA 界值，“foreign”程序包用于讀取數據。
“metacumbounds”命令需要調用 R 軟件進行相關的計算，但并不需要研究者運行 R 軟件，可通過 Rterm.exe 程序在 Stata 進行內部調用 R 軟件，因此，Stata 軟件還需安裝“rsource”命令，鍵入“ssc install rsource”命令來進行安裝。
1.3 數據準備
本文以《Concurrent cisplatin-based chemoradiotherapy versus exclusive radiotherapy in high-risk cervical cancer: a meta-analysis》一文[9] 中的數據為例。數據格式如表 1 所示。共計 6 個 RCT，study 為納入研究，HR 為風險比，LCI、UCI 分別為 HR 的 95% 可信區間的下限和上限，ln_hr 為效應量 HR 的對數值，se_ln_hr 為效應量 HR 對數值的標準誤，N 為樣本量，lbid 為納入研究風險偏倚情況，1 表示低風險偏倚。
表1
時間-事件數據的示例數據
2 軟件操作
2.1 菜單操作
“metacumbounds”命令安裝后需要將“st0284/metacumbounds.dlg”對話框文件放置在 Stata 激活目錄下，或者在 Stata 命令窗口鍵入以下命令來安裝激活菜單：
window menu append item "Meta-Analysis" "Cumulative MA with bounds (metacumbounds)" "db metacumbounds"
window menu refresh
點擊“User→Meta-Analysis→Cumulative MA with bounds (metacumbounds)”，彈出“metacumbounds”命令菜單對話框，如圖 1 所示。在“Ln (HR) SE (Ln (HR)) N”依次選擇表 1 中的“ln_hr se_ln_hr N”，由于納入研究間異質性I2=41.51%，故選則隨機效應模型，Ⅰ型錯誤（α）和Ⅱ型錯誤（β）分別為 0.05、0.2，損耗函數采用 O’Brien-Fleming 函數，定義平均生存率為 40%，期望刪失率（即失訪）w=0%，然后選擇信息量的計算方法，有累積信息量（AIS）、先驗信息量（APIS）、低風險信息量（LBIS）和低風險異質性校正信息量（LBHIS）。我們先選擇 AIS 計算信息量，并定義相對危險度減少率 RRR=15%。該菜單的第二欄主要是設置 TSA 界值圖的一些性質以及 R 軟件的運行路徑。
圖1
“metacumbounds”菜單對話框
菜單設置完成后，點擊“OK”或“Submit”按鈕，得到如圖 2 所示 TSA 界值圖，并得到表 2 所示結果。
表2
“metacumbounds”命令運行后的結果
由于納入研究間存在一定程度的異質性（I2=41.51%），因此 LBIS 與 LBHIS 的結果有所不同。我們依次選擇 APIS、LBIS 和 LBHIS，分別得到圖 3、圖 4和圖 5。
圖2
基于 AIS 的 TSA 界值圖
圖3
基于 APIS 的 TSA 界值圖
圖4
基于 LBIS 的 TSA 界值圖
圖5
基于 LBHIS 的 TSA 界值圖
2.2 命令操作
選則固定效應模型，定義Ⅰ型錯誤（α）和Ⅱ型錯誤（β）分別為 0.05、0.2，損耗函數采用 O’Brien-Fleming 函數，定義平均生存率為 40%，期望刪失率 w=0%，RRR=15%，信息量采用 AIS，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) surv(0.4) loss(0.00) alpha(0.05) beta(0.20) is(AIS) graph spending(1) rrr(.15) kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
命令運行后，結果如圖 2 所示。
信息量采用 APIS 的命令只需將上述命令中的“is(AIS)”改為“is(APIS)”即可。信息量采用 LBIS，除更改信息量名稱外，還需添加定義低風險偏倚研究，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) alpha(0.05) beta(0.20) surv(0.4) loss(0.00) is(LBIS) lbid(lbid) stat(rr) graph spending(1) rrr(.15) listRin keepR kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
若信息量采用 LBHIS，則只需將上述命令中的“is(LBIS)”改為“is(LBHIS)”即可。
3 結果解讀
舉例數據的累積信息量 AIS=1 240，α=0.05，統計效能 power=60%，圖 2 顯示累積Z 曲線在最后一個試驗時穿過了傳統界值線Z=1.96 和基于 AIS 的 TSA 界值線，TSA 確認了該 Meta 分析結果。
采用 RRR=15%，α=0.05，β=0.2，power=1-β=80%，得到 APIS=1 990。圖 3 顯示累積Z 曲線未穿過基于 APIS 的 TSA 界值線，也未達到 APIS 線，僅穿過了傳統界值線Z=1.96，表明該結果尚需進一步開展相關研究加以驗證。
采用低偏倚風險研究校正信息量 LBIS 時，定義α=0.05，β=0.2，power=1-β=80%，計算得到 LBIS=463，RRR=29%。圖 4 顯示累積Z 曲線達到 LBIS，穿過了傳統界值線Z=1.96，未穿過基于 LBIS 的 TSA 界值線。基于 LBIS 的 TSA 結果說明該干預效應的療效較為確切。采用 LBHIS 作為信息量時，結果與 LBIS 相似。
4 小結
從上述結果中我們發現，采用 LBIS 或 LBHIS 的結果與采用 AIS 和 APIS 的 TSA 界值圖有所差異，這可能與低風險偏倚研究的定義有關。Wetterslev 等[2] 將 TSA 中的低風險偏倚定義為具有充足的分配隱藏，而 Miladinovic 等[3] 將其定義為 5 個領域中至少滿足 3 個及以上：隨機序列的產生、分配隱藏、意向性分析、盲法、報告結局指標的完整性。本文采用的是 Wetterslev 等[2] 的定義。因此，在實踐中，我們應該根據納入研究的具體情況來進行信息量選擇，如納入研究的質量普遍較高時，可采用 LBIS 或 LBHIS，若納入研究質量較低時，可采用 AIS 或 APIS，還可以同時采取幾種方法進行敏感性分析，以全面分析 Meta 分析的結果。
一般認為“證據充足”的 Meta 分析的樣本量應該不低于單個隨機對照試驗（randomized controlled trial，RCT）的樣本量[1,2]。期望信息量（required information size，RIS）的估算主要取決于對照組事件發生率、最小干預效應、所允許的最大Ⅰ型錯誤和Ⅱ型錯誤。當累積信息量（即 Meta 分析納入研究的樣本量）低于 RIS 時，干預效應估計值的不確定性和獲得假陽性結果的概率會隨之增加[3]。此外，GRADE 系統推薦，若累積信息量未達到 RIS，則因其不精確性而降低證據級別[4-6]。
試驗序貫分析（trial sequential analysis，TSA）可提供 RIS 以及類似于單個研究期中分析界值的計算。哥本哈根臨床試驗中心團隊提出 TSA 方法后，又為其開發了相關的 TSA 軟件。但這一方法和軟件只能分析二分類數據和連續型數據，不能進行時間-事件數據（time-to-event data）的分析。南佛羅里達大學循證醫學與健康結果研究中心的 Miladinovic 教授等[3] 將 TSA 的方法進行發展，并提出了 TSA 在時間-事件數據中應用的方法。本文主要介紹 TSA 在時間-事件數據中的應用。
1 軟件及數據準備
1.1 軟件準備
我們采用 Stata12.0 軟件進行分析。分析的命令為 Miladinovic 等[3] 編寫的“metacumbounds”命令，前期本團隊已對該命令如何實現 TSA 進行了介紹[7]。此外，還需要安裝 R 軟件。
1.2 命令安裝
在 Stata 軟件的命令窗口鍵入：findit metacumbounds，然后點擊“st0284 from http://www.stata-journal.com/software/sj13-1”，然后在描述“st0284”軟件包的界面中點擊“click here to install”完成安裝。
“metacumbounds”命令是基于 Stata 軟件“metan”命令進行 Meta 分析的計算，因此，還需安裝“metan”命令，安裝方法為在命令窗口鍵入：ssc install metan。
此外，“metacumbounds”命令還需結合 R 軟件的“ldbounds”和“foreign”程序包，安裝方法為鍵入命令：install.packages(c("ldbounds", "foreign"))，關于 R 軟件與 Meta 分析，有興趣的讀者請參閱《R 與 Meta 分析》[8]。“ldbounds”程序包用來計算 TSA 界值，“foreign”程序包用于讀取數據。
“metacumbounds”命令需要調用 R 軟件進行相關的計算，但并不需要研究者運行 R 軟件，可通過 Rterm.exe 程序在 Stata 進行內部調用 R 軟件，因此，Stata 軟件還需安裝“rsource”命令，鍵入“ssc install rsource”命令來進行安裝。
1.3 數據準備
本文以《Concurrent cisplatin-based chemoradiotherapy versus exclusive radiotherapy in high-risk cervical cancer: a meta-analysis》一文[9] 中的數據為例。數據格式如表 1 所示。共計 6 個 RCT，study 為納入研究，HR 為風險比，LCI、UCI 分別為 HR 的 95% 可信區間的下限和上限，ln_hr 為效應量 HR 的對數值，se_ln_hr 為效應量 HR 對數值的標準誤，N 為樣本量，lbid 為納入研究風險偏倚情況，1 表示低風險偏倚。
表1
時間-事件數據的示例數據
2 軟件操作
2.1 菜單操作
“metacumbounds”命令安裝后需要將“st0284/metacumbounds.dlg”對話框文件放置在 Stata 激活目錄下，或者在 Stata 命令窗口鍵入以下命令來安裝激活菜單：
window menu append item "Meta-Analysis" "Cumulative MA with bounds (metacumbounds)" "db metacumbounds"
window menu refresh
點擊“User→Meta-Analysis→Cumulative MA with bounds (metacumbounds)”，彈出“metacumbounds”命令菜單對話框，如圖 1 所示。在“Ln (HR) SE (Ln (HR)) N”依次選擇表 1 中的“ln_hr se_ln_hr N”，由于納入研究間異質性I2=41.51%，故選則隨機效應模型，Ⅰ型錯誤（α）和Ⅱ型錯誤（β）分別為 0.05、0.2，損耗函數采用 O’Brien-Fleming 函數，定義平均生存率為 40%，期望刪失率（即失訪）w=0%，然后選擇信息量的計算方法，有累積信息量（AIS）、先驗信息量（APIS）、低風險信息量（LBIS）和低風險異質性校正信息量（LBHIS）。我們先選擇 AIS 計算信息量，并定義相對危險度減少率 RRR=15%。該菜單的第二欄主要是設置 TSA 界值圖的一些性質以及 R 軟件的運行路徑。
圖1
“metacumbounds”菜單對話框
菜單設置完成后，點擊“OK”或“Submit”按鈕，得到如圖 2 所示 TSA 界值圖，并得到表 2 所示結果。
表2
“metacumbounds”命令運行后的結果
由于納入研究間存在一定程度的異質性（I2=41.51%），因此 LBIS 與 LBHIS 的結果有所不同。我們依次選擇 APIS、LBIS 和 LBHIS，分別得到圖 3、圖 4和圖 5。
圖2
基于 AIS 的 TSA 界值圖
圖3
基于 APIS 的 TSA 界值圖
圖4
基于 LBIS 的 TSA 界值圖
圖5
基于 LBHIS 的 TSA 界值圖
2.2 命令操作
選則固定效應模型，定義Ⅰ型錯誤（α）和Ⅱ型錯誤（β）分別為 0.05、0.2，損耗函數采用 O’Brien-Fleming 函數，定義平均生存率為 40%，期望刪失率 w=0%，RRR=15%，信息量采用 AIS，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) surv(0.4) loss(0.00) alpha(0.05) beta(0.20) is(AIS) graph spending(1) rrr(.15) kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
命令運行后，結果如圖 2 所示。
信息量采用 APIS 的命令只需將上述命令中的“is(AIS)”改為“is(APIS)”即可。信息量采用 LBIS，除更改信息量名稱外，還需添加定義低風險偏倚研究，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) alpha(0.05) beta(0.20) surv(0.4) loss(0.00) is(LBIS) lbid(lbid) stat(rr) graph spending(1) rrr(.15) listRin keepR kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
若信息量采用 LBHIS，則只需將上述命令中的“is(LBIS)”改為“is(LBHIS)”即可。
3 結果解讀
舉例數據的累積信息量 AIS=1 240，α=0.05，統計效能 power=60%，圖 2 顯示累積Z 曲線在最后一個試驗時穿過了傳統界值線Z=1.96 和基于 AIS 的 TSA 界值線，TSA 確認了該 Meta 分析結果。
采用 RRR=15%，α=0.05，β=0.2，power=1-β=80%，得到 APIS=1 990。圖 3 顯示累積Z 曲線未穿過基于 APIS 的 TSA 界值線，也未達到 APIS 線，僅穿過了傳統界值線Z=1.96，表明該結果尚需進一步開展相關研究加以驗證。
采用低偏倚風險研究校正信息量 LBIS 時，定義α=0.05，β=0.2，power=1-β=80%，計算得到 LBIS=463，RRR=29%。圖 4 顯示累積Z 曲線達到 LBIS，穿過了傳統界值線Z=1.96，未穿過基于 LBIS 的 TSA 界值線。基于 LBIS 的 TSA 結果說明該干預效應的療效較為確切。采用 LBHIS 作為信息量時，結果與 LBIS 相似。
4 小結
從上述結果中我們發現，采用 LBIS 或 LBHIS 的結果與采用 AIS 和 APIS 的 TSA 界值圖有所差異，這可能與低風險偏倚研究的定義有關。Wetterslev 等[2] 將 TSA 中的低風險偏倚定義為具有充足的分配隱藏，而 Miladinovic 等[3] 將其定義為 5 個領域中至少滿足 3 個及以上：隨機序列的產生、分配隱藏、意向性分析、盲法、報告結局指標的完整性。本文采用的是 Wetterslev 等[2] 的定義。因此，在實踐中，我們應該根據納入研究的具體情況來進行信息量選擇，如納入研究的質量普遍較高時，可采用 LBIS 或 LBHIS，若納入研究質量較低時，可采用 AIS 或 APIS，還可以同時采取幾種方法進行敏感性分析，以全面分析 Meta 分析的結果。
