目前診斷試驗準確性的網狀 Meta 分析尚在探索階段，我們先前探索并介紹了可以實現診斷試驗準確性網狀 Meta 分析的不同方法。本文結合具體實例，介紹 ANOVA 模型實現貝葉斯方法的診斷試驗準確性網狀 Meta 分析的步驟，以期為擬進行相關研究的學者提供參考。
引用本文： 吳景玲, 潘蓓, 葛龍, 張俊華, 袁崇哲, 田金徽. ANOVA 模型實現貝葉斯方法的診斷試驗準確性網狀 Meta 分析. 中國循證醫學雜志, 2017, 17(9): 1111-1116. doi: 10.7507/1672-2531.201706042 復制
網狀 Meta 分析（Network meta-analysis），即為基于多個研究分析兩個以上處理因素的間接比較結果（主要是調整間接比較）或者直接比較結果與間接比較結果的合并結果（混合治療效應）的 Meta 分析[1]。它可對不同干預措施的治療結果進行排序，并估計最佳干預措施的概率[2]。因此迅速得到包括英國、美國在內的各國衛生技術評估組織的認可和接受，其發文數量呈逐年遞增趨勢[3, 4]。然而目前網狀 Meta 分析主要應用于基于隨機對照試驗的療效評價，在診斷試驗準確性評價方面非常少見。如同疾病的療效干預問題，疾病診斷也存在多種診斷試驗技術選擇難的問題。我們先前的文章引入了診斷試驗準確性網狀 Meta 分析（network meta-analysis of diagnostic test accuracy，DTA-NMA）的概念、必要性和目前可以實現 DTA-NMA 的方法。2016 年，Nyaga 等[5]設計了 ANOVA 模型來實現基于貝葉斯方法的 DTA-NMA，其核心思想是通過計算診斷準確性指標的相對比值來比較不同診斷試驗的準確性。同時該模型合并了 Deutsch 等[6]提出的優勢指數板塊，可以用于 DTA-NMA 的排序。本文結合具體案例，介紹在 R 軟件中基于 ANOVA 模型實現貝葉斯 DTA-NMA 的步驟。
1 案例解讀
以楊品等[7]的研究為數據來源（表 1），基于共同的金標準，比較 PET/CT、增強 CT 和兩者結合對胰腺癌的診斷價值。原文得出的結果為：以手術或組織活檢病理、臨床及其他影像隨訪為金標準，PET/CT 診斷胰腺癌的合并敏感度、特異度和診斷比值比分別為[0.93，95% CI（0.89，0.95）；0.76，95%CI（0.67，0.83）；35.18，95%CI（20.05，61.72）]；增強 CT 的合并敏感度、特異度和診斷比值比分別為[0.80，95%CI（0.75，0.84）；0.66，95%CI（0.57，0.75）；7.86，95%CI（5.03，12.29）]；PET/CT 聯合增強 CT 的合并敏感度、特異度和診斷比值比分別為[0.98，95% CI（0.94，0.99）；0.90，95%CI（0.81，0.96）；250.08，95%CI（80.74，774.64）]。
表1
四格表數據[7]
2 ANOVA 模型實現貝葉斯 DTA-NMA
2.1 ANOVA 模型簡介
基于雙向 ANOVA 模型，使用兩個獨立的二項分布描述患者和健康受試者之間的真陽性和真陰性，同時考慮了敏感度和特異度之間的關聯性。假設存在 K 個待評價試驗和 I 個研究，評價 2 個待評價試驗的稱為“雙臂”，評價 2 個以上的為“多臂”研究。在某一個研究 i 中，（Yi1k，Yi2k）分別指真陽性和真陰性，（Ni1k，Ni2k）為患者和健康受試者，（πi1k，πi2k）分別為“未觀察到的”敏感度和特異度，描述患者和健康受試者之間的真陽性和真陰性的二項分布如下：
 |
其中 xi 指影響 πijk 的協變量。
2.2 R 軟件和程序包的安裝和加載
R 軟件為完全免費軟件，在瀏覽器中輸入 https://cran.r-project.org/mirrors.html，選擇任一鏡像（如中國北京鏡像），點擊進入 http://mirror. bjtu.edu.cn/cran，根據電腦操作系統選擇相應的 R 安裝程序（基本模塊）（如“Download R for Windows”），單擊右鍵“另存為”安裝即可。目前可以獲得的最新版本為 R-3.3.3。
此外，還需要安裝 Stan 程序包，具體命令為：install.packages（“rstan”）。在彈出的對話框中選擇某個鏡像（CRAN）安裝，安裝完成后再由 library（“rstan”）命令完成加載。目前可以獲得的最新版本為 rstan-2.14.2。
2.3 數據預處理
對表 1 的數據需要進行預處理，見表 2。表中 Dis 為金標準確診的患者人數，NDis 是金標準排除的其他人群人數，Test 1、2、3 即依次為增強 CT、PET/CT 聯合增強 CT 和 PET/CT。
表2
Stan 數據錄入格式
2.4 數據讀取
R 軟件的數據讀取方法多樣，本文選用剪切板讀取數據。啟動 R 軟件之后，在其交互界面輸入 data<-read.delim（"clipboard"）讀取表 2 的數據。若要查看錄入的數據，輸入“print（network）”命令即可。
2.5 運行 ANOVA 模型
ANOVA 模型的代碼可以在原文獲取，如下：
model = "
data{
int N;
int Nt;
int Ns;
int TP[N];
int Dis[N];
int TN[N];
int NDis[N];
int Study[N];
int Test[N];
}
transformed data{
vector[2] zero;
zero[1] <- 0;
zero[2] <- 0;
}
parameters{
matrix[2，Nt] logitmu;
matrix[2，Nt] Multi;
matrix[Ns，2] nu;
matrix[Ns，2] delta[Nt];
vector<lower=0>[2] sigmaw;
vector<lower=0>[2] sigmab;
real etarho;
}
transformed parameters{
matrix[2，Nt] MU;
matrix[2，Nt] RR;
matrix[2，Nt] OR;
vector[Nt] DOR;
vector[Nt] S;
matrix[Nt，Nt] A;
matrix[Nt，Nt] B;
matrix[Nt，Nt] C;
matrix[Ns，2] p_i[Nt];
vector<lower=0>[2] sigmawsq;
vector<lower=0>[2] sigmabsq;
vector<lower=0>[2] sigmasq;
real rho;
vector[2] rhow;
matrix[2, 2] Sigma;
for （i in 1:Ns）{
for （j in 1:2）{
for （k in 1:Nt）
p_i[k][i，j] <- inv_logit（logitmu[j，k] + nu[i，j] + delta[k][i，j]）;
}}
for （j in 1:2）{
for （k in 1:Nt）{
MU[j，k] <- mean（col（p_i[k]，j））;
}}
for （j in 1:2）{
for （k in 1:Nt）{
RR[j，k] <- MU[j，k]/MU[j，Nt];
OR[j，k] <- （MU[j，k]/（1 - MU[j，k]））/（MU[j，1]/（1 - MU[j，1]））;
}}
for （l in 1:Nt）{
DOR[l] <- （MU[1，l]*MU[2，l]）/（（1 - MU[1，l]）*（1 - MU[2，l]））;
for（m in 1:Nt）{
A[l，m] <- if_else（（MU[1，l] > MU[1，m]） && （MU[2，l] > MU[2，m]），1，0）;
B[l，m] <- if_else（（MU[1，l] < MU[1，m]） && （MU[2，l] < MU[2，m]），1，0）;
C[l，m] <- if_else（（MU[1，l] == MU[1，m]） && （MU[2，l] == MU[2，m]），1，0）;
}
S[l] <- （2*sum（row（A，l）） + sum（row（C，l）））/（2*sum（row（B，l）） + sum（row（C，l）））;
}
rho <- tanh（etarho）;
sigmawsq <- （sigmaw）.*（sigmaw）;
sigmabsq <- （sigmab）.*（sigmab）;
for （j in 1:2）{
sigmasq[j] <- （sigmabsq[j] + sigmawsq[j]）;
rhow[j] <- sigmabsq[j]/（sigmasq[j]）;
}
Sigma[1, 1] <- sigmabsq[1];
Sigma[2, 2] <- sigmabsq[2];
Sigma[1, 2] <- rho*sigmab[1]*sigmab[2];
Sigma[2, 1] <- rho*sigmab[1]*sigmab[2];
}
model{
//Priors
for （i in 1:Ns）{
nu[i] ～ multi_normal（zero，Sigma）;
}
for （j in 1:2）{
logitmu[j] ～ normal（0，5）;
Multi[j] ～ normal（0，5）;
}
sigmaw ～ uniform（0，5）;
sigmab ～ uniform（0，5）;
etarho ～ normal（0，5）;
for （i in 1:Ns）{
for （j in 1:2）{
for （k in 1:Nt）
delta[k][i，j] ～ normal（0，sigmaw[j]）;
}}
for （n in 1:N）{
TP[n] ～ binomial（Dis[n]，p_i[Test[n]][Study[n]，1]）;
TN[n] ～ binomial（NDis[n]，p_i[Test[n]][Study[n]，2]）;
}}
generated quantities{
vector[2*N] loglik;
for （n in 1:N）
loglik[n] <- binomial_log（TN[n]，NDis[n]，p_i[Test[n]][Study[n]，1]）;
for （n in （N+1）:（2*N））
loglik[n] <- binomial_log（TN[n-N]，NDis[n-N]，p_i[Test[n-N]][Study[n-N]，2]）;
}"
2.6 數據與模型關聯
在 R 軟件的交互窗口輸入以上代碼后，需要依次輸入以下命令分別讀取數據表 2 中的數據：
N <- nrow（data） # 數據表中觀察數量
Ns <- max（data$Study） # 納入分析研究數量
Nt <- max（data$Test） # 診斷試驗數量
datalist <- list（
N = N，
Ns = Ns，
Nt = Nt，
TP = data$TP，
Dis = data$Dis，
TN = data$TN，
NDis = data$NDis，
Test = data$Test，
Study = data$Study）
2.7 設置模型并進行數據分析
ANOVA 模型需要加載 rstan 進行貝葉斯計算，可以輸入“results <- stan（model_code = model，data=datalist，chains = 2，iter = 10000，warmup = 1000，thin = 5）”進行結果計算，其中，“chains”為蒙特卡洛鏈條數，“warmup”為預迭代次數，“iter”為迭代運算次數，“thin”為步長。命令運行過程見圖 1。與貝葉斯方法相關的初始鏈條的設置、迭代次數、收斂性的評估等請參考干預類貝葉斯網狀 Meta 分析，本文不再贅述。
圖1
診斷試驗準確性網狀 Meta 分析迭代進程
2.8 查看結果與結果解讀
輸入“print（results）”命令后查看網狀 Meta 分析結果，部分結果如圖 2。圖中“mean”為抽樣結果的平均值；“se_mean”為抽樣結果的平均值的標準誤；“sd”為標準差；“2.5%、25%、50%、75%、97.5%”分別代表相應的可信區間；“Rhat”為貝葉斯收斂性的判斷，其值越接近 1，說明模型收斂性越好。“MU”即為計算出來的效應量，“MU[1，1]”代表診斷試驗 1 的敏感度，“MU[2，1]”代表診斷試驗 1 的特異度，RR 值即為相對效應值，如“RR[1，1]”即為相對于診斷試驗 3，診斷試驗 1 的相對敏感度，“S”為優勢指數，用于排序診斷試驗，S 值越大，提示診斷試驗排序越靠前。以上案例的 ANOVA 模型計算結果見表 3。
圖2
診斷試驗準確性網狀 Meta 分析結果（部分）
由表 3 可知，ANOVA 模型計算出來的結果與原文報告基本一致，表 3 提供了相對敏感度（RSEN）、相對特異度（RSPE）和診斷試驗排序結果（優勢指數），結果提示 PRT/CT 聯合增強 CT 排序第一，診斷準確性優于其他兩種技術。
表3
診斷試驗準確性網狀 Meta 分析 ANOVA 模型計算結果
3 小結
隨著診斷性試驗技術的發展，越來越多的診斷技術被應用于臨床，勢必會對臨床診斷帶來巨大的挑戰。在診斷試驗中借鑒干預類網狀 Meta 分析的方法可以為臨床診斷提供有價值的判斷信息。盡管既往已有少量的診斷試驗 Meta 分析嘗試采用間接比較，但在 2014 年第八屆亞太地區循證醫學研討會上我們首次公開提出了診斷試驗 Meta 分析間接比較的思想和方法。直到 2016 年，Nyaga 等[5]首次設計了 ANOVA 模型，可為實現診斷試驗準確性的網狀 Meta 分析提供統計學方法。該方法還可通過計算優勢指數對診斷試驗進行排序，相對于基于診斷比值比的排序方法，該方法綜合考慮了敏感度和特異度，尤其針對高敏感度、低特異度或低敏感度、高特異度的診斷試驗較診斷比值比有優勢。然而采用該方法執行網狀 Meta 分析只能提供敏感度、特異度、診斷比值比、相對敏感度、相對特異度和診斷優勢指數的結果，如欲計算其他的診斷指標，尚待進一步的研究。
網狀 Meta 分析的三個統計學基礎包括相似性、同質性和一致性，在以上介紹的模型中，并不能提供異質性和一致性檢驗的結果，因此采用以上方法制作診斷試驗準確性網狀 Meta 分析時，還應當借助其他軟件，比如Ｍeta-Disc 或 STATA 軟件對納入試驗的異質性進行判斷。此外，原文作者也提到，以上模型均假定納入分析的所有受試者存在共同的閾值效應；當試驗間存在不同的閾值效應時，以上的假定可能是無效的。
我們基于 Nyaga 等[5]提出的 ANOVA 模型，簡要地介紹了在 R 軟件中實現診斷準確性試驗網狀 Meta 分析的步驟，主要是為國內擬進行相關研究的學者提供參考。目前診斷試驗網狀 Meta 分析的理論和方法尚不成熟，針對診斷試驗網狀 Meta 分析的軟件也有待進一步的研發。故相關研究學者在使用該方法進行診斷試驗網狀 Meta 分析時，應當謹慎解釋研究結果。
網狀 Meta 分析（Network meta-analysis），即為基于多個研究分析兩個以上處理因素的間接比較結果（主要是調整間接比較）或者直接比較結果與間接比較結果的合并結果（混合治療效應）的 Meta 分析[1]。它可對不同干預措施的治療結果進行排序，并估計最佳干預措施的概率[2]。因此迅速得到包括英國、美國在內的各國衛生技術評估組織的認可和接受，其發文數量呈逐年遞增趨勢[3, 4]。然而目前網狀 Meta 分析主要應用于基于隨機對照試驗的療效評價，在診斷試驗準確性評價方面非常少見。如同疾病的療效干預問題，疾病診斷也存在多種診斷試驗技術選擇難的問題。我們先前的文章引入了診斷試驗準確性網狀 Meta 分析（network meta-analysis of diagnostic test accuracy，DTA-NMA）的概念、必要性和目前可以實現 DTA-NMA 的方法。2016 年，Nyaga 等[5]設計了 ANOVA 模型來實現基于貝葉斯方法的 DTA-NMA，其核心思想是通過計算診斷準確性指標的相對比值來比較不同診斷試驗的準確性。同時該模型合并了 Deutsch 等[6]提出的優勢指數板塊，可以用于 DTA-NMA 的排序。本文結合具體案例，介紹在 R 軟件中基于 ANOVA 模型實現貝葉斯 DTA-NMA 的步驟。
1 案例解讀
以楊品等[7]的研究為數據來源（表 1），基于共同的金標準，比較 PET/CT、增強 CT 和兩者結合對胰腺癌的診斷價值。原文得出的結果為：以手術或組織活檢病理、臨床及其他影像隨訪為金標準，PET/CT 診斷胰腺癌的合并敏感度、特異度和診斷比值比分別為[0.93，95% CI（0.89，0.95）；0.76，95%CI（0.67，0.83）；35.18，95%CI（20.05，61.72）]；增強 CT 的合并敏感度、特異度和診斷比值比分別為[0.80，95%CI（0.75，0.84）；0.66，95%CI（0.57，0.75）；7.86，95%CI（5.03，12.29）]；PET/CT 聯合增強 CT 的合并敏感度、特異度和診斷比值比分別為[0.98，95% CI（0.94，0.99）；0.90，95%CI（0.81，0.96）；250.08，95%CI（80.74，774.64）]。
表1
四格表數據[7]
2 ANOVA 模型實現貝葉斯 DTA-NMA
2.1 ANOVA 模型簡介
基于雙向 ANOVA 模型，使用兩個獨立的二項分布描述患者和健康受試者之間的真陽性和真陰性，同時考慮了敏感度和特異度之間的關聯性。假設存在 K 個待評價試驗和 I 個研究，評價 2 個待評價試驗的稱為“雙臂”，評價 2 個以上的為“多臂”研究。在某一個研究 i 中，（Yi1k，Yi2k）分別指真陽性和真陰性，（Ni1k，Ni2k）為患者和健康受試者，（πi1k，πi2k）分別為“未觀察到的”敏感度和特異度，描述患者和健康受試者之間的真陽性和真陰性的二項分布如下：
|
其中 xi 指影響 πijk 的協變量。
2.2 R 軟件和程序包的安裝和加載
R 軟件為完全免費軟件，在瀏覽器中輸入 https://cran.r-project.org/mirrors.html，選擇任一鏡像（如中國北京鏡像），點擊進入 http://mirror. bjtu.edu.cn/cran，根據電腦操作系統選擇相應的 R 安裝程序（基本模塊）（如“Download R for Windows”），單擊右鍵“另存為”安裝即可。目前可以獲得的最新版本為 R-3.3.3。
此外，還需要安裝 Stan 程序包，具體命令為：install.packages（“rstan”）。在彈出的對話框中選擇某個鏡像（CRAN）安裝，安裝完成后再由 library（“rstan”）命令完成加載。目前可以獲得的最新版本為 rstan-2.14.2。
2.3 數據預處理
對表 1 的數據需要進行預處理，見表 2。表中 Dis 為金標準確診的患者人數，NDis 是金標準排除的其他人群人數，Test 1、2、3 即依次為增強 CT、PET/CT 聯合增強 CT 和 PET/CT。
表2
Stan 數據錄入格式
2.4 數據讀取
R 軟件的數據讀取方法多樣，本文選用剪切板讀取數據。啟動 R 軟件之后，在其交互界面輸入 data<-read.delim（"clipboard"）讀取表 2 的數據。若要查看錄入的數據，輸入“print（network）”命令即可。
2.5 運行 ANOVA 模型
ANOVA 模型的代碼可以在原文獲取，如下：
model = "
data{
int N;
int Nt;
int Ns;
int TP[N];
int Dis[N];
int TN[N];
int NDis[N];
int Study[N];
int Test[N];
}
transformed data{
vector[2] zero;
zero[1] <- 0;
zero[2] <- 0;
}
parameters{
matrix[2，Nt] logitmu;
matrix[2，Nt] Multi;
matrix[Ns，2] nu;
matrix[Ns，2] delta[Nt];
vector<lower=0>[2] sigmaw;
vector<lower=0>[2] sigmab;
real etarho;
}
transformed parameters{
matrix[2，Nt] MU;
matrix[2，Nt] RR;
matrix[2，Nt] OR;
vector[Nt] DOR;
vector[Nt] S;
matrix[Nt，Nt] A;
matrix[Nt，Nt] B;
matrix[Nt，Nt] C;
matrix[Ns，2] p_i[Nt];
vector<lower=0>[2] sigmawsq;
vector<lower=0>[2] sigmabsq;
vector<lower=0>[2] sigmasq;
real rho;
vector[2] rhow;
matrix[2, 2] Sigma;
for （i in 1:Ns）{
for （j in 1:2）{
for （k in 1:Nt）
p_i[k][i，j] <- inv_logit（logitmu[j，k] + nu[i，j] + delta[k][i，j]）;
}}
for （j in 1:2）{
for （k in 1:Nt）{
MU[j，k] <- mean（col（p_i[k]，j））;
}}
for （j in 1:2）{
for （k in 1:Nt）{
RR[j，k] <- MU[j，k]/MU[j，Nt];
OR[j，k] <- （MU[j，k]/（1 - MU[j，k]））/（MU[j，1]/（1 - MU[j，1]））;
}}
for （l in 1:Nt）{
DOR[l] <- （MU[1，l]*MU[2，l]）/（（1 - MU[1，l]）*（1 - MU[2，l]））;
for（m in 1:Nt）{
A[l，m] <- if_else（（MU[1，l] > MU[1，m]） && （MU[2，l] > MU[2，m]），1，0）;
B[l，m] <- if_else（（MU[1，l] < MU[1，m]） && （MU[2，l] < MU[2，m]），1，0）;
C[l，m] <- if_else（（MU[1，l] == MU[1，m]） && （MU[2，l] == MU[2，m]），1，0）;
}
S[l] <- （2*sum（row（A，l）） + sum（row（C，l）））/（2*sum（row（B，l）） + sum（row（C，l）））;
}
rho <- tanh（etarho）;
sigmawsq <- （sigmaw）.*（sigmaw）;
sigmabsq <- （sigmab）.*（sigmab）;
for （j in 1:2）{
sigmasq[j] <- （sigmabsq[j] + sigmawsq[j]）;
rhow[j] <- sigmabsq[j]/（sigmasq[j]）;
}
Sigma[1, 1] <- sigmabsq[1];
Sigma[2, 2] <- sigmabsq[2];
Sigma[1, 2] <- rho*sigmab[1]*sigmab[2];
Sigma[2, 1] <- rho*sigmab[1]*sigmab[2];
}
model{
//Priors
for （i in 1:Ns）{
nu[i] ～ multi_normal（zero，Sigma）;
}
for （j in 1:2）{
logitmu[j] ～ normal（0，5）;
Multi[j] ～ normal（0，5）;
}
sigmaw ～ uniform（0，5）;
sigmab ～ uniform（0，5）;
etarho ～ normal（0，5）;
for （i in 1:Ns）{
for （j in 1:2）{
for （k in 1:Nt）
delta[k][i，j] ～ normal（0，sigmaw[j]）;
}}
for （n in 1:N）{
TP[n] ～ binomial（Dis[n]，p_i[Test[n]][Study[n]，1]）;
TN[n] ～ binomial（NDis[n]，p_i[Test[n]][Study[n]，2]）;
}}
generated quantities{
vector[2*N] loglik;
for （n in 1:N）
loglik[n] <- binomial_log（TN[n]，NDis[n]，p_i[Test[n]][Study[n]，1]）;
for （n in （N+1）:（2*N））
loglik[n] <- binomial_log（TN[n-N]，NDis[n-N]，p_i[Test[n-N]][Study[n-N]，2]）;
}"
2.6 數據與模型關聯
在 R 軟件的交互窗口輸入以上代碼后，需要依次輸入以下命令分別讀取數據表 2 中的數據：
N <- nrow（data） # 數據表中觀察數量
Ns <- max（data$Study） # 納入分析研究數量
Nt <- max（data$Test） # 診斷試驗數量
datalist <- list（
N = N，
Ns = Ns，
Nt = Nt，
TP = data$TP，
Dis = data$Dis，
TN = data$TN，
NDis = data$NDis，
Test = data$Test，
Study = data$Study）
2.7 設置模型并進行數據分析
ANOVA 模型需要加載 rstan 進行貝葉斯計算，可以輸入“results <- stan（model_code = model，data=datalist，chains = 2，iter = 10000，warmup = 1000，thin = 5）”進行結果計算，其中，“chains”為蒙特卡洛鏈條數，“warmup”為預迭代次數，“iter”為迭代運算次數，“thin”為步長。命令運行過程見圖 1。與貝葉斯方法相關的初始鏈條的設置、迭代次數、收斂性的評估等請參考干預類貝葉斯網狀 Meta 分析，本文不再贅述。
圖1
診斷試驗準確性網狀 Meta 分析迭代進程
2.8 查看結果與結果解讀
輸入“print（results）”命令后查看網狀 Meta 分析結果，部分結果如圖 2。圖中“mean”為抽樣結果的平均值；“se_mean”為抽樣結果的平均值的標準誤；“sd”為標準差；“2.5%、25%、50%、75%、97.5%”分別代表相應的可信區間；“Rhat”為貝葉斯收斂性的判斷，其值越接近 1，說明模型收斂性越好。“MU”即為計算出來的效應量，“MU[1，1]”代表診斷試驗 1 的敏感度，“MU[2，1]”代表診斷試驗 1 的特異度，RR 值即為相對效應值，如“RR[1，1]”即為相對于診斷試驗 3，診斷試驗 1 的相對敏感度，“S”為優勢指數，用于排序診斷試驗，S 值越大，提示診斷試驗排序越靠前。以上案例的 ANOVA 模型計算結果見表 3。
圖2
診斷試驗準確性網狀 Meta 分析結果（部分）
由表 3 可知，ANOVA 模型計算出來的結果與原文報告基本一致，表 3 提供了相對敏感度（RSEN）、相對特異度（RSPE）和診斷試驗排序結果（優勢指數），結果提示 PRT/CT 聯合增強 CT 排序第一，診斷準確性優于其他兩種技術。
表3
診斷試驗準確性網狀 Meta 分析 ANOVA 模型計算結果
3 小結
隨著診斷性試驗技術的發展，越來越多的診斷技術被應用于臨床，勢必會對臨床診斷帶來巨大的挑戰。在診斷試驗中借鑒干預類網狀 Meta 分析的方法可以為臨床診斷提供有價值的判斷信息。盡管既往已有少量的診斷試驗 Meta 分析嘗試采用間接比較，但在 2014 年第八屆亞太地區循證醫學研討會上我們首次公開提出了診斷試驗 Meta 分析間接比較的思想和方法。直到 2016 年，Nyaga 等[5]首次設計了 ANOVA 模型，可為實現診斷試驗準確性的網狀 Meta 分析提供統計學方法。該方法還可通過計算優勢指數對診斷試驗進行排序，相對于基于診斷比值比的排序方法，該方法綜合考慮了敏感度和特異度，尤其針對高敏感度、低特異度或低敏感度、高特異度的診斷試驗較診斷比值比有優勢。然而采用該方法執行網狀 Meta 分析只能提供敏感度、特異度、診斷比值比、相對敏感度、相對特異度和診斷優勢指數的結果，如欲計算其他的診斷指標，尚待進一步的研究。
網狀 Meta 分析的三個統計學基礎包括相似性、同質性和一致性，在以上介紹的模型中，并不能提供異質性和一致性檢驗的結果，因此采用以上方法制作診斷試驗準確性網狀 Meta 分析時，還應當借助其他軟件，比如Ｍeta-Disc 或 STATA 軟件對納入試驗的異質性進行判斷。此外，原文作者也提到，以上模型均假定納入分析的所有受試者存在共同的閾值效應；當試驗間存在不同的閾值效應時，以上的假定可能是無效的。
我們基于 Nyaga 等[5]提出的 ANOVA 模型，簡要地介紹了在 R 軟件中實現診斷準確性試驗網狀 Meta 分析的步驟，主要是為國內擬進行相關研究的學者提供參考。目前診斷試驗網狀 Meta 分析的理論和方法尚不成熟，針對診斷試驗網狀 Meta 分析的軟件也有待進一步的研發。故相關研究學者在使用該方法進行診斷試驗網狀 Meta 分析時，應當謹慎解釋研究結果。
