meta分析森林图的主要结果（结局不是单组率）

meta分析森林图的主要结果（结局不是单组率）案例一：自身前后对照不太懂？没关系，我们用两篇文献给你讲解讲解，先易后难，重点在第二篇文献，一定不能错过！在前面的推文，“尔云间meta分析”给大家介绍了单组率meta分析的详细操作：单组率的meta分析：metan还是metaprop然而，无对照的单个组meta分析（或叫单臂meta分析），有时候也会出现结局指标为连续变量的情况，该如何合并得到森林图呢？其实，单个组meta分析，连续变量的合并，可以分成2种情况：自身前后对照（通过比较前后测量值的差异是否显著，评估干预效果）、干预后测量值的合并。前者的操作跟我们平常所说的连续变量meta分析相似，后者则跟效应值（ES (95%CI)）的meta分析相似。

尔云间 一个专做科研的团队

云生信学生物信息学

以下文章来源于尔云间meta分析 ，作者尔云间

尔云间meta分析.

分享meta分析学习方法、医学统计基础知识、meta分析软件操作技巧、SCI论文发表经验等精彩内容。

在前面的推文，“尔云间meta分析”给大家介绍了单组率meta分析的详细操作：单组率的meta分析：metan还是metaprop

然而，无对照的单个组meta分析（或叫单臂meta分析），有时候也会出现结局指标为连续变量的情况，该如何合并得到森林图呢？

其实，单个组meta分析，连续变量的合并，可以分成2种情况：自身前后对照（通过比较前后测量值的差异是否显著，评估干预效果）、干预后测量值的合并。前者的操作跟我们平常所说的连续变量meta分析相似，后者则跟效应值（ES (95%CI)）的meta分析相似。

不太懂？没关系，我们用两篇文献给你讲解讲解，先易后难，重点在第二篇文献，一定不能错过！

案例一：自身前后对照

这是一篇关于冠脉内碎石（Intravascular Lithotripsy IVL）治疗钙化冠状动脉（Calcified Coronary Arteries，CCA）的安全性和有效性的meta分析，主要研究结局为CCA患者经IVL后，冠状动脉直径是否有显著变化（Post vs. Pre-treatment）。

尽管这篇meta分析也纳入了随机对照试验（IVL vs. contorl），然而只需要提取IVL组的数据。这种类型的单组试验/单臂meta分析，其实是将干预前作为“对照组”，因此这是干预前后的差异比较meta分析。

这类型的森林图，操作很简单，将干预后设置为“试验组”、干预前为“对照组”，然后整理相应的数据即可。具体的操作，可参考往期推文：

Stata的连续变量森林图操作

RevMan meta分析教程(04)：连续变量meta分析

案例二：合并干预后测量值

以下这篇文献是关于：阿帕替尼（apatinib）治疗中国骨肉瘤患者的疗效和安全性的单臂meta分析。

该文献纳入了除病例报告外的所有研究类型，包括前瞻性、回顾性的横断面、队列研究、病例对照研究（原文的英文表述有误，不存在cross-sectional cohort studies，应该是cross-sectional studies or cohort studies）。

纳入文献的研究类型是不少人疑惑的难点之一，单个组的meta分析究竟能不能纳入两组或多组比较的研究/文献？答案当然是可以的，只提取符合需求的那一个组的数据就行。

同理，两组比较（A vs. B）的meta分析，也可以纳入三组或以上的研究（A、B、C……），数据提取时只提取A、B两组的相关信息。

这篇文献也做了单组率的meta分析，但本文的重点是连续变量的合并，因此我们将目光聚焦在以下两个森林图。

这是无进展生存期(PFS)和总生存期(OS)的meta分析森林图，从结局指标的特点可以得知，仅纳入一个干预组（如Apatinib）进行meta分析，不可能实现“对比”，因此只能对纳入研究报道的中位生存时间（median 95%CI）做森林图。

那么，究竟如何才能实现这个森林图？最精彩的操作教程来了！

1 提取正确形式的数据

值得注意的是，单组连续变量的合并，需要用到的数据为ES(Effect size) ESLci ESUci，也就是效应值和95%CI。这篇meta分析文献，PFS、OS的合并，ES是中位生存期（median），而不是mean。效应值的选择可根据研究方向、数据的特点，自由设置。

以Tian 2020这篇纳入文献为例，文献的表3显示，Apatinib治疗后mPFS（中位无进展生存时间）为4.67±3.01月。在做森林图合并之前，要将SD转换为95%CI。

之前的推文，“尔云间meta分析”详细介绍了标准差（SD）的转换方法，其中就有95%CI转换为SD。

Cochrane官方推荐：数据转换工具

如今要逆推，过程如下：

SE = SD/(√n) = 3.01/(√19) = 3.01/4.359 = 0.6905

Lci= median – 1.96*SE = 4.67 – 1.96*0.6905 = 4.67 – 1.35 = 3.32

Uci= Median 1.96*SE = 4.67 1.96*0.6905 = 4.67 1.35 = 6.02

2 整理数据

所有纳入文献的median (95%CI)都整理完毕后，将数据输入到Stata。

3 绘制森林图

按照以下截图完成metan菜单的参数设置，运行后得到最基础的森林图。

4 完善参数设置

文献的森林图，展示了两种模型的合并结果，我们可以通过修改metan命令的执行代码来实现这个效果，如运行：

metan median lci uci label(namevar=study) random second(fixed)

得到与文献形式一样的森林图。

哪怕数据保留了3位或以上的小数，但Stata的森林图默认只显示2位小数。因此，我们的合并结果与原文存在的细微差异，可能是数据保留的小数点位数不同导致的。

单组研究的连续变量的森林图合并，操作的介绍就先告一段落了，希望能帮到你解开又一个难题。如果你想更系统的学习meta分析，欢迎联系小编一起学习哦。