应用R语言netmeta程序包实现网状Meta分析_《中国循证医学杂志》

作者：

 张超 ¹ , 耿培亮 ² , 郭毅 ³ ,  曾宪涛 ^1,4

1. 湖北医药学院附属太和医院循证医学与临床研究中心（湖北十堰 442000）;
2. 中国人民解放军总医院肿瘤中心（北京 100853）;
3. 武汉大学公共卫生学院流行病学教研室（武汉 430071）;
4. 湖北医药学院附属太和医院口腔医学中心（湖北十堰 442000）;

关键词：

网状Meta分析贝叶斯学派频率学派 netmeta程序包 R软件

DOI：

10.7507/1672-2531.20140103

视频：

导出 下载 收藏 扫码 引用

摘要 全文 图表 视频 参考文献 施引文献 补充材料

netmeta程序包是基于经典频率学派研发、在R语言框架下运行的专用于网状Meta分析的程序包。该程序包克服了基于贝叶斯统计学派研发的软件及程序包实现网状Meta分析时对先验设定的难点，同时具备操作流程简单、操作难度小等优点。此外，该程序包还能同时以随机效应与固定效应模型展现单个配对研究及Meta分析合并的结果，并能绘制森林图。本文通过实例展示了应用netmeta程序包实现网状Meta分析的过程。

引用本文： 张超, 耿培亮, 郭毅, 曾宪涛. 应用R语言netmeta程序包实现网状Meta分析. 中国循证医学杂志, 2014, 14(5): 625-630. doi: 10.7507/1672-2531.20140103 复制

网状Meta分析自2002年由Lumley教授正式提出以来^{[1, 2]}，引发广泛关注。近年来，网状Meta分析的方法学得到了快速发展且越发成熟。因贝叶斯理论克服了许多经典频率学无法解释的问题，更适合于网状Meta分析，故当前网状Meta分析制作仍以直接或间接使用基于贝叶斯理论研发的软件为主^[3-8]。然而，贝叶斯先验设定却一直是软件使用者的主要难题之一，特别是对于初学者，对其设定往往较为保守。

近年来，随着经典频率学派的不断完善，其在网状Meta分析中的应用也逐渐显现并取得了较大发展。R软件netmeta程序包^[9]就是基于经典频率学派研发的一款专用于实现网状Meta分析的程序包，本文以《R软件R2WinBUGS程序包在网状Meta分析中的应用》一文的数据为示例^{[3, 10]}，对该程序包的使用进行介绍。

1 程序包安装与加载

R软件当前的最新版本为R-3.0.2，可从官方网站[http://www.r.project.org]上获取。R软件的安装可参阅《R软件Metafor程序包在Meta分析中的应用》一文^[11]。

R软件安装之后，就可以安装及加载相关的程序包了。因netmeta程序包^[9]内部数据处理和图形绘制的核心代码均依赖于meta程序包^[12]及grid程序包实现，因此，在安装与加载netmeta程序包的同时，还需安装与加载meta及grid这两个程序包。全部完成之后，方可进行后续操作。

netmeta程序包的具体安装与加载代码如下：

install.packages(“netmeta”)

library(“netmeta”)

meta程序包为：

install.packages(“meta”)

library(“meta”)

grid程序包为：

install.packages(“grid”)

library(“grid”)

2 数据预处理与加载

netmeta程序包在数据的加载上与nlme程序包^[7]相似，其最终需要加载的数据格式为：效应量、标准误、配对治疗方案以及配对治疗方案的研究者编号。表 1展示了最终预加载的数据及其格式，其预加载数据运算过程请参阅《R软件nlme程序包在网状Meta分析中的应用》一文^[7]。

数据按照表 1处理好之后，将其储存在桌面的“Rwork”文件夹下的“netmetadata.txt”文本中。存贮完毕后，即可进行读取。

表1 处理后加载数据

表选项

下载CSV

表1 处理后加载数据

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：上述数据均保留3位小数。studlab：配对治疗措施的研究者编号，其中3臂试验存在3个配对比较（如研究“1”所示）；TE：配对药物比较效应量，本处为logOR；seTE：配对药物比较效应量所对应的标准误；t1与t2：分别表示两种配对药物编号，其中： A为placebo，B为bupropion，C为citalopram，D为desvenlafaxine，E为duloxetine，F为escitalopram，G为fluoxetine，H为fluvoxamine，I为mirtazapine，J为nefazodone，K为paroxetine，L为sertraline，M为trazodone，N为velafaxine。

具体读取命令如下：

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

读取成功，则表明数据成功加载。

3 数据运算

在完成上述数据排列及加载之后，即可进行相应的运算。

执行运算的具体代码如下：

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

代码中：TE、seTE、t1、t2、studlab参数参见表 1的注释；“comb.random”表示是否默认储存随机模型，而配对研究的固定和随机模型均会执行；“sm”表示选取的最终合并效应量；“reference”表示选取的参考治疗方案，可以依次更改参考药名，来获取其他配对结果。

4 结果汇总

运算完成后，即可对运算的相关结果一一进行展示。

展示结果的命令较多，通过“net1”命令则可一次性展示单个配对比较的结果（表 2）及合并的结果（表 3）。两种形式均可同时展示出固定效应与随机效应模型的结果。

表2 配对治疗方案结果

表选项

下载CSV

表2 配对治疗方案结果

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 合并结果汇总

表选项

下载CSV

表3 合并结果汇总

Treatment estimate (sm='OR', reference.group='A'):
	固定效应模型			随机效应模型
	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，执行“net1”命令后的结果应为三部分：原始数据分析、配对治疗方案结果及结果汇总分析，其中原始数据分析结果的资料在此未作展示，读者运行命令后即可获取。

5 绘制图形

netmeta程序包当前仅支持森林图的绘制。具体命令如下：

forest(net1, ref="A")

命令中：“ref”表示选取的参考药物，本例为A；“net1”为数据汇总的命令。因步骤3中运算时设定的为随机效应模型，故森林图依据随机效应模型绘制（图 1）。可以看到，图 1是表 3中随机效应模型结果的展示。

图1 基于随机效应模型的合并结果的森林图

图选项

下载全尺寸图像

下载幻灯片

至此，使用netmeta程序包实现网状Meta分析中的操作就全部完成。

6 结语

netmeta程序包是目前唯一一个基于频率学派研发的、且未使用回归模型就能一次性完成网状Meta分析的程序包。因此，其避免了贝叶斯统计中复杂先验设置、初始值设置，以及回归模型^[7]哑变量和方差-协方差矩阵等设置所带来的人为偏差，简化了操作者对各参数的设定。然而，尽管netmeta程序包在数据运算及操作流程上较其他程序包^[3-8]简捷，但其在图形的绘制功能上仍有待完善；此外，与基于贝叶斯统计研发的软件及程序包相比，其在结果似然估计精确度上亦稍为逊色。与前述的基于频率学派研发的nlme程序包^[7]相比，netmeta程序包能顺利处理大于两臂的研究，更加适合初学者。在图形方面，netmeta程序包已可绘制森林图；网状Meta分析中建议绘制的网状关系图可通过network程序包等来实现^[13]。

尽管该程序包在使用方面存在诸多优点，但对于组间与组内的异质性与一致性的鉴别仍有所欠缺，同时，对相关性的考量也未引入到该程序包中。随着网状Meta分析方法学不断完善及该程序包的不断更新，相信该程序包的优势将逐渐展露，运用也将越发广泛。

1 程序包安装与加载

R软件当前的最新版本为R-3.0.2，可从官方网站[http://www.r.project.org]上获取。R软件的安装可参阅《R软件Metafor程序包在Meta分析中的应用》一文^[11]。

netmeta程序包的具体安装与加载代码如下：

install.packages(“netmeta”)

library(“netmeta”)

meta程序包为：

install.packages(“meta”)

library(“meta”)

grid程序包为：

install.packages(“grid”)

library(“grid”)

2 数据预处理与加载

数据按照表 1处理好之后，将其储存在桌面的“Rwork”文件夹下的“netmetadata.txt”文本中。存贮完毕后，即可进行读取。

表1 处理后加载数据

表选项

下载CSV

表1 处理后加载数据

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：上述数据均保留3位小数。studlab：配对治疗措施的研究者编号，其中3臂试验存在3个配对比较（如研究“1”所示）；TE：配对药物比较效应量，本处为logOR；seTE：配对药物比较效应量所对应的标准误；t1与t2：分别表示两种配对药物编号，其中： A为placebo，B为bupropion，C为citalopram，D为desvenlafaxine，E为duloxetine，F为escitalopram，G为fluoxetine，H为fluvoxamine，I为mirtazapine，J为nefazodone，K为paroxetine，L为sertraline，M为trazodone，N为velafaxine。

具体读取命令如下：

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

读取成功，则表明数据成功加载。

3 数据运算

在完成上述数据排列及加载之后，即可进行相应的运算。

执行运算的具体代码如下：

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 结果汇总

运算完成后，即可对运算的相关结果一一进行展示。

表2 配对治疗方案结果

表选项

下载CSV

表2 配对治疗方案结果

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 合并结果汇总

表选项

下载CSV

表3 合并结果汇总

Treatment estimate (sm='OR', reference.group='A'):
	固定效应模型			随机效应模型
	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 绘制图形

netmeta程序包当前仅支持森林图的绘制。具体命令如下：

forest(net1, ref="A")

图1 基于随机效应模型的合并结果的森林图

图选项

下载全尺寸图像

下载幻灯片

至此，使用netmeta程序包实现网状Meta分析中的操作就全部完成。

6 结语

表1 处理后加载数据

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：上述数据均保留3位小数。studlab：配对治疗措施的研究者编号，其中3臂试验存在3个配对比较（如研究“1”所示）；TE：配对药物比较效应量，本处为logOR；seTE：配对药物比较效应量所对应的标准误；t1与t2：分别表示两种配对药物编号，其中： A为placebo，B为bupropion，C为citalopram，D为desvenlafaxine，E为duloxetine，F为escitalopram，G为fluoxetine，H为fluvoxamine，I为mirtazapine，J为nefazodone，K为paroxetine，L为sertraline，M为trazodone，N为velafaxine。

表选项

下载CSV

表2 配对治疗方案结果

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

表选项

下载CSV

表3 合并结果汇总

Treatment estimate (sm='OR', reference.group='A'):
	固定效应模型			随机效应模型
	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

表选项

下载CSV

图1 基于随机效应模型的合并结果的森林图

图选项

下载全尺寸图像

下载幻灯片

1.	曾宪涛, 曹世义, 孙凤, 等. Meta分析系列之六:间接比较及网状分析.中国循证心血管医学杂志, 2012(05):399-402.
2.	Lumley T. Network meta-analysis for indirect treatment comparisons. Stat Med, 2002, 21(16):2313-24.
3.	曾宪涛, 张超, 郭毅. R软件R2WinBUGS程序包在网状Meta分析中的应用.中国循证医学杂志, 2013, 13(9):1137-1144.
4.	张超, 董圣杰, 曾宪涛. R软件gemtc程序包在网状Meta分析中的应用.中国循证医学杂志, 2013, 13(10):1258-1264.
5.	曾宪涛, 徐畅, 张超, 等.网状Meta分析在Stata软件中的实现.中国循证医学杂志, 2013, 13(11):1387-1391.
6.	张超, 孙凤, 曾宪涛. R调用JAGS软件实现网状Meta分析.中国循证医学杂志, 2014, 14(2):241-248.
7.	张超, 牛玉明, 曾宪涛. R软件nlme程序包在网状Meta分析中的应用.中国循证医学杂志, 2014, 14(3):355-360.
8.	罗杰, 张超, 曾宪涛. R软件调用OpenBUGS软件实现网状Meta分析.中国循证医学杂志, 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, 曾宪涛, 郭毅. R软件Metafor程序包在Meta分析中的应用.中国循证医学杂志. 2012, 12(9):1141-1147.
12.	蒋文瀚, 陈炳为, 郑建光, 等. R语言meta包在Meta分析中的应用.循证医学, 2011, 11(5):305-309.
13.	张超, 徐畅, 曾宪涛.网状Meta分析中网状关系图的绘制.中国循证医学杂志, 2013, 13(11):1382-1386.

1. 曾宪涛, 曹世义, 孙凤, 等. Meta分析系列之六:间接比较及网状分析.中国循证心血管医学杂志, 2012(05):399-402.
2. Lumley T. Network meta-analysis for indirect treatment comparisons. Stat Med, 2002, 21(16):2313-24.
3. 曾宪涛, 张超, 郭毅. R软件R2WinBUGS程序包在网状Meta分析中的应用.中国循证医学杂志, 2013, 13(9):1137-1144.
4. 张超, 董圣杰, 曾宪涛. R软件gemtc程序包在网状Meta分析中的应用.中国循证医学杂志, 2013, 13(10):1258-1264.
5. 曾宪涛, 徐畅, 张超, 等.网状Meta分析在Stata软件中的实现.中国循证医学杂志, 2013, 13(11):1387-1391.
6. 张超, 孙凤, 曾宪涛. R调用JAGS软件实现网状Meta分析.中国循证医学杂志, 2014, 14(2):241-248.
7. 张超, 牛玉明, 曾宪涛. R软件nlme程序包在网状Meta分析中的应用.中国循证医学杂志, 2014, 14(3):355-360.
8. 罗杰, 张超, 曾宪涛. R软件调用OpenBUGS软件实现网状Meta分析.中国循证医学杂志, 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, 曾宪涛, 郭毅. R软件Metafor程序包在Meta分析中的应用.中国循证医学杂志. 2012, 12(9):1141-1147.
12. 蒋文瀚, 陈炳为, 郑建光, 等. R语言meta包在Meta分析中的应用.循证医学, 2011, 11(5):305-309.
13. 张超, 徐畅, 曾宪涛.网状Meta分析中网状关系图的绘制.中国循证医学杂志, 2013, 13(11):1382-1386.

上一篇
近视与开角型青光眼关系的Meta分析
下一篇
随机对照临床试验中盲法质量评价现状

《中国循证医学杂志》

应用R语言netmeta程序包实现网状Meta分析

摘要 全文 图表 视频 参考文献 施引文献 补充材料

1 程序包安装与加载

2 数据预处理与加载

3 数据运算

4 结果汇总

5 绘制图形

6 结语

1 程序包安装与加载

2 数据预处理与加载

3 数据运算

4 结果汇总

5 绘制图形

6 结语

上一篇

下一篇

Format

Content

《中国循证医学杂志》

应用R语言netmeta程序包实现网状Meta分析

摘要 全文 图表 视频 参考文献 施引文献 补充材料

1 程序包安装与加载

2 数据预处理与加载

3 数据运算

4 结果汇总

5 绘制图形

6 结语

1 程序包安装与加载

2 数据预处理与加载

3 数据运算

4 结果汇总

5 绘制图形

6 结语

上一篇

下一篇

Format

Content

摘要全文图表视频参考文献施引文献补充材料