Làm cách nào để tính khoảng tin cậy cho các tỷ lệ lẻ gộp trong phân tích tổng hợp?

Tôi có hai bộ dữ liệu từ các nghiên cứu kết hợp trên toàn bộ gen. Thông tin duy nhất có sẵn là tỷ lệ lẻ và khoảng tin cậy của chúng (95%) cho mỗi SNP có kiểu gen. Tôi muốn tạo ra một lô rừng so sánh hai tỷ lệ cược này, nhưng tôi không thể tìm ra cách tính các khoảng tin cậy kết hợp để hình dung các hiệu ứng tóm tắt. Tôi đã sử dụng chương trình PLINK để thực hiện phân tích tổng hợp bằng các hiệu ứng cố định, nhưng chương trình không hiển thị các khoảng tin cậy này.

• Làm thế nào tôi có thể tính toán khoảng tin cậy như vậy?

Dữ liệu có sẵn là:

• Tỷ lệ lẻ cho mỗi nghiên cứu,
• Khoảng tin cậy 95% và
• Lỗi tiêu chuẩn.

Trong hầu hết các phân tích tổng hợp về tỷ lệ cược, các lỗi tiêu chuẩn dựa trên tỷ lệ tỷ lệ cược . Vì vậy, bạn có biết của bạn đã được ước tính như thế nào (và số liệu họ phản ánh không? hoặc )? Cho rằng dựa trên , sau đó có thể dễ dàng tính toán lỗi tiêu chuẩn gộp (theo mô hình hiệu ứng cố định). Trước tiên, hãy tính trọng số cho từng kích thước hiệu ứng: . Thứ hai, lỗi tiêu chuẩn gộp là . Hơn nữa, hãy l o g ( O R i ) s e i O R l o g ( O R ) s e i l o g ( O R i ) w i = $se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$ seFEM=$w_i = \frac{1}{se_i^2}$ log(ORFEM)log(ORFEM)±1,96⋅seFE$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$là hiệu ứng chung (mô hình hiệu ứng cố định). Sau đó, khoảng tin cậy 95% ("gộp") là .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Cập nhật

Vì BIBB vui lòng cung cấp dữ liệu, tôi có thể chạy phân tích tổng hợp 'đầy đủ' trong R.

library(meta)
or <- c(0.75, 0.85)
se <- c(0.0937, 0.1029)
logor <- log(or)
(or.fem <- metagen(logor, se, sm = "OR"))

> (or.fem <- metagen(logor, se, sm = "OR"))
    OR            95%-CI %W(fixed) %W(random)
1 0.75  [0.6242; 0.9012]     54.67      54.67
2 0.85  [0.6948; 1.0399]     45.33      45.33

Number of trials combined: 2 

                         OR           95%-CI       z  p.value
Fixed effect model   0.7938  [0.693; 0.9092] -3.3335   0.0009
Random effects model 0.7938  [0.693; 0.9092] -3.3335   0.0009

Quantifying heterogeneity:
tau^2 < 0.0001; H = 1; I^2 = 0%

Test of heterogeneity:
    Q d.f.  p.value
 0.81    1   0.3685

Method: Inverse variance method

Người giới thiệu

Xem, ví dụ, Lipsey / Wilson (2001: 114)

Trên thực tế, bạn có thể sử dụng phần mềm như METAL được thiết kế đặc biệt để phân tích tổng hợp trong ngữ cảnh GWA.

Thật khó xử khi plink không cung cấp khoảng tin cậy. Tuy nhiên, bạn có thể nhận được CI vì bạn có OR cuối cùng (lấy ) và giá trị (do đó là ) cho hiệu ứng cố định.p $\log(\text{OR})$$p$$z$

Phương pháp của Bernd thậm chí còn chính xác hơn.

Xin lưu ý rằng tôi sẽ lo lắng hơn về hướng hiệu ứng vì có vẻ như bạn chỉ có số liệu thống kê tóm tắt cho mỗi nghiên cứu nhưng không có gì chắc chắn đó là alen OR. Trừ khi bạn biết nó được thực hiện trên cùng một alen.

Cơ đốc giáo

Đây là một nhận xét (không có đủ điểm đại diện). Nếu bạn biết kích thước mẫu (#case và #controls) trong mỗi nghiên cứu và tỷ lệ chênh lệch cho SNP, bạn có thể xây dựng lại bảng 2x2 của trường hợp / kiểm soát theo a / b (trong đó a và b là hai alen) cho mỗi trong hai nghiên cứu. Sau đó, bạn có thể chỉ cần thêm các số đó để có được bảng cho nghiên cứu tổng hợp và sử dụng số này để tính tỷ lệ chênh lệch tỷ lệ cược và khoảng tin cậy.

Đây là mã để có được các TCTD cho phân tích tổng hợp như trong PLINK:

getCI = function(mn1, se1, method){
    remov = c(0, NA)
    mn    = mn1[! mn1 %in% remov]
    se    = se1[! mn1 %in% remov]
    vars  <- se^2
    vwts  <- 1/vars

    fixedsumm <- sum(vwts * mn)/sum(vwts)
    Q         <- sum(((mn - fixedsumm)^2)/vars)
    df        <- length(mn) - 1
    tau2      <- max(0, (Q - df)/(sum(vwts) - sum(vwts^2)/sum(vwts)) )

    if (method == "fixed"){ wt <- 1/vars } else { wt <- 1/(vars + tau2) }

    summ <- sum(wt * mn)/sum(wt)
    if (method == "fixed") 
         varsum <- sum(wt * wt * vars)/(sum(wt)^2)
    else varsum <- sum(wt * wt * (vars + tau2))/(sum(wt)^2)

    summtest   <- summ/sqrt(varsum)
    df         <- length(vars) - 1
    se.summary <- sqrt(varsum)
    pval       = 1 - pchisq(summtest^2,1)
    pvalhet    = 1 - pchisq(Q, df)
    L95        = summ - 1.96*se.summary
    U95        = summ + 1.96*se.summary
    # out = c(round(c(summ,L95,U95),2), format(pval,scientific=TRUE), pvalhet)   
    # c("OR","L95","U95","p","ph")
    # return(out)

    out = c(paste(round(summ,3), ' [', round(L95,3), ', ', round(U95,3), ']', sep=""),
            format(pval, scientific=TRUE), round(pvalhet,3))
    # c("OR","L95","U95","p","ph")
    return(out)
}

Gọi hàm R:

getCI(log(plinkORs), plinkSEs)