Как рассчитать доверительные интервалы для объединенных нечетных отношений в метаанализе?

У меня есть два набора данных из общих исследований генома ассоциации. Единственной доступной информацией являются нечетные отношения и их доверительные интервалы (95%) для каждого генотипированного SNP. Я хочу создать лесной участок, сравнивая эти два коэффициента, но я не могу найти способ рассчитать комбинированные доверительные интервалы для визуализации суммарных эффектов. Я использовал программу PLINK для выполнения мета-анализа с использованием фиксированных эффектов, но программа не показала эти доверительные интервалы.

• Как я могу рассчитать такие доверительные интервалы?

Доступные данные:

• Нечетные соотношения для каждого исследования,
• 95% доверительные интервалы и
• Стандартные ошибки.

В большинстве мета-анализа отношений шансов стандартные ошибки основаны на журнале отношений шансов . Итак, вы случайно не знаете, как были оценены ваши (и какой показатель они отражают? или )? Учитывая, что основаны на , объединенная стандартная ошибка (в модели с фиксированным эффектом) может быть легко вычислена. Сначала давайте вычислим весовые коэффициенты для каждого размера эффекта: . Во-вторых, объединенная стандартная ошибка: . Кроме того, пусть л о г ( О Р я ) ы е я О Р л о г ( О Р ) с е я л о г ( О Р я ) ш я = $se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$ ыеFEM=$w_i = \frac{1}{se_i^2}$$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$быть общим эффектом (модель с фиксированным эффектом). Затем 95-процентный доверительный интервал («объединенный») равен .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Обновить

Поскольку BIBB любезно предоставил данные, я могу провести «полный» метаанализ в 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

Ссылки

См., Например, Lipsey / Wilson (2001: 114)

На самом деле, вы можете использовать программное обеспечение, такое как METAL, которое специально разработано для метаанализа в контексте GWA.

$\log(\text{OR})$$p$$z$

Метод Бернда еще точнее.

Помните, что меня больше беспокоит направление эффекта, так как похоже, что у вас есть только сводные статистические данные по каждому исследованию, но нет уверенности, что это за аллель ИЛИ. Если вы не знаете, что это сделано на том же аллеле.

Кристиан

Это комментарий (не хватает реп. Баллов). Если вы знаете размер выборки (#cases и #controls) в каждом исследовании и отношение шансов для SNP, вы можете восстановить таблицу 2x2 case / control по a / b (где a и b - два аллеля) для каждое из двух исследований. Затем вы можете просто добавить эти значения, чтобы получить таблицу для мета-исследования, и использовать ее для вычисления комбинированного отношения шансов и доверительных интервалов.

Вот код для получения КИ для мета-анализа, как в 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)
}

Вызов функции R:

getCI(log(plinkORs), plinkSEs)