gemtc软件下载 生存数据的贝叶斯网状Meta分析R包gemtc使用方法

随着临床研究的不断进步，越来越多的研究结果涌现，而这些结果往往主要包括生存数据。要真正从这些数据中提取出有用的信息，则需要使用一些数据分析工具。而在这方面，Meta分析以其综合多项研究的结果并增强数据可靠性的特点，成为了热门分析方法之一。而针对生存数据的Meta分析，则需要专门的工具，在这里介绍的gemtc软件就是其中之一。本文将围绕gemtc软件下载以及其使用方法展开探讨，帮助读者了解更多关于这一工具的信息。

生存数据的贝叶斯网状Meta分析R包gemtc使用方法

前提条件：

准备工作完成后，打开RStudio后，在console里输入install.packages(“gemtc”)

第一次安装的时候，安装速度可能比较慢，耐心等待一下。

等安装完成后，设置我们的工作目录。后面可以把待分析的数据放入这个工作目录，敲入：

setwd("D:\\R网状教程\\HR") #你可以更改为自己的工作目录，在后面环境变量增多的时候，在这一步前可以加一个rm(list=ls())清除环境变量。

然后敲入：

library(gemtc)     #装载gemtc包

关于如何将生存数据准备成可以用R的GEMTC分析的格式，以及如何计算多臂研究中参考臂的标准误，请参考公众号内教程。

正式分析

把刚刚准备好的数据导入到R里，敲入：

data <- read.csv("sample1.csv", sep=",", header=T)   #sep代表逗号为分隔符，header=T代表把首行的数据作为标题，<-是R里的赋值符号，你可以把它理解为=号。<-前面的变量名是可以自己任意指定的，以下类似。

把数据弄成gemtc的网络格式，敲入：

network <- mtc.network(data.re=data)  #这里<-前面的network不一定非要叫network，改为其他的阿猫阿狗名称均可。以下类似，不再赘述。

输入：plot(network)

可以看到网状图如下：

当然了，这些大小、颜色、字体等等的参数都是可以调整的，但是跟stata做网状图相比还是太麻烦了。Stata几乎不用调整一步到位，大家可以参考我之前制作的如何使用stata对生存数据做网状关系图的教程。

然后开始建立模型：

model <-mtc.model(network, type="consistency", n.chain=4,likelihood="binom",link="cloglog",linearModel="random")

其中，圆括号里的第一个参数为我们刚刚新建的gemtc网络类型的变量network，第二个参数type="consistency"，是指我们的模型为一致性模型，n.chain指的是马尔科夫蒙特卡洛MCMC的链条数目，一般为2-4均可。因为我们进行的是生存数据的网状分析，所以likelihood="binom", link="cloglog"。linearModel="random"指的是我们使用的模型为随机效应，当然也可以指定fixed作为固定效应模型。这一步可能会跳出一些红色的warning，强迫症的同学看到可能会感到不安，但不用紧张，不影响后续的分析，不管它即可。

现在就可以进行迭代了，敲入：

results <- mtc.run(model, n.adapt = 20000, n.iter = 50000, thin = 1)

其中，model是我们上一步建立的模型名称，n.adapt为退火次数，n.iter为迭代次数。这个时候我们耐心等待，RStudio界面如下所示：

敲入：summary(results)可以看到如下结果：

其中结果包括DIC，DIC可以进一步与不一致性模型的DIC作比较，如果相差在5以内，就说明数据基本符合一致性的前提。DIC的绝对值没有任何意义，只用于相对比较。以及I2这个总体异质性参数。总体异质性参数也可以报告tau2，上图中的sd.d就是tau，本例中为0.25，那么tau2就是0.06。

敲入：

forest(relative.effect(results, "Control"))

可以看到每个干预相对于Control的森林图：

敲入：plot(results) #可以看到每个指标的收敛情况以及密度图

敲入：gelman.plot(results) # 收敛性诊断

对所有的干预措施进行排序，敲入：

ranks <- rank.probability(results, preferredDirection= -1) #这里的效应量越小越好，所以direction选择-1，默认为效应量越大越好
print(ranks)

制作联赛表：

a <- round(exp(relative.effect.table(results)),2)
write.csv(a, "leaguetable.csv")

以上步骤可以在工作目录中导出这个表格。

全局不一致（Global inconsistency）

很多同学不知道如何做不一致模型，想当然的以为将type="inconsistency"就OK了，其实并非如此。而应是在模型那一步中将type="ume"或者"use"。至于ume和use具体是什么，本文不再赘述，感兴趣的同学可以查看交流群文件中TSD4（inconsistency）的文件。如下：

modelume <-mtc.model(network, type="ume", n.chain=4, likelihood="binom", link="cloglog", linearModel="random")
resultsume <- mtc.run(modelume, n.adapt = 20000, n.iter = 50000, thin = 1)
summary(resultsume)    #查看不一致模型的DIC，然后与一致性模型进行比较。

局部不一致（local inconsistency）

用节点劈裂法

resultnodesplit <-mtc.nodesplit(network, n.adapt = 20000, n.iter = 50000, thin = 1, n.chain=4,  likelihood="binom", link="cloglog",linearModel="random")

在这里，我们无需像在WINBUGS或者OpenBUGS软件里对初始值进行繁琐的设定。这一点是我非常喜欢R软件gemtc包的地方。

b<-summary(resultnodesplit)   #查看节点劈裂法的结果
print(b)

plot(b)

异质性分析

resultanohe <- mtc.anohe(network, n.adapt = 20000, n.iter = 50000, thin = 1, n.chain=4, likelihood="binom", link="cloglog",linearModel="random")
c<-summary(resultanohe)
plot(c)

至此，主分析的步骤基本已经完成。此外，gemtc还支持对协变量进行回归分析，对生存数据的回归分析操作类似于既往的回归分析教程。

更多精彩，敬请关注

使用gemtc软件进行生存数据的贝叶斯网状Meta分析可以更全面地评估不同研究的结果，并提高研究的可靠性和重现性。通过了解gemtc的使用方法，我们可以更好地应用这一工具来帮助我们的研究得出更准确的结论。