Bagaimana cara menghitung interval kepercayaan untuk gabungan rasio ganjil dalam meta-analisis?

Saya memiliki dua set data dari studi asosiasi genome. Satu-satunya informasi yang tersedia adalah rasio ganjil dan interval kepercayaan mereka (95%) untuk setiap SNP genotipe. Saya ingin membuat plot hutan yang membandingkan dua rasio odds ini, tetapi saya tidak dapat menemukan cara untuk menghitung interval kepercayaan gabungan untuk memvisualisasikan efek ringkasan. Saya menggunakan program PLINK untuk melakukan meta-analisis menggunakan efek tetap, tetapi program tidak menunjukkan interval kepercayaan ini.

• Bagaimana saya bisa menghitung interval kepercayaan seperti itu?

Data yang tersedia adalah:

• Rasio ganjil untuk setiap studi,
• Interval kepercayaan 95% dan
• Kesalahan standar.

Dalam sebagian besar meta-analisis rasio odds, kesalahan standar didasarkan pada log rasio odds . Jadi, apakah Anda tahu bagaimana Anda telah diperkirakan (dan metrik apa yang dipantulkannya? atau )? Mengingat bahwa didasarkan pada , maka kesalahan standar gabungan (di bawah model efek tetap) dapat dengan mudah dihitung. Pertama, mari kita hitung bobot untuk setiap ukuran efek: . Kedua, kesalahan standar gabungan adalah . Selanjutnya, biarkan 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(OR$se_{FEM} = \sqrt{\frac{1}{\sum w}}$log(O R F E M )±1,96⋅s e F E $log(OR_{FEM})$menjadi efek umum (model efek tetap). Kemudian, interval kepercayaan ("dikumpulkan") 95% adalah .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Memperbarui

Karena BIBB dengan baik hati memberikan data, saya dapat menjalankan meta-analisis 'lengkap' di 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

Referensi

Lihat, misalnya, Lipsey / Wilson (2001: 114)

Sebenarnya, Anda dapat menggunakan perangkat lunak seperti METAL yang dirancang khusus untuk meta-analisis dalam konteks GWA.

Canggung bahwa plink tidak memberikan interval kepercayaan diri. Namun, Anda bisa mendapatkan CI karena Anda memiliki OR terakhir (take ) dan -value (karenanya ) untuk efek tetap.p $\log(\text{OR})$$p$$z$

Metode Bernd bahkan lebih tepat.

Berhati-hatilah bahwa saya akan lebih khawatir tentang efek arah karena sepertinya Anda hanya memiliki statistik ringkasan untuk setiap studi tetapi tidak ada yang pasti yang merupakan alel ATAU. Kecuali Anda tahu itu dilakukan pada alel yang sama.

Kristen

Ini adalah komentar (tidak memiliki cukup poin rep.) Jika Anda mengetahui ukuran sampel (#cases dan #controls) di setiap studi, dan rasio odds untuk SNP, Anda dapat merekonstruksi tabel 2x2 case / control dengan a / b (di mana a dan b adalah dua alel) untuk masing-masing dari dua studi. Kemudian Anda bisa menambahkan hitungan tersebut untuk mendapatkan tabel untuk studi meta, dan menggunakannya untuk menghitung odds-ratio gabungan dan interval kepercayaan.

Berikut ini adalah kode untuk mendapatkan CI untuk meta-analisis seperti pada 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)
}

Memanggil fungsi R:

getCI(log(plinkORs), plinkSEs)