Jak obliczyć przedziały ufności dla połączonych wskaźników nieparzystych w metaanalizie?

Mam dwa zestawy danych z badań asocjacyjnych całego genomu. Jedynymi dostępnymi informacjami są współczynniki nieparzyste i przedziały ufności (95%) dla każdego genotypowanego SNP. Chcę wygenerować działkę leśną porównującą te dwa współczynniki szans, ale nie mogę znaleźć sposobu na obliczenie łączonych przedziałów ufności w celu wizualizacji efektów podsumowania. Użyłem programu PLINK do przeprowadzenia metaanalizy przy użyciu ustalonych efektów, ale program nie wykazał tych przedziałów ufności.

• Jak mogę obliczyć takie przedziały ufności?

Dostępne dane to:

• Dziwne wskaźniki dla każdego badania,
• 95% przedziały ufności i
• Standardowe błędy.

W większości metaanalizy standardowe błędy oparte są na . Czy wiesz, jak Twoje wartości (i jakie dane odzwierciedlają? lub )? Biorąc pod uwagę, że są oparte na , można z łatwością obliczyć standardowy błąd w puli (w modelu o stałym efekcie). Najpierw wagi dla każdego rozmiaru efektu: . Po drugie, standardowy błąd w puli to . Ponadto, pozwól się$se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$$w_i = \frac{1}{se_i^2}$$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$być wspólnym efektem (model z efektem stałym). Następnie 95-procentowy przedział ufności ”) to .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Aktualizacja

Ponieważ BIBB uprzejmie dostarczył dane, jestem w stanie przeprowadzić „pełną” metaanalizę w języku 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

Bibliografia

Patrz np. Lipsey / Wilson (2001: 114)

W rzeczywistości możesz użyć oprogramowania takiego jak METAL, który jest specjalnie zaprojektowany do metaanalizy w kontekście GWA.

To dziwne, że plink nie podaje przedziału ufności. Możesz jednak uzyskać CI, ponieważ masz ostateczną OR (weź$\log(\text{OR})$) i $p$-wartość (stąd $z$) dla ustalonego efektu.

Metoda Bernda jest jeszcze bardziej precyzyjna.

Strzeż się, że bardziej martwię się o kierunek efektu, ponieważ wygląda na to, że masz tylko statystyki podsumowujące dla każdego badania, ale nie ma pewności, który jest allel OR. Chyba że wiesz, że odbywa się to na tym samym allelu.

chrześcijanin

To jest komentarz (nie ma wystarczającej liczby punktów rep.). Jeśli znasz wielkość próby (# przypadków i # kontroli) w każdym badaniu oraz iloraz szans dla SNP, możesz zrekonstruować tabelę przypadków / kontroli 2x2 za pomocą a / b (gdzie a i b są dwoma allelami) dla każde z dwóch badań. Następnie możesz po prostu dodać te liczby, aby uzyskać tabelę dla meta-badania, i użyć jej do obliczenia połączonego ilorazu szans i przedziałów ufności.

Oto kod, aby pobrać CI do metaanalizy jak w 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)
}

Wywołanie funkcji R:

getCI(log(plinkORs), plinkSEs)