Come calcolare gli intervalli di confidenza per i rapporti dispari raggruppati nella meta-analisi?

Ho due set di dati provenienti da studi di associazione su tutto il genoma. Le uniche informazioni disponibili sono i rapporti dispari e i loro intervalli di confidenza (95%) per ciascun SNP genotipizzato. Voglio generare un diagramma forestale confrontando questi due rapporti di probabilità, ma non riesco a trovare il modo di calcolare gli intervalli di confidenza combinati per visualizzare gli effetti di riepilogo. Ho usato il programma PLINK per eseguire la meta-analisi usando effetti fissi, ma il programma non ha mostrato questi intervalli di confidenza.

• Come posso calcolare tali intervalli di confidenza?

I dati disponibili sono:

• Rapporti dispari per ogni studio,
• Intervalli di confidenza al 95% e
• Errori standard.

Nella maggior parte delle meta-analisi dei rapporti di probabilità, gli errori standard si basano sul registro dei rapporti di probabilità . Quindi, ti capita di sapere come sono stati stimati i tuoi (e quali metriche riflettono? o )? Dato che i si basano sul , è possibile calcolare facilmente l'errore standard in pool (in un modello a effetti fissi). Innanzitutto, calcoliamo i pesi per ciascuna dimensione di effetto: . In secondo luogo, l'errore standard in pool è . Inoltre, consenti il$se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$$w_i = \frac{1}{se_i^2}$ log(ORFEM)log(ORFEM)±1.96⋅seFE$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$essere l'effetto comune (modello a effetto fisso). Quindi, l'intervallo di confidenza al 95% ("raggruppato") è .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Aggiornare

Dato che BIBB ha gentilmente fornito i dati, sono in grado di eseguire la metanalisi "completa" in 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

Riferimenti

Vedi, ad esempio, Lipsey / Wilson (2001: 114)

In realtà, è possibile utilizzare software come METAL che è specificamente progettato per meta-analisi in contesto GWA.

È strano che il plink non dia l'intervallo di confidenza. Tuttavia, è possibile ottenere l' elemento della configurazione perché si dispone dell'OR finale (take ) e del -value (da cui ) per l'effetto fisso.p $\log(\text{OR})$$p$$z$

Il metodo di Bernd è ancora più preciso.

Fai attenzione che sarei più preoccupato per la direzione dell'effetto in quanto sembra che tu abbia solo statistiche riassuntive per ogni studio, ma nulla di sicuro su quale sia l'allele OR. A meno che tu non sappia che è fatto sullo stesso allele.

cristiano

Questo è un commento (non hai abbastanza punti rep.). Se conosci la dimensione del campione (#case e #controls) in ogni studio e il rapporto di probabilità per un SNP, puoi ricostruire la tabella 2x2 di case / control con a / b (dove aeb sono i due alleli) per ciascuno dei due studi. Quindi puoi semplicemente aggiungere quei conteggi per ottenere una tabella per il meta-studio e usarlo per calcolare il rapporto di probabilità combinato e gli intervalli di confidenza.

Ecco il codice per ottenere elementi della configurazione per meta-analisi come in 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)
}

Chiamata alla funzione R:

getCI(log(plinkORs), plinkSEs)