单组率研究稀疏数据的Meta分析方法

刘 曼 陈文松 刘玉秀,3 陆梦洁 刘雅琦 袁阳丹

近年来，医学研究中对单组率研究的Meta分析呈增长趋势[1-3]，然而当遇到稀疏数据时，不顾方法应用条件盲目选择的情况时有发生，导致合并结果的偏倚，甚至产生误导的结论[4]。有学者指出，单组率研究的Meta分析若出现稀疏数据，尤其是零事件的研究较多时，常用的Meta分析方法统计性能不佳，应谨慎选择[5]。本文针对单组率研究遇到稀疏数据时进行Meta分析的方法，择优选出目前认为具有较好性能的基于Freeman-Tukey转换、反正弦转换的倒方差法和广义线性混合模型(GLMM)方法，通过Monte-Carlo模拟比较其统计性能，为Meta分析的方法选择提供依据、提出建议。

1 方法

Meta分析有3个重要方面，一是分析的框架，二是模型的选择，三是异质性评价方法的选择。

1.1 框架的选择 单组率研究的常用Meta分析方法原理通常是基于正态分布的。对于发生率为p的总体，例数为n的样本中某一事件的发生数e服从二项分布，若n足够大且p不接近0或1，可用二项分布近似正态分布。然而，当n较小或p接近0或1时，由于分布的离散性，则不宜用二项分布近似正态分布。因此，二项数据建模最流行的框架是通过变换使之近似于正态分布，在进行Meta分析的倒方差法中，提出了几种转换方法，包括ln转换(自然对数转换)、logit转换[6]、反正弦转换[7]和Freeman-Tukey双重反正弦转换(FT转换)[8-10]。前2种转换在计算过程中，遇到零事件可能会面临除零问题，尽管可以做连续性校正，但研究证明这些校正仍会产生偏倚，难以保证结果的稳定性，而后2种转换则无需校正且可以保持较好的统计性能，因此不少文献推荐选择后两者[6, 7,11]。……