基于质量效应模型的偏倚调整荟萃分析：Stata软件应用教程

《JBI Evidence Implementation》：Bias-adjusted meta-analysis using the quality effects model: a Stata tutorial

这篇综述为医学研究者和统计学者提供了在Stata软件中实现质量效应（Quality Effects, QE）模型进行荟萃分析（meta-analysis）的全面、实用教程。它不仅逐步解释了如何从方法学质量（methodological quality, mQ）评估到应用QE模型进行偏倚调整，还通过两个实例展示了该模型在二分类和连续性数据中的应用。QE模型能基于研究的相对质量等级对权重进行重新分配，将分析结果向高质量研究倾斜，从而减少系统误差，是提升荟萃分析结果可信度、实现偏倚校正的有效工具。本指南填补了现有QE模型应用教程稀缺的空白，对希望利用Stata平台改进其元分析质量的研究者具有重要参考价值。

　　

引言概览

这篇题为“基于质量效应模型的偏倚调整荟萃分析：一个Stata教程”的文章，旨在详细阐述如何使用Stata软件中的metan包，从方法学质量（mQ）评估开始，到最终应用质量效应（Quality Effects, QE）模型进行荟萃分析的完整流程。文章指出，尽管QE模型在医学文献中的引用日益增多，但关于其实际应用的实用指导仍然有限。本教程通过提供一个清晰的、以实例驱动的指南，旨在填补这一重要空白，服务于在健康和社科领域广泛使用的Stata平台用户。

调整与非调整的荟萃分析模型

荟萃分析通过权衡偏倚来减少方差，而传统的模型估计器通常只需要效应量和标准误作为输入。要进行偏倚调整，则需要在估计器中加入第三个输入——即研究的方法学质量（mQ）。目前已有多种偏倚调整方法，它们或是在荟萃分析内部对质量较差的研究进行降权，或是基于质量信息在荟萃分析前对单个研究进行调整。在QE方法中，这涉及将一系列质量条目转化为一个质量等级，用于将基于随机误差的方差权重从质量较差的研究重新分配给质量较好的研究。如果所有研究的质量等级相同或接近，则无法进行偏倚调整，QE模型会默认退回到逆方差异质性（IVhet）模型。本文聚焦于QE模型，因为它代表了一种相对简单且易于操作的方法。

方法学质量评估、质量指数与相对质量等级

评估mQ涉及检查研究报告在设计、实施和分析中为减轻内部偏倚而实施的一系列保障措施。这些保障措施通常被列为方法学质量评估工具中的条目。评估mQ的第一步是基于所使用的mQ评估工具，枚举研究中实施的保障措施。这个标准化后的保障措施计数被称为质量指数（Qi）。Qi主要有三个用途：评估初级研究的mQ；获得初级研究偏倚风险（RoB）的概率价值判断；以及创建用于QE模型的相对质量等级（q_i）。为了推导出质量等级q_i，将所评估研究的Qi除以荟萃分析列表中研究的最大Qi，从而使q_i的可能范围在0到1之间（表3和表4提供了从Qi到q_i的示例）。

应用QE模型的步骤

应用QE模型涉及几个步骤，始于mQ评估。具体步骤如下：

1. 1.
   枚举各研究在关注结果上存在的保障措施：使用质量评估工具，对每个独立研究结果遵守预定标准或领域的情况进行评估，统计其实施的保障措施数量。枚举的计数构成每个研究的Qi。
2. 2.
   为每个研究分配相对等级：将Qi转化为范围在0到1之间的相对等级q_i。计算公式为：q_i= Qi / max(Qi)，其中max(Qi)是荟萃分析中所有研究的最高Qi值。拥有最高Qi的研究其q_i为1。如果所有研究具有相同的Qi，则所有研究的q_i均为1，QE模型将退化为IVhet模型。

在Stata中执行质量效应荟萃分析

Stata中的metan包为执行QE荟萃分析提供了有价值的功能。在Stata中使用QE模型进行荟萃分析主要涉及以下步骤：

1. 1.
   准备数据：数据集需要以Stata格式准备，通常应包含计算效应量估计值（如比值比、均数差）及其标准误所需的原始数据或估计值本身、用于分层分析的协变量（如干预类型），以及每个研究的Qi评估。
2. 2.
   安装并加载‘metan’包：在Stata中运行命令ssc install metan进行安装，并通过help metan查看帮助文件。
3. 3.
   加载数据到Stata：通过文件导入功能或直接从Excel粘贴数据到Stata数据编辑器中。
4. 4.
   运行QE荟萃分析：使用带有QE模型选项的metan命令进行分析。文章通过两个详尽的示例（例1：抗高血压药物疗法对冠心病风险的二分类数据；例2：骨髓干细胞疗法对左心室射血分数影响的连续数据）展示了具体的Stata语法、各参数含义，并输出了相应的森林图结果（图3-图6）。

亚组分析与敏感性分析

• •
  敏感性分析：用于测试荟萃分析对不同研究选择标准的稳健性。例如，可以进行排除小研究的敏感性分析。注意，不应使用质量变量对研究进行分层来做敏感性分析，因为这可能引入选择偏倚，而QE模型已经对此进行了调整。可以通过在metan命令中使用by()选项并指定nobetween来执行敏感性分析，以抑制Stata自动生成的交互作用检验（图7）。
• •
  亚组分析：同样可以使用by()选项来定义亚组。文章指出亚组分析可分为“无效的”、“误导的”和“有效的”几种类型，并提醒了不同方法可能带来的偏倚风险。

累积荟萃分析

累积荟萃分析用于随时间推移更新和整合多个研究的证据。它涉及随着新研究的出现，逐步将其添加到分析中。在Stata中，可以通过在标准荟萃分析语法末尾指定cum来实现。累积森林图现在展示的是最终荟萃分析方差与每一步荟萃分析方差的比值，这个比值（以百分比表示）会随着研究的加入而增加，尤其是在添加了更大或更高质量的研究时（图8）。

发表偏倚评估

• •
  Doi图与LFK指数：Doi图是漏斗图的替代方案，它将效应量与一个称为绝对Z值的修正精度指标作图。与漏斗图相比，Doi图具有改进的不对称性视觉评估、仅需5个研究即可解读、可用于比例效应估计等优势。Luis Furuya-Kanamori (LFK) 指数是量化Doi图不对称性的指标，超过±1的参考值表明存在研究不对称性。在Stata中，安装doiplot包后，可以使用命令doiplot _ES _seES, dp生成Doi图并计算LFK指数（图9, 图10）。
• •
  漏斗图：漏斗图是评估发表偏倚的可视化工具。在Stata中，使用命令doiplot _ES _seES, fp可以生成漏斗图，输出结果中会包含Egger检验的P值，P值小于0.05提示可能存在发表偏倚（图11, 图12）。

结果解读

文章通过两个示例对结果进行了解读：

• •
  示例1：QE模型估计抗高血压药物使用可使冠心病比值降低14%（OR=0.86; 95% CI: 0.77–0.97），而未调整的IVhet模型显示出略强的保护效应（OR=0.84; 95% CI: 0.77–0.93）。两者差异微小，表明在此例中，由于研究质量相似或大研究质量更高，偏倚调整的影响很小。Doi图显示不对称性极小，提示发表偏倚的可能性较低。
• •
  示例2：QE模型估计骨髓干细胞疗法使左心室射血分数平均改善2.27%（95% CI: 0.66–3.87），研究间存在相当大的异质性（I²=83.7%）。未进行偏倚调整时（IVhet模型），均数差更高，为3.95%（95% CI: 2.04–5.86）。这表明QE模型在考虑了研究质量后，将合并效应向下（向无效方向）调整。这种差异反映了QE模型对方法学较弱的研究进行降权的机制。Doi图中微弱的不对称性提示小研究效应或发表偏倚不太可能是主要问题。

QE模型导致的效应中度减弱说明了当研究质量存在差异时，偏倚调整如何影响效应量估计。当QE模型得出的效应估计低于其他模型时，表明在一些较大的低质量研究中观察到的部分治疗效果可能因偏倚而被夸大。相反，当QE模型与比较模型的估计相似时，则意味着研究质量相对一致，或者大研究质量更高，因此偏倚调整将与各研究间的方差权重保持一致。需要注意的是，当大研究质量较差时，偏倚调整才能真正发挥作用，因为此时它们较大的方差权重会被（惩罚性地）重新分配给规模较小但质量更高的研究。

模型的优势与局限

尽管QE模型为荟萃分析中的偏倚调整提供了一种实用且易于操作的方法，但它并非没有局限性。一个关键局限在于其对质量评估工具的依赖，这些工具在范围、结构和相关性上可能各不相同。大多数工具对每个方法学保障措施赋予同等权重，尽管某些缺陷对偏倚的影响比其他更大。这种统一的加权方式，加上相对评估，可能会降低质量等级的有效性，并可能削弱模型有意义地区分高质量和低质量研究的能力。

QE模型不需要关于偏倚方向或大小的明确信息。它假设更高质量的研究更可信，但并不试图量化某个特定缺陷会使效应估计产生多大偏倚，或偏向哪个方向。它只是根据可信度对研究进行排序，并使用该排序进行权重重新分配，从而降低较差研究的影响。虽然质量评估本质上是主观的，但评估者或工具之间的差异更可能使等级趋同而非改变等级，因此，这种变异性可能会影响调整的程度，但不会改变其意义。因此，执行不佳的质量评估只会导致偏倚调整程度减弱，仅影响从质量评估中获益的程度。在研究报告稀疏或质量无法进行有意义评估的综述中，QE模型可能比IVhet模型的优势有限，但其结果对主观性导致的偏倚具有很强的抵抗力，最坏情况下会默认退化为IVhet模型。因此，在应用QE模型时，应结合对其假设和背景局限性的清晰理解。

结论

本文通过使用Stata中的metan包，演示了QE模型在荟萃分析中的实际应用。通过引导读者从mQ评估到QE模型的应用，文章突出了该模型基于研究质量进行调整、从而提供更可靠效应量估计的能力。示例强调了在荟萃分析中考虑mQ的重要性，正如研究间差异和质量所导致的估计值变化所显示的那样。Stata易于使用的界面和灵活的工具使其成为研究人员将质量调整纳入其荟萃分析的绝佳选择，最终提升了研究结果的可靠性。