Comment calculer les intervalles de confiance pour les ratios impairs regroupés dans la méta-analyse?

J'ai deux ensembles de données provenant d'études d'association à l'échelle du génome. Les seules informations disponibles sont les rapports impairs et leurs intervalles de confiance (95%) pour chaque SNP génotypé. Je veux générer un graphique forestier comparant ces deux rapports de cotes, mais je ne trouve pas le moyen de calculer les intervalles de confiance combinés pour visualiser les effets récapitulatifs. J'ai utilisé le programme PLINK pour effectuer la méta-analyse en utilisant des effets fixes, mais le programme n'a pas montré ces intervalles de confiance.

• Comment puis-je calculer de tels intervalles de confiance?

Les données disponibles sont:

• Rapports impairs pour chaque étude,
• Intervalles de confiance à 95% et
• Erreurs standard.

Dans la plupart des méta-analyses des rapports de cotes, les erreurs standard sont basées sur le journal des rapports de cotes . Alors, savez-vous par hasard comment vos ont été estimés (et quelle métrique ils reflètent? ou )? Étant donné que les sont basés sur , l'erreur standard groupée (sous un modèle à effet fixe) peut être facilement calculée. Commençons par calculer les poids pour chaque taille d'effet: . Deuxièmement, l'erreur standard regroupée est . En outre, laissez-vous$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})$être l'effet commun (modèle à effet fixe). Ensuite, l'intervalle de confiance ("groupé") à 95% est .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Mise à jour

Étant donné que BIBB a aimablement fourni les données, je suis en mesure d'exécuter la méta-analyse «complète» dans 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

Références

Voir, par exemple, Lipsey / Wilson (2001: 114)

En fait, vous pourriez utiliser un logiciel comme METAL qui est spécialement conçu pour les méta-analyses dans le contexte GWA.

Il est gênant que le plink ne donne pas l'intervalle de confiance. Cependant, vous pouvez obtenir le CI car vous avez le OU final (prenez ) et la valeur (d'où le ) pour l'effet fixe.p $\log(\text{OR})$$p$$z$

La méthode de Bernd est encore plus précise.

Attention, je serais plus préoccupé par la direction de l'effet car il semble que vous n'ayez que des statistiques récapitulatives pour chaque étude mais rien pour être sûr de l'allèle OR. Sauf si vous savez que cela se fait sur le même allèle.

Christian

Ceci est un commentaire (ne pas avoir assez de points de rep.). Si vous connaissez la taille de l'échantillon (#cases et #controls) dans chaque étude, et le rapport de cotes pour un SNP, vous pouvez reconstruire le tableau 2x2 de cas / contrôle par a / b (où a et b sont les deux allèles) pour chacune des deux études. Ensuite, vous pouvez simplement ajouter ces chiffres pour obtenir un tableau pour la méta-étude, et l'utiliser pour calculer le rapport de cotes et les intervalles de confiance combinés.

Voici le code pour obtenir des CI pour la méta-analyse comme dans 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)
}

Appel de la fonction R:

getCI(log(plinkORs), plinkSEs)