R軟件是一款具備強大的數據處理和圖形繪制功能的免費軟件，其在Meta分析中的應用日趨廣泛。本文介紹了可以實現二分類變量的Meta分析、累積Meta分析、繪制森林圖和漏斗圖的rmeta程序包的使用。該程序包具有結構單純、命令函數參數較少、易于理解和掌握、功能較全面等優點，但現行版本有些功能存在局限性，有待發掘和完善。
引用本文： 原瑞霞, 張超, 羅樂, 曾憲濤, 牛玉明. 應用R軟件rmeta程序包實現Meta分析. 中國循證醫學雜志, 2015, 15(6): 735-740. doi: 10.7507/1672-2531.20150122 復制
醫學領域的Meta分析（meta-analysis）是循證醫學重要的證據來源之一，也是解決同一主題不同研究間不一致性的重要方法[1]。當前有眾多軟件可以實現Meta分析，非編程軟件以Cochrane協作網的官方軟件RevMan最為流行，編程軟件以Stata軟件功能最為完善[2, 3]。非編程軟件功能繁瑣有限，不利于大量數據的處理；而Stata軟件屬于收費軟件。R是一個公益性的開放平臺，具備強大的數據處理和圖形繪制功能，在Meta分析領域應用日益廣泛。當前應用最廣泛的R軟件程序包為meta程序包[4, 5]和metafor程序包[6, 7]，此外尚有其他程序包，如rmeta程序包。rmeta程序包由Thomas Lumley研發，當前版本為v-2.16[8]。相較其他實現Meta分析的R程序包，rmeta程序包功能單純，主要用于實現二分類變量的Meta分析、累積Meta分析、效應量及其可信區間（CI）的Meta分析以及森林圖、漏斗圖等圖形的繪制。本文通過實例展示了rmeta程序包實現Meta分析的過程。
1 程序包安裝及加載
本文使用R軟件的版本為R 3.1.2版，R的下載及安裝見《R軟件Metafor程序包在Meta分析中的應用》一文[6]。
R安裝完成后，通過下述命令安裝與加載rmeta程序包：
install.packages("rmeta")
library(rmeta)
2 數據準備與加載
本文以《Efficacy of BCG Vaccine in The Prevention of Tuberculosis. Meta-analysis of The Published Literature》[9]一文中的數據（表 1）為例，演示rmeta程序包如何實現二分類數據的Meta分析。
表1
13個BCG預防肺結核病的臨床試驗數據
將表 1的數據采用Excel 2007命名為“1.xlsx”存儲在E盤的R文件夾中。隨后就可以進行加載了。數據加載前還需安裝及加載xlsx程序包，因此整體命令為：
install.packages("xlsx")
library(xlsx）
bcg＜-read.xlsx("E:/R/1.xlsx",2)
bcg
命令運行后，數據就加載成功了。第三行命令中的“2”是指Excel 2007中的“Sheet 2”表格。
3 數據分析及圖形繪制
數據加載完成后即可執行數據分析。rmeta程序包在進行二分類資料的數據分析時，可根據實際情況選擇使用程序包提供的“meta.MH()”函數或“meta.DSL()”函數進行，兩種函數的具體命令及參數涵義見表 2。其中“meta.MH()”函數是基于Manthel-Haenszel法實現的，適用于納入研究間不存在異質性采用固定效應模型進行Meta分析的情況，相反則需選用基于Dersimonian-Laird法的“meta.DSL()”函數采用隨機效應模型進行。rmeta程序包中關于適用于固定效應模型計算的Mantel-Haensel法和Peto法兩種計算方法的表述如下：對于二分類資料，至少有兩種方法適用于固定效應模型。Peto法近似Mantel-Haenszel方法，計算更加簡便；但當任一組中事件發生數小于5時，Mantel-Haenszel方法具有優越性。
表2
“meta.MH()”和“meta.DSL()”函數的常用參數涵義
筆者建議一般情況下，先行選擇隨機效應模型，若無異質性或異質性可接受，再改用固定效應模型。本例使用隨機效應模型的數據分析命令如下：
BCG＜-meta.DSL(a+b,c+d,a,c,names=paste(authors,year,sep="--"),data=bcg,statistic="RR")
summary(BCG)
命令運行后，結果自動出現（表 3）。根據χ2及P值判斷，提示納入研究間存在異質性（χ2=12及P＜0.001），故本Meta分析采用隨機效應模型的分析結果。結果顯示，使用BCG可以使結核的病死率風險降低51%[RR=0.49，95%CI（0.34，0.7）]。
表3
“meta.DSL”函數計算的Meta分析結果
在數據分析的基礎上，可進行圖形繪制。首先，使用“meta.DSL”函數的“plot”命令實現，命令為：
plot(BCG,summlabel="SummaryRR",colors=meta.colors(summary="red",lines="black",box="black"))
plot
命令運行后生成的圖形見圖 1。該圖非常簡單，若要得到更為詳細的森林圖，則采用rmeta程序包的“forestplot”函數實現；漏斗圖則通過“funnelplot”函數實現，詳見后述。
圖1
“meta.DSL”函數的“plot”命令繪制的森林圖
4 累積Meta分析
rmeta程序包中的“cummeta()”函數提供了累積Meta分析的計算。“cummeta()”函數的具體命令及參數與meta.MH()函數等相同或相似，此處不再贅述，讀者可通過“help()”函數獲得更多信息。現仍以表 1數據為例，演示cummeta()函數實現累積Meta分析的過程及結果的解讀。因該函數當前只能基于固定效應模型進行圖形的繪制，故需選擇固定效應模型進行分析，具體函數命令如下：
bcg＜-read.xlsx(“E:/R/1.xlsx”,2)
BCG＜-cummeta(a+b,c+d,a,c,names=authors,data=bcg,statistic="RR",method="meta.MH")
summary(BCG)
plot(BCG)
結果見表 4和圖 2，其中表 4給出了單個研究的RR值及其95%CI；圖 2是plot()函數生成的累積Meta分析圖形。
表4
cummeta()函數產生結果匯總
圖2
“cummeta( )函數”plot()命令繪制的累積Meta分析森林圖
在使用rmeta程序包實現累積Meta分析的過程中需要注意兩點：在使用cummeta()函數進行累計Meta分析之前，需要先進行異質性檢驗，以便對method參數進行正確的選取；cummeta()函數實現累積Meta分析，并未給出每次累積Meta分析的Z值及P值，讀者如有需要，可以使用metafor()等程序包。
5 森林圖與漏斗圖的繪制
rmeta程序包通過“forestplot()函數”和“funnelplot()函數”繪制森林圖和漏斗圖，函數具體參數格式詳見表 5。
表5
“forestplot()”和“funnelplot()”函數的常用參數涵義
以表 1中的數據為例，演示“forestplot()”函數及“funnelplot()”函數制作森林圖和漏斗圖的方法。
5.1 “forestplot()”函數
使用者可根據需求及愛好修改函數參數來繪制出更加精美的圖形。該函數當前只能基于固定效應模型進行圖形的繪制，因先前分析使用的是隨機效應模型，故需要先行使用固定效應模型進行分析，之后再定義labeltext參數，然后再使用函數繪制。本例具體命令如下：
BCG＜-meta.MH(a+b,c+d,a,c,names=paste(authors,year,sep="--"),data=bcg,statistic="RR")labeltext＜-cbind(c("","Study",BCG$names,NA,"Summary RR"),c("死亡","(BCG組)",bcg$a,NA,NA),c("死亡","(對照組)",bcg$c,NA,NA),c("","RR",format(exp(BCG$logRR),digits=2) ,NA,format(exp(BCG$logMH),digits=2) ))
m＜- c(NA,NA,BCG$logRR,NA,BCG$logMH)
l＜- m-c(NA,NA,BCG$selogRR,NA,BCG$selogMH)*2
u＜- m+c(NA,NA,BCG$selogRR,NA,BCG$selogMH)*2
forestplot(labeltext,m,l,u,zero=0,is.summary=c(TRUE,TRUE,rep(FALSE,8) ,TRUE),clip=c(log(0.1) ,log(10) ),xlog=TRUE,boxsize=0.75,col=meta.colors(box="royalblue",line="black",summary="red"))
命令運行后，森林圖見圖 3。
圖3
“forestplot()”函數繪制的森林圖
5.2 “forestplot()”函數
同樣，通過定義funnelplot()的參數，可以繪制出更加定制化的圖形。但該函數當前只能實現基于固定效應模型且統計量為“OR”時漏斗圖的繪制，因先前分析使用的是隨機效應模型，故需要先行使用固定效應模型進行分析，之后再定義x參數，然后再使用函數繪制。本例具體命令如下：
BCG＜-meta.MH(a+b,c+d,a,c,n ames=paste
(authors,year,sep="--"),data=bcg,statistic="OR")
funnelplot(BCG$logOR,BCG$selogOR)
funnelplot(BCG$logOR,BCG$selogOR,plot.conf=TRUE,summ=BCG$logMH,
mirror=TRUE)
funnelplot(BCG,plot.conf=TRUE)
命令運行后，生成的漏斗圖見圖 4。
圖4
“funnelplot()”函數繪制的漏斗圖
6 結語
目前，R軟件中能夠實現Meta分析的程序包有很多，囊括了幾乎所有的Meta分析類型，如傳統的頭對頭比較的Meta分析[4, 6]、間接比較與網狀Meta分析[10, 11]、單組率的Meta分析[12]、診斷準確性試驗的Meta分析[13-15]、劑量-反應關系的Meta分析[16]等。這些既有的程序包均在不斷地發展與完善中，新的程序包也在不斷地被研發出來，rmeta程序包只是其中之一。通過本文的演示可以看出當前rmeta程序包具有以下特點：① 功能簡單，主要應用于對二分類變量的Meta分析；② R軟件強大的繪圖功能在rmeta程序包中體現，用戶可根據實際需要和喜好定義參數，繪制個性化圖形；③ 與meta程序包[4]、metafor程序包[6]相比，在異質性處理和繪制森林圖等功能上，rmeta程序包存在局限性。
R軟件功能強大，在行Meta分析時，盡管rmeta程序包缺乏相關的功能，但可通過其他程序包聯合實現。對于使用者而言，只要具備了Meta分析的方法學基礎，掌握R命令的編寫，即可得心應手地使用R軟件得到需要的分析和圖形。此外，rmeta程序包具有其自身的特點與優勢，相信隨著后期的完善，其功能必將日益增強。與RevMan軟件相比，R為編程軟件，功能更加強大與靈活，更便于調整圖形的架構，適用于更多的Meta分析類型[17, 18]。與Stata相比，兩者皆為編程軟件，但在很多新型的Meta分析類型上，R的功能更為強大，且R對圖形的編輯更為靈活、容易[19]。在具體使用各款軟件時，建議使用者結合自己的愛好與涉及的Meta分析類型進行選用。
醫學領域的Meta分析（meta-analysis）是循證醫學重要的證據來源之一，也是解決同一主題不同研究間不一致性的重要方法[1]。當前有眾多軟件可以實現Meta分析，非編程軟件以Cochrane協作網的官方軟件RevMan最為流行，編程軟件以Stata軟件功能最為完善[2, 3]。非編程軟件功能繁瑣有限，不利于大量數據的處理；而Stata軟件屬于收費軟件。R是一個公益性的開放平臺，具備強大的數據處理和圖形繪制功能，在Meta分析領域應用日益廣泛。當前應用最廣泛的R軟件程序包為meta程序包[4, 5]和metafor程序包[6, 7]，此外尚有其他程序包，如rmeta程序包。rmeta程序包由Thomas Lumley研發，當前版本為v-2.16[8]。相較其他實現Meta分析的R程序包，rmeta程序包功能單純，主要用于實現二分類變量的Meta分析、累積Meta分析、效應量及其可信區間（CI）的Meta分析以及森林圖、漏斗圖等圖形的繪制。本文通過實例展示了rmeta程序包實現Meta分析的過程。
1 程序包安裝及加載
本文使用R軟件的版本為R 3.1.2版，R的下載及安裝見《R軟件Metafor程序包在Meta分析中的應用》一文[6]。
R安裝完成后，通過下述命令安裝與加載rmeta程序包：
install.packages("rmeta")
library(rmeta)
2 數據準備與加載
本文以《Efficacy of BCG Vaccine in The Prevention of Tuberculosis. Meta-analysis of The Published Literature》[9]一文中的數據（表 1）為例，演示rmeta程序包如何實現二分類數據的Meta分析。
表1
13個BCG預防肺結核病的臨床試驗數據
將表 1的數據采用Excel 2007命名為“1.xlsx”存儲在E盤的R文件夾中。隨后就可以進行加載了。數據加載前還需安裝及加載xlsx程序包，因此整體命令為：
install.packages("xlsx")
library(xlsx）
bcg＜-read.xlsx("E:/R/1.xlsx",2)
bcg
命令運行后，數據就加載成功了。第三行命令中的“2”是指Excel 2007中的“Sheet 2”表格。
3 數據分析及圖形繪制
數據加載完成后即可執行數據分析。rmeta程序包在進行二分類資料的數據分析時，可根據實際情況選擇使用程序包提供的“meta.MH()”函數或“meta.DSL()”函數進行，兩種函數的具體命令及參數涵義見表 2。其中“meta.MH()”函數是基于Manthel-Haenszel法實現的，適用于納入研究間不存在異質性采用固定效應模型進行Meta分析的情況，相反則需選用基于Dersimonian-Laird法的“meta.DSL()”函數采用隨機效應模型進行。rmeta程序包中關于適用于固定效應模型計算的Mantel-Haensel法和Peto法兩種計算方法的表述如下：對于二分類資料，至少有兩種方法適用于固定效應模型。Peto法近似Mantel-Haenszel方法，計算更加簡便；但當任一組中事件發生數小于5時，Mantel-Haenszel方法具有優越性。
表2
“meta.MH()”和“meta.DSL()”函數的常用參數涵義
筆者建議一般情況下，先行選擇隨機效應模型，若無異質性或異質性可接受，再改用固定效應模型。本例使用隨機效應模型的數據分析命令如下：
BCG＜-meta.DSL(a+b,c+d,a,c,names=paste(authors,year,sep="--"),data=bcg,statistic="RR")
summary(BCG)
命令運行后，結果自動出現（表 3）。根據χ2及P值判斷，提示納入研究間存在異質性（χ2=12及P＜0.001），故本Meta分析采用隨機效應模型的分析結果。結果顯示，使用BCG可以使結核的病死率風險降低51%[RR=0.49，95%CI（0.34，0.7）]。
表3
“meta.DSL”函數計算的Meta分析結果
在數據分析的基礎上，可進行圖形繪制。首先，使用“meta.DSL”函數的“plot”命令實現，命令為：
plot(BCG,summlabel="SummaryRR",colors=meta.colors(summary="red",lines="black",box="black"))
plot
命令運行后生成的圖形見圖 1。該圖非常簡單，若要得到更為詳細的森林圖，則采用rmeta程序包的“forestplot”函數實現；漏斗圖則通過“funnelplot”函數實現，詳見后述。
圖1
“meta.DSL”函數的“plot”命令繪制的森林圖
4 累積Meta分析
rmeta程序包中的“cummeta()”函數提供了累積Meta分析的計算。“cummeta()”函數的具體命令及參數與meta.MH()函數等相同或相似，此處不再贅述，讀者可通過“help()”函數獲得更多信息。現仍以表 1數據為例，演示cummeta()函數實現累積Meta分析的過程及結果的解讀。因該函數當前只能基于固定效應模型進行圖形的繪制，故需選擇固定效應模型進行分析，具體函數命令如下：
bcg＜-read.xlsx(“E:/R/1.xlsx”,2)
BCG＜-cummeta(a+b,c+d,a,c,names=authors,data=bcg,statistic="RR",method="meta.MH")
summary(BCG)
plot(BCG)
結果見表 4和圖 2，其中表 4給出了單個研究的RR值及其95%CI；圖 2是plot()函數生成的累積Meta分析圖形。
表4
cummeta()函數產生結果匯總
圖2
“cummeta( )函數”plot()命令繪制的累積Meta分析森林圖
在使用rmeta程序包實現累積Meta分析的過程中需要注意兩點：在使用cummeta()函數進行累計Meta分析之前，需要先進行異質性檢驗，以便對method參數進行正確的選取；cummeta()函數實現累積Meta分析，并未給出每次累積Meta分析的Z值及P值，讀者如有需要，可以使用metafor()等程序包。
5 森林圖與漏斗圖的繪制
rmeta程序包通過“forestplot()函數”和“funnelplot()函數”繪制森林圖和漏斗圖，函數具體參數格式詳見表 5。
表5
“forestplot()”和“funnelplot()”函數的常用參數涵義
以表 1中的數據為例，演示“forestplot()”函數及“funnelplot()”函數制作森林圖和漏斗圖的方法。
5.1 “forestplot()”函數
使用者可根據需求及愛好修改函數參數來繪制出更加精美的圖形。該函數當前只能基于固定效應模型進行圖形的繪制，因先前分析使用的是隨機效應模型，故需要先行使用固定效應模型進行分析，之后再定義labeltext參數，然后再使用函數繪制。本例具體命令如下：
BCG＜-meta.MH(a+b,c+d,a,c,names=paste(authors,year,sep="--"),data=bcg,statistic="RR")labeltext＜-cbind(c("","Study",BCG$names,NA,"Summary RR"),c("死亡","(BCG組)",bcg$a,NA,NA),c("死亡","(對照組)",bcg$c,NA,NA),c("","RR",format(exp(BCG$logRR),digits=2) ,NA,format(exp(BCG$logMH),digits=2) ))
m＜- c(NA,NA,BCG$logRR,NA,BCG$logMH)
l＜- m-c(NA,NA,BCG$selogRR,NA,BCG$selogMH)*2
u＜- m+c(NA,NA,BCG$selogRR,NA,BCG$selogMH)*2
forestplot(labeltext,m,l,u,zero=0,is.summary=c(TRUE,TRUE,rep(FALSE,8) ,TRUE),clip=c(log(0.1) ,log(10) ),xlog=TRUE,boxsize=0.75,col=meta.colors(box="royalblue",line="black",summary="red"))
命令運行后，森林圖見圖 3。
圖3
“forestplot()”函數繪制的森林圖
5.2 “forestplot()”函數
同樣，通過定義funnelplot()的參數，可以繪制出更加定制化的圖形。但該函數當前只能實現基于固定效應模型且統計量為“OR”時漏斗圖的繪制，因先前分析使用的是隨機效應模型，故需要先行使用固定效應模型進行分析，之后再定義x參數，然后再使用函數繪制。本例具體命令如下：
BCG＜-meta.MH(a+b,c+d,a,c,n ames=paste
(authors,year,sep="--"),data=bcg,statistic="OR")
funnelplot(BCG$logOR,BCG$selogOR)
funnelplot(BCG$logOR,BCG$selogOR,plot.conf=TRUE,summ=BCG$logMH,
mirror=TRUE)
funnelplot(BCG,plot.conf=TRUE)
命令運行后，生成的漏斗圖見圖 4。
圖4
“funnelplot()”函數繪制的漏斗圖
6 結語
目前，R軟件中能夠實現Meta分析的程序包有很多，囊括了幾乎所有的Meta分析類型，如傳統的頭對頭比較的Meta分析[4, 6]、間接比較與網狀Meta分析[10, 11]、單組率的Meta分析[12]、診斷準確性試驗的Meta分析[13-15]、劑量-反應關系的Meta分析[16]等。這些既有的程序包均在不斷地發展與完善中，新的程序包也在不斷地被研發出來，rmeta程序包只是其中之一。通過本文的演示可以看出當前rmeta程序包具有以下特點：① 功能簡單，主要應用于對二分類變量的Meta分析；② R軟件強大的繪圖功能在rmeta程序包中體現，用戶可根據實際需要和喜好定義參數，繪制個性化圖形；③ 與meta程序包[4]、metafor程序包[6]相比，在異質性處理和繪制森林圖等功能上，rmeta程序包存在局限性。
R軟件功能強大，在行Meta分析時，盡管rmeta程序包缺乏相關的功能，但可通過其他程序包聯合實現。對于使用者而言，只要具備了Meta分析的方法學基礎，掌握R命令的編寫，即可得心應手地使用R軟件得到需要的分析和圖形。此外，rmeta程序包具有其自身的特點與優勢，相信隨著后期的完善，其功能必將日益增強。與RevMan軟件相比，R為編程軟件，功能更加強大與靈活，更便于調整圖形的架構，適用于更多的Meta分析類型[17, 18]。與Stata相比，兩者皆為編程軟件，但在很多新型的Meta分析類型上，R的功能更為強大，且R對圖形的編輯更為靈活、容易[19]。在具體使用各款軟件時，建議使用者結合自己的愛好與涉及的Meta分析類型進行選用。
