meta分析

网状meta分析必备技能之4-Gemtc实现生存分析的命令

我们仅仅是代码的编辑者、整合者、搬运工,仅免费传授方法,下文数据和代码取自于网络和免费软件“R语言说明书”,如果您觉得我们侵犯了您的版权,请通知我们撤稿。请大家谅解,谢谢!

#第一部分  gemtc实现事件-人年数据的网状meta分析###########

#1清除环境变量并设置路径####

rm(list=ls())

getwd()

setwd("F:/HRmodels_0005binary_事件人年和事件人样本量gemtc")

 

#2调用软件包####

library(coda)

library(gemtc)

library(lattice)

library(rjags)

library(R2OpenBUGS)

 

#3Create a new network by specifying all information####

treatments <- read.table(textConnection('

id description

A "Treatment A"

B "Treatment B"

C "Treatment C"'), header=TRUE)

data <- read.table(textConnection('

study treatment responders exposure

01 A 2 150.3

01 B 5 100.4

02 B 6 115.4

02 C 1 112.7

03 A 3 60.4

03 C 4 80.3

03 B 7 80.2'), header=TRUE)

#查看一下数据

View(data)

 

#4构建网络治疗方案可以是A,也可以是B,也可以是C#####

network <- mtc.network(data, description="BinaryforHRExample", treatments=treatments)

 

#5作图--作网状证据图

#构建网络治疗方案可以是A,也可以是B,也可以是C#####

plot(network)

 

#6拟合一致性模型ok

model <-mtc.model(network, type="consistency", factor = 2.5, n.chain=4,likelihood="poisson",link="log",linearModel="random")

 

#7拟合一致性模型的结果ok

results <- mtc.run(model, n.adapt = 5000, n.iter = 20000, thin = 1,sampler ="rjags")

 

#8拟合一致性模型的结果的相对效应森林图

forest(relative.effect(results, "A"))

forest(relative.effect(results, "B"))

forest(relative.effect(results, "C"))

 

# 9相对比较联赛图

tbl <- relative.effect.table(results)

print(tbl)

# 纵坐标vs横坐标

 

# 10Plot effect relative to treatment "C"

forest(tbl, "C")

 

# 11以前与上一章雷同,请有兴趣的同学试验一下

 

#第二部分  gemtc实现事件-样本量数据的网状meta分析###########

# Gemtc安装包实现以HR为效应值的网络meta分析的命令(事件-样本量)

#1####

rm(list=ls())

getwd()

setwd("F:/HRmodels_0005binary_事件人年和事件人样本量gemtc")

 

#2####

library(coda)

library(gemtc)

library(lattice)

library(rjags)

library(R2OpenBUGS)

 

#3####

# Create a new network by specifying all information.

treatments <- read.table(textConnection('

id description

A "Treatment A"

B "Treatment B"

C "Treatment C"'), header=TRUE)

data <- read.table(textConnection('

study treatment responders sampleSize

01 A 2 100

01 B 5 100

02 B 6 110

02 C 1 110

03 A 3 60

03 C 4 80

03 B 7 80'), header=TRUE)

 

network <- mtc.network(data, description="BinaryforHRExample", treatments=treatments)

plot(network)

 

# 拟合二项式分布函数likelihood,连接功能式cloglog,线性模型是random

model <-mtc.model(network, type="consistency", factor = 2.5, n.chain=4,likelihood="binom",link="cloglog",linearModel="random")

 

results <- mtc.run(model, n.adapt = 5000, n.iter = 20000, thin = 1,sampler ="rjags")

 

forest(relative.effect(results, "A"))

forest(relative.effect(results, "B"))

forest(relative.effect(results, "C"))

 

summary(relative.effect(results, "A"))

summary(relative.effect(results, "B", c("A", "C")))

 

#以下请参考上一章和上一节内容哦

 

拓展知识:

SNPmeta

SNPMETA1

SNPMETA2_检索式

SNPMETA3_索要原始文献+数据提取

 

教你如何做一篇meta分析1_

教你如何做一篇meta分析2_

教你如何做一篇meta分析3_哈温平衡的计算

教你如何做一篇meta分析4_NOS量表的制作

 

网状emta分析必备技能

网状emta分析必备技能1

网状meta分析必备技能2_R软件gemtc包

网状Meta分析必备技能3_数据初始值的设定

网状Meta分析必备技能4_Gemtc实现生存分析

网状meta分析必备技能5_HR风险比

网状meta分析必备技能6_R+Rstudio运用meta包做简单meta分析

网状meta分析必备技能7_使用R、GeMTC和STATA软件实现连续变量的网状Meta分析

 

网状meta分析stata简易教程

NMA(网状meta分析)stata简易教程(1)

NMA(网状meta分析)stata简易教程(2)网状图

NMA(网状meta分析)stata简易教程(3)贡献图

NMA(网状meta分析)stata简易教程(4)漏斗图的制作

NMA(网状meta分析)stata简易教程(5)排序图的制作

 

诊断性meta分析简单实现

诊断性meta分析简单实现(1)之revman

诊断性meta分析简单实现(2)

诊断性meta分析简单实现(3)

诊断性meta分析简单实现(4)_meta-disc

诊断性meta分析简单实现(5)_结果的展示和解读

 

其他

meta分析统计方法-随机对照试验的风险评估rob

生物标记物(基因)联合诊断模型的stata实现ROC(AUC)

生物标记物(基因)联合诊断模型的R实现ROC(AUC)

(0)

热评文章

发表评论