Wie werden Konfidenzintervalle für gepoolte ungerade Verhältnisse in der Metaanalyse berechnet?

Ich habe zwei Datensätze aus genomweiten Assoziationsstudien. Die einzigen verfügbaren Informationen sind die ungeraden Verhältnisse und ihre Konfidenzintervalle (95%) für jedes genotypisierte SNP. Ich möchte ein Walddiagramm erstellen, in dem diese beiden Quotenverhältnisse verglichen werden, aber ich kann die kombinierten Konfidenzintervalle nicht berechnen, um die Zusammenfassungseffekte zu visualisieren. Ich habe das Programm PLINK verwendet , um die Metaanalyse mit festen Effekten durchzuführen, aber das Programm hat diese Konfidenzintervalle nicht angezeigt .

• Wie kann ich solche Konfidenzintervalle berechnen?

Die verfügbaren Daten sind:

• Ungerade Verhältnisse für jede Studie,
• 95% Konfidenzintervalle und
• Standardfehler.

$se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$$w_i = \frac{1}{se_i^2}$$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Aktualisieren

Da das BIBB die Daten freundlicherweise zur Verfügung gestellt hat, kann ich die 'vollständige' Metaanalyse in R durchführen.

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

Verweise

Siehe z. B. Lipsey / Wilson (2001: 114)

Tatsächlich könnten Sie Software wie METAL verwenden, die speziell für Metaanalysen im GWA-Kontext entwickelt wurde.

$\log(\text{OR})$$p$$z$

Bernds Methode ist noch präziser.

Beachten Sie, dass ich mir mehr Sorgen um die Effektrichtung machen würde, da Sie anscheinend nur zusammenfassende Statistiken für jede Studie haben, aber nichts, um sicher zu sein, welches das OP-Allel ist. Es sei denn, Sie wissen, dass es auf demselben Allel durchgeführt wird.

Christian

Dies ist ein Kommentar (nicht genügend Wiederholungspunkte). Wenn Sie die Stichprobengröße (#cases und #controls) in jeder Studie und das Odds Ratio für einen SNP kennen, können Sie die 2x2-Tabelle von Fall / Kontrolle durch a / b (wobei a und b die beiden Allele sind) für rekonstruieren jede der beiden Studien. Dann können Sie einfach diese Zählungen hinzufügen, um eine Tabelle für die Metastudie zu erhalten, und diese verwenden, um das kombinierte Quotenverhältnis und die Konfidenzintervalle zu berechnen.

Hier ist Code zum Abrufen von CIs für die Metaanalyse wie in 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)
}

R-Funktion aufrufen:

getCI(log(plinkORs), plinkSEs)