Como calcular intervalos de confiança para proporções ímpares agrupadas na metanálise?

Eu tenho dois conjuntos de dados de estudos de associação em todo o genoma. A única informação disponível são as razões ímpares e seus intervalos de confiança (95%) para cada SNP genotipado. Meu desejo é gerar um gráfico de floresta comparando essas duas taxas de chances, mas não consigo encontrar a maneira de calcular os intervalos de confiança combinados para visualizar os efeitos resumidos. Eu usei o programa PLINK para realizar a meta-análise usando efeitos fixos, mas o programa não mostrou esses intervalos de confiança.

• Como posso calcular esses intervalos de confiança?

Os dados disponíveis são:

• Razões ímpares para cada estudo,
• Intervalos de confiança de 95% e
• Erros padrão.

Na maioria meta-análise de odds ratio, os erros padrão são baseadas no odds ratio log l O g ( O R i ) . Então, você por acaso sabe como seus s um e i foram estimados (e que métrica elas refletem? O R ou l o g ( O R ) )? Dado que os s de e i são baseados em l O g ( O R i$se_i$$log(OR_i)$$se_i$$OR$$log(OR)$$se_i$$log(OR_i)$, o erro padrão agrupado (em um modelo de efeito fixo) pode ser facilmente calculado. Primeiro, vamos calcular os pesos para cada tamanho de efeito: . Segundo, o erro padrão agrupado éseFEM=$w_i = \frac{1}{se_i^2}$ . Além disso, deixarlOg(ORFEH)ser o efeito comum (modelo de efeito fixo). Em seguida, o intervalo de confiança ( "pooled") 95% élOg(ORFEH)±1,96⋅seFEH.$se_{FEM} = \sqrt{\frac{1}{\sum w}}$$log(OR_{FEM})$$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Atualizar

Como o BIBB gentilmente forneceu os dados, eu sou capaz de executar a meta-análise 'completa' em 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

Referências

Ver, por exemplo, Lipsey / Wilson (2001: 114)

Na verdade, você pode usar um software como o METAL, projetado especificamente para meta-análises no contexto da GWA.

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

O método de Bernd é ainda mais preciso.

Lembre-se de que eu ficaria mais preocupado com a direção do efeito, pois parece que você tem apenas estatísticas resumidas para cada estudo, mas nada para ter certeza de qual é o alelo OR. A menos que você saiba que é feito no mesmo alelo.

cristão

Este é um comentário (não possui pontos de representação suficientes). Se você souber o tamanho da amostra (#cases e #controls) em cada estudo e a razão de chances de um SNP, poderá reconstruir a tabela 2x2 de caso / controle por a / b (onde aeb são os dois alelos) para cada um dos dois estudos. Depois, basta adicionar essas contagens para obter uma tabela para o meta-estudo e usá-la para calcular a razão de chances combinada e os intervalos de confiança.

Aqui está o código para obter ICs para metanálise, como no 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)
}

Chamando a função R:

getCI(log(plinkORs), plinkSEs)