首先是构建一个实例数据： > stuy=c(1:11)> event1=c(25,7,11,8,8,9,10,7,46,18,41)
> total1=c(105,40,48,25,28,56,32,23,243,53,171)
>total2=c(105,40,52,30,27,56,35,30,244,49,142)
> event2=c(11,5,8,3,2,1,4,6,36,5,27)
> sample=data.frame(stuy,event1,total1,event2,total2) > sample stuy event1 total1 event2 total21 1 25 105 11 1052 2 7 40 5 403 3 11 48 8 524 4 8 25 3 305 5 8 28 2 276 6 9 56 1 567 7 10 32 4 358 8 7 23 6 309 9 46 243 36 24410 10 18 53 5 4911 11 41 171 27 142
到此为止我们都在准备数据，你看懂了吗？
library(meta) ##加载meta包
> mymeta=metabin(event1,total1,event2,total2,data=sample,studlab=stuy,comb.random = T,sm='OR',method='I') > mymeta OR 95%-CI %W(fixed) %W(random)1 2.6705 [1.2374; 5.7633] 11.9 12.92 1.4848 [0.4287; 5.1427] 4.6 6.13 1.6351 [0.5954; 4.4904] 6.9 8.64 4.2353 [0.9845; 18.2202] 3.3 4.65 5.0000 [0.9533; 26.2256] 2.6 3.66 10.5319 [1.2867; 86.2076] 1.6 2.37 3.5227 [0.9777; 12.6930] 4.3 5.78 1.7500 [0.4961; 6.1733] 4.4 5.99 1.3491 [0.8367; 2.1753] 30.9 22.810 4.5257 [1.5282; 13.4031] 6.0 7.611 1.3433 [0.7776; 2.3207] 23.6 19.9Number of studies combined: k = 11 OR 95%-CI z p-valueFixed effect model 1.8714 [1.4351; 2.4403] 4.63 < 0.0001random="" effects="" model="" 2.0528="" [1.4767;="" 2.8537]="" 4.28="">< 0.0001quantifying="" heterogeneity:="" tau^2="0.0644;" h="1.13" [1.00;="" 1.60];="" i^2="22.3%" [0.0%;="" 61.1%]test="" of="" heterogeneity:="" q="" d.f.="" p-value="" 12.87="" 10="" 0.2308details="" on="" meta-analytical="" method:-="" inverse="" variance="" method-="" dersimonian-laird="" estimator="" for="">##以上是进行常规的meta合并，因为漏斗图的绘制是在具备效应量的前提下。
> funnel(mymeta) ##绘制常规漏斗图> metabias(mymeta)##并对发表偏倚进行定量的检测 Linear regression test of funnel plot asymmetry (efficient score)data: mymetat = 3.1444, df = 9, p-value = 0.01184##p小于0.05，证实有发表偏倚alternative hypothesis: asymmetry in funnel plotsample estimates: bias se.bias slope 2.0503167 0.6520470 -0.1575225
> funnel(mymeta,comb.random = T,level = 0.95,contour=c(0.9,0.95,0.99),col.contour = c('darkgray','gray','lightgray'))
> legend(4,0.1,c('0.1>p>0.05','0.05>p>0.01','<>
这里得到的这个图就是轮廓增强漏斗图，主要是把结果按照P值进行了划分。可以看到有5项研究落在了无统计学意义的白色区域。结合上文的P值判断存在不对称性。可能存在发表偏倚。
> funnel(mytrimfill,comb.random = T,level = 0.95,contour=c(0.9,0.95,0.99),col.contour = c('darkgray','gray','lightgray'))
> legend(3.2,0.1,c('0.1>p>0.05','0.05>p>0.01','<>
上图就是剪补后附加轮廓线漏斗图，提示需要添加4项研究，图像就可以对称，而这4项研究，均是添加在无统计学的白色区域，提示有阴性结果的研究尚未发表。
参考：张天嵩, 熊茜, 袁婷. 附加轮廓线漏斗图的绘制在R软件中的实现[J]. 循证医学, 2013, 13(5):307-309.
图文阅读是不是很乏味，赶快参加我们的初级临床科研培训班，绝对让你不枉此行。
详情点击下文链接
另外如果您觉得路途遥远，想临床科研走到您身边，面对面与大神交流文献检索，科研选题，基本统计软件操作，撰写文章的技巧，投稿的方法等等。赶快联系预约吧！把您的需求告诉我们，我们制定针对性强的课程，走到您的科室进行授课。通常是半天至一天的课程加讨论。效果是可想而知的。赶快把以下联系方式告诉您的主任吧：
