写好诊断性meta分析的秘密(三)

诊断性meta究竟需要哪些图哪些表

1 基线特征表

2 敏感性、特异性、阳性似然比、阴性似然比图

3 ROC曲线图

4 发表偏倚检测图

学习了上面一讲，敏感性、特异性、阳性似然比、阴性似然比图、ROC曲线图大家现在都能画了吧？

一些需要了解的概念

重要的事情说三遍！说三遍!说三遍!本系列文章不是教科书，不是教统计的，我不希望大家把注意力放在名词的确切定义上，小编也发了十几篇了，事实证明:不纠结那些复杂的名词也是可行的。

本系列文章重点在于把诊断性meta发表SCI文章所需要的东西分享给大家： 诊断性meta分析，方法难不难，答案是非常非常简单，当时我也是参加了一天的培训班，很多名词的确切的定义，建议翻阅统计学书籍及丁香园，相对于传统的meta分析，诊断性meta分析是一个相对较新的事物，不希望大家把注意力放在名词的确切定义上！！！！

敏感性、特异性

在医学统计里，任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性。所谓敏感性，就是指其在诊断疾病的时候不漏诊（假阴性）的机会有多大（小），所谓特异性就是指该指标在诊断某疾病时，不误诊（假阳性）的机会有多大（小）。单独一个指标，如果提高其诊断的敏感性，必然降低其诊断的特异性。换句话说，减少漏诊必然增加误诊，反之亦然。

阳性及阴性似然比

概念：LR= [a/(a+c)]÷[b/(b+d)]=Sen/1−Spe

Sen：敏感性；Spe：特异性；a：真阳性；b：假阳性；c：假阴性；d：真阴性 阳性似然比、阴性似然比结合了敏感性、特异性、阳性预测值和阴性预测值的优点，既可以根据患者有无某项报警症状来做预测，同时又不受被检人群中病变发生率的影响，可用于多种临床环境中，因此是一个相对独立的、更具临床意义的诊断性试验效果的评估指标。当阳性似然比>10 或阴性似然比<0.1时，诊断或排除某种疾病的可能性就显著的增加（来源于百度百科；大家记得红色的字体就好，怎么来的，电脑自己会算啊，不用纠结这点）。

亚组分析

下面的图片大家猜得到是什么吗？

  

这是我路过湖边的一个树洞拍下来的---后来又进行了剪裁

亚组分层分析---分层因素可以按照方法学或生物学特征进行--聚焦到一个局部 举例：

①DWI对肺癌的良性鉴别诊断的meta（图左总的）---左边的图片这是一个树洞有蘑菇有花生壳有叶子------聚焦到非小细胞肺癌 （图右亚组）---把其他的裁掉，重点观察蘑菇（亚组）

②DWI对肺癌的良性鉴别诊断的meta（图左总的）-----中国人的DWI对肺癌的良性鉴别诊断的meta（图右亚组）

发表偏倚

发表偏倚是临床医学文献一个广为人知的现象。阳性的研究结果发表的机会更多，发表的速度更快，所发表刊物的影响因子更高。获得发表的研究是获取结论的主要依据，因此，过分强调阳性结果可能造成误导（百度百科）。

在诊断性meta分析中，总之我们要记得进行发表偏倚的检测就是啦，这是一个规定的动作复杂动作怎么做？

今天就先策到这里啦，且听下回分解。