¿Cómo calcular los intervalos de confianza para las razones impares agrupadas en el metanálisis?

Tengo dos conjuntos de datos de estudios de asociación de todo el genoma. La única información disponible son las proporciones impares y sus intervalos de confianza (95%) para cada SNP genotipado. Deseo generar una parcela forestal que compare estas dos razones de posibilidades, pero no puedo encontrar la manera de calcular los intervalos de confianza combinados para visualizar los efectos de resumen. Usé el programa PLINK para realizar el metanálisis con efectos fijos, pero el programa no mostró estos intervalos de confianza.

• ¿Cómo puedo calcular tales intervalos de confianza?

Los datos disponibles son:

• Razones impares para cada estudio,
• Intervalos de confianza del 95% y
• Errores estándar

En la mayoría de los metanálisis de odds ratios, los errores estándar se basan en el log odds ratios . Entonces, ¿sabe cómo se ha estimado su (y qué métrica reflejan? o )? Dado que los se basan en el , el error estándar agrupado (bajo un modelo de efectos fijos) se puede calcular fácilmente. Primero, calculemos los pesos para cada tamaño de efecto: . Segundo, el error estándar agrupado es . Además, deje que$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})$ser el efecto común (modelo de efecto fijo). Entonces, el intervalo de confianza del 95% ("agrupado") es .$log(OR_{FEM}) \pm 1.96 \cdot se_{FEM}$

Actualizar

Como BIBB proporcionó amablemente los datos, puedo ejecutar el metanálisis 'completo' en 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

Referencias

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

En realidad, podría usar un software como METAL, que está específicamente diseñado para metanálisis en el contexto de GWA.

Es incómodo que el tintineo no dé el intervalo de confianza. Sin embargo, puede obtener el CI porque tiene el OR final (take ) y el valor (de ahí la ) para el efecto fijo.p $\log(\text{OR})$$p$$z$

El método de Bernd es aún más preciso.

Tenga en cuenta que me preocuparía más la dirección del efecto, ya que parece que solo tiene estadísticas resumidas para cada estudio, pero nada para estar seguro de cuál es el alelo OR. A menos que sepa que se hace con el mismo alelo.

cristiano

Este es un comentario (no tengo suficientes puntos de rep.). Si conoce el tamaño de la muestra (#casas y #controles) en cada estudio, y la razón de posibilidades para un SNP, puede reconstruir la tabla 2x2 de caso / control por a / b (donde a y b son los dos alelos) para cada uno de los dos estudios. Luego, solo puede agregar esos recuentos para obtener una tabla para el metaestudio y usar esto para calcular la odds ratio combinada y los intervalos de confianza.

Aquí hay un código para obtener CI para el metanálisis como en 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)
}

Llamando a la función R:

getCI(log(plinkORs), plinkSEs)