tooluniverse-meta-analysis

Meta 分析与证据综合

将多项研究的定量结果汇总为一个估计值，并判断各项研究的一致程度。这是系统综述中统计分析的部分（文献收集部分见 tooluniverse-literature-deep-research）。

适用场景

• 你已获得 ≥2 项研究／队列的效应量，希望得到一个合并估计值和 CI。
• 综合系统综述、重复实验、多队列 GWAS 或多数据集关联分析。
• 判断各项研究是否一致（异质性低）或存在冲突（异质性高）。

请勿用它来查找研究——请改用 tooluniverse-literature-deep-research／文献工具，然后将提取的数值带到这里。在信任任何输入研究之前，可考虑使用 Crossref_check_retraction 检查其是否被撤稿。

工作流

1. Extract (effect, SE) per study  ← THE ERROR-PRONE STEP
2. Pick fixed vs random effects
3. Pool: MetaAnalysis_run
4. Read heterogeneity (I², Q, τ²)
5. Forest plot + interpret

步骤 1 — 将每项研究转换为 (effect_size, se) ← 请谨慎操作

合并步骤需要一个加性尺度上的效应量及其标准误。比值指标（OR/RR/HR）必须先进行对数转换。大多数报告给出的是 CI，而不是 SE——请根据 CI 推导 SE。

论文报告的内容	effect_size	se
OR / RR / HR，附带 95% CI [L, U]	ln(point)	(ln(U) − ln(L)) / (2 × 1.96)
OR / RR / HR，附带 p 值（无 CI）	ln(point)	`
GWAS / 回归 β，附带 SE	β（按报告值）	报告的 SE
两组，均值 + SD + n₁,n₂	Hedges' g（见脚本）	g 的 SE（见脚本）
单个比例 p，n	logit(p)=ln(p/(1−p))	sqrt(1/(np) + 1/(n(1−p)))
Pearson 相关 r，n	Fisher z = atanh(r)	1 / sqrt(n − 3)

关键规则

• 对比值指标进行对数转换。 合并原始 OR 是错误的；应合并 ln(OR)，再将合并结果取指数还原。脚本会为你完成此操作。
• 方向一致。 确保每项研究的效应方向相同（例如“暴露会增加风险”）；对于编码方向相反的研究，请反转符号／取比值的倒数。
• 使用相同的效应指标。 不要在一次合并中混用 OR、HR 和均值差。
• 2 × 1.96 适用于 95% CI；90% CI 使用 2 × 1.645，99% CI 使用 2 × 2.576。

辅助脚本会执行这些转换——建议优先使用，而不是手动计算：

python skills/tooluniverse-meta-analysis/scripts/meta_analysis.py --input studies.csv
# studies.csv columns (use the set that matches your data):
#   name, or, ci_low, ci_high            (ratio + CI)
#   name, beta, se                       (already on log/linear scale)
#   name, mean1, sd1, n1, mean2, sd2, n2 (two-group means -> Hedges' g)
#   name, r, n                           (correlation -> Fisher z)

步骤 2 — 固定效应还是随机效应

使用固定效应的情况	使用随机效应的情况
各项研究估计的是相同的真实效应（例如，完全重复的研究、按站点拆分的一项试验）	各项研究在人群／设计／剂量上存在差异（现实中通常如此）
I² 较低（<25%）	I² 中等至较高，或各项研究存在临床异质性

不确定时，优先报告随机效应（DerSimonian–Laird）——这是较保守的默认选择，会扩大 CI 以反映研究间方差。

步骤 3 — 使用 MetaAnalysis_run 进行合并

tu run MetaAnalysis_run '{"method":"random","studies":[
  {"name":"Smith 2019","effect_size":0.41,"se":0.12},
  {"name":"Lee 2021","effect_size":0.67,"se":0.18},
  {"name":"Garcia 2023","effect_size":0.33,"se":0.10}]}'

返回 pooled_effect、pooled_se、pooled_ci_lower/upper、pooled_z、pooled_p_value、一个包含异质性指标的区块（Q、Q_df、Q_p_value、I_squared、tau_squared），以及各项研究的权重和 CI（per_study）。

尺度陷阱——请阅读。 MetaAnalysis_run 会按你提供的尺度合并数据，并不知道你的输入是比值。对于 OR/RR/HR，你必须传入步骤 1 中经过对数转换的 effect_size + se（例如 ln(1.42)=0.351，而不是 1.42）——传入原始比值会悄无声息地产生错误的合并值，且不会报错。它返回的数值——包括文字说明 interpretation 字段——也都处于相同的对数尺度。因此：对于比值，请忽略工具的 interpretation 字段，并自行对 pooled_effect 和 CI 上下限使用 exp()，将其还原为 OR/RR/HR 尺度后再报告。 辅助脚本可避免所有这些问题——它接收原始 OR、跟踪尺度，并输出已完成反变换的结果。

第 4 步 — 解读异质性（决定研究结论）

I²	异质性	含义
0–25%	低	各研究基本一致；采用固定效应模型是合理的
25–50%	中等	优先采用随机效应模型；说明变异性
50–75%	显著	采用随机效应模型；调查异质性的来源（亚组分析／元回归）
>75%	极大	合并分析可能不合适——应解释研究为何存在差异

• Q_p_value < 0.10 → 异质性具有统计学显著性（Q 检验的统计功效较低，因此采用 0.10 而非 0.05）。
• tau_squared 是效应尺度上的研究间方差；> 0 表示随机效应模型比固定效应模型多考虑的部分。
• I² 处于临界范围（≈25–50%）且 Q 检验不显著（Q_p_value ≫ 0.10），尤其是研究数量较少时：固定效应与随机效应模型的结果会趋于一致——将随机效应模型作为主要模型报告，并说明固定效应模型的结果一致。若两种模型给出的合并估计值基本相同，就不必过度纠结模型选择。

第 5 步 — 森林图 + 报告

脚本会输出文本森林图（每项研究的效应值、CI、权重百分比，以及合并效应的菱形标记）。按以下顺序报告：

1. 合并估计值 + 95% CI + p 值（使用便于解读的尺度——将比值重新取指数）。
2. 研究数量和总 N。
3. 异质性：I² + Q 检验 p 值 + 所选模型及原因。
4. 方向／一致性：所有研究的结果方向是否相同？

示例：“在 3 个队列（N=4,210）中，合并 OR 为 1.51（95% CI 1.33–1.72，p=3.4×10⁻⁶），采用随机效应模型。异质性较大（I²=55%，Q 检验 p=0.11），因此报告随机效应模型；3 项研究的效应方向一致。”

如实说明局限性

• **输入有误，输出也会有误。**元分析无法纠正原始研究中的偏倚；请先检查输入研究的质量（并通过 Crossref_check_retraction 检查撤稿状态）。
• **发表偏倚。**仅基于已发表研究得出的合并估计值可能偏高。研究数量 ≥10 时，检查漏斗图／Egger 检验（脚本会提示）；研究数量 <10 时，说明无法评估小样本偏倚。
• **生态学／聚合问题。**合并研究层面的汇总数据，不等于合并患者个体数据。
• **不要过度合并。**若 I²>75% 且研究在临床上存在差异，单一数值可能会造成误导——应描述差异。

相关技能

• tooluniverse-literature-deep-research — 查找并评估要纳入的研究。
• tooluniverse-statistical-modeling — 单项研究回归、Cox、OR（提取 HR 请参阅 ../tooluniverse-statistical-modeling/references/cox_regression.md）。
• tooluniverse-gwas-study-explorer / tooluniverse-gwas-finemapping — GWAS 专用多队列分析。