在做meta分析的时候，我们会遇到某单个研究列出了这样的资料，如下：
假设我们需要通过meta来探索试验组改变（change）与对照组change的差异。按照常规的思路，我们需要知道试验组change的和对照组change的，但是不幸的是作者没有给我们，那咋办呢？
别慌，咱们先找找作者在文章中有没有报告试验组前后配对t检验的结果。如果报告了配对t的值，那么很好，咱们就可以根据配对t的算法来反推差值的标准差s了；如果没有t值，只有p的取值，也还算可以，咱们可以根据自由度v回推t，再回推标准差s；如果作者只报告了p<0.05，哦s..t，这回推算不了标准差了。
如果这种情况出现，从理论上说我们是无法准确获得change的标准差的。但是我们或许可以这么试试，我们知道一个meta往往需要纳入多个文献，部分文献能够推算change的标准差SD，那么我们利用一篇文章的SD去计算这篇文章前后配对资料的相关系数Corr。以试验组某一篇文章为例，其CORR的公式如下（SD为标准差，E为暴露组）:
再利用这一相关系数Corr去推算那部分无法估算标准差的研究，其公式如下（依然以试验组为例）：
该部分估算不再赘述，请详见《Cochrane Handbook for SystematicReviews of Interventions，V5.1.0》中的p432-435。
至此推算就算完成了，但是这样的推算其前提是我们必须能够获得某一个研究的change的标准差s，且我们需要假设不同研究之间的前后两次相关系数变化不大。
在进行此类计算和合并之前，我们还需要注意几个问题：
1、为什么要用change作为效应量？如果研究都是随机分组，我们可以假设试验组和对照组的基线是一样的，那么直接用最终的测量值作为效应量更为稳妥。
2、多个研究的相关系数Corr不一致怎么办？如果差别不大，那么建议取均数；如果差别很大，说明不同研究之间的异质性较大或者干预效果的大小(final)与基线(baseline)关系密切，此时建议放弃估算。
3、如果Corr小于0.5怎么办？说明干预效果的大小(final)与基线关系不密切，此事反倒直接使用最后的效应量进行合并就可以。
4、只要是估算来的change的标准差，meta合并时均应该进行敏感性分析，以探索不同的Corr估算的结果是否稳定。
最后再重申一下meta分析中缺失数据处理的首要原则“只要有可能，就找原作者要，让缺失无处可逃”。但是又谈何容易，我就呵呵了。另外meta分析对于缺失数据还有如下要求：1要对缺失数据的处理做出假设，如随机缺失或非随机缺失；2开展敏感性分析；3在讨论部分说明缺失数据的潜在影响。
参考资料：
1. Julian PT Higgins and Sally Green. CochraneHandbook for Systematic Reviews of
Interventions (V5.1.0). updated march 2011.
转自 陶立元,赵一鸣《临床流行病学和循证医学》
|
