没有什么能够阻挡，你对自由的向往。

                                                                                                                                                                 ——前记

各位园友大家好，上次跟大家一起挖掘了R软件gemtc程序包的代码。接下来我们换个角度，继续开挖。我们知道肿瘤学的研究，HR是非常重要的指标，它既包括事件，也涵盖了时间因素。因此，几乎每个关于肿瘤药物的生存率事件都报告了HR值及其上下可信区间。如果能利用这些现成的HR值及其可信上下区间的数据类型进行网络meta分析 ，无疑对研究意义重大。那么这类meta分析该如何实现呢？接下来让我们继续来挖掘gemtc程序包。

打开R 软件，安装 “gemtc”、”jags”程序包

#输入加载程序包的命令

library("gemtc")

library("rjags")

#建立数据

# Create a new network by specifying all information.

treatments <- read.table(textConnection('

id description

1 "Treatment A"

2 "Treatment B"

3 "Treatment C"

4 "Treatment D"'), header=TRUE)

data <- read.table(textConnection('

study treatment diff  std.err

1 1  1.058     1.654

1 2  NA        NA

2 1  0.005     0.635

2 2  NA        NA

3 1  -0.409    1.640

3 2  NA        NA

4 1  0.273     1.642

4 2  NA        NA

5 3  -0.159    0.612

5 1  NA        NA

6 3  0.027     0.713

6 1  NA        NA

7 3  -1.138    1.158

7 1  NA        NA

8 3  -0.029    1.417

8 1  NA        NA

9 3  -0.154    0.070

9 2  -0.209    0.072

9 1  NA        0.066

9 4  0.055     0.064

'), header=TRUE)#构建网络

network <- mtc.network(data.re=data, description="Example", treatments=treatments)

#制作网络图

plot(network)

#建立模型

model <-mtc.model(network,type="consistency", factor = 2.5, n.chain=4,likelihood="binom",link="cloglog",linearModel="random")

#设置参数，进行运算

results <- mtc.run(model, n.adapt = 10000, n.iter = 100000, thin = 10,sampler ="JAGS")

#输出森林图

forest(relative.effect(results, "1"))

#输出排序结果

rank.probability(results,preferredDirection=-1)

OK，Gemtc程序包实现HR数据类型的网络meta分析运行结束。

接下来让我们倒过来，想一下这个数据集为何是这种结构。

我们之前讲到大部分研究会直接给出HR值及其可信上下区间。在做传统meta分析时，这类数据类型是可以进行合并的，只要将这类数据转换为效应值的对数值（InHR）以及标准误(SE)即可。同样的，网络meta分析亦是如此。所以这个数据集需要diff（InHR）和std.err（SE）两列数据。

如果是双臂的临床试验，根据HR及其上下区间即可计算出InHR和SE了（InHR大家都懂，SE=  

，HR uci表示HR值得可信上限，HRlci表示可信下限）。然后将基础臂（base arm）,也叫对比组，设置为NA，这样就有了诸如以上的数据类型

1   1   1.058     1.654

1   2   NA         NA

第一列的“1”表示第一个研究，第二列的数据表示治疗干预措施的代号（1表示Treatment A，2表示Treatment B）。将Treatment B作为基础臂，所以都标记为NA，然后1.058 和 1.654 分别为该研究的diff和std.err。

如果是两臂以上的多臂试验，情况就不一样了

以1作为基础臂，diff标注为NA。 问题在于，为什么std.err这一列不是NA，而是0.066呢？

答案还得从这篇逆天的文章说起

为什么说它逆天呢？因为它提出了将HR和OR数据合在一起进行网络meta分析的壮举！而活学活用的人，将它的方法继续发扬光大，从而改良出了实现了HR数据类型的网络meta分析。

文中列举了这么一串数据。表格中In(HR)就是指diff，se(In(HR))则是指两个干预措施之间的SE。（注意两个干预措施之间的SE不是std.err，后者是指每个干预措施的）

而每个干预措施的std.err则需要进一步转换

使用如下公式

seb指干预措施b对应的se。sek,b则是指干预措施k和b之间的se。

OK， 那么根据公式7 我们就可以计算出

这也就是为什么placebo作为基臂，对应的std.err是0.066的原因。

根据公式8可以计算出

同样的可以计算出Salmeterol的SE为0.070，Fluticasone的SE为0.063。

因此也就有了如下的数据了

9 3    -0.154    0.070

9 2    -0.209    0.072

9 1    NA         0.066

9 4    0.055     0.064

就这样，Gemtc程序包实现HR数据类型的网络meta分析就策到这里吧。