醫學統計與R語言:運用netmeta包實現網狀Meta分析

2021-02-17 醫學統計與R語言

微信公眾號：醫學統計與R語言

簡介

R 軟體netmeta 程序包是基於經典頻率學派研發的一款專用於實現網狀Meta 分析的程序包。
R package netmeta provides frequentist methods for network meta-analysis and supports Schwarzer et al. (2015).

Example

- 輸入1：

mynet <- read.csv("mynet.csv",header=T)
mynet

- 結果1：

  study treatment1    y1  sd1 n1 treatment2    y2  sd2 n2 treatment3 y3 sd3 n3
1      1          A 61.71 7.53 49          K 56.00 9.46 50          D 59   8 50
2      2          B 22.30 2.60 32          K 16.30 1.00 31       <NA> NA  NA NA
3      3          C 98.41 4.70 46          K 94.85 8.81 44       <NA> NA  NA NA
4      4          D 26.64 3.39 45          K 23.29 3.00 31       <NA> NA  NA NA
5      5          B 91.76 2.73 52          K 89.02 2.41 50       <NA> NA  NA NA
6      6          E 90.42 8.50 60          K 70.22 6.34 60       <NA> NA  NA NA
7      7          A 92.80 3.20 54          K 85.00 2.60 54       <NA> NA  NA NA
8      8          A 88.48 3.90 29          K 85.77 5.98 30       <NA> NA  NA NA
9      9          D 88.46 1.54 25          K 78.76 1.08 25       <NA> NA  NA NA
10    10          F 89.50 3.57 40          K 88.09 2.51 40       <NA> NA  NA NA

- 輸入2：

netform<- pairwise(list(treatment1, treatment2,treatment3),
               n=list(n1, n2,n3),
               mean=list(y1, y2,y3),
               sd=list(sd1, sd2,sd3),
               data=mynet, studlab=study)
netform

This function transforms data that are given in wide or long arm-based format (e.g. input format for WinBUGS) to a contrast-based format that is needed as input to R function netmeta. The function
can transform data with binary, continuous, or generic outcomes as well as incidence rates from arm-based to contrast-based format.

- 結果2：

     TE      seTE studlab treat1 treat2 n1 mean1  sd1 n2 mean2  sd2 study treatment1    y1 sd1.orig n1.orig
1   5.71 1.7166809       1      A      K 49 61.71 7.53 50 56.00 9.46     1          A 61.71     7.53      49
2   2.71 1.5611410       1      A      D 49 61.71 7.53 50 59.00 8.00     1          A 61.71     7.53      49
3  -3.00 1.7520936       1      K      D 50 56.00 9.46 50 59.00 8.00     1          A 61.71     7.53      49
4   6.00 0.4934654       2      B      K 32 22.30 2.60 31 16.30 1.00     2          B 22.30     2.60      32
5   3.56 1.4980720       3      C      K 46 98.41 4.70 44 94.85 8.81     3          C 98.41     4.70      46
6   3.35 0.7387168       4      D      K 45 26.64 3.39 31 23.29 3.00     4          D 26.64     3.39      45
7   2.74 0.5093987       5      B      K 52 91.76 2.73 50 89.02 2.41     5          B 91.76     2.73      52
8  20.20 1.3689753       6      E      K 60 90.42 8.50 60 70.22 6.34     6          E 90.42     8.50      60
9   7.80 0.5610836       7      A      K 54 92.80 3.20 54 85.00 2.60     7          A 92.80     3.20      54
10  2.71 1.3101512       8      A      K 29 88.48 3.90 30 85.77 5.98     8          A 88.48     3.90      29
11  9.70 0.3761914       9      D      K 25 88.46 1.54 25 78.76 1.08     9          D 88.46     1.54      25
12  1.41 0.6900181      10      F      K 40 89.50 3.57 40 88.09 2.51    10          F 89.50     3.57      40
   treatment2    y2 sd2.orig n2.orig treatment3 y3 sd3 n3
1           K 56.00     9.46      50          D 59   8 50
2           K 56.00     9.46      50          D 59   8 50
3           K 56.00     9.46      50          D 59   8 50
4           K 16.30     1.00      31       <NA> NA  NA NA
5           K 94.85     8.81      44       <NA> NA  NA NA
6           K 23.29     3.00      31       <NA> NA  NA NA
7           K 89.02     2.41      50       <NA> NA  NA NA
8           K 70.22     6.34      60       <NA> NA  NA NA
9           K 85.00     2.60      54       <NA> NA  NA NA
10          K 85.77     5.98      30       <NA> NA  NA NA
11          K 78.76     1.08      25       <NA> NA  NA NA
12          K 88.09     2.51      40       <NA> NA  NA NA

- 輸入3：

netmeta <- netmeta(netform,sm="MD")
netmeta

- 結果3：

Original data (with adjusted standard errors for multi-arm studies):

   treat1 treat2      TE   seTE seTE.adj narms multiarm
1       A      K  5.7100 1.7167   2.1366     3        *
1       A      D  2.7100 1.5611   1.8068     3        *
1       D      K  3.0000 1.7521   2.2471     3        *
2       B      K  6.0000 0.4935   0.4935     2         
3       C      K  3.5600 1.4981   1.4981     2         
4       D      K  3.3500 0.7387   0.7387     2         
5       B      K  2.7400 0.5094   0.5094     2         
6       E      K 20.2000 1.3690   1.3690     2         
7       A      K  7.8000 0.5611   0.5611     2         
8       A      K  2.7100 1.3102   1.3102     2         
9       D      K  9.7000 0.3762   0.3762     2         
10      F      K  1.4100 0.6900   0.6900     2         

Number of treatment arms (by study):
   narms
1      3
10     2
2      2
3      2
4      2
5      2
6      2
7      2
8      2
9      2

Results (fixed effect model):

   treat1 treat2      MD             95%-CI     Q leverage
1       A      K  7.2200 [ 6.2720;  8.1680]  0.50     0.05
1       A      D -0.9324 [-2.0502;  0.1855]  4.06     0.10
1       D      K  8.1523 [ 7.5124;  8.7922]  5.26     0.02
2       B      K  4.4218 [ 3.7271;  5.1165] 10.23     0.52
3       C      K  3.5600 [ 0.6238;  6.4962]  0.00     1.00
4       D      K  8.1523 [ 7.5124;  8.7922] 42.26     0.20
5       B      K  4.4218 [ 3.7271;  5.1165] 10.90     0.48
6       E      K 20.2000 [17.5169; 22.8831]  0.00     1.00
7       A      K  7.2200 [ 6.2720;  8.1680]  1.07     0.74
8       A      K  7.2200 [ 6.2720;  8.1680] 11.85     0.14
9       D      K  8.1523 [ 7.5124;  8.7922] 16.93     0.75
10      F      K  1.4100 [ 0.0576;  2.7624]  0.00     1.00

Results (random effects model):

   treat1 treat2      MD             95%-CI
1       A      K  5.9719 [ 2.1452;  9.7985]
1       A      D  0.6116 [-4.2239;  5.4472]
1       D      K  5.3603 [ 1.5950;  9.1255]
2       B      K  4.3712 [-0.2138;  8.9562]
3       C      K  3.5600 [-3.4898; 10.6098]
4       D      K  5.3603 [ 1.5950;  9.1255]
5       B      K  4.3712 [-0.2138;  8.9562]
6       E      K 20.2000 [13.2518; 27.1482]
7       A      K  5.9719 [ 2.1452;  9.7985]
8       A      K  5.9719 [ 2.1452;  9.7985]
9       D      K  5.3603 [ 1.5950;  9.1255]
10      F      K  1.4100 [-5.1404;  7.9604]

Number of studies: k = 10
Number of treatments: n = 7
Number of pairwise comparisons: m = 12
Number of designs: d = 7

Fixed effects model

Treatment estimate (sm = 'MD'):
        A       B       C       D        E       F       K
A       .  2.7982  3.6600 -0.9324 -12.9800  5.8100  7.2200
B -2.7982       .  0.8618 -3.7305 -15.7782  3.0118  4.4218
C -3.6600 -0.8618       . -4.5923 -16.6400  2.1500  3.5600
D  0.9324  3.7305  4.5923       . -12.0477  6.7423  8.1523
E 12.9800 15.7782 16.6400 12.0477        . 18.7900 20.2000
F -5.8100 -3.0118 -2.1500 -6.7423 -18.7900       .  1.4100
K -7.2200 -4.4218 -3.5600 -8.1523 -20.2000 -1.4100       .

Lower 95%-confidence limit:
        A       B       C       D        E       F       K
A       .  1.6229  0.5745 -2.0502 -15.8257  4.1584  6.2720
B -3.9734       . -2.1554 -4.6750 -18.5498  1.4914  3.7271
C -6.7454 -3.8790       . -7.5974 -20.6175 -1.0827  0.6238
D -0.1855  2.7860  1.5872       . -14.8061  5.2461  7.5124
E 10.1344 13.0066 12.6625  9.2893        . 15.7853 17.5169
F -7.4615 -4.5322 -5.3827 -8.2385 -21.7947       .  0.0576
K -8.1680 -5.1165 -6.4962 -8.7922 -22.8831 -2.7624       .

Upper 95%-confidence limit:
        A       B       C       D        E       F       K
A       .  3.9734  6.7454  0.1855 -10.1344  7.4615  8.1680
B -1.6229       .  3.8790 -2.7860 -13.0066  4.5322  5.1165
C -0.5745  2.1554       . -1.5872 -12.6625  5.3827  6.4962
D  2.0502  4.6750  7.5974       .  -9.2893  8.2385  8.7922
E 15.8257 18.5498 20.6175 14.8061        . 21.7947 22.8831
F -4.1584 -1.4914  1.0827 -5.2461 -15.7853       .  2.7624
K -6.2720 -3.7271 -0.6238 -7.5124 -17.5169 -0.0576       .

Random effects model

Treatment estimate (sm = 'MD'):
        A       B       C       D        E       F       K
A       .  1.6007  2.4119  0.6116 -14.2281  4.5619  5.9719
B -1.6007       .  0.8112 -0.9891 -15.8288  2.9612  4.3712
C -2.4119 -0.8112       . -1.8003 -16.6400  2.1500  3.5600
D -0.6116  0.9891  1.8003       . -14.8397  3.9503  5.3603
E 14.2281 15.8288 16.6400 14.8397        . 18.7900 20.2000
F -4.5619 -2.9612 -2.1500 -3.9503 -18.7900       .  1.4100
K -5.9719 -4.3712 -3.5600 -5.3603 -20.2000 -1.4100       .

Lower 95%-confidence limit:
         A        B        C        D        E       F       K
A        .  -4.3714  -5.6095  -4.2239 -22.1604 -3.0244  2.1452
B  -7.5728        .  -7.5985  -6.9220 -24.1535 -5.0345 -0.2138
C -10.4333  -9.2209        .  -9.7925 -26.5384 -7.4733 -3.4898
D  -5.4472  -4.9438  -6.1920        . -22.7426 -3.6052  1.5950
E   6.2958   7.5041   6.7416   6.9369        .  9.2409 13.2518
F -12.1481 -10.9568 -11.7733 -11.5057 -28.3391       . -5.1404
K  -9.7985  -8.9562 -10.6098  -9.1255 -27.1482 -7.9604       .

Upper 95%-confidence limit:
        A       B       C       D        E       F       K
A       .  7.5728 10.4333  5.4472  -6.2958 12.1481  9.7985
B  4.3714       .  9.2209  4.9438  -7.5041 10.9568  8.9562
C  5.6095  7.5985       .  6.1920  -6.7416 11.7733 10.6098
D  4.2239  6.9220  9.7925       .  -6.9369 11.5057  9.1255
E 22.1604 24.1535 26.5384 22.7426        . 28.3391 27.1482
F  3.0244  5.0345  7.4733  3.6052  -9.2409       .  7.9604
K -2.1452  0.2138  3.4898 -1.5950 -13.2518  5.1404       .

Quantifying heterogeneity / inconsistency:
tau^2 = 10.6936; I^2 = 95.1%

Tests of heterogeneity (within designs) and inconsistency (between designs):
                     Q d.f.  p-value
Total           103.05    5 < 0.0001
Within designs   92.56    3 < 0.0001
Between designs  10.50    2   0.0053

- 輸入4：

print(netmeta,ref="K")

- 結果4：

Original data (with adjusted standard errors for multi-arm studies):

   treat1 treat2      TE   seTE seTE.adj narms multiarm
1       A      K  5.7100 1.7167   2.1366     3        *
1       A      D  2.7100 1.5611   1.8068     3        *
1       D      K  3.0000 1.7521   2.2471     3        *
2       B      K  6.0000 0.4935   0.4935     2         
3       C      K  3.5600 1.4981   1.4981     2         
4       D      K  3.3500 0.7387   0.7387     2         
5       B      K  2.7400 0.5094   0.5094     2         
6       E      K 20.2000 1.3690   1.3690     2         
7       A      K  7.8000 0.5611   0.5611     2         
8       A      K  2.7100 1.3102   1.3102     2         
9       D      K  9.7000 0.3762   0.3762     2         
10      F      K  1.4100 0.6900   0.6900     2         

Number of treatment arms (by study):
   narms
1      3
10     2
2      2
3      2
4      2
5      2
6      2
7      2
8      2
9      2

Results (fixed effect model):

   treat1 treat2      MD             95%-CI     Q leverage
1       A      K  7.2200 [ 6.2720;  8.1680]  0.50     0.05
1       A      D -0.9324 [-2.0502;  0.1855]  4.06     0.10
1       D      K  8.1523 [ 7.5124;  8.7922]  5.26     0.02
2       B      K  4.4218 [ 3.7271;  5.1165] 10.23     0.52
3       C      K  3.5600 [ 0.6238;  6.4962]  0.00     1.00
4       D      K  8.1523 [ 7.5124;  8.7922] 42.26     0.20
5       B      K  4.4218 [ 3.7271;  5.1165] 10.90     0.48
6       E      K 20.2000 [17.5169; 22.8831]  0.00     1.00
7       A      K  7.2200 [ 6.2720;  8.1680]  1.07     0.74
8       A      K  7.2200 [ 6.2720;  8.1680] 11.85     0.14
9       D      K  8.1523 [ 7.5124;  8.7922] 16.93     0.75
10      F      K  1.4100 [ 0.0576;  2.7624]  0.00     1.00

Results (random effects model):

   treat1 treat2      MD             95%-CI
1       A      K  5.9719 [ 2.1452;  9.7985]
1       A      D  0.6116 [-4.2239;  5.4472]
1       D      K  5.3603 [ 1.5950;  9.1255]
2       B      K  4.3712 [-0.2138;  8.9562]
3       C      K  3.5600 [-3.4898; 10.6098]
4       D      K  5.3603 [ 1.5950;  9.1255]
5       B      K  4.3712 [-0.2138;  8.9562]
6       E      K 20.2000 [13.2518; 27.1482]
7       A      K  5.9719 [ 2.1452;  9.7985]
8       A      K  5.9719 [ 2.1452;  9.7985]
9       D      K  5.3603 [ 1.5950;  9.1255]
10      F      K  1.4100 [-5.1404;  7.9604]

Number of studies: k = 10
Number of treatments: n = 7
Number of pairwise comparisons: m = 12
Number of designs: d = 7

Fixed effects model

Treatment estimate (sm = 'MD', comparison: other treatments vs 'K'):
       MD             95%-CI
A  7.2200 [ 6.2720;  8.1680]
B  4.4218 [ 3.7271;  5.1165]
C  3.5600 [ 0.6238;  6.4962]
D  8.1523 [ 7.5124;  8.7922]
E 20.2000 [17.5169; 22.8831]
F  1.4100 [ 0.0576;  2.7624]
K       .                  .

Random effects model

Treatment estimate (sm = 'MD', comparison: other treatments vs 'K'):
       MD             95%-CI
A  5.9719 [ 2.1452;  9.7985]
B  4.3712 [-0.2138;  8.9562]
C  3.5600 [-3.4898; 10.6098]
D  5.3603 [ 1.5950;  9.1255]
E 20.2000 [13.2518; 27.1482]
F  1.4100 [-5.1404;  7.9604]
K       .                  .

Quantifying heterogeneity / inconsistency:
tau^2 = 10.6936; I^2 = 95.1%

Tests of heterogeneity (within designs) and inconsistency (between designs):
                     Q d.f.  p-value
Total           103.05    5 < 0.0001
Within designs   92.56    3 < 0.0001
Between designs  10.50    2   0.0053

- 輸入5：

netgraph(netmeta, start="circle",points=T,cex.points=2, cex=1.5,
       highlight="D:K"  ,col.highlight = "green",col.multiarm = "purple")

- 結果5：



- 輸入6：

netr <- netrank(netmeta,small.values = "bad")
print(netr,sort=T)

- 結果6：

     P-score (fixed)     P-score (random)
E          1.0000           0.9998
A          0.6735           0.6500
D          0.8246           0.5909
B          0.4520           0.4970
C          0.3657           0.4235
F          0.1793           0.2500
K          0.0049           0.0887

If treatment i is better than many other treatments, many of these P-values will be small and the P-score will be large. Vice versa, if treatment i is worse than most other treatments,
the P-score is small.The P-score of treatment i can be interpreted as the mean extent of certainty that treatment i is better than another treatment. This interpretation is comparable to that of the Surface Under the CumulativeRAnking curve (SUCRA) which is the rank of treatment i within the range of treatments,measured on a scale from 0 (worst) to 1 (best) (Salanti et al. 2011).

- 輸入7：

forest(netmeta,ref="K",pooled="random",smlab="Random effects model",
     xlab="Score difference" , leftlabs="Treatment",sortvar =Pscore)

- 結果7：


- 輸入8：

netheat(netmeta)

This function creates a net heat plot, a graphical tool for locating inconsistency in network metaanalyses.

- 結果8：

相關焦點

  • 【Meta分析】網狀Meta分析中網絡證據圖的繪製(R語言版)
    當直接研究證據缺乏時，可通過對比共同對照措施進行間接比較,直接研究證據不足時，可合併直接證據和間接證據增加證據的可信性,而這種合成間接證據與直接證據進行不同幹預措施排序比較的方法被稱作網狀Meta分析，在接下來的推送中，我們將轉載逍遙君自習室介紹網狀Meta分析的相關內容供讀者學習。
  • 網狀Meta分析概率排序分析及作圖
    Meta分析的過程以及相關圖形的製作（網狀Meta分析進行模型構建及圖形繪製），今天接著上一個帖子繼續分享網狀Meta分析的製作，我們進行到了第四步就是繪製累積概率排序圖的製作，我們繼續用上個帖子的數據，軟體還是用R 語言 gemtc 程序包通過調用對應的 rjags 程序包（提前安裝JAGS軟體）來執行。
  • 網狀Meta分析系列文章(一):網狀Meta分析背後的原理是什麼
    首先，我們需要熟悉網狀Meta分析的所有假設，在此基礎上盡最大可能使收集的數據滿足這些假設，同時這些數據需要直接回答臨床決策問題。第二，當分析時出現一些不可避免的效應修飾時，我們通過多變量meta回歸的方法校正協變量。第三，當出現一些潛在的偏倚時，使用bias adjustment的方法進行處理。
  • 循證醫學和Meta分析(包含網狀meta)培訓班介紹(昆明,北京,上海,廣州班)
    醫藥加循證醫學和Meta分析(包含網狀meta)培訓班介紹
  • R語言實現meta分析過程中的可視化展示
    大家應該很熟悉meta分析，所謂meta分析就是一個全面收集所有相關研究並逐個進行嚴格評價和分析，再用定量合成的方法對資料進行統計學處理得出綜合結論的整個過程
  • 數據分析系列(3) | 如何用R語言進行相關係數與多變量的meta分析
    本文主體部分來自《全哥的學習生涯》，如需轉載請聯繫公眾號後臺。本
  • Meta分析的進展與思考
    其中，Meta人種學分析（meta-ethnography）與Meta整合（meta-synthesis）用於質性研究，在醫學領域中的護理學科中常用。2 Meta分析的類型Meta分析從開始的合併P值至今，根據實踐需求及統計學方法的突破，已經有了多種類型。從統計學派來講，有基於經典統計學派的Meta分析方法和基於貝葉斯統計學派的Meta分析方法。
  • Meta分析系列之:常見的Meta分析類型
    診斷試驗準確性的Meta分析。此種meta分析主要是為評價某種診斷措施對目標疾病的準確率，多為對目標疾病的敏感性、特異性進行評價，報導似然比、診斷比值比等。3. 率的meta分析。通俗來講，就是指將率進行合併，所合併的率可以是：患病率、檢出率、知曉率、感染率等。4. Meta回歸。Meta分析時由於研究間存在異質性，僅用亞組分析無法解釋來源，此時可能需要用到meta回歸分析。
  • 當R2WinBUGS遇上網狀Meta分析(轉發領獎)
    留言說出你想學習的內容，還有優惠哦~本期活動：將本文轉發至2個100人以上的群，並轉發至朋友圈配以文字：「轉發有獎勵，每轉發至2個100人以上的群且集50個贊（截圖為憑證），送《系統評價/meta分析理論與實踐》精裝版一本，一大波書已準備好，搶完為止
  • 全國循證醫學Meta分析及網狀Meta三天精講學習班
    醫藥加循證醫學與Meta分析班已經在全國開辦過30餘期，全國一百餘家大中型醫院、高校和科研院所紛紛派學員參加了培訓班。
  • 網狀Meta分析三個假設檢驗的完成(一)
    網狀Meta分析（整合直接比較和間接比較的結果，繪製相關圖形）6. 偏倚風險評估、文獻質量評價、敏感性分析、亞組分析、meta回歸等等網狀Meta分析裡提到的同質性檢驗實際上就是普通Meta分析常說的異質性檢驗。
  • meta分析代做需要注意什麼?
    這些年meta分析在醫學領域是一個很前沿的分析，很容易發sci，至少發北大核心期刊是很容易的。meta分析代做我是醫學統計專業，熟練代做META分析的一般是2周多一點，主要是查英文文獻太費勁。選題後，統計方法解決不了，那也不行。
  • 2天一夜教會您獨立完成Meta分析和網狀Meta分析線上學習班(11月28-29日 線上班)
    線上互動好 線下服務好 老師建群長期耐心答疑本培訓班以1篇meta分析和網狀meta分析為案例主線，全程實戰講解，現場教學，現場答疑，課後自己可以獨立完成1篇meta分析和1篇網狀meta分析。 猴哥：孫老師，主講《meta分析的選題、寫作與投稿》，碩士生導師，副主任醫師。主持多項國家級基金項目，歷任3家公司數據分析師，共發表meta分析文章25篇，累積影響因子100+。
  • 2天1夜教會您獨立完成Meta分析和網狀Meta分析線上學習班(免費提供所有數據、代碼3月20-21日 線上班)
    分析和網狀meta分析為案例主線，全程實戰講解，現場教學，現場答疑，演示全部代碼和操作，全程錄製屏幕，不限時間回放。課後自己可以獨立完成1篇meta分析和1篇網狀meta分析。 猴哥：孫老師，主講《meta分析的選題、寫作與投稿》，碩士生導師，副主任醫師。主持多項國家級基金項目，歷任3家公司數據分析師，共發表meta分析文章25篇，累積影響因子100+。
  • 醫學meta方面的軟體資源集合下載
    第18-19期醫藥加循證醫學和Meta分析(包含網狀meta)培訓班介紹2018年，我們還將成立醫藥加循證醫學研究協會，學員可報名參加。課程採用舉例進行教學，使得學員容易接受。此外，自2018年起，應廣大學員要求，本培訓課程特增加了使用R軟體進行網狀Meta分析實際操作內容，使得學員能獨立進行常見的網狀Meta分析。
  • 網狀Meta分析系列文章(二):貝葉斯框架
    通常情況下這兩類方法的選擇沒有優劣之分，但是在這裡的網狀Meta分析中，貝葉斯方法有一些獨特的優勢，比如靈活性高、天然的決策模型等等，因此本文主要介紹貝葉斯網狀Meta分析模型。首先考慮Pairwise Meta分析，假設有M個試驗，均為幹預1對比幹預2。
  • NMA(網狀meta分析)stata簡易教程(2)之二 - 網狀圖的千變萬化
    相關問題如果有疑惑，請先查看前期網狀meta分析相關推文：網狀Meta分析簡介與實戰NMA(網狀meta分析)stata簡易教程 - 之一   Open the data editor window:#輸入Edit The variable study contains the ID
  • 用R語言進行連續型變量的網狀meta分析之詳細教程
    圖 33.2 設置network model在選取具有網狀meta 分析功能軟體之前,我們需要對model 進行相關設置,需要「mtc.model()」命令，具體命令如下：model <- mtc.model(network,type = "consistency",
  • 2天1夜教會您獨立完成Meta分析和網狀Meta分析線上學習班(免費提供所有數據、代碼12月26-27日 線上班)
    線上互動好 線下服務好 老師建群長期耐心答疑本培訓班以1篇meta分析和網狀meta分析為案例主線，全程實戰講解，現場教學，現場答疑，課後自己可以獨立完成1篇meta分析和1篇網狀meta分析。 猴哥：孫老師，主講《meta分析的選題、寫作與投稿》，碩士生導師，副主任醫師。主持多項國家級基金項目，歷任3家公司數據分析師，共發表meta分析文章25篇，累積影響因子100+。
  • 2天1夜教會您獨立完成Meta分析和網狀Meta分析線上學習班(免費提供所有數據、代碼1月30-31日 線上班)
    線上互動好 線下服務好 老師建群長期耐心答疑本培訓班以1篇meta分析和網狀meta分析為案例主線，全程實戰講解，現場教學，現場答疑，課後自己可以獨立完成1篇meta分析和1篇網狀meta分析。 猴哥：孫老師，主講《meta分析的選題、寫作與投稿》，碩士生導師，副主任醫師。主持多項國家級基金項目，歷任3家公司數據分析師，共發表meta分析文章25篇，累積影響因子100+。