Rscripts/Metafor - resumo e tutorial.Rmd at main · LinoSergio/Rscripts · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
---
title: "Metanálise em R - tutorial básico"
author: "Lino Sergio Rocha Conceição, PhD"
output:
  html_document:
    theme: dark
    toc: yes
    toc_float: yes
---

# Meta-análise do efeito da vacinação para BCG

Nesse banco de dados vamos examinar o resultado de 13 estudos analisando a efetividade da vacina Bacillus Calmette-Guerin (BCG) contra tuberculose.

### 1. Instalando os pacotes necessários

Análises em **R** requerem a utilização de pacotes com as ferramentas necessárias para a análise de dados. Nesse momento utlizaremos os pacote **metafor**.

```{r}
library("metafor")
```

### 2. Adicionando o banco de dados

Primeiro precisamos visualizar nosso banco de dados. O banco de dados pode ser visualizado em **dat.bcg**. Para facilitar tanto a visualização como a análise ao longo das linha de código, nos vamos renomear o banco de dados.

```{r}
print(dat.bcg)
```
De agora em diante o banco de dados *dat.bcg* recebe o nome *dados*. Para isso,
basta apenas designar o banco de dados ao nome de sua preferência.

Nesse caso teremos: dados <- dat.bcg

### 3. Utilizando a função escalc

Essa função tem por objetivo calcular o tamanho do efeito de variáveis. Esse passo é de fundamental importância para a metanálise. Essa função esta integrada ao pacote ***metafor***, dessa forma, nenhuma instalação adicional é necessária.

```{r}
dados <- dados <- escalc(measure = "RR", ai = tpos, bi = tneg,
                       ci = cpos, di = cneg,
       slab = paste(author, ", ", year, sep = ""), data = dat.bcg)
```

OBS: Para uma descrição detalhada da função ***escalc*** recomendamos a função help(escalc).

### 4. Metanálise com análise de efeito randômico

Usaremos uma análise de efeito randômico (analise de variância e logarítmica de risco). Também iremos renomear essa análise como fizemos na etapa anterior com a função ***escalc***.

```{r}
resultado <- rma(yi, vi, data = dados)
```

### 5. Criando o forest plot

Nessa etapa, conluiremos com forest plot de nossa análise. Se todas as linhas de código anteriores estiverem corretas, a criação do forest plot obedecerá uma linha de código simples. É importante que o leitor tenha em mente que essa é apenas uma análise rápida e "crua". Existem etapas adicionais que certamente darão um rigor maior a análise dos dados.

```{r}
forest(resultado)
```

Podemos também adicionar outros comandos para deixar o forest plot mais apresentável. Para inserir os título é necessário utulizar o argumento *header*. Esse argumento pode ser um operador lógico (TRUE or FALSE), ou pode ser uma **string** da sua escolha. No exemplo abaixo irei inserir *"Author(s) and Year"*.

```{r}
forest(resultado, header = "Author(s) and Year")
```

### 5.1 Modificando a cor do diamante

É possivel fazer modificações mais específicas no forest plot. Aqui modificaremos a cor do diamente. Essa abordagem não é muito comum, mas pode auxiliar num destaque do tamanho de efeito final.

```{r}
forest(resultado, header = "Author(s) and Year", col = "red")
```

### 5.2. Adicionando a predição

É possivel adicionar predições por mei da função *predict.rma*. ela calcula valores previstos, erros padrão correspondentes, intervalos de confiança e intervalos de previsão da função **rma** (que foi renomeada como *resultado*)

```{r}
predict(resultado, transf = exp)
```

Agora vamos adicionar a predição dos valores obtidos no nosso forest plot usando o argumento *addpred*

```{r}
forest(resultado, header = "Author(s) and Year", col = "red", addpred = TRUE)
```

### 5.3. Forest Plot com anotações adicionais

Existe uma grande variadedade de possibilidades para modificões nos forest plot.
Aqui mostraremos algumas que podem ser muito úteis e trazer mais detalhes na análise.

```{r}
forest(resultado, atransf = exp, at = log(c(.05, .25, 1, 4)), xlim = c(-16, 6),
       ilab = cbind(dados$tpos, dados$tneg, dados$cpos, dados$cneg), ilab.xpos = c(-9.5, -8, -6, -4.5),
       cex = .75, header = "Author(s) and Year", col = "red",
       addpred = TRUE)
op <- par(cex = .75, font = 2)
text(c(-9.5, -8, -6, -4.5), resultado$k + 2, c("TB+", "TB-", "TB+", "TB-"))
text(c(-8.75, -5.25),     resultado$k + 3, c("Vaccinated", "Control"))
```


### 6. Considerações finais

A idéia básica desse tutorial foi apresentar de maneira rápida uma metanálise realizada com o software R. Muitas outras análises e adequações podem ser feitas. Para uma análise mais aprofundada nesse tópico recomendamos esse [material adicional](https://www.youtube.com/watch?v=IkduL5iRdqo&t=1362s).