Meta 分析的样本量应该不低于单个随机对照试验的样本量，试验序贯分析（TSA）可提供期望信息量（RIS）以及界值来判断 Meta 分析的结论是否充足。而 TSA 软件只能进行二分类和连续型数据的分析，不能进行时间-事件数据的分析。本文主要介绍如何应用 TSA 方法进行时间-事件数据的分析。
引用本文： 翁鸿, 龚侃, 刘小平, 李旭东, 彭建平, 曾宪涛. 试验序贯分析在时间-事件数据中的应用. 中国循证医学杂志, 2017, 17(2): 239-242. doi: 10.7507/1672-2531.201607062 复制
一般认为“证据充足”的 Meta 分析的样本量应该不低于单个随机对照试验（randomized controlled trial，RCT）的样本量[1,2]。期望信息量（required information size，RIS）的估算主要取决于对照组事件发生率、最小干预效应、所允许的最大Ⅰ型错误和Ⅱ型错误。当累积信息量（即 Meta 分析纳入研究的样本量）低于 RIS 时，干预效应估计值的不确定性和获得假阳性结果的概率会随之增加[3]。此外，GRADE 系统推荐，若累积信息量未达到 RIS，则因其不精确性而降低证据级别[4-6]。
试验序贯分析（trial sequential analysis，TSA）可提供 RIS 以及类似于单个研究期中分析界值的计算。哥本哈根临床试验中心团队提出 TSA 方法后，又为其开发了相关的 TSA 软件。但这一方法和软件只能分析二分类数据和连续型数据，不能进行时间-事件数据（time-to-event data）的分析。南佛罗里达大学循证医学与健康结果研究中心的 Miladinovic 教授等[3] 将 TSA 的方法进行发展，并提出了 TSA 在时间-事件数据中应用的方法。本文主要介绍 TSA 在时间-事件数据中的应用。
1 软件及数据准备
1.1 软件准备
我们采用 Stata12.0 软件进行分析。分析的命令为 Miladinovic 等[3] 编写的“metacumbounds”命令，前期本团队已对该命令如何实现 TSA 进行了介绍[7]。此外，还需要安装 R 软件。
1.2 命令安装
在 Stata 软件的命令窗口键入：findit metacumbounds，然后点击“st0284 from http://www.stata-journal.com/software/sj13-1”，然后在描述“st0284”软件包的界面中点击“click here to install”完成安装。
“metacumbounds”命令是基于 Stata 软件“metan”命令进行 Meta 分析的计算，因此，还需安装“metan”命令，安装方法为在命令窗口键入：ssc install metan。
此外，“metacumbounds”命令还需结合 R 软件的“ldbounds”和“foreign”程序包，安装方法为键入命令：install.packages(c("ldbounds", "foreign"))，关于 R 软件与 Meta 分析，有兴趣的读者请参阅《R 与 Meta 分析》[8]。“ldbounds”程序包用来计算 TSA 界值，“foreign”程序包用于读取数据。
“metacumbounds”命令需要调用 R 软件进行相关的计算，但并不需要研究者运行 R 软件，可通过 Rterm.exe 程序在 Stata 进行内部调用 R 软件，因此，Stata 软件还需安装“rsource”命令，键入“ssc install rsource”命令来进行安装。
1.3 数据准备
本文以《Concurrent cisplatin-based chemoradiotherapy versus exclusive radiotherapy in high-risk cervical cancer: a meta-analysis》一文[9] 中的数据为例。数据格式如表 1 所示。共计 6 个 RCT，study 为纳入研究，HR 为风险比，LCI、UCI 分别为 HR 的 95% 可信区间的下限和上限，ln_hr 为效应量 HR 的对数值，se_ln_hr 为效应量 HR 对数值的标准误，N 为样本量，lbid 为纳入研究风险偏倚情况，1 表示低风险偏倚。
表1
时间-事件数据的示例数据
2 软件操作
2.1 菜单操作
“metacumbounds”命令安装后需要将“st0284/metacumbounds.dlg”对话框文件放置在 Stata 激活目录下，或者在 Stata 命令窗口键入以下命令来安装激活菜单：
window menu append item "Meta-Analysis" "Cumulative MA with bounds (metacumbounds)" "db metacumbounds"
window menu refresh
点击“User→Meta-Analysis→Cumulative MA with bounds (metacumbounds)”，弹出“metacumbounds”命令菜单对话框，如图 1 所示。在“Ln (HR) SE (Ln (HR)) N”依次选择表 1 中的“ln_hr se_ln_hr N”，由于纳入研究间异质性I2=41.51%，故选则随机效应模型，Ⅰ型错误（α）和Ⅱ型错误（β）分别为 0.05、0.2，损耗函数采用 O’Brien-Fleming 函数，定义平均生存率为 40%，期望删失率（即失访）w=0%，然后选择信息量的计算方法，有累积信息量（AIS）、先验信息量（APIS）、低风险信息量（LBIS）和低风险异质性校正信息量（LBHIS）。我们先选择 AIS 计算信息量，并定义相对危险度减少率 RRR=15%。该菜单的第二栏主要是设置 TSA 界值图的一些性质以及 R 软件的运行路径。
图1
“metacumbounds”菜单对话框
菜单设置完成后，点击“OK”或“Submit”按钮，得到如图 2 所示 TSA 界值图，并得到表 2 所示结果。
表2
“metacumbounds”命令运行后的结果
由于纳入研究间存在一定程度的异质性（I2=41.51%），因此 LBIS 与 LBHIS 的结果有所不同。我们依次选择 APIS、LBIS 和 LBHIS，分别得到图 3、图 4和图 5。
图2
基于 AIS 的 TSA 界值图
图3
基于 APIS 的 TSA 界值图
图4
基于 LBIS 的 TSA 界值图
图5
基于 LBHIS 的 TSA 界值图
2.2 命令操作
选则固定效应模型，定义Ⅰ型错误（α）和Ⅱ型错误（β）分别为 0.05、0.2，损耗函数采用 O’Brien-Fleming 函数，定义平均生存率为 40%，期望删失率 w=0%，RRR=15%，信息量采用 AIS，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) surv(0.4) loss(0.00) alpha(0.05) beta(0.20) is(AIS) graph spending(1) rrr(.15) kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
命令运行后，结果如图 2 所示。
信息量采用 APIS 的命令只需将上述命令中的“is(AIS)”改为“is(APIS)”即可。信息量采用 LBIS，除更改信息量名称外，还需添加定义低风险偏倚研究，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) alpha(0.05) beta(0.20) surv(0.4) loss(0.00) is(LBIS) lbid(lbid) stat(rr) graph spending(1) rrr(.15) listRin keepR kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
若信息量采用 LBHIS，则只需将上述命令中的“is(LBIS)”改为“is(LBHIS)”即可。
3 结果解读
举例数据的累积信息量 AIS=1 240，α=0.05，统计效能 power=60%，图 2 显示累积Z 曲线在最后一个试验时穿过了传统界值线Z=1.96 和基于 AIS 的 TSA 界值线，TSA 确认了该 Meta 分析结果。
采用 RRR=15%，α=0.05，β=0.2，power=1-β=80%，得到 APIS=1 990。图 3 显示累积Z 曲线未穿过基于 APIS 的 TSA 界值线，也未达到 APIS 线，仅穿过了传统界值线Z=1.96，表明该结果尚需进一步开展相关研究加以验证。
采用低偏倚风险研究校正信息量 LBIS 时，定义α=0.05，β=0.2，power=1-β=80%，计算得到 LBIS=463，RRR=29%。图 4 显示累积Z 曲线达到 LBIS，穿过了传统界值线Z=1.96，未穿过基于 LBIS 的 TSA 界值线。基于 LBIS 的 TSA 结果说明该干预效应的疗效较为确切。采用 LBHIS 作为信息量时，结果与 LBIS 相似。
4 小结
从上述结果中我们发现，采用 LBIS 或 LBHIS 的结果与采用 AIS 和 APIS 的 TSA 界值图有所差异，这可能与低风险偏倚研究的定义有关。Wetterslev 等[2] 将 TSA 中的低风险偏倚定义为具有充足的分配隐藏，而 Miladinovic 等[3] 将其定义为 5 个领域中至少满足 3 个及以上：随机序列的产生、分配隐藏、意向性分析、盲法、报告结局指标的完整性。本文采用的是 Wetterslev 等[2] 的定义。因此，在实践中，我们应该根据纳入研究的具体情况来进行信息量选择，如纳入研究的质量普遍较高时，可采用 LBIS 或 LBHIS，若纳入研究质量较低时，可采用 AIS 或 APIS，还可以同时采取几种方法进行敏感性分析，以全面分析 Meta 分析的结果。
一般认为“证据充足”的 Meta 分析的样本量应该不低于单个随机对照试验（randomized controlled trial，RCT）的样本量[1,2]。期望信息量（required information size，RIS）的估算主要取决于对照组事件发生率、最小干预效应、所允许的最大Ⅰ型错误和Ⅱ型错误。当累积信息量（即 Meta 分析纳入研究的样本量）低于 RIS 时，干预效应估计值的不确定性和获得假阳性结果的概率会随之增加[3]。此外，GRADE 系统推荐，若累积信息量未达到 RIS，则因其不精确性而降低证据级别[4-6]。
试验序贯分析（trial sequential analysis，TSA）可提供 RIS 以及类似于单个研究期中分析界值的计算。哥本哈根临床试验中心团队提出 TSA 方法后，又为其开发了相关的 TSA 软件。但这一方法和软件只能分析二分类数据和连续型数据，不能进行时间-事件数据（time-to-event data）的分析。南佛罗里达大学循证医学与健康结果研究中心的 Miladinovic 教授等[3] 将 TSA 的方法进行发展，并提出了 TSA 在时间-事件数据中应用的方法。本文主要介绍 TSA 在时间-事件数据中的应用。
1 软件及数据准备
1.1 软件准备
我们采用 Stata12.0 软件进行分析。分析的命令为 Miladinovic 等[3] 编写的“metacumbounds”命令，前期本团队已对该命令如何实现 TSA 进行了介绍[7]。此外，还需要安装 R 软件。
1.2 命令安装
在 Stata 软件的命令窗口键入：findit metacumbounds，然后点击“st0284 from http://www.stata-journal.com/software/sj13-1”，然后在描述“st0284”软件包的界面中点击“click here to install”完成安装。
“metacumbounds”命令是基于 Stata 软件“metan”命令进行 Meta 分析的计算，因此，还需安装“metan”命令，安装方法为在命令窗口键入：ssc install metan。
此外，“metacumbounds”命令还需结合 R 软件的“ldbounds”和“foreign”程序包，安装方法为键入命令：install.packages(c("ldbounds", "foreign"))，关于 R 软件与 Meta 分析，有兴趣的读者请参阅《R 与 Meta 分析》[8]。“ldbounds”程序包用来计算 TSA 界值，“foreign”程序包用于读取数据。
“metacumbounds”命令需要调用 R 软件进行相关的计算，但并不需要研究者运行 R 软件，可通过 Rterm.exe 程序在 Stata 进行内部调用 R 软件，因此，Stata 软件还需安装“rsource”命令，键入“ssc install rsource”命令来进行安装。
1.3 数据准备
本文以《Concurrent cisplatin-based chemoradiotherapy versus exclusive radiotherapy in high-risk cervical cancer: a meta-analysis》一文[9] 中的数据为例。数据格式如表 1 所示。共计 6 个 RCT，study 为纳入研究，HR 为风险比，LCI、UCI 分别为 HR 的 95% 可信区间的下限和上限，ln_hr 为效应量 HR 的对数值，se_ln_hr 为效应量 HR 对数值的标准误，N 为样本量，lbid 为纳入研究风险偏倚情况，1 表示低风险偏倚。
表1
时间-事件数据的示例数据
2 软件操作
2.1 菜单操作
“metacumbounds”命令安装后需要将“st0284/metacumbounds.dlg”对话框文件放置在 Stata 激活目录下，或者在 Stata 命令窗口键入以下命令来安装激活菜单：
window menu append item "Meta-Analysis" "Cumulative MA with bounds (metacumbounds)" "db metacumbounds"
window menu refresh
点击“User→Meta-Analysis→Cumulative MA with bounds (metacumbounds)”，弹出“metacumbounds”命令菜单对话框，如图 1 所示。在“Ln (HR) SE (Ln (HR)) N”依次选择表 1 中的“ln_hr se_ln_hr N”，由于纳入研究间异质性I2=41.51%，故选则随机效应模型，Ⅰ型错误（α）和Ⅱ型错误（β）分别为 0.05、0.2，损耗函数采用 O’Brien-Fleming 函数，定义平均生存率为 40%，期望删失率（即失访）w=0%，然后选择信息量的计算方法，有累积信息量（AIS）、先验信息量（APIS）、低风险信息量（LBIS）和低风险异质性校正信息量（LBHIS）。我们先选择 AIS 计算信息量，并定义相对危险度减少率 RRR=15%。该菜单的第二栏主要是设置 TSA 界值图的一些性质以及 R 软件的运行路径。
图1
“metacumbounds”菜单对话框
菜单设置完成后，点击“OK”或“Submit”按钮，得到如图 2 所示 TSA 界值图，并得到表 2 所示结果。
表2
“metacumbounds”命令运行后的结果
由于纳入研究间存在一定程度的异质性（I2=41.51%），因此 LBIS 与 LBHIS 的结果有所不同。我们依次选择 APIS、LBIS 和 LBHIS，分别得到图 3、图 4和图 5。
图2
基于 AIS 的 TSA 界值图
图3
基于 APIS 的 TSA 界值图
图4
基于 LBIS 的 TSA 界值图
图5
基于 LBHIS 的 TSA 界值图
2.2 命令操作
选则固定效应模型，定义Ⅰ型错误（α）和Ⅱ型错误（β）分别为 0.05、0.2，损耗函数采用 O’Brien-Fleming 函数，定义平均生存率为 40%，期望删失率 w=0%，RRR=15%，信息量采用 AIS，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) surv(0.4) loss(0.00) alpha(0.05) beta(0.20) is(AIS) graph spending(1) rrr(.15) kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
命令运行后，结果如图 2 所示。
信息量采用 APIS 的命令只需将上述命令中的“is(AIS)”改为“is(APIS)”即可。信息量采用 LBIS，除更改信息量名称外，还需添加定义低风险偏倚研究，命令如下：
metacumbounds ln_hr se_ln_hr N, data(loghr) effect(f) id(study) alpha(0.05) beta(0.20) surv(0.4) loss(0.00) is(LBIS) lbid(lbid) stat(rr) graph spending(1) rrr(.15) listRin keepR kprsrce(StataR_source.R) rdir(C:\Program Files\R\R-2.12.2\bin\i386\) shwRRR pos(10) xtitle(Information size)
若信息量采用 LBHIS，则只需将上述命令中的“is(LBIS)”改为“is(LBHIS)”即可。
3 结果解读
举例数据的累积信息量 AIS=1 240，α=0.05，统计效能 power=60%，图 2 显示累积Z 曲线在最后一个试验时穿过了传统界值线Z=1.96 和基于 AIS 的 TSA 界值线，TSA 确认了该 Meta 分析结果。
采用 RRR=15%，α=0.05，β=0.2，power=1-β=80%，得到 APIS=1 990。图 3 显示累积Z 曲线未穿过基于 APIS 的 TSA 界值线，也未达到 APIS 线，仅穿过了传统界值线Z=1.96，表明该结果尚需进一步开展相关研究加以验证。
采用低偏倚风险研究校正信息量 LBIS 时，定义α=0.05，β=0.2，power=1-β=80%，计算得到 LBIS=463，RRR=29%。图 4 显示累积Z 曲线达到 LBIS，穿过了传统界值线Z=1.96，未穿过基于 LBIS 的 TSA 界值线。基于 LBIS 的 TSA 结果说明该干预效应的疗效较为确切。采用 LBHIS 作为信息量时，结果与 LBIS 相似。
4 小结
从上述结果中我们发现，采用 LBIS 或 LBHIS 的结果与采用 AIS 和 APIS 的 TSA 界值图有所差异，这可能与低风险偏倚研究的定义有关。Wetterslev 等[2] 将 TSA 中的低风险偏倚定义为具有充足的分配隐藏，而 Miladinovic 等[3] 将其定义为 5 个领域中至少满足 3 个及以上：随机序列的产生、分配隐藏、意向性分析、盲法、报告结局指标的完整性。本文采用的是 Wetterslev 等[2] 的定义。因此，在实践中，我们应该根据纳入研究的具体情况来进行信息量选择，如纳入研究的质量普遍较高时，可采用 LBIS 或 LBHIS，若纳入研究质量较低时，可采用 AIS 或 APIS，还可以同时采取几种方法进行敏感性分析，以全面分析 Meta 分析的结果。
