【Meta分析】Meta分析随机效应、固定效应的森林图绘制与优化

森林图的核心功能是同时展示单个研究结果和合并分析结果，并直观反映效应量是否具有统计学意义：当横线与无效线相交时，表示该研究无统计学显著差异；当横线完全位于无效线右侧或左侧时，分别表示因素为危险因素或保护因素。

森林图是Meta分析的一种图形表示法，直观地显示了Meta分析中所有研究之间的关联，并展示了所有结果的集合效应估计值和异质性。它之所以叫森林图是因为图形看起来像一个"线条森林"。

森林图的具体构成要素：每项研究用一条横线表示，表示该研究的效应量及其95%置信区间；横线中央的方块代表该研究的点估计值，方块大小反映研究的权重；菱形代表所有研究合并的效应量及可信区间；中间的竖线代表无效应线（通常为X=1或0）。

Meta分析森林图（Forest Plot）是用于系统评价和Meta分析的核心可视化工具，它通过整合多个独立研究的效应量及其置信区间，直观展示研究结果的异质性、整体效应及统计学显著性。

基本概念：

森林图以一条垂直的无效线（通常为X=1或0）为基准，用平行线段表示每个纳入研究的效应量（如OR、RR、HR、SMD等）及其95%置信区间（CI），并用菱形符号展示合并效应量及CI。

核心价值：

1.异质性评估：通过I²统计量（0~100%）量化研究间差异程度（如I²>50%提示显著异质性）。

2.效应量整合：合并结果反映干预措施的整体效果（如菱形位于无效线左侧表示保护因素）。

3.决策支持：快速识别显著结果（如CI不跨无效线）及争议性结论（如CI跨度大）。

森林图是Meta分析的“语言”，将复杂统计结果转化为直观图形，服务于科研决策与政策制定。其核心价值在于：

1⃣ 透明性：展示所有纳入研究及异质性来源；

2⃣ 综合性：合并效应量提供整体证据强度；

3⃣ 可操作性：指导模型选择（固定/随机效应）及临床/生态政策应用。

在比如我们有一个收集好的meta分析的数据库：

#环境整理

rm(list=ls()) #移除所有变量数据

install.packages("") #安装包

if (!require("")) install.packages("")

library() #加载包

plot() #快速绘制简单图

# 加载必要包

library(meta)

library(readxl)

library(ggplot2)

# 读取Excel数据

data <- read_excel("C:/Users/L/Desktop/meta森林图.xlsx") # 修改为实际路径

data

# 计算效应量及置信区间(使用随机效应模型)

result <- metaprop(event = m, 

                   n = N,

                   data = data,

                   studlab = paste(author, time),

                   method = "Inverse",

                   sm = "PLOGIT",

                   comb.random = TRUE,

                   comb.fixed = FALSE)

# 绘制森林图

forest(result,

       leftcols = c("studlab", "event", "n", "effect", "ci"),

       leftlabs = c("Study", "Events", "Total", "Proportion", "95% CI"),

       rightcols = FALSE,

       xlab = "Proportion with 95% CI",

       col.square = "blue",

       col.diamond = "red",

       print.tau2 = TRUE,

       print.I2 = TRUE,

       digits = 3)

# 保存为PDF

dev.copy(pdf, "C:/Users/L/Desktop/forest_plot01.pdf", width = 10, height = 12, family = "GB1")

dev.off()

# 计算效应量及置信区间(使用固定效应模型)

result3 <- metaprop(event = m, 

                    n = N,

                    data = data,

                    studlab = paste(author, time),

                    method = "Inverse",

                    sm = "PLOGIT",

                    comb.random = FALSE,

                    comb.fixed = TRUE)

# 绘制森林图

forest(result3,

       leftcols = c("studlab", "event", "n", "effect", "ci"),

       leftlabs = c("Study", "Events", "Total", "Proportion", "95% CI"),

       rightcols = FALSE,

       xlab = "Proportion with 95% CI",

       col.square = "blue",

       col.diamond = "red",

       print.tau2 = TRUE,

       print.I2 = TRUE,

       digits = 3)

# 计算效应量及置信区间(使用随机+固定效应模型)

result2 <- metaprop(event = m, 

                    n = N,

                    data = data,

                    studlab = paste(author, time),

                    method = "Inverse",

                    sm = "PLOGIT",

                    comb.random = TRUE,

                    comb.fixed = TRUE)

# 绘制森林图

forest(result2,

       leftcols = c("studlab", "event", "n", "effect", "ci"),

       leftlabs = c("Study", "Events", "Total", "Proportion", "95% CI"),

       rightcols = FALSE,

       xlab = "Proportion with 95% CI",

       col.square = "blue",

       col.diamond = "red",

       print.tau2 = TRUE,

       print.I2 = TRUE,

       digits = 3)

#----美化方案1：基础美化（基于meta包优化）----

library(meta)

library(ggplot2)

library(gridExtra)  # 增强布局控制

# 读取数据

data <- read_excel("C:/Users/L/Desktop/meta森林图.xlsx")

# 计算效应量（随机效应模型）

result <- metaprop(event = m, n = N, 

                   data = data,

                   studlab = paste(author, time),

                   method = "Inverse", 

                   sm = "PLOGIT",

                   comb.random = TRUE,

                   comb.fixed = FALSE)

# 高颜值森林图参数设置

forest(result,

       layout = "RevMan5",  # 采用Cochrane协作网标准布局

       col.diamond = "#4E79A7",  # 钻石色改为深蓝

       col.square = "#F28E2B",   # 方块色改为橙色

       col.line = "#333333",     # 坐标轴深灰色

       col.study = "black",      # 研究标签黑色

       fontsize = 10,

       xlab = "事件发生率 (95% CI)",

       xlim = c(0, 1),           # 固定X轴范围

       leftcols = c("studlab", "event", "n", "effect", "ci"),

       leftlabs = c("研究", "事件数", "样本量", "发生率", "95% CI"),

       rightcols = FALSE,

       print.tau2 = TRUE,

       print.I2 = TRUE,

       digits = 3,

       plotwidth = "8cm")        # 优化图形宽度比例

往期推荐：科研图表绘制专题

往期推荐：重复测量数据分析专题

• SPSS重复测量方差分析与广义估计方程操作步骤

• 【GraphPadPrism10】绘图教程01-重复测量资料分组比较绘图

• 【SPSS】重复测量资料的常用分析方法-非参数Freidman检验、重复测量方差分析、配对t检验操作

往期推荐：生信分析、基因测序数据、实验室数据专题

• 如何使用Python实现多重PCR多病原监测实验室结果的Excel数据自动填表？

• 如何使用Python实现多重PCR实验室结果的自动填表？

• Excel的SUMIFS函数完成多重PCR多病原监测实验室结果的自动填表

• Excel的SUMIFS函数完成多重扩增实验室结果的自动填表

往期推荐：生存分析及机器学习

• 分别用SPSS和R语言演示生存曲线的画法

• 【R语言生存分析】生存曲线以及COX模型评价DCA曲线组合画法

• 【生存机器】R语言Cox比例风险机器学习模型的拟合及可视化实现

• 【生存机器】R语言随机生存森林模型(RSF)的拟合及可视化实现

• 【生存机器】R语言80行代码实现加速失效时间模型（AFT）拟合、预测与可视化

往期推荐：二分类因变量机器学习及相关评价可视化

• 【R语言批处理方法】五种曲线综合评价统一接口的八种机器学习模型

• 技术分享|如何综合评价临床预测模型？手把手教你学会9种机器学习模型×5种模型评价曲线的综合评价方法（附Python批处理代码）

• 【左手Python右手R】三分钟读懂CIC曲线、DCA曲线、校准曲线、ROC曲线、PR曲线等模型评价曲线的绘制方法

• 【左手Python右手R】拟合二分类logistic模型的lasso回归、岭回归、弹性网络回归

• R语言glmnet包分别拟合二分类logistic模型的lasso回归和岭回归

• R语言glmnet包分别拟合cox比例风险回归模型的lasso回归和岭回归

• Python进行lasso回归、岭回归、弹性网络回归操作示例

• 一文读懂十模型lasso、贝叶斯、KNN、Logistic、决策树、随机森林、SVM、神经网络、XGBoost、lightGBM

• 一文读懂十模型lasso、贝叶斯、KNN、Logistic、决策树、随机森林、SVM、神经网络、XGBoost、lightGBM

• 【Python机器学习】十分钟读懂Logistic、决策树、随机森林、SVM、神经网络、XGBoost、lightGBM七种模型

• 【R语言机器学习】十分钟读懂Logistic回归、决策树、随机森林、SVM、神经网络、XGBoost、lightGBM七种模型

• 【R语言】100行代码完成K-means聚类分析及可视化

往期推荐：时间序列分析

• 【R语言时间序列】常见数据类型整理及简单时间序列图的绘制

• 【R语言时间序列】季节性分解、指数平滑模型、ARIMA模型的简单示例

• 【监测预警】Python如何实现传染病疫情数据的自动化三间分布分析？之一：时间序列自动化

• 啥？医科的健康研究还要分析GDP数据的时间序列？R语言年尺度时间序列分析代码分享

往期推荐：地统计分析-GIS、地图、相关、聚类、回归

• 【ArcGis教程】图文分享等值区域地图、点密度地图、符号及图表地图的画法

• 【ArcGis教程】图文分享-空间自相关及空间聚类的操作示例

• 【ArcGis教程】图文分享-空间回归之探索性回归、地理加权回归、最小二乘回归

• 【ArcGis教程】地图生成与等值区域地图画法

• 【ArcGis教程】空间自相关和空间聚类教程

• 【ArcGis教程】时空扫描及其相关分析

• 【ArcGis】空间分布地图绘制中地理坐标系与投影坐标系的转换（三维球面VS二维平面）

• 【ArcGis教程】-笨方法画一幅自己城市的shp地图

• 【空间分析】R语言做依时空变化的动态轨迹地图（以聊城机场到威海机场为例）

• 【Geoda图文教程】-空间分布地图、空间自相关、空间聚类、空间回归的操作示例

• 【空间分析】R语言"tmap"、"sf"包绘制静态地图及动态交互地图

• 【时空面板】分别使用ArcGis、R语言、Python进行时空面板数据的OLS、TWR、GWR、GTWR、MGTWR模型

• 用Python解锁时空数据可视化：手把手教你制作动态热力图与组合分析

往期推荐：科研自动化探究

• 【科研自动化】初探：R语言实现两组数据分组比较及三线表、分组柱状图等的Word分析报告输出

• 【科研自动化】初探：R语言实现两组数据分组比较结果语义文本的Word分析报告输出

• 【科研自动化】R语言如何实现自动对Excel数据库进行类型识别并自动分析并形成报告？

• 【监测预警】Python如何实现传染病疫情数据的自动化三间分布分析？之一：时间序列自动化

• R语言gtsummary包数据摘要与基线特征表‌功能简介

• R语言gtsummary包回归模型表、生存分析表功能简介

• R语言gtsummary包表格美化与扩展功能简介

• 三分钟读懂R语言gtsummary包数据摘要与基线特征表‌功能、回归模型表、生存分析表功能、表格美化与扩展功能

往期推荐：趣味阅读

• 二分类因变量数据分析与“阴阳”“因果”的联系，阴阳动态转化与Logistic回归有什么关系？

• 【五运六气与健康】绘制二十四节气日影长度“太极图”的Excel、R语言、Python实现

• 《孙子兵法》的核心战略思想与医学统计数据分析的结合

• 《易经》《阴符经》《道德经》经典思想对医学统计数据分析的哲学启示

• 将人工智能(AI)整合到流行病学因果研究中--医学统计数据分析领域创新方法和技术

• 最简明中国哲学史 （第一篇 先秦诸子）

• 最简明中国哲学史 （第二篇 儒释道三足鼎立）

• 最简明中国哲学史（第三篇国学的“道学”“理学”“心学”阶段）

• 人是铁，饭是钢，北方中国的家常菜谱分享

• 科研论文中的创新点是怎么想出来的？创新点是否需要跨学科才能产生？

• 基于Python的加密Word文档破解方法及完整代码实现

把冰箱门

打开

把大象

放进去

把冰箱门

关上

安装包和库

读取数据并分析

结果导出及解释

医学统计数据分析业务流程

第一步

 与客户沟通数据和分析方法和软件

了解数据构成和预期分析结果，根据工作量议价

第二步

 选择合适的实现软件和可视化方法

R语言、SPSS、Python、ArcGis、GraphPad等... ...

第三步

 结果整理与解释

根据分析结果整理三线表，简单结果解释文本，出图优化与组合排版

第四步

 结果反馈与优化

结果报告交付后，根据客户优化建议进行方法结果调整

第五步

 成交成功！

欢迎继续关注支持“医学统计数据分析”工作室！！！

医学统计数据分析工作室分享交流SPSS、R语言、Python、ArcGis、Geoda、GraphPad、数据分析图表制作等心得；承接数据分析，论文修回，医学统计，机器学习、深度学习、生存分析、空间分析，问卷分析业务。欢迎有科研需求的广大医务工作者关注“医学统计数据分析”工作室！！！