R 语言 + 卒中 Meta 分析（续）：机器学习 Meta 与结构方程 Meta 完整实现

原创

已于 2025-08-29 17:48:15 修改 · 702 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#meta

于 2025-08-29 17:47:43 首次发布

R 语言 + 卒中 Meta 分析（续）：机器学习 Meta 与结构方程 Meta 完整实现

在前文基础上，本文补充两类更复杂的 Meta 分析方法 ——机器学习 Meta 分析（整合卒中预测模型性能）与结构方程 Meta 分析（解析卒中风险因素因果路径），均以卒中临床研究为案例，通过 R 代码实现从数据构造到结果解读的全流程，突出方法的临床实用价值。

一、前置准备：新增方法专用 R 包加载

除保留此前核心包外，需加载机器学习 Meta 与结构方程 Meta 的专用工具：

\# 安装并加载新增包

install.packages(c("metaSEM", "caret", "pROC", "dplyr"))

library(metaSEM)    # 结构方程Meta分析核心包

library(caret)      # 机器学习模型性能评估（辅助数据构造）

library(pROC)       # 计算AUC值（机器学习Meta常用指标）

library(dplyr)      # 数据清洗（卒中多变量数据处理）

\# 保留此前包（metafor、ggplot2等，若已加载可跳过）

library(metafor)    # 机器学习Meta的效应量合并

library(ggplot2)    # 结果可视化

二、1. 机器学习 Meta 分析：卒中预后预测模型的性能整合

适用场景

当存在多个机器学习模型（如随机森林、LSTM、逻辑回归）用于同一卒中任务（如 30 天复发预测、影像病灶诊断），需整合各模型在不同研究中的性能指标（如 AUC、准确率、F1），比较模型优劣并量化异质性来源（如数据类型、样本量）。

核心逻辑

提取各研究中不同 ML 模型的性能指标（以 AUC 为例，卒中预测模型最常用）；
转换性能指标为可合并的效应量（如 AUC 转换为 Fisher-Z 值，满足正态分布）；
合并效应量并分析异质性（如不同数据类型：影像 vs 电子病历）；
反向转换为原始 AUC，解读模型临床价值。

步骤 1：构造卒中 ML 模型性能数据集

模拟 10 项研究，包含 3 类常用 ML 模型（随机森林 RF、长短期记忆 LSTM、逻辑回归 LR）在 “卒中 30 天复发预测” 任务中的 AUC 值及 95% CI：

\# 卒中机器学习模型性能数据集（AUC指标）

stroke\_ml <- data.frame(

 study = paste("Study", 1:10),  # 研究ID

 model = rep(c("RF", "LSTM", "LR"), length.out = 10),  # ML模型类型

 auc = c(0.82, 0.85, 0.78, 0.86, 0.88, 0.76, 0.83, 0.87, 0.79, 0.84),  # 模型AUC

 auc\_lci = c(0.75, 0.78, 0.71, 0.79, 0.81, 0.69, 0.76, 0.80, 0.72, 0.77),  # AUC 95%CI下限

 auc\_uci = c(0.88, 0.91, 0.84, 0.92, 0.94, 0.82, 0.89, 0.93, 0.85, 0.90),  # AUC 95%CI上限

 data\_type = sample(c("影像数据", "电子病历"), 10, replace = TRUE)  # 异质性来源：数据类型

)

\# 查看数据集结构

head(stroke\_ml, 5)

步骤 2：AUC 值转换与效应量合并

AUC 为概率指标（0.5-1），需转换为 Fisher-Z 值（满足 Meta 分析的正态性要求），合并后再反向转换为 AUC：

\# 步骤2.1：AUC转换为Fisher-Z值（含方差计算）

\# 公式：Fisher-Z = 0.5 \* log((1+AUC)/(1-AUC))；方差 = 1/((n1-3)+(n2-3))（简化为基于CI计算）

stroke\_ml <- stroke\_ml %>%

 mutate(

   \# 基于AUC的95%CI计算Fisher-Z及方差（使用pROC包的auc2z函数）

   z = auc2z(auc, auc\_lci, auc\_uci)\[, "z"],  # Fisher-Z值

   var\_z = auc2z(auc, auc\_lci, auc\_uci)\[, "var.z"]  # Fisher-Z的方差

 )

\# 步骤2.2：按模型类型分组合并效应量（随机效应模型）

meta\_ml <- rma.uni(

 yi = z,               # 效应量（Fisher-Z）

 vi = va