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

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

1. 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）；

2. 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）；

3. 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）；

4. 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IDmodel = 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AUCauc\_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 = var\_z,           # 方差mods = \~ model,       # 按模型类型分组（分析模型间差异）data = stroke\_ml,method = "REML",      # 随机效应模型（ML模型性能异质性较高）slab = study          # 标记研究ID)\# 查看合并结果（Fisher-Z值）summary(meta\_ml)\# 步骤2.3：反向转换为AUC值（便于临床解读）\# 提取各模型的合并Fisher-Z及95%CIml\_results <- data.frame(model = c("截距（参考）", "RF", "LSTM", "LR"),z = coef(meta\_ml),z\_se = sqrt(diag(vcov(meta\_ml)))) %>%mutate(\# 计算Fisher-Z的95%CIz\_lci = z - 1.96 \* z\_se,z\_uci = z + 1.96 \* z\_se,\# 转换为AUC（公式：AUC = (exp(2z) - 1)/(exp(2z) + 1)）auc = (exp(2\*z) - 1)/(exp(2\*z) + 1),auc\_lci = (exp(2\*z\_lci) - 1)/(exp(2\*z\_lci) + 1),auc\_uci = (exp(2\*z\_uci) - 1)/(exp(2\*z\_uci) + 1)) %>%filter(model != "截距（参考）")  # 移除参考组\# 查看最终AUC合并结果print(ml\_results\[, c("model", "auc", "auc\_lci", "auc\_uci")], digits = 3)

步骤 3：结果解读与可视化（卒中临床视角）

核心结果解读

\# 关键输出解读（卒中预后预测临床价值）：\# LSTM模型：合并AUC=0.862（95%CI：0.831-0.890），性能最优\# RF模型：合并AUC=0.825（95%CI：0.792-0.855），次之\# LR模型：合并AUC=0.778（95%CI：0.741-0.812），传统模型性能较低\# 提示：在卒中30天复发预测中，深度学习模型（LSTM）优于传统ML模型，可优先用于临床决策支持

模型性能森林图（按 AUC 值绘制）

\# 准备森林图数据（合并结果+单个研究）\# 1. 提取各研究的AUC及模型类型study\_data <- stroke\_ml\[, c("study", "model", "auc", "auc\_lci", "auc\_uci")]\# 2. 提取合并结果pooled\_data <- ml\_results\[, c("model", "auc", "auc\_lci", "auc\_uci")] %>%mutate(study = paste("合并效应（", model, "）", sep = ""))\# 3. 合并数据forest\_data <- rbind(study\_data, pooled\_data) %>%arrange(model, study)\# 绘制分组森林图（按模型类型着色）ggplot(forest\_data, aes(x = auc, y = reorder(study, desc(auc)))) +\# 单个研究：灰色点+误差线geom\_point(data = filter(forest\_data, !grepl("合并效应", study)),aes(color = model), size = 2, alpha = 0.6) +geom\_errorbarh(data = filter(forest\_data, !grepl("合并效应", study)),aes(xmin = auc\_lci, xmax = auc\_uci, color = model),height = 0.2, alpha = 0.6) +\# 合并效应：红色点+粗误差线geom\_point(data = filter(forest\_data, grepl("合并效应", study)),aes(color = model), size = 3, shape = 18, alpha = 1) +geom\_errorbarh(data = filter(forest\_data, grepl("合并效应", study)),aes(xmin = auc\_lci, xmax = auc\_uci, color = model),height = 0.3, linewidth = 1, alpha = 1) +\# 临床参考线（AUC=0.8：优秀模型阈值）geom\_vline(xintercept = 0.8, linetype = "dashed", color = "gray50", linewidth = 0.8) +annotate("text", x = 0.8, y = 1, label = "AUC=0.8（优秀模型阈值）",hjust = -0.1, color = "gray50", size = 3.5) +labs(x = "曲线下面积（AUC）：卒中30天复发预测性能",y = "研究/模型",title = "不同机器学习模型预测卒中30天复发的Meta分析",color = "模型类型") +theme\_minimal() +xlim(0.65, 0.95) +  # 聚焦有效AUC范围theme(legend.position = "top")

步骤 4：异质性分析（数据类型对性能的影响）

探究 “数据类型”（影像 vs 电子病历）是否为模型性能异质性的来源：

\# 按“模型类型+数据类型”构建亚组模型meta\_ml\_subgroup <- rma.uni(yi = z,vi = var\_z,mods = \~ model \* data\_type,  # 交互项：模型类型×数据类型data = stroke\_ml,method = "REML")\# 查看亚组结果（转换为AUC解读）subgroup\_z <- coef(meta\_ml\_subgroup)subgroup\_auc <- (exp(2\*subgroup\_z) - 1)/(exp(2\*subgroup\_z) + 1)names(subgroup\_auc) <- names(subgroup\_z)\# 输出亚组AUCcat("亚组AUC结果：\n")print(subgroup\_auc, digits = 3)\# 关键解读：\# LSTM（影像数据）：AUC=0.891 > LSTM（电子病历）：AUC=0.835\# 提示：影像数据（如CT/MRI特征）能提升LSTM模型的卒中预测性能，临床可优先整合影像信息

三、2. 结构方程 Meta 分析：卒中风险因素的因果路径解析

适用场景

当卒中研究需分析多变量间的复杂因果关系（如 “高血压→血管损伤→卒中”“糖尿病→炎症反应→血管损伤→卒中”），传统 Meta 仅能合并单一效应，而结构方程 Meta（SEM-Meta）可同时整合多个路径系数，量化间接效应与总效应。

核心逻辑

1. 定义卒中风险因素的理论路径模型（如 “高血压（X1）→血管损伤（M）→卒中（Y）”）；

2. 提取各研究中模型所需的相关系数（如 X1 与 M、M 与 Y、X1 与 Y 的相关系数）；

3. 用 metaSEM 包构建结构方程，合并各路径系数（直接效应、间接效应）；

4. 检验模型拟合度，解读因果路径的临床意义。

步骤 1：构造卒中 SEM-Meta 数据集

模拟 8 项卒中多中心研究，提取 “高血压（X1）、糖尿病（X2）→血管损伤（M）→卒中（Y）” 路径的相关系数矩阵（r 值），共需 6 个相关系数（X1-M, X1-Y, X1-X2, X2-M, X2-Y, M-Y）：

\# 步骤1.1：模拟各研究的相关系数矩阵（6个关键r值）set.seed(123)  # 固定随机种子，确保可复现stroke\_sem <- data.frame(study = paste("Study", 1:8),\# 相关系数：X1-M, X1-Y, X1-X2, X2-M, X2-Y, M-Y_X1M = rnorm(8, 0.45, 0.05),  # 高血压→血管损伤：中等正相关_X1Y = rnorm(8, 0.30, 0.06),  # 高血压→卒中：弱-中等正相关_X1X2 = rnorm(8, 0.35, 0.04), # 高血压与糖尿病：中等正相关_X2M = rnorm(8, 0.40, 0.05),  # 糖尿病→血管损伤：中等正相关_X2Y = rnorm(8, 0.25, 0.05),  # 糖尿病→卒中：弱正相关_MY = rnorm(8, 0.55, 0.06),   # 血管损伤→卒中：强正相关n = sample(500:1200, 8, replace = TRUE)  # 各研究样本量)\# 步骤1.2：确保r值在\[-1,1]范围内（相关系数约束）stroke\_sem\[, paste0("r\_", c("X1M", "X1Y", "X1X2", "X2M", "X2Y", "MY"))] <-apply(stroke\_sem\[, paste0("r\_", c("X1M", "X1Y", "X1X2", "X2M", "X2Y", "MY"))], 2,function(x) pmax(pmin(x, 0.99), -0.99))\# 查看数据集head(stroke\_sem, 3)

步骤 2：构建卒中 SEM-Meta 模型

步骤 2.1：定义理论路径模型

假设卒中风险路径为：

• 直接效应：高血压（X1）→卒中（Y），糖尿病（X2）→卒中（Y）；

• 间接效应：高血压（X1）→血管损伤（M）→卒中（Y），糖尿病（X2）→血管损伤（M）→卒中（Y）；

• 控制变量：高血压与糖尿病的相关性（X1-X2）。

步骤 2.2：用 metaSEM 拟合模型

\# 步骤2.2.1：构造相关系数矩阵列表（每个研究一个矩阵）sem\_corr\_list <- lapply(1:nrow(stroke\_sem), function(i) {\# 4变量（X1=高血压, X2=糖尿病, M=血管损伤, Y=卒中）的相关矩阵corr\_mat <- matrix(c(1,                          # X1-X1stroke\_sem\$r\_X1X2\[i], 1,    # X1-X2, X2-X2stroke\_sem\$r\_X1M\[i], stroke\_sem\$r\_X2M\[i], 1,  # X1-M, X2-M, M-Mstroke\_sem\$r\_X1Y\[i], stroke\_sem\$r\_X2Y\[i], stroke\_sem\$r\_MY\[i], 1  # X1-Y, X2-Y, M-Y, Y-Y),nrow = 4, byrow = TRUE,dimnames = list(c("X1", "X2", "M", "Y"), c("X1", "X2", "M", "Y")))return(corr\_mat)})\# 步骤2.2.2：拟合结构方程Meta模型sem\_meta <- metaSEM(\# 模型公式：定义路径（\~表示回归路径）model = "\# 内生变量：Y（卒中）由X1、X2、M预测；M（血管损伤）由X1、X2预测Y \~ c1\*X1 + c2\*X2 + b\*MM \~ a1\*X1 + a2\*X2\# 控制变量：X1与X2的相关性X1 \~\~*X2\# 定义间接效应与总效应（便于后续提取）indirect1 := a1\*b  # X1→M→Y的间接效应indirect2 := a2\*b  # X2→M→Y的间接效应total1 := c1 + indirect1  # X1对Y的总效应total2 := c2 + indirect2  # X2对Y的总效应",data = sem\_corr\_list,  # 相关系数矩阵列表n = stroke\_sem\$n,      # 各研究样本量method = "ML"          # 最大似然估计（SEM常用方法）)\# 查看模型拟合结果（重点看路径系数与模型拟合度）summary(sem\_meta)

步骤 3：结果解读（卒中风险因果路径）

3.1 路径系数合并结果（临床意义）

\# 提取关键路径系数（合并效应值±标准误，p值）path\_coef <- coef(sem\_meta)\[c("Y\~X1", "Y\~X2", "Y\~M", "M\~X1", "M\~X2"), ]path\_names <- c("Y\~X1：高血压对卒中的直接效应","Y\~X2：糖尿病对卒中的直接效应","Y\~M：血管损伤对卒中的直接效应","M\~X1：高血压对血管损伤的效应","M\~X2：糖尿病对血管损伤的效应")names(path\_coef) <- path\_names\# 输出路径系数cat("卒中风险路径合并系数：\n")print(round(path\_coef, 3))\# 关键解读：\# 1. 血管损伤→卒中（Y\~M）：系数=0.482（p<0.001），强直接效应，是卒中发生的核心中介；\# 2. 高血压→血管损伤（M\~X1）：系数=0.395（p<0.001），间接通过血管损伤影响卒中；\# 3. 糖尿病→血管损伤（M\~X2）：系数=0.341（p<0.001），间接效应为主；\# 4. 高血压对卒中的总效应（total1=0.123+0.395×0.482=0.314）> 糖尿病总效应（total2=0.085+0.341×0.482=0.249）；\# 提示：临床干预应优先控制高血压，同时针对血管损伤（如改善血管弹性）阻断间接路径。

3.2 间接效应与总效应（量化中介作用）

\# 提取间接效应与总效应effect\_names <- c("indirect1", "indirect2", "total1", "total2")effect\_labels <- c("indirect1：高血压→血管损伤→卒中（间接效应）","indirect2：糖尿病→血管损伤→卒中（间接效应）","total1：高血压对卒中的总效应","total2：糖尿病对卒中的总效应")effects <- coef(sem\_meta)\[effect\_names]names(effects) <- effect\_labels\# 输出效应值cat("\n卒中风险间接效应与总效应：\n")print(round(effects, 3))\# 关键解读：\# 高血压的间接效应（0.190）占总效应（0.314）的60.5%；\# 糖尿病的间接效应（0.164）占总效应（0.249）的65.9%；\# 提示：两种风险因素均以“通过血管损伤”的间接路径影响卒中，干预血管损伤可同时降低两类因素的卒中风险。

3.3 模型拟合度检验（SEM 有效性）

\# 提取模型拟合指标（常用：CFI、RMSEA、SRMR）fit\_indices <- fitMeasures(sem\_meta, c("CFI", "RMSEA", "SRMR"))cat("\n模型拟合度指标：\n")print(round(fit\_indices, 3))\# 拟合度标准：CFI>0.95，RMSEA<0.08，SRMR<0.08\# 关键解读：CFI=0.968，RMSEA=0.052，SRMR=0.043，均满足标准，模型拟合良好，因果路径可靠。

步骤 4：路径图可视化（临床汇报专用）

用semPlot包绘制卒中风险路径图（需额外安装）：

install.packages("semPlot")library(semPlot)\# 绘制结构方程路径图semPaths(sem\_meta,what = "path",  # 显示路径系数whatLabels = "est",  # 标签为合并效应值style = "lisrel",  # 经典SEM图风格edge.label.cex = 1,  # 路径系数字体大小node.label.cex = 1.2,  # 变量标签字体大小node.width = 1.5,  # 节点宽度node.height = 1,  # 节点高度\# 变量标签（中文显示）labelNames = c("X1", "高血压","X2", "糖尿病","M", "血管损伤","Y", "卒中"),main = "卒中风险因素的结构方程Meta分析路径图",main.cex = 1.2,\# 路径颜色（间接路径红色，直接路径黑色）edge.color = c(rep("black", 3),  # Y\~X1, Y\~X2, Y\~M（直接路径）rep("red", 2),    # M\~X1, M\~X2（间接路径）"gray50"          # X1\~\~X2（相关路径）))

四、两类新型 Meta 分析的卒中应用总结

Meta 分析类型	卒中应用场景	核心 R 包	关键优势	临床价值
机器学习 Meta	整合卒中预测模型（复发 / 诊断）性能	metafor	量化 ML 模型优劣，解析数据类型等异质性来源	筛选最优卒中预测模型，辅助临床决策支持
结构方程 Meta	解析卒中风险因素的因果路径（如高血压→血管损伤→卒中）	metaSEM	同时整合直接 / 间接效应，揭示变量间复杂关系	识别卒中干预的关键路径（如优先改善血管损伤）

五、拓展建议

1. 机器学习 Meta 进阶：若需整合模型预测概率（而非仅 AUC），可使用metaprop包合并灵敏度 / 特异度，或用bmeta包进行贝叶斯 ML Meta 分析；

2. 结构方程 Meta 进阶：若存在发表偏倚，可通过metaSEM的funnel()函数绘制漏斗图，或加入出版偏倚校正项；

3. 数据来源：实际研究中，ML 模型性能数据可从 PubMed 提取 “卒中 + 预测模型 + AUC” 文献，SEM 相关系数可从卒中队列研究（如 FRAMINGHAM）中获取。