R语言实战：基于gemtc程序包进行频率学网状Meta分析（连续型数据）
1. 环境准备与数据导入
做网状Meta分析前，得先把R语言的环境搭好。我推荐直接用RStudio，界面友好还能实时看结果。装包的时候有个坑要注意：gemtc依赖rjags和coda这两个包，但rjags需要提前装好JAGS软件（官网能下载），否则会报错。我第一次用的时候在这卡了半小时，后来发现是漏了这步。
装包命令很简单：
install.packages("gemtc") install.packages("rjags") install.packages("coda")数据导入建议用CSV格式，比Excel更稳定。假设我们用的是一份肥胖症药物疗效数据，包含治疗组、对照组、均值、标准差和样本量这些关键字段。读取数据时记得检查字符编码，中文系统容易出乱码：
library(gemtc) data <- read.csv("obesity_trials.csv", fileEncoding="UTF-8-BOM", stringsAsFactors=FALSE)数据清洗有个实用技巧：用dplyr快速处理缺失值。比如用组别均值填充缺失标准差：
library(dplyr) data <- data %>% group_by(treatment) %>% mutate(std.dev = ifelse(is.na(std.dev), mean(std.dev, na.rm=TRUE), std.dev))2. 构建网络证据图
网络图是网状Meta的"门面"，能直观展示研究间的连接关系。gemtc的plot函数默认样式比较朴素，我习惯用ggplot2增强可视化效果。先看基础绘制方法：
network <- mtc.network(data) plot(network, vertex.color="#FF9999", edge.width=2, vertex.label.cex=0.8)如果要发论文，建议用igraph包自定义样式。下面这段代码能生成出版级网络图：
library(igraph) net_graph <- as.igraph(network) plot(net_graph, vertex.size=25, vertex.frame.color="white", edge.arrow.size=0.5, layout=layout_with_fr)重要提示：当网络出现断开节点时（比如某个药物只和一个其他药物比较过），gemtc会报错。这时需要检查原始数据，或者考虑用netmeta包的netconnection()函数诊断网络连通性。
3. 模型构建与参数设置
频率学方法用的是一致性模型，关键是要设置好随机效应还是固定效应。新手常犯的错误是直接照搬默认参数，其实需要根据数据特性调整：
model <- mtc.model( network, type="consistency", linearModel="random", # 小样本量建议用随机效应 n.chain=4, # 链数建议3-5条 likelihood="normal", link="identity" )模型运行时间随迭代次数指数增长。我的经验是：先用少量迭代测试（n.iter=5000），确认无误再正式运行（n.iter=20000）。监控进度可以加个进度条：
results <- mtc.run(model, n.adapt=2000, n.iter=50000, thin=10, progress.bar="text")4. 收敛诊断与异质性检验
收敛诊断是保证结果可靠的关键。除了看Gelman-Rubin统计量，我必做三件事：
- 轨迹图检查：链条应该像毛线团一样交织在一起
plot(results, ask=FALSE)- 密度图检查：各链的后验分布应该重叠
densplot(results)- 自相关检查：滞后20步以上应该接近0
autocorr.plot(results)异质性检验要重点关注I²值：
result.anohe <- mtc.anohe(network) print(summary(result.anohe))当全局I²>50%时，建议：
- 检查是否有离群研究
- 考虑亚组分析
- 改用更复杂的模型
5. 结果可视化技巧
森林图默认样式比较简陋，我用forestplot包增强效果。先提取相对效应量：
eff <- relative.effect(results, "Placebo") forestplot(eff, col=fpColors(box="royalblue",line="darkblue"))排序概率图可以加个SUCRA值：
rank <- rank.probability(results) scores <- sucra(rank) barplot(scores, horiz=TRUE, las=1, xlab="SUCRA Score")6. 不一致性检验实战
节点分割法是检测局部不一致性的利器。运行时间较长，建议下班前开始：
nodesplit <- mtc.nodesplit( network, linearModel="random", n.iter=30000 # 建议增加迭代次数 )解读结果时重点看：
- p<0.05的对比对
- 直接证据和间接证据的置信区间是否重叠
- 点估计值的差异方向
7. 结果解读与报告
联赛表需要指数化转换才容易解释：
league <- relative.effect.table(results) exp_league <- round(exp(league), 2) print(exp_league)撰写结果部分时建议包含：
- 网络结构特征（节点数、连接数）
- 主要比较的相对效应量（如OR/MD）
- 排序概率前三的治疗方案
- 不一致性检验结果
- 异质性评估
8. 常见问题排查
问题1：模型不收敛
- 解决方案：增加n.adapt值；检查先验分布是否合理
问题2：节点分割法报错
- 可能原因：网络连接不足
- 检查命令：summary(network)$connectivity
问题3：森林图标签重叠
- 修复方法：调整mar参数
par(mar=c(5,8,4,2)) forest(...)问题4：排序概率全为NA
- 常见原因：未设置preferredDirection参数
- 正确用法：
rank.probability(results, preferredDirection=-1)最后分享一个实用技巧：用gemtc的mtc.deviance()函数可以一次性提取DIC、pD等模型拟合指标，比手动计算方便得多。