Comment calculer l'erreur standard des rapports de cotes?

J'ai deux ensembles de données provenant d'études d'association à l'échelle du génome. Les seules informations disponibles sont le rapport de cotes et la valeur de p pour le premier ensemble de données. Pour le deuxième ensemble de données, j'ai le rapport de cotes, la valeur de p et les fréquences des allèles (AFD = maladie, AFC = témoins) (par exemple: 0,321). J'essaie de faire une méta-analyse de ces données mais je n'ai pas le paramètre de taille d'effet pour effectuer cela. Existe-t-il une possibilité de calculer les intervalles de confiance SE et OR pour chacune de ces données uniquement en utilisant les informations fournies ??
Merci d'avance

exemple: Données disponibles:

    Study     SNP ID      P        OR    Allele   AFD    AFC
    1         rs12345    0.023    0.85
    2         rs12345    0.014    0.91     C      0.32   0.25

Avec ces données, puis-je calculer le SE et le CI95% OU? Merci

Vous pouvez calculer / approximer les erreurs standard via les valeurs de p. Tout d'abord, convertissez les valeurs p bilatérales en valeurs p unilatérales en les divisant par 2. Vous obtenez donc et p = 0,007 . Convertissez ensuite ces valeurs p en valeurs z correspondantes. Pour p = .0115 , c'est z = - 2.273 et pour p = .007 , c'est z = - $p = .0115$$p = .007$$p = .0115$$z = -2.273$$p = .007$$z = -2.457$(ils sont négatifs, car les rapports de cotes sont inférieurs à 1). Ces valeurs z sont en fait les statistiques de test calculées en prenant le logarithme des rapports de cotes divisé par les erreurs types correspondantes (c.-à-d. ). Il s'ensuit donc que S E = l o g ( O R ) / z , ce qui donne S E = 0,071 pour la première et S E = 0,038 pour la deuxième étude.$z = log(OR) / SE$$SE = log(OR) / z$$SE = 0.071$$SE = .038$

Vous avez maintenant tout pour faire une méta-analyse. Je vais illustrer comment vous pouvez faire les calculs avec R, en utilisant le package metafor:

library(metafor)
yi  <- log(c(.85, .91))     ### the log odds ratios
sei <- c(0.071, .038)       ### the corresponding standard errors
res <- rma(yi=yi, sei=sei)  ### fit a random-effects model to these data
res

Random-Effects Model (k = 2; tau^2 estimator: REML)

tau^2 (estimate of total amount of heterogeneity): 0 (SE = 0.0046)
tau (sqrt of the estimate of total heterogeneity): 0
I^2 (% of total variability due to heterogeneity): 0.00%
H^2 (total variability / within-study variance):   1.00

Test for Heterogeneity: 
Q(df = 1) = 0.7174, p-val = 0.3970

Model Results:

estimate       se     zval     pval    ci.lb    ci.ub          
 -0.1095   0.0335  -3.2683   0.0011  -0.1752  -0.0438       ** 

Notez que la méta-analyse est effectuée à l'aide des rapports de cotes logarithmiques. Ainsi, est le rapport de cotes logarithmique estimé basé sur ces deux études. Convertissons cela en un rapport de cotes:$-0.1095$

predict(res, transf=exp, digits=2)

 pred  se ci.lb ci.ub cr.lb cr.ub
 0.90  NA  0.84  0.96  0.84  0.96

Ainsi, le rapport de cotes combiné est de 0,90 avec un IC à 95%: 0,84 à 0,96.