多变量MR敏感性分析

Question

请问我在用R做多变量MR分析时，使用下列代码进行多变量的敏感性分析

library(MendelianRandomization)
MRMVInput <- mr_mvinput(bx = mvdat$exposure_beta, bxse = mvdat$exposure_se, by = mvdat$outcome_beta, byse = mvdat$outcome_se, correlation =matrix())

#敏感性分析
mv_ergger<-mr_mvegger(MRMVInput)
mv_ivw<-mr_mvivw(MRMVInput)
mv_median<-mr_mvmedian(MRMVInput)

得到的结果如图所示，请问ivw、egger、median的结果如何解读

Answer 1

让【道友老李】来帮你解答，本回答参考gpt编写，并整理提供，如果还有疑问可以点击头像关注私信或评论。

如果答案让您满意，请采纳、关注，非常感谢！

在进行多变量孟德尔随机化（MR）分析时，使用不同的估计方法（如IVW、Egger和Median）可以帮助检验不同假设和分析结果的稳健性。下面我将详细说明如何解读这些结果，并附上相应的代码示例。

1. 方法概述

• IVW (Inverse Variance Weighted)：该方法是最常用的MR估计方法，假设所有的工具变量都是有效的。在此模型中，使用每个工具变量的反方差作为权重来计算总体效应。

• Egger回归：该方法考虑了潜在的工具变量的偏倚，能够在存在方向性偏倚的情况下提供有效的估计。Egger回归可以检验工具变量与结果之间的线性关系是否受其他因素影响。

• Median估计：该方法使用中位数的原则，如果超过一半的工具变量是有效的，则中位数方法可以提供一致的估计。

2. 代码示例

你已经提供了用于生成每个方法结果的代码。为了更加整洁，我将代码重构如下：

library(MendelianRandomization)
# 生成MR输入
MRMVInput <- mr_mvinput(
  bx = mvdat$exposure_beta, 
  bxse = mvdat$exposure_se, 
  by = mvdat$outcome_beta, 
  byse = mvdat$outcome_se, 
  correlation = matrix()
)
# 进行敏感性分析
mv_ivw <- mr_mvivw(MRMVInput)
mv_egger <- mr_mvegger(MRMVInput)
mv_median <- mr_mvmedian(MRMVInput)
# 输出结果
print(mv_ivw)
print(mv_egger)
print(mv_median)

3. 结果解读

假设你得到了以下结果（请注意这仅是示例，具体结果取决于你的数据）： - IVW 结果: - 效应值：2.5 - 95% CI：[1.2, 3.8] - p值：0.001 解读：表明暴露（如某种药物）对结果（如疾病风险）的平均效应是2.5，这意味着暴露的增加与结果的风险增加相关。这一结果具有统计显著性（p < 0.05）。 - Egger 结果: - 效应值：2.3 - 95% CI：[1.0, 3.6] - p值：0.02 - 方向性偏倚检验的p值：0.04 解读：Egger回归的结果与IVW方法相似，说明结果的效应值也有统计学意义。然而，方向性偏倚检验的p值小于0.05，表示可能存在某种形式的偏倚，建议对结果保持谨慎。 - Median 结果: - 效应值：2.4 - 95% CI：[1.1, 3.7] 解读：中位数的估计结果与其他方法相近，但是它不受单一工具变量极端值的影响，这使得它在工具变量不完全有效的情况下可以提供更稳健的估计。

总结

• 在多变量MR分析中，不同方法提供了对暴露与结果关系的不同视角。IVW是常规的有效估计，但Egger方法提供了对偏倚的检验。Median方法对极端值不敏感，使其在特定情况下更可靠。
• 总之，在解读这些结果时，建议结合各方法的估计值、置信区间及其统计显著性，以及进行偏倚的检验，来全面评估暴露与结果的关系。需要特别关注Egger回归中的偏倚检验结果，以确保所得到的关联是可靠的。