Générateur de forest plot pour méta-analyse
Un générateur de forest plot pour les revues systématiques, les thèses et les soumissions aux revues : donnez-lui l’estimation et l’intervalle de confiance de chaque étude, il trace les carrés, les moustaches et le losange combiné avec les poids, I², τ² et le test de l’effet global calculés, pas devinés. Odds ratios, risques relatifs, hazard ratios et différences de moyennes, avec sous-groupes.
Styles de revue du générateur de forest plot
Cinq préréglages de revue, chacun tracé par le générateur de forest plot sur une méta-analyse différente : une revue en risques relatifs façon RevMan, une analyse en odds ratios hétérogène, des différences de moyennes standardisées, les sous-groupes d’un essai et un graphique avec les deux modèles de combinaison. Cliquez sur une carte pour charger son prompt et ses études.
Exemples de forest plots
Quatre exemples de forest plots tirés du générateur de forest plot, chacun rendu à partir du prompt et des études de sa carte (données toutes fictives). Cliquez sur une carte pour la charger dans le champ ci-dessus et remplacez les nombres par les vôtres.
Qu’est-ce qu’un forest plot ?
Un forest plot (graphique en forêt) est la figure d’une méta-analyse : l’estimation de l’effet de chaque étude est un carré, son intervalle de confiance un trait horizontal, et l’estimation combinée de toutes les études un losange en bas. Une ligne verticale marque l’absence d’effet, à 1 pour un rapport comme un odds ratio, un risque relatif ou un hazard ratio, et à 0 pour une différence de moyennes. La taille de chaque carré correspond au poids de l’étude dans le résultat combiné, si bien que les études les plus précises attirent l’œil en premier. En lisant les lignes de haut en bas, on voit d’un coup d’œil si les études concordent, lesquelles dominent et si le résultat combiné exclut l’absence d’effet. Le nom vient des rangées de traits qui évoquent une forêt d’arbres ; les articles anciens parlent de blobbogram.
À propos de ce générateur de forest plot
- Saisissez chaque étude sous la forme Smith 2019 OR 0.82 (0.61 to 1.10), avec si besoin un poids ou un n, ou joignez un tableau .csv, .tsv ou .xlsx d’estimations et de bornes d’IC. Le générateur de forest plot lit aussi un export de type RevMan avec ses intitulés de sous-groupes et sa ligne Total.
- Le générateur de forest plot calcule par du code l’erreur standard de chaque étude à partir de son intervalle, les poids en inverse de la variance, les estimations combinées à effet fixe et à effets aléatoires de DerSimonian–Laird, Q, I², τ² et le test z ; le modèle d’image ne fait que placer ce qu’on lui donne.
- Le générateur de forest plot met les rapports sur un axe logarithmique avec les échelles symétriques de RevMan (0,5–2, 0,2–5, 0,1–10…) et les différences de moyennes, simples ou standardisées, sur un axe linéaire centré sur 0.
- Le générateur de forest plot accepte jusqu’à 40 lignes par figure, avec des intitulés de sous-groupes, un losange de sous-total par sous-groupe et le test des différences entre sous-groupes.
- Les préréglages de revue du générateur de forest plot pour Cochrane, JAMA, BMJ, The Lancet et NEJM fixent les couleurs et la façon d’imprimer chaque intervalle, de 0.82 [0.61, 1.10] à 0·82 (0·61–1·10).
Comment lire un forest plot
Sept essais fictifs de mobilisation précoce après chirurgie d’une fracture de la hanche, chacun rapportant un risque relatif de mortalité à 30 jours. C’est le premier exemple ci-dessus, mis en page par le même code que celui du générateur de forest plot. Lisez-le dans l’ordre des numéros.
- 1
Les lignes d’études
Une ligne par étude, en général premier auteur et année, dans l’ordre où la revue les liste (par année, par poids ou par taille d’effet). Les intitulés de sous-groupes, s’il y en a, se placent au-dessus de leurs lignes, sans marqueur.
- 2
Le carré : l’estimation de l’étude
Le centre de chaque carré est l’estimation ponctuelle de l’étude. Tanaka 2019 se situe à 0,93, soit un risque de décès inférieur de 7 % avec la mobilisation précoce. L’aire du carré est le poids de l’étude : celui de Tanaka est le plus grand parce que son intervalle est le plus étroit.
- 3
La moustache : l’intervalle de confiance
Le trait horizontal est l’intervalle de confiance à 95 %. Brennan 2020 va de 0,37 à 0,91. Les moustaches larges viennent de petites études ou d’événements rares ; une flèche à l’extrémité signifie que l’intervalle sort de l’axe.
- 4
La ligne d’absence d’effet
La ligne verticale à 1 (à 0 pour une différence de moyennes). Une moustache qui la croise correspond à une étude dont le résultat est compatible avec l’absence d’effet : cinq des sept ici. Cela ne veut pas dire que l’étude n’a rien trouvé, seulement qu’elle était trop petite pour conclure seule.
- 5
Le losange : l’estimation combinée
Son centre est le risque relatif combiné, 0,83, et ses pointes gauche et droite sont l’IC à 95 % combiné, de 0,73 à 0,95. Le losange évite la ligne d’absence d’effet alors que la plupart des études seules la croisent : combiner les essais resserre l’intervalle.
- 6
Le poids et les colonnes imprimées
Les colonnes de droite impriment le poids de chaque étude et son estimation avec l’intervalle, pour lire le graphique sans rien mesurer ; le générateur de forest plot imprime les deux par défaut. Les poids totalisent 100 % et viennent de l’inverse de la variance de chaque étude (plus τ² en effets aléatoires).
- 7
L’hétérogénéité et le test global
Sous le graphique, I² = 26 % indique qu’environ un quart de la dispersion entre études dépasse ce que donnerait le hasard ; τ² = 0,008 est la variance inter-études sur l’échelle logarithmique ; Z = 2,72 (P = 0,007) teste l’effet combiné contre l’absence d’effet.
- 8
Les libellés « en faveur de »
Les mots sous l’axe indiquent de quel côté se trouve la bonne nouvelle. Pour la mortalité, un risque relatif inférieur à 1 est en faveur de la mobilisation précoce : ce libellé va donc à gauche. Vérifiez-les avant de lire tout forest plot : pour un critère comme la guérison, les côtés s’inversent.
Chargez cet exemple dans le générateur de forest plot et modifiez une étude, Kowalski 2022 à RR 1.40 (1.05 to 1.87) par exemple, pour voir bouger les poids, le losange et I².
Comment faire un forest plot avec le générateur de forest plot
Donnez vos études au générateur de forest plot
Une étude par ligne ou séparées par des virgules : un libellé, la mesure, l’estimation et l’IC à 95 %, comme Lee 2020 RR 0.75 (0.55 to 1.02). Ajoutez weight 18% ou n = 240 si vous les avez, et Subgroup Adults: avant un groupe de lignes. Ou joignez le tableur ou le tableau exporté par votre logiciel : le générateur de forest plot lit les colonnes.
Dites comment combiner et ce qui figure sur le graphique
Les effets aléatoires sont le réglage par défaut du générateur de forest plot ; écrivez effet fixe, les deux modèles, ou pas d’estimation combinée pour un graphique de régression ou de sous-groupes d’un seul essai. Indiquez les libellés « en faveur de » (en faveur de la mobilisation à gauche, en faveur des soins habituels à droite) et le niveau de confiance s’il n’est pas de 95 %.
Choisissez le style de revue et lancez le rendu
Choisissez Cochrane, JAMA, BMJ, The Lancet ou NEJM, puis générez. Les carrés, moustaches, losanges et nombres imprimés restent exactement ceux que le générateur de forest plot a calculés ; le style change les couleurs, la typographie et la façon d’écrire les intervalles.
Comment le générateur de forest plot combine une méta-analyse
Un forest plot de méta-analyse ne vaut que par la ligne combinée qui le termine. Voici les formules en inverse de la variance que le générateur de forest plot applique à chaque demande, les mêmes que RevMan, metafor et la commande meta de Stata pour des estimations saisies avec leurs intervalles de confiance.
Erreur standard à partir de l’IC à 95 %
Rapports : SE = (ln U − ln L) ÷ 3,92
Différences : SE = (U − L) ÷ 3,92
Les odds ratios, risques relatifs et hazard ratios se combinent sur l’échelle logarithmique, où leurs intervalles sont symétriques ; 3,92 vaut 2 × 1,96 pour un intervalle à 95 %, et le générateur de forest plot utilise 3,29 pour 90 % ou 5,15 pour 99 % si la demande le précise.
Estimation à effet fixe (effet commun)
wᵢ = 1 ÷ SEᵢ²
θ̂ = Σ wᵢ yᵢ ÷ Σ wᵢ
SE(θ̂) = 1 ÷ √Σ wᵢ
Chaque étude compte en proportion de sa précision. Cela suppose que toutes les études estiment un seul et même effet vrai.
Hétérogénéité : Q, I² et τ²
Q = Σ wᵢ (yᵢ − θ̂)²
I² = max(0, (Q − df) ÷ Q)
τ² = max(0, (Q − df) ÷ (Σ wᵢ − Σ wᵢ² ÷ Σ wᵢ))
Q est comparé à un χ² à k − 1 degrés de liberté pour obtenir le P d’hétérogénéité ; I² est la part de variation au-delà du hasard ; τ² est la variance inter-études de DerSimonian–Laird.
Estimation à effets aléatoires
wᵢ* = 1 ÷ (SEᵢ² + τ²)
θ̂* = Σ wᵢ* yᵢ ÷ Σ wᵢ*
Z = θ̂* ÷ SE(θ̂*)
Ajouter τ² à chaque variance rapproche les poids : les petites études comptent davantage et le losange s’élargit quand les études divergent. C’est le modèle par défaut du générateur de forest plot.
Vérifié sur les essais du vaccin BCG (13 études, Colditz 1994), le jeu de données de référence du package R metafor : le générateur de forest plot retrouve Q = 152,23, I² = 92,12 %, τ² = 0,3088 et un log du risque relatif à effets aléatoires de −0,7141, les résultats publiés.
Effet fixe ou effets aléatoires dans le générateur de forest plot
Les mêmes études combinées des deux façons par le générateur de forest plot. Quand les essais concordent (l’exemple de la fracture de la hanche, I² = 26 %), les deux losanges se superposent presque. Quand ils divergent, les effets aléatoires déplacent le poids vers les petites études et élargissent l’intervalle, ici assez pour croiser 1.
| Études | Modèle | RR combiné [IC à 95 %] | Poids le plus grand | Poids le plus petit |
|---|---|---|---|---|
| Essais sur la fracture de la hanche, I² = 26 % | Effet fixe | 0.84 [0.76, 0.94] | Tanaka 2019, 26.8% | Brennan 2020, 6.0% |
| Effets aléatoires | 0.83 [0.73, 0.95] | Tanaka 2019, 22.8% | Brennan 2020, 7.6% | |
| Cinq essais discordants, I² = 91 % | Effet fixe | 0.88 [0.79, 0.97] | Ennis 2021, 27.9% | Adler 2015, 9.0% |
| Effets aléatoires | 0.77 [0.54, 1.10] | Ennis 2021, 20.9% | Adler 2015, 18.4% |
Lequel rapporter ? Les effets aléatoires quand les études diffèrent par la population, la dose ou le schéma, ce qui est le cas de la plupart des revues cliniques ; l’effet fixe quand ce sont des réplications proches ou qu’il y a trop peu d’études pour estimer τ². Beaucoup de revues montrent les deux. Écrivez « les deux modèles » et le générateur de forest plot trace un losange à effet commun et un losange à effets aléatoires, avec une colonne de poids pour chacun.
Les forest plots du générateur de forest plot, par mesure d’effet
Ce qui change entre un forest plot en risques relatifs, un forest plot en hazard ratios et un forest plot en différences de moyennes, c’est l’axe, la ligne d’absence d’effet et la façon de combiner les nombres. Nommez la mesure dans la demande et le générateur de forest plot règle les trois.
Forest plot en odds ratios
Pour des critères binaires, issus d’études cas-témoins et d’essais qui rapportent des odds. Axe logarithmique, ligne d’absence d’effet à 1. Saisissez chaque étude sous la forme Nom année OR 0.62 (0.41 to 0.94) ; le générateur de forest plot combine sur ln(OR) et imprime le losange sur l’échelle des rapports. Un OR inférieur à 1 signifie une cote de l’événement plus faible dans le premier groupe.
Forest plot en risques relatifs
Risques relatifs (RR) pour les études de cohorte et les essais où le risque lui-même est rapporté. Même axe logarithmique que pour les odds ratios, et les deux ne sont proches que si les événements sont rares. Écrivez RR ou risque relatif ; le générateur de forest plot intitule la colonne Risque relatif et garde l’échelle symétrique autour de 1, pour que 0,5 et 2 en soient à la même distance.
Forest plot en hazard ratios
Critères de délai jusqu’à l’événement : survie, rechute, délai avant réhospitalisation. Les hazard ratios viennent de modèles de Cox et se combinent à partir de leurs intervalles publiés sur l’échelle logarithmique. Ajoutez le poids publié de chaque essai si vous l’avez ; le générateur de forest plot dimensionne les carrés à partir de lui et combine tout de même les hazard ratios lui-même.
Forest plot en différences de moyennes et SMD
Critères continus comme la pression artérielle, les scores de douleur ou l’HbA1c. Une différence de moyennes (MD) garde les unités, mmHg ou points, quand toutes les études ont utilisé la même échelle ; une différence de moyennes standardisée (SMD, g de Hedges) divise par l’écart-type quand les échelles diffèrent. Les deux ont un axe linéaire autour de 0, que le générateur de forest plot choisit symétrique pour que 0 soit au milieu.
Forest plot de sous-groupes
Une méta-analyse découpée par population, dose ou schéma d’étude. Écrivez Subgroup Adults: et Subgroup Children: avant leurs lignes et le générateur de forest plot découpe le tableau. Chaque sous-groupe reçoit un intitulé, un losange de sous-total et son propre I², et le pied de tableau ajoute le test des différences entre sous-groupes, le χ² qui indique si les effets des sous-groupes diffèrent plus que ne le voudrait le hasard.
Forest plot de régression logistique ou des sous-groupes d’un essai
Des odds ratios ajustés par covariable d’un même modèle de régression, ou les hazard ratios d’un essai par âge, sexe et comorbidité. Ces lignes ne sont pas des études indépendantes : elles ne sont jamais combinées. Le générateur de forest plot reconnaît les demandes de régression et de sous-groupes d’un seul essai, ne trace aucun losange pour les lignes et ne trace le résultat global que si vous le fournissez.
Interpréter un forest plot : à quoi ressemble I²
Trois méta-analyses fictives de cinq études, combinées par le générateur de forest plot en effets aléatoires, avec presque le même effet moyen. Ce qui les distingue, c’est l’éparpillement des carrés autour du losange, précisément ce que mesure I². Repères approximatifs du Cochrane Handbook : 0–40 % peut ne pas être important, 30–60 % modérée, 50–90 % substantielle, 75–100 % considérable.
Hétérogénéité faible
I² = 0 %, τ² = 0.000, RR combiné 0.79 [0.70, 0.88]
Les intervalles se chevauchent presque entièrement et chaque carré est proche du losange. Les études racontent la même histoire ; effet fixe et effets aléatoires concordent.
Hétérogénéité modérée
I² = 58 %, τ² = 0.023, RR combiné 0.81 [0.68, 0.97]
Deux études sont proches de 1 et deux bien en dessous. Cela mérite une phrase dans les résultats et un examen de ce qui les différencie, avant ou après l’estimation combinée.
Hétérogénéité considérable
I² = 91 %, τ² = 0.145, RR combiné 0.77 [0.54, 1.10]
Certains intervalles ne se chevauchent pas du tout, de part et d’autre de 1. Le losange à effets aléatoires s’élargit jusqu’à croiser la ligne d’absence d’effet : un chiffre combiné cache ici plus qu’il ne dit, et les sous-groupes ou la méta-régression sont l’étape suivante.
I² n’augmente pas avec le nombre d’études comme le fait Q, c’est pourquoi les revues le rapportent, mais avec moins d’une dizaine d’études sa propre incertitude est large. Rapportez τ² à côté ; le générateur de forest plot imprime les deux.
Générateur de forest plot, Excel, R, Stata, RevMan ou SPSS
La plupart des forest plots se font dans le logiciel de revue ou dans R. Voici ce que chacun attend de vous, d’où vient la combinaison, et où se place le générateur de forest plot.
| Outil | Comment le forest plot est fait | Combine et donne I² | Ce qu’il vous faut |
|---|---|---|---|
| Générateur de forest plot | Saisir ou joindre les études ; le générateur de forest plot trace la figure au style d’une revue | Oui : effet fixe, effets aléatoires (DerSimonian–Laird) ou les deux, avec sous-groupes | L’estimation et l’IC de chaque étude |
| Excel | Un graphique à nuage de points avec barres d’erreur horizontales personnalisées, un axe des x logarithmique et une série factice pour les libellés | Non ; Q, I² et le losange se calculent à la main dans des cellules | Une heure de mise en forme par figure |
| R (metafor, meta) | forest(rma(yi, vi)) dans metafor ou forest(metagen(...)) dans meta ; ggplot2 avec geom_pointrange pour une allure personnalisée | Oui : DL, REML, Paule–Mandel et d’autres, avec intervalles de prédiction | R et le code pour mettre en forme le graphique |
| Stata | meta set, puis meta forestplot (Stata 16 et suivants), ou la commande utilisateur metan | Oui | Une licence Stata et les commandes |
| RevMan | Tracé automatiquement à partir des données saisies dans une revue Cochrane | Oui : Mantel–Haenszel, Peto ou inverse de la variance | La revue montée dans RevMan ; export en image |
| SPSS, SAS, Prism | Procédures Meta Analysis de SPSS 28+ ; PROC SGPLOT avec HIGHLOW dans SAS ; graphique à barres d’erreur horizontales dans Prism | SPSS oui ; SAS par votre propre code ; Prism non | Une licence et la procédure de chacun |
Vous avez déjà fait l’analyse dans R, Stata ou RevMan ? Collez les lignes d’études et la ligne combinée imprimées par votre logiciel : le générateur de forest plot trace votre résultat combiné tel quel, calcule la ligne d’hétérogénéité à partir des intervalles et laisse vos poids inchangés.
Générateur de forest plot et méta-analyse : vos questions
Que signifie le losange sur un forest plot ?
Le losange est l’estimation combinée : son centre est l’effet combiné de toutes les études et ses pointes gauche et droite l’intervalle de confiance de cette estimation. Un losange qui ne touche pas la ligne d’absence d’effet signifie que le résultat combiné est statistiquement significatif au seuil choisi. Les forest plots de sous-groupes ont un petit losange par sous-groupe et le losange global en bas. Le générateur de forest plot calcule les sommets de chaque losange à partir des études : sa largeur est donc le véritable intervalle combiné.
Que signifie un intervalle de confiance qui croise la ligne d’absence d’effet ?
Le résultat de cette étude est compatible avec l’absence d’effet au niveau de 95 % : son intervalle contient un odds ratio, un risque relatif ou un hazard ratio de 1, ou une différence de 0. Ce n’est pas une preuve d’absence d’effet ; les petites études croisent la ligne même quand l’effet vrai existe, c’est pourquoi on les combine. Le générateur de forest plot imprime chaque intervalle à côté de sa ligne, pour voir lesquels contiennent 1. Lisez le losange pour la réponse combinée et la largeur de chaque moustache pour ce que chaque étude savait.
Pourquoi un forest plot utilise-t-il une échelle logarithmique ?
Parce que les rapports sont symétriques sur l’échelle logarithmique : un odds ratio de 0,5 est aussi loin sous 1 que 2 l’est au-dessus. Sur un axe linéaire, 0,5 serait deux fois plus près de 1 que 2 et les intervalles paraîtraient déséquilibrés. Les rapports se combinent aussi sur l’échelle logarithmique, si bien que le losange y est symétrique lui aussi. Les différences de moyennes gardent un axe linéaire ; le générateur de forest plot passe de l’un à l’autre selon la mesure que vous nommez.
Que signifie la taille du carré sur un forest plot ?
L’aire du carré est proportionnelle au poids de l’étude dans la méta-analyse, qui vient de l’inverse de sa variance : les grandes études aux intervalles étroits ont de grands carrés. La taille ne dit rien de l’ampleur de l’effet. Dans le générateur de forest plot, le côté de chaque carré est la racine carrée de son poids rapporté au plus grand, si bien que l’aire suit le poids, avec un minimum pour que la plus petite étude reste visible.
Comment faire un forest plot dans Excel ?
Excel n’a pas de graphique forest plot : on le construit à partir d’un nuage de points. Placez les estimations en x et les numéros de ligne en y, ajoutez des barres d’erreur horizontales avec des valeurs plus et moins personnalisées (borne supérieure moins estimation, estimation moins borne inférieure), passez l’axe des x en échelle logarithmique pour les rapports, inversez l’axe des y, masquez ses nombres et ajoutez les noms des études avec une deuxième série ou des étiquettes de données. Le losange combiné doit être calculé dans des cellules et dessiné comme une forme. Pour éviter la mise en forme, collez les mêmes colonnes dans le générateur de forest plot.
Comment faire un forest plot dans R ?
Avec metafor : res <- rma(yi, vi, data = dat, method = "DL"); forest(res). Ici yi est chaque log du rapport et vi sa variance (escalc() calcule les deux à partir des effectifs). Le package meta fait de même avec forest(metagen(TE, seTE, studlab)), et forestplot ou geom_pointrange de ggplot2 donnent une allure personnalisée. R est la voie la plus souple ; le générateur de forest plot est la voie rapide quand vous avez les estimations et les intervalles et voulez une figure au style d’une revue sans code de tracé.
Un « random forest plot » est-il un forest plot ?
Non. Une forêt aléatoire (random forest) est un modèle d’apprentissage automatique fait de nombreux arbres de décision, et un « random forest plot » désigne en général son diagramme en barres d’importance des variables ou un graphique de dépendance partielle. Un forest plot est la figure de méta-analyse des estimations et des intervalles de confiance. Le mot commun est une coïncidence ; le générateur de forest plot trace celui de la méta-analyse.
Quelle est la différence entre un forest plot et un funnel plot ?
Un forest plot montre l’effet de chaque étude et le résultat combiné ; un funnel plot (graphique en entonnoir) place l’effet de chaque étude en fonction de son erreur standard pour rechercher un effet petites études et un biais de publication. Le générateur de forest plot trace le premier ; les revues incluent en général les deux : le forest plot pour la réponse, le funnel plot (à partir de dix études environ) pour savoir à quel point s’y fier.
Le générateur de forest plot calcule-t-il l’estimation combinée à ma place ?
Oui, le générateur de forest plot combine les études lui-même avec des poids en inverse de la variance tirés de chaque intervalle de confiance : effets aléatoires (DerSimonian–Laird) sauf si vous demandez l’effet fixe ou les deux. Il imprime l’estimation combinée, son intervalle, les poids, I², τ², le χ² d’hétérogénéité et son P, et le test de l’effet global. Le modèle d’image reçoit ces nombres et n’en calcule jamais aucun.
Puis-je utiliser plutôt le résultat combiné de RevMan, Stata ou R ?
Oui, le générateur de forest plot trace exactement la ligne combinée que vous lui donnez. Saisissez-la sous la forme Overall 0.70 (0.59 to 0.82) ou Total (95% CI) 0.70 [0.59, 0.82], ou incluez-la comme ligne Total d’un tableau joint. Un résultat Mantel–Haenszel ou REML de votre logiciel reste ainsi sur la figure ; la ligne d’hétérogénéité est alors calculée à partir des intervalles des études.
Et si mes études rapportent des intervalles de confiance à 90 % ou à 99 % ?
Écrivez IC à 90 % ou IC à 99 % dans la demande et le générateur de forest plot utilise 1,645 ou 2,576 au lieu de 1,96 pour convertir les intervalles en erreurs standard, et imprime l’intervalle combiné au même niveau. Mélanger plusieurs niveaux dans un même forest plot n’est pas pris en charge : convertissez-les d’abord à un seul niveau.
Pourquoi le générateur de forest plot a-t-il besoin de chaque estimation ponctuelle ?
Parce que chaque nombre de la figure doit être un nombre que vous avez donné ou qu’il a calculé à partir des vôtres. Un intervalle seul ne fixe pas exactement l’estimation ponctuelle dès qu’il y a des arrondis : le générateur de forest plot demande donc l’estimation plutôt que de la deviner. Il en va de même pour un poids ou un résultat combiné : il n’est imprimé que si vous l’indiquez ou si le code le calcule.
Sources
- Chapter 10: Analysing data and undertaking meta-analyses — Cochrane Handbook for Systematic Reviews of Interventions
- Forest plots: trying to see the wood and the trees (Lewis et Clarke, 2001) — The BMJ
- Measuring inconsistency in meta-analyses (Higgins et al., 2003) — The BMJ
- Meta-analysis in clinical trials (DerSimonian et Laird, 1986) — Controlled Clinical Trials
- dat.bcg: Studies on the effectiveness of the BCG vaccine against tuberculosis — metadat (documentation du package R)
À explorer aussi
Nos autres outils de schémas, et les guides qui vont avec.
Outils
Collez vos études dans le générateur de forest plot
Saisissez ou joignez l’estimation et l’intervalle de confiance de chaque étude : le générateur de forest plot vous rend un forest plot au style d’une revue, avec le losange combiné, les poids et I² calculés pour vous.
Ouvrir le générateur de forest plot