生存分析的meta在肿瘤中比较普遍，且比其他的meta分析更容易得到审稿人的青睐。那如何利用其发一篇SCI呢?Revman、Stata、R都可以做生存分析，生存分析比较复杂的是数据的转换，转换过程极其繁琐。此文用meta软件，以HR的转换和合并为例进行讲解。

　　数据输入与转换

　　这个是我们需要的数据，我们按照这个数据为例进行处理，输入的时候注意，hr、ll、ul都是数字变量的性质是double，如下图所示：

　　其余的都是文本数据，变量的性质是str，如图所示：

　　数据录入完毕后，输入以下代码，完成数据的转换：

　　gen lnul=ln(ul)

　　gen lnll=ln(ll)

　　gen lnhr=ln(hr)

　　就是对ul、ll、hl取对数

　　gen selogHR=(ln(ul)-ln(ll))/3.92

　　计算的是抽样误差均数的标准差

　　执行的结果是这样的：

　　数据转换完成后，就可以进行数据的进一步处理了。

　　数据的处理

　　这一步可以进行代码操作，也可以进行菜单操作，不过菜单操作太繁琐，使用的时候直接复制我的命令代码到command对话框中就可以。

　　执行代码：

　　metan lnhr lnll lnul,eform label(namevar=study) boxsca(0.9) random xlabel(0.5,1,1.5) effect("HR")

　　结果如下图所示：

　　然后再点击一下more就出现森林图了，如下图所示，85%的异质性的确不小，下一步我们进行亚组分析去寻找异质性的来源。

　　亚组分析

　　亚组分析我们也用代码去做，因为代码比用菜单操作更加方便，执行代码：metan lnhr lnll lnul,eform label(namevar=study) boxsca(0.9) by(size) random xlabel(0.5,1,1.5) effect("HR")

　　结果如下图所示：

　　同样，点击more出现森林图

　　同样的方法去做cutoff、treatment、country的亚组分析，将 by(size)的size换成cutoff等即可。

　　发表偏移

　　执行代码

　　. metabias lnhr selogHR, graph(begg)

　　然后结果就出现了

　　注意了，11个以上的纳入资料才能做发表偏移。再来一个：

　　执行代码：

　　. metabias lnhr selogHR, graph(egger)

　　结果如下图所示：