Forest plot और मेटा-एनालिसिस: एक व्यावहारिक गाइड
Forest plot हर स्टडी का effect size उसके confidence interval के साथ और pooled estimate के लिए एक diamond दिखाता है, ताकि आप एक ही फ़िगर में देख सकें कि स्टडी आपस में सहमत हैं या नहीं और संयुक्त effect कितना बड़ा है। यह गाइड बताती है कि कौन-सा डेटा चाहिए, fixed बनाम random effects, heterogeneity और small-study effects, और LabTools में मुफ़्त में plot कैसे बनाएँ।
इस गाइड में
- Forest plot क्या दिखाता है
- आपको कौन-सा डेटा चाहिए
- Fixed effect या random effects
- LabTools में forest plot बनाएँ
- Small-study effects और publication bias
- क्या रिपोर्ट करें
- अक्सर पूछे जाने वाले सवाल
आठ स्टडी, 95% CI के साथ odds ratio; pooled fixed-effect odds ratio 0.74 (95% CI 0.68–0.80) है। पूरा उदाहरण देखें
Forest plot क्या दिखाता है
हर पंक्ति एक स्टडी है: उसके effect estimate पर एक marker और उसके confidence interval के लिए एक क्षैतिज रेखा। एक खड़ी no-effect line ratio (odds ratio, risk ratio, hazard ratio) के लिए 1 पर या अंतर (mean difference, standardised mean difference, risk difference) के लिए 0 पर होती है। नीचे एक diamond pooled estimate दिखाता है: उसका केंद्र संयुक्त effect है और उसकी चौड़ाई confidence interval।
Ratio को log axis पर दिखाया जाता है, क्योंकि 0.5 का odds ratio no effect से उतना ही दूर है जितना 2, और pooling log scale पर की जाती है।
आपको कौन-सा डेटा चाहिए
हर स्टडी के लिए एक पंक्ति, जिसमें effect size और उसके confidence interval की निचली और ऊपरी सीमा हो, जैसा हर पेपर में बताया गया है। Weight कॉलम वैकल्पिक है: उसके बिना weights interval की चौड़ाई से निकाले जाते हैं (inverse variance), इसलिए सटीक स्टडी ज़्यादा गिनी जाती हैं।
forest plot उदाहरण में odds ratio वाली आठ स्टडी हैं और एक डाउनलोड करने योग्य CSV है जिससे आप साथ-साथ चल सकते हैं।
Fixed effect या random effects
Fixed-effect मॉडल मानता है कि सभी स्टडी एक ही true effect का अनुमान लगाती हैं और सिर्फ़ संयोग से अलग होती हैं। Random-effects मॉडल मानता है कि true effect स्टडी के बीच बदलता है, उस variance (τ²) का अनुमान लगाता है और एक चौड़ा, ज़्यादा सतर्क interval देता है। जब स्टडी population, dose या design में अलग हों, तो random effects आमतौर पर ईमानदार चुनाव है। दोनों diamond दिखाने से पता चलता है कि यह चुनाव कितना मायने रखता है।
Heterogeneity को Cochran’s Q (यह test कि क्या स्टडी संयोग से ज़्यादा असहमत हैं), I² (वास्तविक अंतरों के कारण variation का हिस्सा, 0–100%) और τ² (स्वयं between-study variance) से बताया जाता है।
LabTools में forest plot बनाएँ
- Charts & Plots में Upload File पर क्लिक करें और अपनी टेबल (CSV या Excel) लोड करें, या Paste Data से पेस्ट करें।
- Chart chip पर Forest Plot चुनें।
- Columns में Study/Label Column, Effect Size Column, CI Lower Bound Column और CI Upper Bound Column चुनें (और चाहें तो Weight Column)। स्टडी drop-down अभी सिर्फ़ numeric कॉलम दिखाता है, इसलिए अपनी स्टडी को नंबर दें।
- Statistical Analysis में Effect Size Type (OR, RR और HR log axis पर चले जाते हैं, रेखा 1 पर), Meta-Analysis Model (Fixed Effects, Random Effects या Both) और Confidence Level सेट करें।
- Layout & Typography में “Favours” label और Sort Studies By सेट करें; Publication Features में एक Journal Style (APA, Nature, JAMA या Cochrane) चुनें और तय करें कि statistics टेबल कहाँ जाए।
- PNG, SVG या PDF के रूप में Export (Ctrl+E) करें।
Plot random effects को DerSimonian–Laird से pool करता है। REML, prediction interval और Egger’s test के लिए command line से labtools stats meta चलाएँ, या MCP से LabTools से जुड़े किसी AI assistant से कहें।
Small-study effects और publication bias
अगर छोटी स्टडी बड़ी स्टडी से ज़्यादा effect बताती हैं, तो pooled estimate बढ़ा हुआ हो सकता है, अक्सर इसलिए क्योंकि छोटे null नतीजे पब्लिश नहीं होते। Funnel plot इसे दृश्य रूप में दिखाता है; स्टडी के आकार और effect के बीच rank correlation, या Egger’s regression test, इसे एक संख्या देता है। उदाहरण में स्टडी के आकार और log(OR) के बीच Kendall’s τ 0.143 (p = 0.62) है: small-study effects का कोई संकेत नहीं, हालाँकि आठ स्टडी इन tests को कम power देती हैं।
क्या रिपोर्ट करें
- Effect measure और scale (जैसे odds ratio, log scale पर pooled)।
- मॉडल (fixed या random effects) और τ² estimator।
- Pooled estimate उसके confidence interval के साथ, और Q, I² तथा τ²।
- कोई भी small-study या publication-bias आकलन, और वह कितनी स्टडी पर आधारित था।
अक्सर पूछे जाने वाले सवाल
Forest plot किस लिए इस्तेमाल होता है?
एक ही सवाल पर कई स्टडी के नतीजे साथ-साथ दिखाने के लिए: हर स्टडी का effect size और confidence interval एक पंक्ति पर, और pooled (meta-analytic) estimate नीचे एक diamond के रूप में। यह मेटा-एनालिसिस और systematic review का मानक फ़िगर है।
मैं forest plot कैसे पढ़ूँ?
हर पंक्ति एक स्टडी है: marker उसका estimate है और क्षैतिज रेखा उसका confidence interval। खड़ी रेखा “no effect” है (ratio के लिए 1, अंतर के लिए 0); जो interval इसे पार करता है वह अपने-आप में significant नहीं है। Diamond pooled estimate है, और उसकी चौड़ाई उसका confidence interval।
Confidence interval से standard error कैसे निकालूँ?
किसी अंतर पर 95% CI के लिए: SE = (upper − lower) / (2 × 1.96)। Ratio (OR, RR, HR) के लिए log scale पर करें: SE = (ln(upper) − ln(lower)) / (2 × 1.96)। LabTools interval को सीधे स्वीकार करता है और यह आपके लिए कर देता है।
ऊँचे I² का क्या मतलब है?
कि स्टडी के नतीजों के बीच ज़्यादातर फैलाव संयोग के बजाय स्टडी के बीच वास्तविक अंतर (population, dose, methods) को दिखाता है। लगभग 75% या उससे ज़्यादा को आमतौर पर ऊँचा कहा जाता है। Random-effects estimate रिपोर्ट करें, heterogeneity का स्रोत खोजें, और prediction interval पर विचार करें, जो दिखाता है कि किसी नई स्टडी का effect संभवतः कहाँ होगा।
DerSimonian–Laird या REML?
दोनों random-effects मॉडल के लिए between-study variance τ² का अनुमान लगाते हैं। DerSimonian–Laird क्लासिक डिफ़ॉल्ट है (RevMan इसे इस्तेमाल करता है); REML को अक्सर बेहतर माना जाता है, ख़ासकर कम स्टडी होने पर। LabTools forest plot DerSimonian–Laird इस्तेमाल करता है; labtools stats meta दोनों देता है, prediction interval और Egger’s test के साथ।