Вы извлекли размеры эффекта из каждого включённого исследования, рассчитали суммарную оценку, и теперь вам нужен рисунок, который для большинства читателей и есть мета-анализ: forest plot. Традиционный путь идёт через пакеты R metafor или meta, либо через RevMan, и выровнять колонки, ромб и веса может занять целый вечер. В этом руководстве показано, как построить forest plot для мета-анализа, просто описав его обычными словами: ИИ собирает строки, доверительные интервалы и суммарный ромб, пока вы сосредоточены на синтезе данных.
К концу этого руководства вы сможете:
- Построить forest plot для мета-анализа с одной строкой на исследование, точечными оценками и доверительными интервалами — без программирования.
- Нанести отношения шансов, относительные риски, разности средних или отношения рисков с правильно расположенной линией отсутствия эффекта.
- Добавить веса исследований, суммарный ромб и статистики гетерогенности (I², τ²) там, где их ожидают рецензенты.
- Построить подгрупповые forest plot и экспортировать готовый к печати рисунок для систематического обзора или подачи в журнал.
Всё, что ниже, происходит в редакторе SciDraw AI с помощью генератора forest plot — вы предоставляете исследования и размеры эффекта, ИИ рисует график, а вы дорабатываете его словами.
Что сообщает forest plot
Forest plot обобщает множество исследований в одной вертикальной стопке. Каждая строка — это одно исследование: квадрат отмечает его оценку эффекта, горизонтальная линия показывает доверительный интервал, а размер квадрата отражает его вес в мета-анализе. Вертикальная линия отсутствия эффекта (на 1 для отношений, на 0 для разностей) позволяет читателю с первого взгляда увидеть, какие исследования значимы. Внизу ромб показывает суммарную оценку — его центр это сводный эффект, а ширина это суммарный доверительный интервал.
Рисунок должен делать очевидными три вещи: эффект и точность каждого исследования, вклад каждого из них и то, что они говорят вместе. Сделайте это правильно — и график расскажет всю историю.
Шаг 1. Опишите нужный forest plot
Откройте редактор и укажите ИИ меру эффекта, исследования и структуру. Мера эффекта определяет, где стоит нулевая линия и в логарифмической ли шкале ось, так что назовите её сразу.
Шаблон: «Создай forest plot для мета-анализа из [N] исследований. Мера эффекта: [отношение шансов / относительный риск / разность средних / отношение рисков]. Нанеси каждое исследование с его точечной оценкой и 95% доверительным интервалом, квадратом, размер которого пропорционален весу, вертикальной линией отсутствия эффекта на [1 / 0] и суммарным ромбом внизу. Используй [логарифмическую] ось X».
Заполненный пример:
- «Создай forest plot для мета-анализа из 8 рандомизированных исследований. Мера эффекта: отношение шансов на логарифмической оси X. Одна строка на исследование с названием, OR и 95% CI текстом справа, квадратом, размер которого пропорционален весу, и вертикальной пунктирной линией отсутствия эффекта на OR = 1. Добавь внизу суммарный ромб модели случайных эффектов с подписью „Overall“».
Шаг 2. Внесите исследования и размеры эффекта
Каждой строке нужна подпись и оценка эффекта с интервалом. Можно передать ИИ небольшую таблицу или перечислить всё прямо в тексте.
- «Добавь эти исследования строками: Smith 2019, OR 1.42 (1.10–1.84); Lee 2020, OR 0.88 (0.61–1.27); Garcia 2021, OR 1.95 (1.30–2.93)...»
- «Покажи числовые OR и 95% CI в правой колонке, выровненной по каждой строке».
- «Добавь левую колонку с первым автором и годом для каждого исследования».
Если ваша мера эффекта непрерывная, переформулируйте: «Используй разность средних с линией отсутствия эффекта на 0 и линейной осью X».
Шаг 3. Добавьте веса, суммарный ромб и гетерогенность
То, что отличает forest plot от ряда планок погрешностей, — это мета-аналитические детали. Запросите их явно:
- «Сделай размер квадрата каждого исследования пропорциональным его весу и добавь справа колонку „Weight (%)“».
- «Добавь внизу суммарный ромб модели случайных эффектов; его ширина это 95% CI сводной оценки».
- «Добавь статистики гетерогенности под ромбом: I² = 38%, τ² = 0.04, p = 0.12».
- «Подпиши суммарную строку „Overall (random effects)“».
Укажите, является ли ваше объединение моделью фиксированных эффектов или случайных эффектов — это меняет веса и ромб, и рецензенты это проверят.
Шаг 4. Добавьте подгруппы и подписи направления
Многие обзоры разбивают исследования по подгруппам (например, доза, регион, риск систематической ошибки). ИИ может сгруппировать строки и дать каждой подгруппе собственный промежуточный ромб.
- «Раздели исследования на две подгруппы — „High dose“ и „Low dose“ — каждой свой промежуточный ромб, а в самом низу общий ромб».
- «Добавь тест на гетерогенность между подгруппами для двух промежуточных итогов».
- «Добавь подписи направления оси: „Favors treatment“ слева, „Favors control“ справа».
Подписи направления под осью — мелочь, которая не даёт читателю перепутать, какая сторона благоприятна. Чтобы потом отшлифовать любую отдельную подпись, см. как редактировать текст и подписи в ИИ-рисунках.
Частые ошибки (и как их исправить)
- Неверная линия отсутствия эффекта. Нулевая линия на 1 для графика разности средних бессмысленна. Исправление: «Поставь линию отсутствия эффекта на 0 для разностей средних и на 1 для мер-отношений».
- Линейная ось для отношений. Отношения шансов и рисков скошены на линейной шкале. Исправление: «Используй логарифмическую шкалу для оси X, чтобы доверительные интервалы выглядели симметрично».
- Отсутствие весов исследований. Одинаковые квадраты скрывают, какие исследования задают результат. Исправление: «Сделай размер квадратов пропорциональным весу и добавь колонку с весом».
- Нет суммарного ромба. Стопка исследований без сводки — это не рисунок мета-анализа. Исправление: «Добавь суммарный ромб внизу».
- Пропуск гетерогенности. Читателям нужны I² и τ², чтобы оценить синтез. Исправление: «Добавь I², τ² и p-value гетерогенности под ромбом».
- Невыровненные колонки. Названия исследований, оценки и CI, которые не выстроены, выглядят неряшливо. Исправление: «Выровняй колонки исследования, оценки, CI и веса в аккуратные вертикальные дорожки».
Экспорт и использование
Когда график готов, экспортируйте его под нужную цель:
- «Экспортируй это как PNG 300 DPI на полную ширину журнальной страницы».
- «Дай SVG, чтобы я мог поправить в Illustrator перед подачей».
- «Экспортируй в высоком разрешении с белым фоном для дополнительного файла».
Forest plot обычно лишь один из рисунков в большом пакете систематического обзора. Дополните его материалом как построить блок-схему PRISMA для потока отбора исследований и как построить диаграмму CONSORT, если вы также сообщаете о самих испытаниях. Продолжайте дорабатывать текст с помощью как редактировать текст и подписи в ИИ-рисунках. Всё остаётся редактируемым в редакторе SciDraw AI.
Часто задаваемые вопросы
Как построить forest plot для мета-анализа без R или RevMan?
Откройте генератор forest plot, укажите меру эффекта (отношение шансов, относительный риск, разность средних или отношение рисков), перечислите каждое исследование с его оценкой и 95% CI — и ИИ построит строки, веса и суммарный ромб. Всё дорабатывается текстовыми командами — никаких metafor или RevMan.
В чём разница между forest plot для отношения шансов и для относительного риска? Обе меры — отношения, наносятся на логарифмическую ось X с линией отсутствия эффекта на 1, так что компоновка идентична. Разница в исходном расчёте и интерпретации; просто укажите генератору, какую меру использует ваши данные, и он подпишет ось соответственно.
Где проходит линия отсутствия эффекта? На 1 для мер-отношений (отношение шансов, относительный риск, отношение рисков) в логарифмической шкале и на 0 для мер-разностей (разность средних, стандартизованная разность средних) в линейной шкале. Если назвать меру эффекта заранее, линия встанет правильно.
Как показать веса исследований на forest plot? Попросите ИИ сделать размер квадрата каждого исследования пропорциональным весу и добавить колонку „Weight (%)“. Более крупные квадраты означают больший вклад исследования в суммарную оценку — ключевую условность рисунков мета-анализа.
Можно ли построить подгрупповой forest plot? Да. Укажите генератору forest plot, как сгруппировать исследования, и он создаст отдельные подгруппы, каждую с промежуточным ромбом, плюс общий ромб и необязательный тест на гетерогенность между подгруппами.
Постройте свой forest plot прямо сейчас
Пропустите настройку RevMan. Перечислите исследования, назовите меру эффекта и дайте ИИ собрать аккуратный, взвешенный, готовый к публикации forest plot с суммарным ромбом. Откройте генератор forest plot или сразу переходите в редактор SciDraw AI, чтобы построить свой прямо сейчас.
