（1）数据提取相关的软件：GetData Graph Digitizer 2.24, Origin 9; Meta分析相关软件：stata12软件, 以及Meta-disc 1.4 （下载地址http：//www.hrc.es/investigacion/metadisc_en.htm）使用方法简单^[13]。

（2）截取文章中ROC曲线图, 导入GetData Graph Digitizer 2.24中, 点击Set the scale < E:\X循证医学\循证2016-3\Q瞿-a.tif> 设定坐标轴原点（0, 0）, X-max （1, 0）和Y-max （0, 1）, 如图1。

图1

	Figure Option ViewDownloadNew Window
	图1 导入图片设置X、Y 轴

（3）为了方便, 选择Show grid< E:\X循证医学\循证2016-3\Q瞿-b.tif> , 选择Area is related to axes, 设置Grid, 其中dx的值表示为被等分X轴的间距, dy的值为被等分Y轴的间距。本文以Kumar等^[10]文献为例, miRNA-122鉴别慢性病毒性肝炎患者和健康人的ROC曲线图提取说明作为演示, 文章中鉴别的样本分别为丙型肝炎患者和健康人各25例, 因此此处设置的dx=0.04和dy=0.04, 如图2。

图2

	Figure Option ViewDownloadNew Window
	图2 网格的设置对话框

（4）定义后的网格图如图3, 此时两坐标均被等分为25等分, 以Y轴为例, 选择Point capture mode< c:\program files\founder\founderfx6\plugins\v12pluginwordtranslator\wordimage\xxx-354A\image5.png> , 我们在ROC曲线与每个网格交叉点提取数据点。

图3

	Figure Option ViewDownloadNew Window
	图3 网格线以及数据点的提取

（5）数据被完整的记录于右侧的数据栏, 通过File-Export data步骤导出。

（6）将导出后的数据, 粘贴至Origin 9.0软件中, 通过Analysis-mathematics-integrate步骤, 打开对话框后, 即可得到ROC曲线的曲线下面积（area under roc curve, AUC）, 如图4。得出的结果AUC=0.929, 与文章报道的结果AUC=0.92相一致。

图4

	Figure Option ViewDownloadNew Window
	图4 Origin 9.0 计算的AUC 曲线面积结果框

（7）将第6步数据复制到Excel中, 利用约登指数J=specificity+sensitivity-1和曲线上的点（x, y）到坐标点（0, 1）距离d=sqrt（（x-0）2+（y-1）2）, 找出具有最大约登指数Jmax和最小距离dmin对应点的灵敏度和特异度值。如本文通过以上规则取得敏感度为92.02%、特异度83.92%（被选中部分）, 如图5所示, 通过对比发现提取的敏感性与特异性与原文献的92.00%和84.00%一致。

图5

	Figure Option ViewDownloadNew Window
	图5 敏感性和特异性数据的提取

（8）以同样的方法对未提供数据文献的ROC曲线图进行数据的提取, 提取的敏感性和特异性分别为95.26%、92.80%^[14]、79.16%、93.15%^[16]和97.70%、92.50%^[18]。

在进行Meta分析的实践中, 我们经常会遇到这样的情况, 当想纳入某篇文献时, 因缺少小部分数据而不得不放弃, 这样一方面可能使我们的研究产生偏倚, 另一方面也会因纳入文献的数量有限, 降低了Meta分析的可信度。联系作者当然是很好的一种解决方法, 但不可否认的情形是大多数作者因时间原因导致数据的丢失或甚至得不到作者的回复, 因此从作者发表文章的图中得到数据不失为一种方便省力的途径, 在这点上, 有一些数据提取软件如Engauge被广泛使用, 它可以很好地提取生存曲线上的数据^{[19, 20]}。另一款优秀的软件GetData Graph Digitizer能简便、真实和高效地提取图片中的数据, 因而也被用于一些研究中^[21]。借此, 本文通过GetData Graph Digitizer软件提取ROC曲线中的数据, 我们发现所提取的数据与原文的结果一致, 说明此软件提取的数据是可信赖的。接着我们用此方法提取到没有给出具体数据的3篇文献中的敏感性和特异性值, 根据上述原则, 我们综合并选择了95.26%、92.80%, 79.16%、93.15%和97.70%、92.50%分别作为其敏感性和特异性值。

用所提取的数据进行Meta分析结果表明, 汇总的ROC曲线下面积为0.94 （95%CI 0.92~0.96）; 敏感性为0.90（95%CI 0.83~0.95）, 存在较高的异质性I2=69.27%; 特异性为0.89（95%CI 0.83~0.93）, I2=43.04%。我们采用Spearman相关分析检验其是否为阈值效应引起的异质性, 通过分析发现其相关系数R=-0.086, P=0.872, 说明其异质性的产生并非由阈值效应引起^{[22, 23, 24]}, 通过Meta回归分析表明, 年份、国家、检测方法、年龄以及性别比等均不是异质性的主要来源, 异质性可能来源于其他方面。在不同肝炎病毒感染的分析中发现, 相比从健康人中鉴别HCV, miRNA-122用于鉴别HBV感染的灵敏性更高, 两者AUC分别为93.35%和98.05%。

通过数据库的检索, 共6篇文献被纳入到我们的Meta分析中, 我们汇总的结果支持血清中miRNA-122可用于慢性病毒性肝炎的鉴别诊断, 但是, 这些研究也存在一些不足。其一, 根据最大约登指数原则, 我们用软件提取了ROC上的敏感性和特异性数据, 虽然很实用, 但这种方法自身也存在着一定的限制, 例如当研究某种癌症的诊断指标时, 临床实践中需要控制并减少对癌症漏诊情况的发生, 此时需要根据实际的临床要求对敏感性和特异性进行倾斜, 选择参考标准可接受的 cut-off 值。其二, 虽然通过Deek’ s检测结果表明, 我们所纳入的文献并无明显的发表偏倚存在（P=0.92）, 但鉴于纳入研究的文献数量较少, 可能导致结果的不稳定性, 我们也没有足够的数据对异质性等作进一步的分析, 并且以上研究结果也需谨慎地看待。但就目前数据表明, miRNA-122能对慢性病毒性肝炎的诊断具有较高的诊断价值, 当然更多、更高质量的文献需要被纳入作为慢性病毒性肝炎的诊断。