Was ist eine Metaanalyse? Wie man ein gepooltes Ergebnis liest

Jede Studie liefert eine Schätzung, wie ein Risikoquotient oder Mittelwertdifferenz, zusammen mit einer Unsicherheit. Eine Meta-Analyse kombiniert geeignete Schätzungen unter Verwendung einer bestimmten Methode. Es ist kein einfacher Durchschnitt aller Zahlen in den Studien. Präzisere Studien erhalten häufig ein höheres Gewicht, obwohl das genaue Gewicht von der Methode und dem Modell abhängt.

Das gepoolte Ergebnis fasst die in diese Analyse unter ihren Annahmen eingegebenen Beweise zusammen. Es ist nicht automatisch der Effekt, der in jeder Umgebung auftritt. Ein enges Intervall kann kein falsch erfasstes Ergebnis, eine voreingenommene Studie oder eine ungeeignete Kombination von Forschungsfragen korrigieren. Diese Probleme müssen vor und nach der Berechnung berücksichtigt werden.

Eine systematische Übersichtsarbeit definiert die Fragestellung, sucht und wählt Beweise aus, bewertet Studien und synthetisiert die Ergebnisse. Meta-Analyse ist eine mögliche Synthesemethode innerhalb dieses Prozesses. Das Zusammenfassen einer praktischen Ansammlung von Studien macht diese Sammlung nicht systematisch, und eine sorgfältig durchgeführte Übersichtsarbeit kann zu dem Schluss kommen, dass eine Zusammenfassung nicht nützlich wäre.

Wenn eine Überschrift sagt „eine Meta-Analyse von zwanzig Studien“, fragen Sie, wie die Studien gefunden wurden, warum sie geeignet waren und ob mehrere Veröffentlichungen dieselben Teilnehmer beschreiben. Die Zahl allein stellt keine angemessene Abdeckung dar. Der Erklärer zur systematischen Übersichtsarbeit beschreibt diese breitere Evidenzspur.

Definieren Sie zunächst die Frage und die Größe, die Sie schätzen möchten. Populationen, Interventionen oder Expositionen, Vergleichsgruppen, Ergebnisse und Nachbeobachtungszeiten müssen ausreichend kompatibel sein, damit die geplante Kombination sinnvoll ist. Studien müssen nicht identisch sein, aber die Unterschiede erfordern eine wissenschaftliche Begründung.

Überprüfen Sie dann die Unabhängigkeit und Verfügbarkeit der Daten. Mehrere Berichte über dieselben Teilnehmer, wiederholte Zeitpunkte und gemeinsame Kontrollgruppen können korrelierte Schätzungen erzeugen. Sie als unabhängig zu behandeln, kann die Unsicherheit zu gering erscheinen lassen. Eine Punktschätzung kann auch für eine bestimmte Berechnung unbrauchbar sein, wenn kein geeignetes Maß für die Unsicherheit oder keine Informationen vorliegen, aus denen sie abgeleitet werden kann.

Die fiktiven Situationen unten betreffen alle ein geplantes 12-Wochen-Ergebnis. Sie veranschaulichen Entscheidungen über die Aufnahme dieser Synthese, nicht Tests eines bestimmten Produkts. Fehlende Daten oder ein inkompatibler Zeitpunkt können ein Ergebnis von dieser Berechnung ausschließen, ohne eine ansonsten berechtigte Studie von der gesamten Überprüfung auszuschließen.

Ein Risikoquotient vergleicht Ereigniswahrscheinlichkeiten. Ein Chancenverhältnis vergleicht Chancen: die Wahrscheinlichkeit geteilt durch eins minus diese Wahrscheinlichkeit. Die beiden sind nicht austauschbar, insbesondere wenn Ereignisse häufig vorkommen. Ein Mittelwertunterschied verwendet die ursprüngliche Maßeinheit, während ein standardisierter Mittelwertunterschied den Unterschied relativ zur Variabilität ausdrückt. Cochrane Kapitel über Wirkungsmaße erklärt diese Entscheidungen.

Für ein Verhältnismaß ist 1 der Nicht-Differenz-Wert; für ein Differenzmaß ist er üblicherweise 0. Ein Verhältnis unter 1 ist an sich nicht vorteilhaft. Prüfen Sie, ob das Ereignis wünschenswert oder schädlich ist, welche Gruppe der Zähler ist und wie das Ergebnis definiert ist. Ein relativer Effekt benötigt außerdem ein relevantes Baseline-Risiko, um seine absolute Wirkung auszudrücken.

Verhältnismaße werden üblicherweise auf logarithmischer Skala analysiert. Da log(1) = 0 ist, wird ein symmetrisches Intervall um eine logaritmische Schätzung asymmetrisch, wenn es auf die Verhältnisskala exponentiert wird. Das ist zu erwarten, kein Plottfehler. Das folgende Beispiel verwendet logaritmische Risikoverhältnisse, um die Berechnung transparent zu machen; es wird kein reales Ereignis oder Eingriff zugewiesen.

Für ausführlichere Berechnungen und Umrechnungen über dieses Beispiel hinaus siehe den Leitfaden zu Cohens d, Hedges' g, Odds Ratios und Risk Ratios. Behalten Sie bei Verwendung dieser Methoden Messwert, Vergleichsrichtung, Einheiten und Nachverfolgung an jede Schätzung fest.

Der folgende Datensatz ist vollständig synthetisch. Er enthält drei unabhängige Studienergebnisse mit logarithmierten Risikoverhältnissen von 0,10, 0,20 und 0,30; jede hat einen Standardfehler von 0,10. Wir verwenden eine Kalkulation nach dem Invers-Varianz-Prinzip mit einem gemeinsamen Effekt und ein 95%-Konfidenzintervall nach Normalapproximation, um die Methode zu veranschaulichen. Die gleichen Standardfehler führen zu gleichen Gewichten; dies ist kein Beispiel für ungleiche Gewichtung oder für Hinweise auf eine reale Intervention.

Jede Varianz beträgt 0,10² = 0,01, daher beträgt jedes Invers-Varianz-Gewicht 100. Das Gesamtgewicht beträgt 300, und der gewichtete Mittelwert ist (100 × 0,10 + 100 × 0,20 + 100 × 0,30) / 300 = 0,20. Der gepoolte Standardfehler ist √(1 / 300) = 0,057735. Die Verwendung von 1,96 Standardfehlern ergibt ein Intervall auf der Log-Skala von ungefähr 0,08684 bis 0,31316.

Exponentiation ergibt ein gepooltes Risikoverhältnis von 1,221 und ein 95%-Konfidenzintervall von 1,091 bis 1,368. Jede Studie liefert ein Drittel des Gewichts; die angezeigten Prozentsätze sind gerundet. Dieselben Berechnungen liefern die Studienintervalle in der Tabelle. Da keinem realen Ereignis oder Vergleichswert zugeordnet wurde, hat das Beispiel keine Richtung von Nutzen gegenüber Schaden. Ein Verhältnis über 1 zeigt einfach eine größere Ereigniswahrscheinlichkeit in der Zählergruppe in diesem konstruierten Vergleich an.

Im Waldplot markiert ein Symbol jede Studienüberschätzung, und seine horizontale Linie zeigt das Konfidenzintervall. Die vertikale Referenzlinie bei 1 zeigt keinen Unterschied im Verhältnis an. Der gepoolte Diamant liegt zentriert bei 1,221 und reicht von 1,091 bis 1,368. Ein schmaler Diamant beschreibt die Präzision unter diesem Modell; er bewertet nicht Verzerrung, fehlende Belege oder Anwendbarkeit. Die zugängliche Tabelle enthält dieselben numerischen Informationen wie die Abbildung.

Ein Modell mit gemeinsamer Wirkung, oft in diesem Zusammenhang als Fixed-Effect-Modell bezeichnet, behandelt die Studien so, dass sie einen zugrunde liegenden Effekt für die Analyse schätzen. Ein Random-Effects-Modell erlaubt es den zugrunde liegenden Effekten zu variieren und fasst deren Verteilung zusammen. Wählen Sie das Modell entsprechend der wissenschaftlichen Fragestellung und plausiblen Unterschieden, nicht nur, weil ein Heterogenitätstest einen Schwellenwert überschreitet. Cochrane’s Meta-Analyse-Kapitel erklärt die Annahmen und Methoden.

Klinische und methodische Heterogenität betreffen Unterschiede in Teilnehmern, Umgebungen, Designs und Messungen. Statistische Heterogenität beschreibt die Variation in den Schätzungen über den Stichprobenfehler hinaus unter dem Modell. I² fasst die relative Inkonsistenz zusammen; es ist weder der Prozentsatz minderwertiger Studien noch die Effektgröße. Seine Schätzung kann unsicher sein, insbesondere bei wenigen Studien. Die zwischenstudienvarianz, τ², beschreibt einen weiteren Aspekt dieser Variation.

Ein Random-Effekte-Modell behebt keine unangemessene Kombination oder entfernt Verzerrungen. Die Ergebnisse hängen vom Varianzschätzer und der Intervallmethode ab, insbesondere bei wenigen Studien. Ein Prognoseintervall beschreibt die Streuung der zugrunde liegenden Effekte in vergleichbaren Settings unter zusätzlichen Annahmen. Es unterscheidet sich vom Konfidenzintervall um den gepoolten Mittelwert und ist keine Garantie für eine bestimmte neue Studie.

Verwenden Sie vordefinierte Subgruppen- oder Sensitivitätsanalysen, um sinnvolle Unterschiede dort zu untersuchen, wo dies gerechtfertigt ist, und identifizieren Sie explorative Änderungen. Wenn die nächste Aufgabe darin besteht zu überprüfen, ob die Software diese Entscheidungen korrekt implementiert, deckt der meta-Analyse-Leitfaden die Eingaben, den Code und die Aufzeichnungen ab, die für eine reproduzierbare Analyse benötigt werden.

Verzerrungen in den eingeschlossenen Studien können in die gepoolte Schätzung einfließen. Fehlende Ergebnisse, selektive Berichterstattung und Mängel in der Studienführung werden durch inverse Varianzgewichtung nicht korrigiert. Verwenden Sie eine das Design berücksichtigende Beurteilung und interpretieren Sie, wie sie das jeweilige Ergebnis beeinflusst; siehe die Verzerrungsleitlinien von Cochrane.

Fehlende Evidenz ist ein weiteres Anliegen. Wenn Studien oder Ergebnisse aufgrund ihrer Befunde weniger wahrscheinlich verfügbar sind, kann das beobachtete Set ein verzerrtes Bild ergeben. Trichterdiagramme und statistische Tests erfordern eine sorgfältige Interpretation; Asymmetrie ist kein Beweis für Publikationsbias, und ein beruhigend aussehendes Diagramm stellt nicht fest, dass nichts fehlt. Das Kapitel zu fehlenden Ergebnissen von Cochrane behandelt das Problem und die Bewertungsmethoden.

Unterscheiden Sie schließlich ein Konfidenzintervall, das den Nullwert ausschließt, von einem wichtigen oder sicheren Ergebnis. Statistische Signifikanz gibt keine Auskunft über praktische Relevanz, Anwendbarkeit oder die Sicherheit der Evidenz. Lesen Sie die Effektgröße und das Intervall zusammen mit Studienbeschränkungen, Inkonsistenzen, Indirektheit und anderen relevanten Erwägungen. Die Certainty-Guidance von Cochrane bietet, wo anwendbar, einen Rahmen.

• Interpretieren Sie das Ergebnis erst, nachdem die Quelldaten und die Identität der Studie überprüft wurden.

• Lesen Sie Sensitivitätsanalysen und Entscheidungen zu fehlenden Daten zusammen mit der Hauptschätzung.

• Unterscheiden Sie unzureichende Evidenz von der Evidenz, dass ein wichtiger Effekt nicht vorhanden ist.

• Beziehen Sie wesentliche Einschränkungen in die Schlussfolgerung ein, nicht nur in einen technischen Anhang.

Wenn eine gepoolte Schätzung die Frage nicht beantworten würde, verwenden Sie eine explizite Alternative. Strukturierte Tabellen oder Diagramme ohne Pooling können die Studienergebnisse sichtbar halten; andere Fragen benötigen möglicherweise eine qualitative Synthese oder eine andere Methode. Erklären Sie, wie Studien gruppiert und Befunde verglichen wurden, anstatt nur signifikante Ergebnisse zu zählen. Die Anleitung von Cochrane zu anderen Synthesemethoden bietet methodische Optionen, und der evidence-Synthese-Workflow-Leitfaden hilft, den gewählten Ansatz mit einer Toolkette zu verbinden.

Welche Methode auch immer Sie verwenden, bewahren Sie die Eingaben und Gründe auf, die erforderlich sind, um die Analyse zu überprüfen. Der PRISMA Berichtleitfaden erklärt, wie man Methoden und Ergebnisse mit dem Bericht verbindet. Die Auswahl und Überprüfung von Analyse-Software ist ein separater nächster Schritt; sie klärt nicht, ob die Frage Pooling unterstützt.