O que é uma metanálise? Como interpretar o resultado combinado

Cada estudo fornece uma estimativa, como uma razão de risco ou diferença média, juntamente com a incerteza. Uma meta-análise combina estimativas adequadas usando um método específico. Não é uma média simples de todos os números nos artigos. Estudos mais precisos frequentemente recebem maior peso, embora a ponderação exata dependa do método e do modelo.

O resultado agrupado resume a evidência inserida nessa análise sob suas suposições. Não é automaticamente o efeito que ocorrerá em todos os contextos. Um intervalo estreito não pode corrigir um resultado registrado incorretamente, um estudo tendencioso ou uma combinação inadequada de questões de pesquisa. Essas questões devem ser consideradas antes e depois do cálculo.

Uma revisão sistemática define a questão, encontra e seleciona evidências, avalia os estudos e sintetiza os achados. A meta-análise é um método de síntese possível dentro desse processo. Agrupar uma coleção conveniente de estudos não torna a coleção sistemática, e uma revisão cuidadosamente conduzida pode concluir que o agrupamento não seria útil.

Quando uma manchete diz “uma meta-análise de vinte estudos”, pergunte como os estudos foram encontrados, por que eram elegíveis e se várias publicações descrevem os mesmos participantes. O número por si só não estabelece cobertura adequada. O expicador de revisão sistemática descreve esse rastro de evidência mais amplo.

Primeiro, defina a pergunta e a quantidade que deseja estimar. Populações, intervenções ou exposições, comparadores, desfechos e períodos de acompanhamento devem ser suficientemente compatíveis para que a combinação planejada tenha algum significado. Os estudos não precisam ser idênticos, mas as diferenças exigem uma justificativa científica.

Em seguida, verifique a independência e a disponibilidade de dados. Relatos múltiplos dos mesmos participantes, pontos de tempo repetidos e grupos de controle compartilhados podem criar estimativas correlacionadas. Considerá-los como independentes pode fazer com que a incerteza pareça pequena demais. Uma estimativa pontual também pode ser inutilizável para um cálculo específico sem uma medida adequada de incerteza ou informações a partir das quais derivá-la.

As situações fictícias abaixo referem-se todas a um resultado planejado de 12 semanas. Elas ilustram decisões sobre a inclusão nessa síntese, não testes de um produto específico. Dados ausentes ou um ponto de tempo incompatível podem excluir um resultado desse cálculo sem excluir um estudo que seria elegível de toda a revisão.

Uma razão de risco compara probabilidades de eventos. Uma razão de chances compara as chances: a probabilidade dividida por um menos essa probabilidade. As duas não são intercambiáveis, especialmente quando os eventos são comuns. Uma diferença de médias utiliza a unidade de medida original, enquanto uma diferença de médias padronizada expressa a diferença em relação à variabilidade. Cochrane capítulo de medida de efeito explica essas escolhas.

Para uma medida de razão, 1 é o valor de ausência de diferença; para uma medida de diferença, geralmente é 0. Uma razão abaixo de 1 não é inerentemente benéfica. Verifique se o evento é desejável ou prejudicial, qual grupo está no numerador e como o desfecho é definido. Um efeito relativo também precisa de um risco de referência relevante para expressar seu impacto absoluto.

Medidas de razão são comumente analisadas em uma escala logarítmica. Como log(1) = 0, um intervalo simétrico em torno de uma estimativa logarítmica se torna assimétrico quando exponenciado de volta à escala de razão. Isso é esperado, não é um erro de plotagem. O exemplo abaixo usa razões de risco logarítmicas para tornar o cálculo transparente; nenhum evento real ou intervenção é atribuído.

Para cálculos mais completos e conversões além deste exemplo, veja o guia sobre d de Cohen, g de Hedges, razões de chances e razões de risco. Mantenha a medida, a direção da comparação, as unidades e o acompanhamento anexados a cada estimativa ao usar esses métodos.

O conjunto de dados a seguir é inteiramente sintético. Ele contém três estimativas de estudos independentes com razões de risco logarítmicas de 0,10, 0,20 e 0,30; cada uma tem um erro padrão de 0,10. Usamos um cálculo de efeito comum por inverso da variância e um intervalo de confiança de 95% por aproximação normal para ilustrar o método. Os erros padrão iguais tornam os pesos iguais; este não é um exemplo de ponderação desigual ou de evidência sobre uma intervenção real.

Cada variância é 0,10² = 0,01, então cada peso pelo inverso da variância é 100. O peso total é 300, e a média ponderada é (100 × 0,10 + 100 × 0,20 + 100 × 0,30) / 300 = 0,20. O erro padrão agrupado é √(1 / 300) = 0,057735. Usando 1,96 erros padrão, temos um intervalo na escala logarítmica de aproximadamente 0,08684 a 0,31316.

Exponenciar resulta em uma razão de risco agrupada de 1,221 e um intervalo de confiança de 95% de 1,091 a 1,368. Cada estudo fornece um terço do peso; os percentuais exibidos são arredondados. Os mesmos cálculos produzem os intervalos dos estudos na tabela. Como nenhum evento real ou comparador foi atribuído, o exemplo não possui uma direção benefício versus dano. Uma razão acima de 1 simplesmente indica uma maior probabilidade de evento no grupo do numerador nesta comparação construída.

No gráfico de floresta, um marcador localiza a estimativa de cada estudo e sua linha horizontal mostra o intervalo de confiança. A linha de referência vertical em 1 indica ausência de diferença de razão. O losango agrupado se centra em 1,221 e se estende de 1,091 a 1,368. Um losango estreito descreve a precisão sob este modelo; não avalia viés, evidência ausente ou aplicabilidade. A tabela acessível contém as mesmas informações numéricas da figura.

Um modelo de efeito comum, frequentemente chamado de modelo de efeito fixo neste contexto, trata os estudos como estimando um efeito subjacente único para a análise. Um modelo de efeitos aleatórios permite que os efeitos subjacentes variem e resume sua distribuição. Escolha o modelo com base na questão científica e nas diferenças plausíveis, não apenas porque um teste de heterogeneidade ultrapassa um limite. O capítulo de meta-análise de Cochrane explica as suposições e métodos.

A heterogeneidade clínica e metodológica diz respeito a diferenças entre participantes, contextos, desenhos e medições. A heterogeneidade estatística descreve a variação nos estimadores além do erro de amostragem sob o modelo. I² resume a inconsistência relativa; não é a porcentagem de estudos de baixa qualidade nem o tamanho do efeito. Sua estimativa pode ser incerta, especialmente com poucos estudos. A variância entre estudos, τ², descreve outro aspecto dessa variação.

Um modelo de efeitos aleatórios não corrige uma combinação inadequada nem remove viés. Os resultados dependem do estimador de variância e do método de intervalo, particularmente com poucos estudos. Um intervalo de predição descreve a dispersão dos efeitos subjacentes em contextos comparáveis sob suposições adicionais. É diferente do intervalo de confiança em torno da média agrupada e não é uma garantia para um estudo novo específico.

Use análises de subgrupos ou de sensibilidade predefinidas para examinar diferenças significativas quando justificado, e identifique alterações exploratórias. Se a próxima tarefa for verificar se o software implementa essas escolhas corretamente, o guia de ferramentas de meta-análise cobre os insumos, códigos e registros necessários para uma análise reprodutível.

O viés nos estudos incluídos pode se refletir na estimativa combinada. Resultados ausentes, relatórios seletivos e falhas na condução do estudo não são corrigidos pelos pesos de variância inversa. Use uma avaliação apropriada ao desenho do estudo e interprete como isso afeta o resultado específico; veja a orientação sobre viés Cochrane.

Evidências ausentes são outra preocupação. Se estudos ou resultados forem menos propensos a estarem disponíveis devido aos seus achados, o conjunto observado pode fornecer uma imagem distorcida. Gráficos em funil e testes estatísticos exigem interpretação cuidadosa; assimetria não é prova de viés de publicação, e um gráfico aparentemente tranquilizador não estabelece que nada está faltando. O capítulo sobre resultados ausentes de Cochrane discute o problema e os métodos de avaliação.

Finalmente, diferencie um intervalo de confiança que exclui o nulo de um resultado importante ou certo. A significância estatística não especifica a importância prática, aplicabilidade ou a certeza da evidência. Leia o tamanho do efeito e o intervalo juntamente com as limitações do estudo, inconsistência, indireção e outras considerações relevantes. A orientação de certeza de Cochrane fornece um quadro quando aplicável.

• Interprete o resultado apenas após verificar os dados-fonte e as identidades dos estudos.

• Leia análises de sensibilidade e decisões sobre dados ausentes juntamente com a estimativa principal.

• Distinga evidência insuficiente de evidência de que um efeito importante está ausente.

• Leve em conta as limitações materiais na conclusão, não apenas em um apêndice técnico.

Quando uma estimativa combinada não responderia à pergunta, use uma alternativa explícita. Tabelas ou gráficos estruturados sem combinação podem manter os resultados dos estudos visíveis; outras perguntas podem precisar de síntese qualitativa ou de um método diferente. Explique como os estudos foram agrupados e como os achados foram comparados, em vez de contar resultados significativos. A orientação de Cochrane sobre outros métodos de síntese fornece opções metodológicas, e o guia de fluxo de trabalho de evidence-synthesis ajuda a conectar a abordagem escolhida a um conjunto de ferramentas.

Qualquer que seja o método utilizado, mantenha os insumos e as razões necessárias para revisitar a análise. O guia de relatórios PRISMA explica como conectar os métodos e achados ao relatório. Escolher e verificar o software de análise é um próximo passo separado; isso não resolve se a pergunta suporta a combinação dos resultados.