ApproachesEdit
Meta-analyysia suoritettaessa voidaan yleensä erottaa kahden tyyppiset todisteet: yksittäisten osallistujien tiedot (IPD) ja kootut tiedot (AD ). Yhteenvetotiedot voivat olla suoria tai epäsuoria.
AD on yleisemmin saatavissa (esim. Kirjallisuudesta) ja edustaa tyypillisesti yhteenvetoarvioita, kuten kerroinsuhteita tai suhteellisia riskejä. Tämä voidaan syntetisoida suoraan käsitteellisesti samanlaisissa tutkimuksissa käyttämällä useita lähestymistapoja (katso alla). Toisaalta epäsuorat aggregaattitiedot mittaavat kahden hoidon vaikutusta, joita molempia verrattiin vastaavaan kontrolliryhmään meta-analyysissä. Esimerkiksi, jos hoitoa A ja hoitoa B verrattiin suoraan lumelääkkeeseen erillisissä meta-analyyseissä, voimme käyttää näitä kahta yhdistettyä tulosta saadaksesi arvion A: n ja B: n vaikutuksista epäsuorassa vertailussa vaikutuksena A vs lumelääke miinus vaikutus B vs. lumelääke.
IPD-todisteet edustavat tutkimuskeskusten keräämää raakatietoa. Tämä ero on herättänyt tarpeen käyttää erilaisia meta-analyyttisiä menetelmiä, kun todisteiden synteesiä halutaan, ja se on johtanut yksivaiheisten ja kaksivaiheisten menetelmien kehittämiseen. Yhden vaiheen menetelmissä kaikkien tutkimusten IPD mallinnetaan samanaikaisesti samalla kun otetaan huomioon osallistujien ryhmittyminen tutkimuksissa. Kaksivaiheisilla menetelmillä lasketaan ensin AD: n yhteenvetotilastot kustakin tutkimuksesta ja lasketaan sitten kokonaistilastot tutkimustilastojen painotettuna keskiarvona. Pienentämällä IPD AD: ksi voidaan kaksivaiheisia menetelmiä soveltaa myös silloin, kun IPD on käytettävissä; tämä tekee heistä houkuttelevan valinnan suoritettaessa meta-analyysiä. Vaikka perinteisesti uskotaan, että yksivaiheiset ja kaksivaiheiset menetelmät tuottavat samanlaisia tuloksia, viimeaikaiset tutkimukset ovat osoittaneet, että ne voivat toisinaan johtaa erilaisiin johtopäätöksiin.
Tilastolliset mallit aggregaattitiedoilleMuokkaa
Suora näyttö: Mallit, jotka sisältävät vain tutkimusvaikutuksiaMuokkaa
Kiinteiden vaikutusten malliMuokkaa
Kiinteiden vaikutusten malli tarjoaa painotetun keskiarvon tutkimuksen arvioista. Arvioiden käänteistä ”varianssia käytetään yleisesti tutkimuksen painona, joten suuremmilla tutkimuksilla on taipumus vaikuttaa enemmän kuin pienempiin tutkimuksiin painotettuun keskiarvoon. Näin ollen, kun meta-analyysin tutkimuksia hallitsee erittäin suuri tutkimus, Tärkeintä on, että kiinteiden vaikutusten mallissa oletetaan, että kaikki mukana olevat tutkimukset tutkivat samaa populaatiota, käyttävät samoja muuttuja- ja tulosmäärittelyjä jne. Tämä oletus on tyypillisesti epärealistinen, koska tutkimus on usein altis useille heterogeenisuuden lähteille; esim. hoitovaikutukset voivat vaihdella kielen, annostustasojen, tutkimusolosuhteiden jne … mukaan.
Satunnaisten vaikutusten malliMuokkaa
Heterogeenisen tutkimuksen syntetisoimiseksi käytetty yleinen malli on Tämä on yksinkertaisesti painotettu keskiarvo tutkimusryhmän vaikutuskokoista. Paino, jota käytetään tässä painotetun keskiarvon laskennan satunnaisvaikutusten meta-analyysillä saavutettu kahdessa vaiheessa:
- Vaihe 1: Käänteisvarianssipainotus
- Vaihe 2: Poista tämän käänteisvarianssipainotuksen painotus soveltamalla satunnaisvaikutusten varianssikomponenttia (REVC), joka johtuu yksinkertaisesti taustalla olevien tutkimusten vaikutuskokojen vaihteluvälistä.
Tämä tarkoittaa, että mitä suurempi tämä vaihtelu vaikutuskokoissa (tunnetaan myös nimellä heterogeenisuus), sitä suurempi on painotus ja tämä voi päästä pisteeseen, kun satunnaisten vaikutusten meta-analyysituloksesta tulee yksinkertaisesti painoton keskimääräinen vaikutuskoko tutkimuksissa. Toisessa ääripäässä, kun kaikki vaikutuskoot ovat samanlaiset (tai vaihtelu ei ylitä näytteenottovirhettä), REVC: tä ei sovelleta ja satunnaisvaikutusten meta-analyysi on oletuksena yksinkertaisesti kiinteän vaikutuksen meta-analyysi (vain käänteisvarianssipainotus).
Tämän käännöksen laajuus riippuu yksinomaan kahdesta tekijästä:
- Tarkkuuden heterogeenisuus
- Vaikuttavuuden koon heterogeenisuus
Koska kumpikaan näistä tekijöistä ei automaattisesti osoita viallista suurempaa tutkimusta tai luotettavampia pienempiä tutkimuksia, painojen uudelleenjako tässä mallissa ei ole yhteydessä siihen, mitä nämä tutkimukset todella tarjoavat. Itse asiassa on osoitettu, että painojen uudelleenjako on yksinkertaisesti yhdessä suunnassa suuremmista pienempiin tutkimuksiin, kun heterogeenisuus kasvaa, kunnes lopulta kaikilla tutkimuksilla on sama paino ja uudelleenjakoa ei voida suorittaa. Toinen satunnaisten vaikutusten mallin asia on, että yleisimmin käytetty Luottamusvälit eivät yleensä pidä kattavuustodennäköisyyttään määritetyn nimellistason yläpuolella ja aliarvioivat siten olennaisesti tilastovirheen ja ovat mahdollisesti itsevarmoja päätelmissään. Useita korjauksia on ehdotettu, mutta keskustelu jatkuu.Toinen huolenaihe on, että keskimääräinen hoitovaikutus voi joskus olla jopa vähemmän konservatiivinen kiinteän vaikutuksen malliin verrattuna ja siten harhaanjohtava käytännössä. Yksi tulkintakorjaus, jota on ehdotettu, on luoda ennusteväli satunnaisvaikutusten estimaatin ympärille kuvaamaan mahdollisten vaikutusten aluetta käytännössä. Tällaisen ennustevälin laskemisen taustalla on kuitenkin oletus, että tutkimuksia pidetään enemmän tai vähemmän homogeenisina kokonaisuuksina ja että potilasjoukot ja vertailuhoidot sisällytettiin vaihdettaviksi, ja tämä on käytännössä tavoittamatonta.
yleisimmin käytetty menetelmä varianssien (REVC) arvioimiseksi on DerSimonian-Laird (DL) -lähestymistapa. Tutkimusten välisen varianssin laskemiseksi on olemassa useita kehittyneitä iteratiivisia (ja laskennallisesti kalliita) tekniikoita (kuten suurin todennäköisyys, profiilin todennäköisyys ja rajoitettu suurin todennäköisyys -menetelmät), ja näitä menetelmiä käyttäviä satunnaisia vaikutuksia koskevia malleja voidaan ajaa Statassa metaan-komennolla. Metaan-komento on erotettava klassisesta metan (single ”a”) -komennosta Statassa, joka käyttää DL-estimaattoria. Nämä edistyneet menetelmät on myös toteutettu ilmaisessa ja helppokäyttöisessä Microsoft Excel -lisäosassa MetaEasy. Näiden kehittyneiden menetelmien ja DL-menetelmän vertailu tutkimusten välisen varianssin laskemiseksi osoitti kuitenkin, että voittoa on vähän ja DL on melko riittävä useimmissa skenaarioissa.
Useimmat meta-analyysit sisältävät kuitenkin 2 ja 4 tutkimusta, ja tällainen näyte on useimmiten riittämätön arvioimaan tarkasti heterogeenisyyttä. Siten näyttää siltä, että pienissä meta-analyyseissä saadaan virheellinen nolla tutkimuksen varianssiestimaatin välillä, mikä johtaa väärään homogeenisuusolettamukseen. Kaiken kaikkiaan näyttää siltä, että heterogeenisyyttä aliarvioidaan johdonmukaisesti meta-analyyseissä ja herkkyysanalyyseissä, joissa oletetaan, että korkeat heterogeenisyystasot voivat olla informatiivisia. Nämä edellä mainitut satunnaisvaikutelmamallit ja ohjelmistopaketit liittyvät tutkimusaggregaattien meta-analyyseihin, ja tutkijoiden, jotka haluavat suorittaa yksittäisiä potilastietoja (IPD) meta-analyysejä, on harkittava sekavaikutusten mallintamistapoja.
IVhet modelEdit
Doi & Barendregt, joka työskentelee yhteistyössä Khanin, Thalibin ja Williamsin kanssa (Queenslandin yliopistosta, Etelä-Queenslandin yliopistosta ja Kuwaitin yliopistosta), on luonut käänteisen varianssin. lähes todennäköisyyteen perustuva vaihtoehto (IVhet) satunnaisvaikutusten mallille (RE), jonka yksityiskohdat ovat saatavilla verkossa. Tämä sisällytettiin MetaXL-versioon 2.0, joka on Epigear International Pty Ltd: n tuottama ilmainen Microsoft excel -lisäosa meta-analyysejä varten ja joka julkaistiin 5. huhtikuuta 2014. Kirjoittajat toteavat, että tämän mallin selkeä etu on, että se ratkaisee molemmat satunnaisvaikutusten mallin pääongelmat. IVhet-mallin ensimmäinen etu on, että peitto pysyy luottamusvälin nimellisellä (yleensä 95%) tasolla toisin kuin satunnaisvaikutelmamalli, joka peittyy peiton kasvaessa heterogeenisyyden kasvaessa. Toinen etu on, että IVhet-malli ylläpitää yksittäisten tutkimusten käänteisvarianssipainoja, toisin kuin RE-malli, joka antaa pienille tutkimuksille enemmän painoa (ja siten suurempia tutkimuksia vähemmän) heterogeenisyyden kasvaessa. Kun heterogeenisuus kasvaa suureksi, yksittäiset tutkimuspainot RE-mallissa muuttuvat tasa-arvoisiksi ja siten RE-malli palauttaa aritmeettisen keskiarvon painotetun keskiarvon sijaan. Tätä RE-mallin sivuvaikutusta ei esiinny IVhet-mallissa, joka eroaa siis RE-mallin estimaatista kahdessa näkökulmassa: Yhdistetyt arviot suosivat suurempia kokeita (toisin kuin suurempien kokeiden rankaisemista RE-mallissa) ja luottavat aikaväli, joka pysyy nimellisen kattavuuden sisällä epävarmuuden (heterogeenisuuden) alla. Doi & Barendregt ehdottaa, että vaikka RE-malli tarjoaa vaihtoehtoisen menetelmän tutkimustietojen yhdistämiseksi, niiden simulaatiotulokset osoittavat, että tarkemman todennäköisyysmallin käyttäminen kestämättömillä oletuksilla, kuten RE-malli , ei välttämättä tuota parempia tuloksia. Jälkimmäinen tutkimus kertoo myös, että IVhet-malli ratkaisee ongelmat, jotka liittyvät tilastovirheen aliarviointiin, luottamusvälin huonoon kattavuuteen ja satunnaisten vaikutusten mallilla havaittuun lisääntyneeseen MSE: hen, ja kirjoittajat päättelevät, että tutkijoiden tulisi tästä lähtien luopua satunnaisvaikutusten mallin käytöstä meta-analyysissä. Vaikka heidän tietonsa ovat vakuuttavia, seuraukset (väärien positiivisten tulosten suuruuden suhteen Cochrane-tietokannassa) ovat valtavat, joten tämän johtopäätöksen hyväksyminen vaatii huolellista riippumatonta vahvistusta. IVhet-mallia (ja kaikkia muita vertailumalleja) käyttävän ilmaisen ohjelmiston (MetaXL) saatavuus helpottaa tätä tutkimusyhteisölle.
Suora näyttö: Mallit, jotka sisältävät lisätietoja informationMuokkaa
Laatuvaikutusten malliEdit
Doi ja Thalib esittivät alun perin laatuvaikutusten mallin. He esittivät uuden lähestymistavan tutkimusten välisen vaihtelun mukauttamiseen sisällyttämällä asiaankuuluvasta komponentista (laadusta) johtuvan varianssin osuuden satunnaisvirheestä johtuvan varianssin vaikutuksen lisäksi, jota käytetään kiinteiden vaikutusten meta-analyysimallissa tuottamaan kunkin tutkimuksen painot. Laatuvaikutusten meta-analyysin vahvuus on, että sen avulla käytettävissä olevaa metodologista näyttöä voidaan käyttää subjektiivisten satunnaisten vaikutusten sijaan ja auttaa siten poistamaan vahingollinen aukko, joka on avautunut kliinisen tutkimuksen metodologian ja tilastojen välillä. Tätä varten synteettinen biasvarianssi lasketaan laatutietojen perusteella käänteisvarianssipainojen säätämiseksi ja otetaan käyttöön i: n tutkimuksen laatutasoitettu paino. Näitä mukautettuja painoja käytetään sitten meta-analyysissä. Toisin sanoen, jos tutkimus i on hyvälaatuista ja muut tutkimukset ovat heikkolaatuisia, osa niiden laadun mukautetuista painoista jaetaan matemaattisesti uudelleen tutkimukseen i, jolloin sille annetaan enemmän painoarvoa kokonaisvaikutuksen kokoon nähden. Tutkimusten tullessa yhä samankaltaisemmiksi laadun suhteen, jakelu vähenee vähitellen ja loppuu, kun kaikki tutkimukset ovat tasalaatuisia (tasa-arvoisissa tapauksissa laatuvaikutusten malli on oletusarvoisesti IVhet-malli – katso edellinen osa). Äskettäinen laatuvaikutusten mallin arviointi (joitain päivityksiä) osoittaa, että laadunarvioinnin subjektiivisuudesta huolimatta suorituskyky (MSE ja todellinen varianssi simulaation aikana) on parempi kuin satunnaisten vaikutusten mallilla saavutettavissa. Tämä malli korvaa täten kirjallisuudessa esiintyvät kestämättömät tulkinnat, ja tämän menetelmän tutkimiseen on käytettävissä ohjelmisto.
Epäsuora näyttö: Verkon meta-analyysimenetelmätEdit
Verkon meta-analyysi tarkastelee epäsuoria vertailuja. Kuvassa A on analysoitu suhteessa C: hen ja C on analysoitu suhteessa b: hen. A: n ja B: n suhde tunnetaan kuitenkin vain epäsuorasti, ja verkon meta-analyysi tarkastelee tällaista epäsuoraa näyttöä tilastollista menetelmää käyttävien menetelmien ja interventioiden eroista.
Epäsuora vertailu meta-analyysimenetelmissä (joita kutsutaan myös verkkometa-analyyseiksi, varsinkin kun useita hoitoja arvioidaan samanaikaisesti) käytetään yleensä kahta päämenetelmää. Ensinnäkin, on Bucher-menetelmä, joka on kolmen tai useamman suljetun silmukan yhden tai toistuva vertailu siten, että yksi niistä on yhteinen kahdelle tutkimukselle ja muodostaa solmun, jossa silmukka alkaa ja päättyy. Siksi tarvitaan useita kaksi kerrallaan vertailuja (3 hoitosilmukkaa) useiden hoitojen vertaamiseksi. Tämä menetelmä edellyttää, että kokeissa, joissa on enemmän kuin kaksi haaraa, kaksi haaraa valitaan vain itsenäisinä pareittain. Vaihtoehtoisessa menetelmässä käytetään monimutkaista tilastollista mallintamista sisällyttämällä useita käsivarsikokeita ja vertailuja samanaikaisesti kaikkien kilpailevien hoitojen välillä. Nämä on toteutettu Bayesin menetelmillä, sekoitetuilla lineaarisilla malleilla ja meta-regressiomenetelmillä.
Bayesian frameworkEdit
Bayesin verkon meta-analyysimallin määrittäminen edellyttää suunnatun asyklisen kuvaajan (DAG) kirjoittamista. malli yleiskäyttöisille Markov-ketju Monte Carlolle (MCMC), kuten WinBUGS. Lisäksi joillekin parametreille on määritettävä aikaisemmat jakaumat ja tiedot on toimitettava tietyssä muodossa. Yhdessä DAG, priorit ja data muodostavat Bayesin hierarkkisen mallin. Monimutkaisuuden lisäämiseksi MCMC-estimoinnin luonteen vuoksi joillekin itsenäisille ketjuille on valittava liian hajautetut lähtöarvot, jotta lähentyminen voidaan arvioida. Tällä hetkellä ei ole ohjelmistoa, joka automaattisesti luo tällaisia malleja, vaikka prosessissa on joitain työkaluja. Bayesin lähestymistavan monimutkaisuus on rajoittanut tämän menetelmän käyttöä. Menetelmää tämän menetelmän automatisoimiseksi on ehdotettu, mutta se edellyttää, että käytettävissä on käsivarren tason tuloksia, mikä ei yleensä ole käytettävissä. Joskus esitetään suuria väitteitä Bayesin kehyksen luontaisesta kyvystä käsitellä verkon meta-analyysiä ja sen suuremmasta joustavuudesta. Tämä päättelykehyksen valinta, Bayesin tai frekvenssi, voi kuitenkin olla vähemmän tärkeä kuin muut vaikutusten mallintamista koskevat valinnat (katso edellä olevien mallien keskustelu).
Frequentist multivariate frameworkEdit
Toisaalta taajuusmuuttajan monimuuttujamenetelmiin sisältyy likiarvoja ja oletuksia, joita ei mainita nimenomaisesti tai vahvisteta menetelmien soveltamisen yhteydessä (katso keskustelu meta-analyysimalleista yllä). Esimerkiksi Statan mvmeta-paketti mahdollistaa verkon meta-analyysin usein esiintyvässä kehyksessä.Jos verkossa ei kuitenkaan ole yhteistä vertailua, tämä on hoidettava lisäämällä tietoaineistoa fiktiivisillä aseilla, joilla on suuri varianssi, mikä ei ole kovin objektiivista ja edellyttää päätöstä siitä, mikä on riittävän suuri varianssi. Toinen asia on satunnaisvaikutusten mallin käyttö sekä tässä usein esiintyvässä että Bayesin kehyksessä. Senn neuvoo analyytikkoja olemaan varovaisia ”satunnaisvaikutusten” analyysin tulkinnassa, koska vain yksi satunnainen vaikutus on sallittu, mutta voisi ajatella monia. Senn jatkaa, että se on melko naivistua, jopa silloin, kun verrataan vain kahta hoitoa, olettaen, että satunnainen vaikutusanalyysi selittää kaiken epävarmuuden siitä, miten vaikutukset voivat vaihdella kokeista toiseen. Uudemmat meta-analyysimallit, kuten edellä käsitellyt, auttaisivat varmasti helpottamaan tätä tilannetta ja on otettu käyttöön seuraavassa kehyksessä.
Yleistetty pareittain mallintaminen frameworkEdit
Kokeiltu lähestymistapa 1990-luvun lopusta lähtien on toteutettu useita kolmihoitoisia suljetun silmukan analyysejä. Tämä ei ole ollut suosittua, koska prosessi muuttuu nopeasti ylivoimaiseksi verkon monimutkaisuuden kasvaessa. Tämän alueen kehityksestä luovuttiin sitten vaihtoehtona esiin tulleiden Bayesin ja monivaiheen frekvenssimenetelmien hyväksi. Viime aikoina jotkut tutkijat ovat kehittäneet monimutkaisia verkkoja varten kolmihoitoisen suljetun silmukan menetelmän automatisoinnin keinona saattaa tämä metodologia yleisön tutkimusyhteisön saataville. Tämä ehdotus rajoittaa jokaisen kokeilun kahteen interventioon, mutta tuo myös kiertotavan useille käsivarren kokeille: eri kiinteät ohjaussolmut voidaan valita eri ajoissa. Siinä käytetään myös vankkoja meta-analyysimenetelmiä, jotta vältetään monet yllä korostetuista ongelmista. Tämän kehyksen ympärillä tarvitaan lisätutkimuksia sen selvittämiseksi, onko tämä todellakin ylivoimainen Bayesin tai monen muuttujan frekvenssikehyksiin verrattuna. Tutkijoilla, jotka haluavat kokeilla tätä, on pääsy tähän kehykseen ilmaisen ohjelmiston kautta.
Räätälöity meta-analysisEdit
Toinen muoto lisätietoa tulee aiotusta asetuksesta. Jos meta-analyysin tulosten soveltamista koskeva tavoiteasetus tunnetaan, voi olla mahdollista käyttää asetusten tietoja tulosten räätälöimiseksi, jolloin saadaan ”räätälöity meta-analyysi”. Tätä on käytetty testitarkkuuden meta-analyyseissä, jossa empiiristä tietoa testin positiivisesta nopeudesta ja esiintyvyydestä on käytetty alueen johtamiseen vastaanottimen toimintakuvaus (ROC) -tilassa, joka tunnetaan nimellä ”sovellettava alue”. Tutkimukset valitaan sitten kohdeasetukselle tämän alueen vertailun perusteella ja kootaan yhteen, jotta saadaan yhteenvetoarvo, joka on räätälöity kohde-asetukselle.
IPD: n ja ADEditin yhdistäminen
Meta-analyysi voidaan soveltaa myös IPD: n ja AD: n yhdistämiseen. Tämä on kätevää, kun analyysin tekevillä tutkijoilla on omat raakatiedot kerätessään kirjallisuudesta yhteenveto- tai yhteenvetotietoja. Yleistetty integraatiomalli (GIM) on meta-analyysin yleistys. Sen avulla yksittäisiin osallistujatietoihin (IPD) sovitettu malli eroaa kootietojen (AD) laskemiseen käytetystä mallista. GIM: ää voidaan pitää mallikalibrointimenetelmänä tietojen integroimiseksi joustavammin.