Síntesis de hallazgos metaanálisis

Bibliotecaria Hospital Universitario de GetafeComité ejecutivo BiblioMadSalud https://bibliogetafe.com/ https://orcid.org/0000-0003-2724-2563 @biblioGETAFE

Concepción Campos-Asensio

Revisión sistemática/Meta-análisis

Síntesis de hallazgos - Metaanálisis

• Tablas “Características de los estudios incluidos” (incluidas las tablas “Riesgo de sesgo”)
• Figuras (una selección de diagramas de bosque, gráficos en embudo, gráficos de “Riesgo de sesgo” y otras figuras)
• Tablas “Resumen de los resultados”
• Diagrama de flujo PRISMA 2020

Se pueden utilizar varias tablas y figuras para presentar la información en un formato más conveniente:

• Cualitativa/descriptiva (siempre ha de hacerse)
• Cuantitativa (opcional)

Tipos de síntesis:

Síntesis de hallazgos

Se ha de realizar tras la obtención o extracción de los datos de cada estudio seleccionado mediante un formato diseñado ex profeso para cada revisión sistemática

Info

Yepes-Nuñez JJ, Urrútia G, Romero-García M, Alonso-Fernández S. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Rev Esp Cardiol (Engl Ed). 2021 Sep;74(9):790-799. Disponible en: https://www.revespcardiol.org/en-the-prisma-2020-statement-an-articulo-S1885585721002401

Diagrama de flujo PRISMA 2020. Los recuadros en gris solo se deben completar si son aplicables; de lo contrario, deben eliminarse del diagrama de flujo. Un «informe» puede ser un artículo de revista, una preimpresión, un resumen de conferencia, un registro de estudio, un informe de estudio clínico, una tesis/disertación, un manuscrito inédito, un informe gubernamental o cualquier otro documento que proporcione información pertinente.

Una figura que nunca debe faltar en una RS es el diagrama de flujo PRISMA que se utiliza para describir el flujo de información a través de las diferentes fases de una revisión sistemática. Traza el número de registros identificados, incluidos y excluidos, y las razones de las exclusiones

Diagrama de flujo PRISMA

Ejemplo

• Algunas revisiones pueden incluir más de una tabla de 'Resumen de hallazgos', por ejemplo, si la revisión aborda más de una comparación importante, o incluye poblaciones sustancialmente diferentes que requieren tablas separadas.

• Las tablas de 'Resumen de hallazgos' incluyen una fila para cada resultado importante (hasta un máximo de siete)

• Ha de presentar los principales resultados de una revisión en un formato tabular transparente, estructurado y simple. Las tablas han de reunir los hallazgos clave y la evaluación GRADE de la certeza de la evidencia para cada resultado, antes de comenzar a escribir la revisión.

• Una tabla de "Resumen de hallazgos" para una comparación determinada de intervenciones proporciona información clave sobre la magnitud de los efectos relativos y absolutos de las intervenciones examinadas, la cantidad de evidencia disponible y la certeza (o calidad) de la evidencia disponible.

Tabla de síntesis de hallazgos

• La síntesis descriptiva se basa principalmente en palabras y texto para resumir y explicar los hallazgos.
• Ya sea que incluyan un metaanálisis o no, los autores deben describir el flujo del proceso de la revisión sistemática resumiendo el número de referencias que encontraron a partir de la estrategia de búsqueda, el número de resúmenes y textos completos que examinaron y el número final de estudios primarios que incluyeron en la revisión. Este proceso se resume en un diagrama de flujo.
• Los autores deben también describir las características tales como las poblaciones estudiadas, los tipos de exposición, los detalles de la intervención y los resultados de los estudios incluidos en una tabla y en el texto principal del manuscrito.
• Si el metanálisis no es factible, los autores deben describir los resultados de los estudios incluidos, incluida la dirección y el tamaño del efecto, la consistencia del efecto entre los estudios y la solidez de la evidencia del efecto.

Síntesis descriptiva

• Técnica estadística que combina los resultados de 2 o más estudios.
• Estima un efecto "promedio" o "común". Los metanálisis se basan en resultados agregados de estudios (por ejemplo, medias y desviaciones estándar o proporciones). Por lo tanto, solo se pueden aplicar a estudios que informan resultados cuantitativos.
• Para realizar un metanálisis, generalmente es necesario que los estudios utilicen el mismo diseño y tipo de medición, y/o hayan realizado la misma intervención.
• Parte opcional de una revisión sistemática.

Meta-análisis

Revisiones sistemáticas

Meta-análisis

Fuente: Higgins JPT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA (editors). Cochrane Handbook for Systematic Reviews of Interventions version 6.2 (updated February 2021). Cochrane, 2021. Available from: www.training.cochrane.org/handbook.Harrer, M., Cuijpers, P., Furukawa, T.A., & Ebert, D.D. (2021). Doing Meta-Analysis with R: A Hands-On Guide. Boca Raton, FL and London: Chapmann & Hall/CRC Press. ISBN 978-0-367-61007-4. Disponible en: https://bookdown.org/MathiasHarrer/Doing_Meta_Analysis_in_R/

Tenemos 2 ó más estudios con las siguientes características: 1. Estudios suficientemente similares como para producir un estimador común útil y con sentido. 2. Medición similar de los desenlaces. 3. Datos con formato utilizable.

¿Cuándo SÍ se puede meta-analizar?

¿Cuándo NO conviene meta-analizar?

Principios del meta-análisis

• Mezcla de manzanas y peras: Cada estudio incluido debe responder la misma pregunta.
• Entra basura–sale basura: Un meta-análisis solo es tan bueno como los estudios en que se basa.
• Cajón de archivos: no se publican todos los hallazgos de investigación relevantes y, por lo tanto, faltan en nuestro metanálisis.

• La heterogeneidad entre estudios: Se trata de analizar hasta qué punto los resultados de los diferentes estudios pueden combinarse en una única medida. Las diferencias entre los estudios pueden ser insignificante y una estimación combinada del efecto puede orientar la decisión clínica. Sin embargo, cuando las diferencias son grandes, esta estimación puede inducir a error.

• El tipo de respuesta a estudiar (tipo de variable).

Antes de optar por alguno de los distintos métodos estadísticos que permiten combinar los resultados individuales de cada estudio para obtener un estimador combinado del efecto, habrá que determinar:

Hay que determinar

Tipos de variables

Dehkordi AH, Mazaheri E, Ibrahim HA, Dalvand S, Ghanei Gheshlagh R. How to Write a Systematic Review: A Narrative Review. Int J Prev Med. 2021 Mar 29;12:27. doi: 10.4103/ijpvm.IJPVM_60_20. PMID: 34249276; PMCID: PMC8218799.

Medidas de efecto

Leer más

Medidas de efecto

• La estimación conjunta del efecto en un metaanálisis no se calcula simplemente combinando los resultados de los estudios individuales.
• El análisis pondera la contribución individual de cada estudio para la estimación conjunta, este es el concepto conocido como peso del estudio (weight), es decir, se dará más peso a un estudio que ofrezca más información, con la suposición de que es probable que este estudio esté más cerca del verdadero efecto subyacente.
• Las ponderaciones suelen obtenerse calculando la inversa de la varianza del efecto del tratamiento, lo que está estrechamente relacionada con el tamaño de la muestra. Así, cuanto mayor sea el tamaño de la muestra del estudio, mayor será la ponderación.

Estimación global del efecto

Leer más

Siempre que se combinen estudios, se debe evaluar su heterogeneidad para determinar si existen diferencias notables entre los estudios que pueden variar la estimación de la verdad.

En caso de heterogeneidad inexplicable, se puede utilizar una estimación combinada mediante el modelo de efectos aleatorios. Esta estimación ya no estima un único efecto desconocido, sino el promedio de los efectos de la intervención en las poblaciones representadas por los estudios.

Si se detecta heterogeneidad, se debe buscar una explicación y se puede realizar un análisis utilizando características a nivel de estudio (análisis de subgrupos o metarregresión)

Las estimaciones del efecto de un estudio a otro difieren debido a diferencias reales (variabilidad entre estudios) y debido al azar (variabilidad dentro del estudio).

Se trata de analizar hasta qué punto los resultados de los diferentes estudios pueden combinarse en una única medida.

La heterogeneidad pude ser:clínica, metodológica o estadística) es esperable en cualquier metaánálisis (MA).

Determinación de la heterogeneidad

Muka T, Glisic M, Milic J, Verhoog S, Bohlius J, Bramer W, Chowdhury R, Franco OH. A 24-step guide on how to design, conduct, and successfully publish a systematic review and meta-analysis in medical research. Eur J Epidemiol. 2020 Jan;35(1):49-60. doi: 10.1007/s10654-019-00576-5. Epub 2019 Nov 13. PMID: 31720912.

Leer más

Se puede realizar un análisis utilizando características a nivel de estudio (análisis de subgrupos o metarregresión).

• Las poblaciones estudiadas pueden ser diferentes (diferentes edades y estado nutricional en el ejemplo del zinc),
• las intervenciones pueden no ser exactamente las mismas (el zinc varía en dosis y formulación),
• las medidas de resultado pueden haberse definido de manera diferente (diferente estandarización de pañales desechables preponderados para medir la producción de heces),
• o el diseño del estudio puede haber sido diferente (aleatorizado por individuos o por grupos).

En caso de heterogeneidad inexplicable, se puede utilizar una estimación combinada mediante el modelo de efectos aleatorios. Esta estimación ya no estima un único efecto desconocido, sino el promedio de los efectos de la intervención en las poblaciones representadas por los estudios.

Si se detecta heterogeneidad, se debe buscar una explicación:

Cuando la heterogeneidad es baja, la estimación combinada puede considerar solo la variación dentro del estudio (modelo de efectos fijos).

Modelos estadísticos para combinar los resutados de los estudios

Modelo de efectos fijosFixed effect model

Solo puede existir una verdad. Todos los estudios deben tener el mismo resultado. La variabilidad entre los mismos es debido al azar. Si todos los estudios fueran infinitamente grandes, darían todos el MISMO e IDÉNTICO resultado.

El modelo de efecto común es adecuado en circunstancias donde los estudios incluidos son suficientemente similares en todos los aspectos que podrían modificar de manera importante la magnitud del efecto de la intervención. Estos aspectos incluyen poblaciones (por ejemplo, edad y sexo de los participantes), intervenciones (por ejemplo, dosis, vía de administración), resultados (por ejemplo, escala de medición, período de tiempo de seguimiento) y diseños de estudio, entre otros.

Aplicabilidad

En el escenario hipotético de tamaños de muestra infinitamente grandes, los tamaños de efecto calculados a partir de los diferentes estudios serían todos iguales al efecto común verdadero.

Escenario Hipotético

En este modelo se asume que no existe heterogeneidad entre los estudios incluidos en la revisión, de modo que todos ellos estiman el mismo efecto y las diferencias observadas se deben únicamente al azar (o error aleatorio). En este caso, el peso de los estudios es el inverso de la varianza. En resumen: Los estudios son muy similares y la verdadera medida del efecto es exactamente igual en todos ellos.

Suposición de Efecto Común

Suposición Clave del Modelo de Efecto Común (Fijo) ("fixed effect model")

Modelo de efectos aleatoriosRandom effect model

Cada estudio tiene libertad de tener su propio resultado. Los resultados están distribuidos al azar alrededor de una estimación puntual. Tomaré en cuenta los pequeños también...

Es frecuente encontrar trabajos en los que se presentan conjuntamente los resultados del metaanálisis tanto con el modelo de efectos fijos como con el modelo de efectos aleatorios. Mientras que algunos autores defienden la utilización del modelo de efectos aleatorios en todos los casos, otros hacen hincapié en sus posibles deficiencias, como el hecho de que es menos preciso, proporcionando intervalos de confianza más amplios que el modelo de efectos fijos. En general, debe tenerse en cuenta que el principal objetivo de un metaanálisis no será siempre el de obtener un estimador combinado del efecto. Cuando los resultados de los estudios revisados sean claramente heterogéneos el análisis e identificación de las causas de dicha heterogeneidad debe convertirse en nuestro principal objetivo. Si las discrepancias no son muy grandes el modelo de efectos aleatorios se convierte en la alternativa al modelo más sencillo con efectos fijos para combinar los resultados. En caso de una mayor variabilidad en los resultados la mejor opción será no realizar el metaanálisis, averiguar las causas de la heterogeneidad y realizar un análisis por subgrupos.

Aplicabilidad

Se asume que los estudios incluidos en la revisión constituyen una muestra aleatoria de todos los estudios existentes. Las variaciones se deben al error aleatorio + la varianza entre los estudios (τ-cuadrado). El peso de los estudios es el inverso de la varianza conjunta.

Suposición de Efecto Común

Suposición Clave del Modelo de Aleatorios ("random effect model")

: Estimador de efecto

Más utilizado

Más utilizado

Media OR/RR/RD

Media OR/RR/RD

OR/RR/RD

OR/RR/RD

OR

Considerar Mantel-Haenszel

Considerar Peto

Considerar Varianza Inversa

Considerar DerSimonian & Laird

¿Recuento de eventos?

¿Recuento de eventos?

N=0? OR=1? 1:1?

Considerar Mantel-Haenszel

¿Heterogeneidad anticipada?

NO

SÍ

NO

SÍ

SI: usar efectos aleatorios

NO

SÍ

NO: usar Efectos fijos

Qué estimador deberíamos utilizar

El modelo de efecto común a veces se adopta en otras circunstancias, como cuando hay muy pocos estudios disponibles para el meta-análisis.

Otras Circunstancias

Sin embargo, un ejemplo donde el modelo puede ser apropiado es en el contexto de la investigación farmacéutica, donde se realizan múltiples ensayos aleatorios utilizando el mismo protocolo de ensayo (es decir, examinando exactamente los mismos tratamientos, en las mismas poblaciones, utilizando los mismos resultados, etc.) con el propósito de estimar el efecto del tratamiento para poblaciones y resultados específicamente definidos. Esencialmente, estos ensayos son similares a un gran ensayo (estratificado por tiempo), donde cualquier diferencia en los tamaños del efecto del tratamiento se deberá (principalmente) a la variabilidad del muestreo.

Aplicaciones Apropiadas

La generalización del tamaño del efecto general de un modelo de efecto común se limita a estudios con las mismas características (o muy similares) a la población analizada. En la práctica, la probable diversidad en las características del estudio y el deseo de generalizar el efecto general a un conjunto más amplio de estudios que los incluidos en el meta-análisis pueden significar que el modelo de efecto común a menudo no esté justificado.

Limitaciones de Generalización

Limitaciones y Aplicaciones del Modelo de Efecto Común

Varios métodos de efecto común están disponibles, siendo los métodos comunes la inverso de la varianza (IV), Mantel-Haenszel (MH) y Peto. Los métodos MH y Peto son específicos para datos binarios, donde el método MH se puede usar para todas las medidas de efecto (es decir, razón de riesgo, razón de probabilidades [OR] y diferencia de riesgo), pero el método Peto es específico para OR. El método IV se puede usar para datos binarios y otros tipos de datos, y diferentes medidas de efecto (por ejemplo, razón de riesgo, diferencia de medias).

Métodos Disponibles

En consecuencia, los estudios más grandes, que transmiten más información y están más cerca del efecto verdadero, tienen una mayor influencia en la estimación general. Por el contrario, los estudios más pequeños con estimaciones menos precisas reciben pesos más pequeños debido a una mayor incertidumbre.

Influencia del Tamaño del Estudio

En un modelo de efecto común, el tamaño del efecto general se calcula como un promedio ponderado de los tamaños del efecto de los estudios individuales. El peso asignado a cada estudio refleja solo la precisión del resultado del estudio subyacente; los estudios con estimaciones más precisas (es decir, varianzas más pequeñas) tienen pesos más grandes y contribuyen más al efecto general.

Cálculo del Efecto General

Métodos de Meta-Análisis de Efecto Común

Las propiedades estadísticas de los métodos de efecto común para datos binarios se sabe que difieren según el número de estudios incluidos y sus características. El método IV es adecuado cuando los estudios incluidos son grandes y tienen eventos frecuentes. El método MH es preferible para combinar datos escasos, donde los estudios son pequeños (es decir, tamaño del brazo <100) o tienen pocos eventos (es decir, tasas de eventos <1%-5%). Además, el método MH es particularmente ventajoso cuando los estudios incluidos tienen cero eventos, excepto cuando no hay eventos en ninguno de los brazos en todos los estudios. El método Peto funciona bien en ensayos con eventos raros y tamaños de efecto pequeños (p. ej.:, OR cercanos a 1). El método Peto se considera la mejor opción para eventos raros con números de participantes equilibrados en ambos brazos de intervención. Sin embargo, puede producir estimaciones de meta-análisis sesgadas en otros escenarios. Es importante destacar que los métodos MH y Peto también son ventajosos en comparación con IV incluso en escenarios donde las tasas de eventos son más grandes (p.ej., 10%), pero donde muchos estudios en el meta-análisis tienen cero eventos en los brazos del estudio.

Puede producir estimaciones sesgadas en otros escenarios

Eventos raros y tamaños de efecto pequeños

Peto

Requiere corrección para cero eventos en todos los estudios

Estudios pequeños o con pocos eventos

Mantel-Haenszel (MH)

No óptimo para datos escasos

Estudios grandes con eventos frecuentes

Inverso de la Varianza (IV)

Limitaciones

Escenario Óptimo

Método

Métodos de Efecto Común: ¿Qué método de efecto común es adecuado?

Veroniki AA, McKenzie JE. A brief note on the common (fixed)-effect meta-analysis model. J Clin Epidemiol. 2024 May;169:111281. doi: 10.1016/j.jclinepi.2024.111281. PMID: 38364875.

Los resultados del estudio varían en términos de la información que proporcionan. Por ejemplo, el Estudio A incluye 687 participantes y su tamaño del efecto recibe el 31.4% del peso en el promedio ponderado, mientras que el Estudio B, que incluye 117 participantes, recibe solo el 2% del peso.

Variación en los Resultados del Estudio

Presentamos los pasos para ajustar un meta-análisis de efecto común utilizando un conjunto de datos ficticio de cinco ensayos aleatorios (Tabla 1). Se utiliza un gráfico de bosque (Fig, A) para representar los tamaños del efecto para cada estudio (en este ejemplo OR, mostrados como cajas) y sus correspondientes IC del 95% (mostrados como líneas horizontales que se extienden desde las cajas). El tamaño de la caja es proporcional a la IV.

Presentación de Datos

Ejemplo Práctico de Meta-Análisis de Efecto Común_1

Veroniki AA, McKenzie JE. A brief note on the common (fixed)-effect meta-analysis model. J Clin Epidemiol. 2024 May;169:111281. doi: 10.1016/j.jclinepi.2024.111281. PMID: 38364875.

Los resultados de los estudios varían en cuanto a la información que proporcionan. Por ejemplo, el Estudio A incluye 687 participantes y su tamaño del efecto recibe el 31,4% del peso en la media ponderada, mientras que el Estudio B, que incluye 117 participantes, recibe sólo el 2% del peso.

Se utiliza un diagrama de bosque (Fig, A) para representar los tamaños del efecto de cada estudio (en este ejemplo, las OR, que se muestran como recuadros) y sus correspondientes IC del 95% (que se muestran como líneas horizontales que se extienden desde los recuadros). El tamaño de la caja es proporcional al IV.

El promedio ponderado de OR de los cinco estudios está representado por el diamante en la parte inferior del gráfico de bosque. El centro del diamante representa el OR general estimado y los extremos izquierdo y derecho representan los límites del IC. Si se cumple la suposición clave del modelo de efecto común, la estimación del meta-análisis basada en este modelo produce la mejor estimación del efecto de intervención subyacente verdadero.

Interpretación del Gráfico de Bosque

Ejemplo Práctico de Meta-Análisis de Efecto Común_2

Veroniki AA, McKenzie JE. A brief note on the common (fixed)-effect meta-analysis model. J Clin Epidemiol. 2024 May;169:111281. doi: 10.1016/j.jclinepi.2024.111281. PMID: 38364875.

Las figuras A y C muestran los diagramas de bosque resultantes de la aplicación de los métodos de efectos comunes al conjunto de datos presentado en el presente informe. métodos de efectos comunes al conjunto de datos presentado en la tabla. Las ponderaciones de los estudios difieren según el método y esto conduce a estimaciones ligeramente diferentes de OR combinadas y sus IC. Los valores P asociados a las pruebas Chi2 son todos >0,10, lo que sugiere que se cumple el supuesto de homogeneidad. De los cinco estudios, uno tuvo cero eventos en un brazo. Dado que las tasas de eventos son poco frecuentes en estos estudios (es decir, todas las tasas de eventos son de <5% en el brazo de intervención, excepto en el brazo de intervención, excepto en el estudio E) y hay un número similar en todos los brazos, sería razonable utilizar el método MH o el de Peto. Si hubiera un desequilibrio en el número de participantes en los distintos brazos, se habría preferido el método MH.

Interpretación del Gráfico de Bosque

Ejemplo Práctico de Meta-Análisis de Efecto Común_3

Supuestos Clave del Modelo de Efectos Aleatorios

La desviación estándar al cuadrado (τ²) representa la varianza "entre estudios" o de "heterogeneidad".

Varianza Entre Estudios

Los efectos de intervención verdaderos siguen una distribución normal con media (μ) y desviación estándar (τ).

Distribución Normal

Existe una distribución de efectos de intervención verdaderos específicos de cada estudio.

Distribución de Efectos

Se sugiere el método de Hartung y Knapp y Sidik y Jonkman para los intervalos de confianza.

Intervalos de Confianza

Se recomiendan los estimadores de Paule y Mandel y de máxima verosimilitud restringida (REML).

Métodos Alternativos

Ampliamente utilizado, el peso de cada estudio es una función de la precisión y la varianza de heterogeneidad estimada.

Método de Varianza Inversa

Métodos para el Metaanálisis de Efectos Aleatorios

Si se espera una gran heterogeneidad, el modelo de efectos aleatorios puede ser más apropiado.

Grado de Heterogeneidad

El modelo de efectos aleatorios permite generalizar más allá de los estudios incluidos.

Generalización de Resultados

Considerar si es realista asumir efectos de intervención idénticos o diferentes entre estudios.

Plausibilidad del Modelo

Selección del Modelo de Metaanálisis

McKenzie JE, Veroniki AA, A brief note on the random-effects meta-analysis model and its relationship to other models, Journal of Clinical Epidemiology (2024), doi: https:// doi.org/10.1016/j.jclinepi.2024.111492.

Es importante tener en cuenta la heterogeneidad que puede existir entre los estudios incluidos en este metaanálisis, lo cual podría explicar las diferencias observadas entre los modelos de efectos fijos y aleatorios. Futuros estudios con muestras más grandes y diseños más homogéneos ayudarán a clarificar el efecto real de los antagonistas de IL-6 en pacientes con COVID-19.

El análisis de los antagonistas de IL-6 en pacientes con COVID-19 muestra resultados interesantes. Mientras el modelo de efectos fijos indica una reducción significativa en la mortalidad, con un odds ratio de 0.87 y un intervalo de confianza que no cruza el valor 1, el modelo de efectos aleatorios arroja un odds ratio de 0.89 con un intervalo de confianza que incluye el valor 1. Esto sugiere que, si bien hay una tendencia a la reducción de la mortalidad con el uso de estos antagonistas, los resultados no son concluyentes y dependen del modelo de análisis seleccionado.

0.77 a 1.03

0.89

Efectos Aleatorios

0.79 a 0.96

0.87

Efectos Fijos

Intervalo de Confianza 95%

Odds Ratio

Modelo

Ejemplo Ilustrativo: Antagonistas de IL-6 en COVID-19

La selección debe basarse en la plausibilidad del modelo y la generalización deseada de los hallazgos.

Elección del Modelo

Permite generalizar los resultados a una población más amplia de estudios.

Generalización

El modelo de efectos aleatorios permite que los efectos varíen entre estudios, lo que a menudo es más realista.

Flexibilidad

Conclusiones sobre los Modelos de Metaanálisis

Proporcionar un rango predicho para el efecto de intervención verdadero en un nuevo estudio.

Intervalo de Predicción

Utilizar la estadística Q de Cochran y estimar la heterogeneidad estadística (τ²).

Pruebas Estadísticas

Examinar el gráfico de bosque para evaluar la dirección de los efectos y la superposición de intervalos de confianza.

Inspección Visual

Cuantificación y Exploración de la Heterogeneidad

Cordero CP, Dans AL. Key concepts in clinical epidemiology: detecting and dealing with heterogeneity in meta-analyses. J Clin Epidemiol. 2021 Feb;130:149-151. doi: 10.1016/j.jclinepi.2020.09.045. PMID: 33483004.

La estrategia más sencilla para valorar la heterogeneidad es ver el Diagrama de bosque (Forest Plot).

La dirección del efecto no es un criterio de inconsistencia.

• Amplia variación de estimaciones puntuales.
• Solapamiento mínimo o ausente del IC 95%. Cuando la variabilidad tanto dentro del estudio como entre estudios es pequeña, el IC del 95% de la estimación combinada será muy estrecho.

Variación mayor de la esperada por puro azar que sugiere heterogeneidad si:

Determinación de la heterogeneidad

Interpretación

Cualquiera que sea la medida numérica de heterogeneidad que se utilice, debe interpretarse junto con una inspección visual. Las medidas numéricas no deben reemplazar la inspección visual, sino complementarla.

• La evaluación del grado de heterogeneidad puede llevarse por dos métodos complementarios:
• Visualmente.

• Pruebas estadísticas :
• Chi-cuadrado (prueba de hipótesis): evalúa si las diferencias observadas en los resultados son sólo debidas al azar (hipótesis nula: los datos son homogéneos; P-valor <= 0,10).
• I-cuadrado (cuantificación de la inconsistencia): Un I² grande (proporción de la variabilidad general atribuida a la variación entre estudios) o un valor P pequeño asociado con Q pueden sugerir heterogeneidad. Sin embargo, los valores P grandes no significan la ausencia de heterogeneidad. Es más informativo informar el intervalo de confianza de I².

Determinación de la heterogeneidad

Si P>= 0,10 no se ha detectado heterogeneidad Si p <= es que se ha detectado heterogeneidad estadística

Por lo tanto, la prueba no debe usarse para determinar la elección del modelo de meta-análisis; sin embargo, puede usarse en combinación con otras medidas de heterogeneidad y examen visual del gráfico de bosque para ayudar a evaluar el grado de heterogeneidad estadística.

Limitaciones de la Prueba

Una prueba estadística, la prueba Chi2 (c2 o chi-cuadrado), está disponible para evaluar si la variabilidad en los tamaños del efecto observados es consistente con el error de muestreo (o azar) (conocido como homogeneidad) o si hay variabilidad más allá del error de muestreo (conocido como heterogeneidad). Sin embargo, se sabe que esta prueba tiene notoriamente poca potencia en su capacidad para detectar heterogeneidad cuando realmente existe, por la razón de que la mayoría de los meta-análisis incluyen pocos estudios.

Prueba Chi-cuadrado

Prueba Estadísticas del Chi-cuadrado

Si se solapan rodos los IC el I cuadrado es bajo eso es porque los tamaños muesrales son mu bajo

Gráfico de L’Abbé representa las tasas de respuesta de los grupos de tratamiento y de control y su posición respecto a la diagonal. Por encima de la diagonal quedan los estudios con resultado favorable al tratamiento, mientras que por debajo están aquellos con resultado favorable al control. Los estudios suelen representarse con un área proporcional a su precisión y su dispersión indica heterogeneidad. Hay que tener en cuenta que este método es aplicable solo a metaanálisis de ensayos clínicos y cuando la variable dependiente es dicotómica.

Gráfico de Galbraith que puede emplearse tanto para ensayos clínicos como para metaanálisis de estudios observacionales. Rrepresenta la precisión de cada estudio frente a su efecto estandarizado junto con la línea de la ecuación de regresión ajustada y unas bandas de confianza. La posición de cada estudio respecto al eje de la precisión indica el peso de su contribución al resultado global, mientras que su localización fuera de las bandas de confianza indica su contribución a la heterogeneidad.

Aunque los parámetros numéricos parezcan descartar la heterogeneidad, se han ideado una serie de métodos gráficos para inspeccionar los estudios y comprobar que no hay datos de heterogeneidad.

Determinación de la heterogeneidad

Si se llega a la conclusión de que existe una heterogeneidad significativa entre los estudios primarios habrá varias posibilidades:1. No realizar el metaanálisis: No combinar los estudios primarios y limitarse a la síntesis cualitativa de los resultados, no todas las revisiones sistemáticas necesitan un meta-análisis. 2. Explorar la heterogenidad: esto se puede hacer mediante análisis de subgrupos o metarregresión:Meta-regresión: obtener una medida agregada del efecto de interés indicando una medida de la variabilidad entre estudios. Análisis de subgrupos: realizar un análisis por subgrupos homogéneos de ser posible identificar la causa de la heterogeneidad. 3. Realizar un meta-análisis de efectos aleatorios: tenga en cuenta que este enfoque es para la heterogeneidad que no se puede explicar porque se debe al azar. 4. Excluir estudios ¿¿??

Cómo lidiar con la heterogeneidad

Leer más

• Diagrama de bosque o “forest plot” se muestra el efecto estimado en cada estudio junto con el valor obtenido combinando los resultados de todas las investigaciones, acompañados por sus respectivos intervalos de confianza.
• Suele representarse en la gráfica la línea vertical del valor correspondiente a la ausencia de efectos (RR=1 o Diferencia de medias=0).

Diagrama de bosque

Generalmente, un Forest Plot se divide en seis columnas y los resultados individuales de cada estudio se disponen en filas sucesivas

https://s4be.cochrane.org/blog/2016/07/11/tutorial-read-forest-plot/

Cómo leer un Diagrama de bosque

• Si los resultados así obtenidos son similares, tanto en dirección como en magnitud del efecto y significación estadística indica que los resultados son robustos. En caso contrario no se tendría un estimador robusto, lo cual exigiría cierta precaución en la interpretación de los resultados o podría ser motivo para generar nuevas hipótesis.
• Este mismo proceso podría repetirse eliminando a un mismo tiempo varios estudios (por ejemplo, aquellos de peor calidad metodológica, los no publicados, etc.) para determinar su posible influencia en los resultados.

• Después de realizar un metaanálisis, es recomendable estudiar la influencia de cada uno de los estudios en los resultados obtenidos.
• El análisis de sensibilidad pretende estudiar la influencia de cada uno de los estudios en la estimación global del efecto y, por lo tanto, la robustez o estabilidad de la medida final obtenida.
• El análisis de sensibilidad consiste en replicar los resultados del metaanálisis excluyendo en cada paso uno de los estudios incluidos en la revisión para ver si se obtienen o no resultados similares de forma global.

ANÁLISIS DE SENSIBILIDAD

Info

• Estudio de Fanelli en 2012 (periodo 1990-2007) alcanza en 2007 un 85% de estudios con resultados positivos.
• NO PUEDE SER.
• Solo vemos la punta del iceberg

Fanelli, D.. “Negative results are disappearing from most disciplines and countries.” Scientometrics 90 (2011): 891-904. DOI: 10.1007/s11192-011-0494-7

Junto con el análisis de sensibilidad, una vez obtenidos los resultados del metaanálisis se debe analizar la existencia de un posible sesgo de selección que pudiese poner en entredicho los resultados alcanzados.Por lo general, el sesgo de publicación es el resultado de la publicación deficiente de estudios que demuestran un efecto negativo.

SESGO DE PUBLICACIÓN

Info

Se han propuesto varios métodos para la exploración de la posibilidad y la cuantía del sesgo de publicación:El más simple consiste en realizar un análisis de sensibilidad, y calcular entonces el número de estudios negativos realizados y no publicados que debería haber para modificar el sentido de una eventual conclusión "positiva" obtenida con un meta-análisis. Si este número es muy elevado, se considera que la probabilidad de que el sesgo de publicación haya modificado sustancialmente los resultados es baja, y se acepta la existencia de las diferencias sugeridas por el meta-análisis. También se puede examinar la posibilidad de sesgo de publicación con el método conocido como el gráfico en embudo (funnel plot). Se basa en representar el tamaño muestral de cada trabajo frente al tamaño del efecto detectado. Se parte del supuesto de que los estudios que tendrían mayor probabilidad de no ser publicados serían los que no muestran diferencias (estudios "negativos"), sobre todo si eran de pequeño tamaño. Inversamente, si hubiera sesgo de publicación, entre los estudios pequeños (en los que hay mayor probabilidad de que se alteren los resultados por azar) se tendería a publicar los que mostraran diferencias.

SESGO DE PUBLICACIÓN

Leer más

Info

SESGO DE PUBLICACIÓN

inicio

CAUSAS DE ASIMETRÍA DE LOS GRÁFICOS DE EMBUDO

Supongamos que hacemos el estudio de heterogeneidad y decidimos que vamos a combinar los estudios para hacer el meta-análisis. El siguiente paso es analizar los estimadores del tamaño de efecto de los estudios, ponderándolos según la contribución que cada estudio va a tener sobre el resultado global. Esto es lógico, no puede contribuir lo mismo al resultado final un ensayo con pocos participantes y un resultado poco preciso que otro con miles de participantes y una medida de resultado más precisa. La forma más habitual de tener en cuenta estas diferencias es ponderar la estimación del tamaño del efecto por la inversa de la varianza de los resultados, realizando posteriormente el análisis para obtener el efecto medio.