Funnel plot y forest plot

Diagrama de bosque

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).

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

Determinación de la heterogeneidad

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.

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

Leer más

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.

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)

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.

Determinación de la heterogeneidad

• 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.

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.

Determinación de la heterogeneidad

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

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

• 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.

La dirección del efecto no es un criterio de inconsistencia.

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.

SESGO DE PUBLICACIÓN

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.

Info

SESGO DE PUBLICACIÓN

Info

Leer más