عدم التجانس في التحليل التلوي
عدم التجانس في التحليل التلوي هو التباين في التأثيرات الحقيقية عبر الدراسات التي يتم تجميعها، بما يتجاوز ما يمكن أن ينتجه خطأ أخذ العينات وحده. يقيس تفسير هذا التباين للمحلل ما إذا كانت الدراسات تقدر نفس الشيء أساسًا أو أشياء مختلفة حقًا، مما يشكل كلاً من النموذج المستخدم والثقة الموضوعة في الملخص.
Definition
عدم التجانس هو الدرجة التي تختلف بها التأثيرات الحقيقية المقدرة بواسطة الدراسات الفردية في التحليل التلوي عن بعضها البعض، ويتم قياسه إحصائيًا بمقاييس مثل Q كوكران، و I-squared (نسبة التباين الكلي الناتج عن الاختلافات بين الدراسات بدلاً من الصدفة)، وتاو-تربيع (tau-squared) (التباين المقدر بين الدراسات).
Scope
يتناول هذا المدخل التقييم الإحصائي لعدم التجانس بين الدراسات: اختبار كوكران Q، وإحصائية I-squared، وتباين تاو-تربيع (tau-squared) بين الدراسات، والقيود المعروفة لهذه المقاييس. يتعامل مع عدم التجانس كموضوع منهجي ضمن تجميع الأدلة ويقدم وصفًا مرجعيًا، وليس نصيحة سريرية.
Core questions
- هل تقدر الدراسات المتضمنة تأثيرًا مشتركًا واحدًا أم مجموعة من التأثيرات المختلفة؟
- ما مقدار التباين الملاحظ هو فرق حقيقي بين الدراسات مقابل ضوضاء أخذ العينات؟
- كيف يجب تفسير I-squared وتاو-تربيع (tau-squared)، وأين يضللان؟
- متى يجعل عدم التجانس تقديرًا مجمعًا واحدًا غير مناسب؟
Key concepts
- اختبار Q كوكران
- إحصائية I-squared
- تاو-تربيع (tau-squared) (تباين بين الدراسات)
- عدم التجانس السريري مقابل الإحصائي
- فترة التنبؤ
- تحليل المجموعات الفرعية كاستجابة لعدم التجانس
Mechanisms
يتم تقسيم التباين الكلي بين تقديرات الدراسة إلى خطأ أخذ العينات داخل الدراسة وتباين حقيقي بين الدراسات. يقارن Q كوكران التشتت الملاحظ بما يتنبأ به خطأ أخذ العينات وحده؛ ولأن Q لديه قوة منخفضة مع عدد قليل من الدراسات، اقترح هيغينز وتومبسون I-squared، وهي النسبة المئوية للتباين الكلي المنسوب إلى عدم التجانس بين الدراسات بدلاً من الصدفة، وهي مستقلة عن عدد الدراسات. يقدر تاو-تربيع (tau-squared) تباين توزيع التأثير الأساسي ويغذي مباشرة ترجيح التأثيرات العشوائية وفترات التنبؤ. تتبع تحذيرات مهمة: يوضح روكر وزملاؤه أن I-squared يعتمد على دقة الدراسات المتضمنة، لذلك يمكن أن يكون كبيرًا ببساطة لأن الدراسات دقيقة، ويوضح فون هيبل أنه غير مستقر ويمكن أن يكون متحيزًا في التحليلات التلوية الصغيرة، لذلك يجب قراءة هذه الإحصائيات جنبًا إلى جنب مع الانتشار المطلق للتأثيرات بدلاً من مقابل عتبات ثابتة.
Clinical relevance
تعتمد كيفية تلخيص مجموعة من التجارب بشكل كبير على عدم تجانسها، لذا فإن تقييم إحصائيات عدم التجانس هو جزء من الحكم على مدى أهمية النتيجة المجمعة في الإرشادات وتقييم التكنولوجيا الصحية. يصف هذا المدخل كيفية قياس عدم التجانس وليس أساسًا للقرارات السريرية الفردية.
Evidence & guidelines
يصف دليل كوكران الممارسة المتوقعة لتقييم عدم التجانس والإبلاغ عنه، بما في ذلك استخدام I-squared مع تفسير تحذيري ودور فترات التنبؤ، بما يتوافق مع الأدبيات المنهجية الملخصة هنا.
History
يعود اختبار Q كوكران لدمج التجارب إلى إحصائيات منتصف القرن العشرين، لكنه أثبت أنه ضعيف القوة بالنسبة للأعداد الصغيرة من الدراسات الشائعة في التحليل التلوي السريري. قدمت ورقة هيغينز وتومبسون عام 2002، تلتها شرح BMJ الذي استشهد به على نطاق واسع عام 2003، I-squared كمقياس قابل للتفسير ومستقل عن حجم العينة، وبعد ذلك أوضحت الأدبيات التصحيحية (Rücker et al., 2008; von Hippel, 2015) اعتماده على دقة الدراسة وعدم استقراره في التجميعات الصغيرة.
Debates
- إلى أي مدى يجب الاعتماد على I-squared للحكم على عدم التجانس؟
- يعتمد I-squared على دقة الدراسات المتضمنة ويمكن أن يكون غير مستقر عندما يتم تجميع عدد قليل من الدراسات، لذلك يحذر المعلقون من الحدود الثابتة ويوصون بقراءته جنبًا إلى جنب مع تاو-تربيع (tau-squared) والانتشار المطلق للتأثيرات.
Key figures
- Julian Higgins
- Simon Thompson
- Gerta Rücker
- Paul von Hippel
- William Cochran
Related topics
Seminal works
- higgins-thompson-2002
- higgins-2003
Frequently asked questions
- ماذا يعني I-squared بنسبة 75%؟
- يشير إلى أن حوالي ثلاثة أرباع التباين الكلي بين تقديرات الدراسة يعكس اختلافات حقيقية بين الدراسات بدلاً من خطأ أخذ العينات؛ ولكن نظرًا لأن I-squared يعتمد على دقة الدراسة، يجب تفسيره جنبًا إلى جنب مع الانتشار الفعلي للتأثيرات، وليس مقابل تسمية ثابتة.
- هل عدم التجانس العالي سبب لعدم تجميع الدراسات؟
- ليس تلقائيًا. يشير عدم التجانس العالي إلى أن الدراسات تختلف ويحث على التحقيق في السبب، ولكن ما إذا كان يجب التجميع، أو استخدام نموذج التأثيرات العشوائية، أو الامتناع يعتمد على ما إذا كانت الاختلافات قابلة للتفسير والدراسات قابلة للمقارنة سريريًا.