Heterogenität in der Metaanalyse

Heterogenität in der Metaanalyse ist die Variation der wahren Effekte über die zusammengefassten Studien hinweg, die über das hinausgeht, was allein durch Stichprobenfehler entstehen würde. Ihre Messung und Interpretation zeigt dem Analytiker, ob die Studien im Wesentlichen dasselbe oder tatsächlich unterschiedliche Dinge schätzen, was sowohl das verwendete Modell als auch das Vertrauen in die Zusammenfassung beeinflusst.

Definition

Heterogenität ist der Grad, in dem die wahren Effekte, die von einzelnen Studien in einer Metaanalyse geschätzt werden, voneinander abweichen, quantifiziert durch Statistiken wie Cochrans Q, I-Quadrat (der Anteil der Gesamtvariation, der auf Unterschiede zwischen den Studien und nicht auf Zufall zurückzuführen ist) und Tau-Quadrat (die geschätzte Varianz zwischen den Studien).

Scope

Dieser Eintrag behandelt die statistische Bewertung der Heterogenität zwischen Studien: den Cochran-Q-Test, die I-Quadrat-Statistik, die Zwischenstudienvarianz Tau-Quadrat und die bekannten Einschränkungen dieser Maße. Er behandelt Heterogenität als methodisches Thema innerhalb der Evidenzsynthese und bietet eine referenzielle Beschreibung, keine klinische Beratung.

Core questions

• Schätzen die eingeschlossenen Studien einen gemeinsamen Effekt oder eine Reihe unterschiedlicher Effekte?
• Wie viel der beobachteten Variation ist ein echter Unterschied zwischen den Studien im Vergleich zu Stichprobenrauschen?
• Wie sollen I-Quadrat und Tau-Quadrat interpretiert werden, und wo führen sie in die Irre?
• Wann macht Heterogenität eine einzelne gepoolte Schätzung ungeeignet?

Key concepts

• Cochrans Q-Test
• I-Quadrat-Statistik
• Tau-Quadrat (Varianz zwischen den Studien)
• Klinische versus statistische Heterogenität
• Vorhersageintervall
• Subgruppenanalyse als Reaktion auf Heterogenität

Mechanisms

Die Gesamtvariation zwischen den Studienschätzungen wird in Stichprobenfehler innerhalb der Studie und echte Variation zwischen den Studien aufgeteilt. Cochrans Q vergleicht die beobachtete Streuung mit dem, was allein der Stichprobenfehler vorhersagt; da Q bei wenigen Studien eine geringe Aussagekraft hat, schlugen Higgins und Thompson I-Quadrat vor, den Prozentsatz der Gesamtvariation, der auf Heterogenität zwischen den Studien und nicht auf Zufall zurückzuführen ist, der unabhängig von der Anzahl der Studien ist. Tau-Quadrat schätzt die Varianz der zugrunde liegenden Effektverteilung und fließt direkt in die Gewichtung von Zufallseffekten und Vorhersageintervalle ein. Wichtige Vorbehalte folgen: Rücker und Kollegen zeigen, dass I-Quadrat von der Präzision der eingeschlossenen Studien abhängt, sodass es allein aufgrund der Präzision der Studien groß sein kann, und von Hippel zeigt, dass es in kleinen Metaanalysen instabil und verzerrt sein kann, sodass diese Statistiken zusammen mit der absoluten Streuung der Effekte und nicht gegen feste Schwellenwerte gelesen werden müssen.

Clinical relevance

Ob und wie eine Reihe von Studien zusammengefasst wird, hängt stark von ihrer Heterogenität ab. Daher ist die Bewertung von Heterogenitätsstatistiken Teil der Beurteilung, wie viel Gewicht ein gepooltes Ergebnis in Leitlinien und bei der Bewertung von Gesundheitstechnologien verdient. Dieser Eintrag beschreibt, wie Heterogenität gemessen wird, und ist keine Grundlage für individuelle klinische Entscheidungen.

Evidence & guidelines

Das Cochrane Handbook beschreibt die erwartete Praxis zur Bewertung und Berichterstattung von Heterogenität, einschließlich der Verwendung von I-Quadrat mit vorsichtiger Interpretation und der Rolle von Vorhersageintervallen, im Einklang mit der hier zusammengefassten methodischen Literatur.

History

Cochrans Q-Test zur Kombination von Experimenten stammt aus der Statistik der Mitte des 20. Jahrhunderts, erwies sich jedoch für die geringe Anzahl von Studien, die in klinischen Metaanalysen üblich sind, als zu wenig aussagekräftig. Die Arbeit von Higgins und Thompson aus dem Jahr 2002, gefolgt von der vielzitierten BMJ-Darstellung aus dem Jahr 2003, führte I-Quadrat als interpretierbares, stichprobenunabhängiges Maß ein, woraufhin eine korrigierende Literatur (Rücker et al., 2008; von Hippel, 2015) dessen Abhängigkeit von der Studienpräzision und seine Instabilität bei kleinen Synthesen klärte.

Debates

Wie stark sollte man sich bei der Beurteilung der Heterogenität auf I-Quadrat verlassen?

I-Quadrat hängt von der Präzision der eingeschlossenen Studien ab und kann instabil sein, wenn nur wenige Studien zusammengefasst werden. Kommentatoren warnen daher vor festen Grenzwerten und empfehlen, es zusammen mit Tau-Quadrat und der absoluten Streuung der Effekte zu lesen.

Key figures

• Julian Higgins
• Simon Thompson
• Gerta Rücker
• Paul von Hippel
• William Cochran

Seminal works

• higgins-thompson-2002
• higgins-2003

Frequently asked questions

Was bedeutet ein I-Quadrat von 75 %?

Es zeigt an, dass etwa drei Viertel der Gesamtvariation zwischen den Studienschätzungen echte Unterschiede zwischen den Studien widerspiegeln und nicht Stichprobenfehler; da I-Quadrat jedoch von der Studienpräzision abhängt, sollte es zusammen mit der tatsächlichen Streuung der Effekte interpretiert werden, nicht gegen eine feste Bezeichnung.

Ist eine hohe Heterogenität ein Grund, Studien nicht zusammenzufassen?

Nicht automatisch. Eine hohe Heterogenität signalisiert, dass sich Studien unterscheiden und veranlasst eine Untersuchung der Gründe, aber ob zusammengefasst, ein Modell mit Zufallseffekten verwendet oder darauf verzichtet werden soll, hängt davon ab, ob die Unterschiede erklärbar und die Studien klinisch vergleichbar sind.