Metaanalyse

Eine Metaanalyse ist die statistische Methode, die die quantitativen Ergebnisse mehrerer unabhängiger Studien, die dieselbe Frage behandeln, zu einer einzigen zusammenfassenden Schätzung kombiniert. Durch die Zusammenfassung von Effektstärken und die Gewichtung jeder Studie nach ihrer Präzision kann sie eine präzisere Gesamtschätzung liefern als jede einzelne Studie und untersuchen, wie stark der Effekt zwischen den Studien variiert.

Definition

Eine Metaanalyse ist ein statistisches Verfahren zur Kombination der Effektschätzungen mehrerer unabhängiger Studien derselben Frage zu einer gewichteten zusammenfassenden Schätzung, wobei jede Studie entsprechend der Präzision ihres Ergebnisses gewichtet wird.

Scope

Dieser Eintrag behandelt den statistischen Kern der quantitativen Evidenzsynthese: Effektstärken und ihre Gewichtung, Fixed-Effect- versus Random-Effects-Modelle, die zusammenfassende Schätzung und ihr Konfidenzintervall sowie die eng damit verbundene Frage der Heterogenität. Er behandelt die Metaanalyse als methodisches Thema, das im Rahmen einer systematischen Übersichtsarbeit durchgeführt wird, und nicht als klinische Leitlinie.

Core questions

• Was ist die beste Einzelschätzung eines Effekts angesichts mehrerer unabhängiger Studien?
• Sollten die Studien so behandelt werden, als ob sie einen gemeinsamen Effekt oder eine Verteilung von Effekten schätzen?
• Wie konsistent sind die Studien und wie präzise ist das gepoolte Ergebnis?

Key concepts

• Effektstärke (z. B. Odds Ratio, Risikoverhältnis, mittlere Differenz)
• Inverse-Varianz-Gewichtung
• Fixed-Effect-Modell
• Random-Effects-Modell
• Zusammenfassende Schätzung und Konfidenzintervall
• Forest Plot
• Heterogenität

Mechanisms

Jede Studie liefert eine Effektschätzung (wie ein Odds Ratio oder eine standardisierte mittlere Differenz) und ein Maß für ihre Präzision. Die Metaanalyse kombiniert diese, indem sie jede Schätzung gewichtet, typischerweise durch den Kehrwert ihrer Varianz, sodass größere und präzisere Studien stärker ins Gewicht fallen. Ein Fixed-Effect-Modell geht davon aus, dass jede Studie einen gemeinsamen wahren Effekt schätzt und dass Unterschiede nur auf Stichprobenfehler zurückzuführen sind. Ein Random-Effects-Modell, am häufigsten die Methode von DerSimonian und Laird, geht davon aus, dass der wahre Effekt zwischen den Studien variiert, und fügt eine Varianzkomponente zwischen den Studien hinzu, was zu breiteren Intervallen führt und kleineren Studien relativ mehr Gewicht verleiht. Die gepoolte Schätzung und ihr Konfidenzintervall werden üblicherweise in einem Forest Plot dargestellt. Da die Poolung davon ausgeht, dass die Studien ausreichend ähnlich sind, um sie zu kombinieren, wird der Grad der Heterogenität zusammen mit der Zusammenfassung bewertet.

Clinical relevance

Metaanalysen liefern viele der zusammenfassenden Effektschätzungen, die in klinischen Leitlinien und Bewertungen von Gesundheitstechnologien zitiert werden, und ihre Ergebnisse können stabiler sein als die einzelner Studien. Ihre Interpretation erfordert ein Verständnis des verwendeten Modells und der vorhandenen Heterogenität. Dieser Eintrag beschreibt, wie zusammenfassende Schätzungen berechnet und gelesen werden; es handelt sich um Referenzmaterial zur Bewertung von Evidenz, nicht um Ratschläge zur Behandlung eines Individuums.

Epidemiology

Metaanalysen werden in klinischen Studien, der Beobachtungsepidemiologie, der Forschung zur diagnostischen Genauigkeit und den Sozialwissenschaften angewendet. In der Medizin werden sie am häufigsten im Rahmen von Cochrane- und anderen systematischen Übersichtsarbeiten durchgeführt, und Software für Metaanalysen ist weit verbreitet. Das Random-Effects-Modell von DerSimonian und Laird gehört zu den am häufigsten verwendeten Pooling-Methoden in der biomedizinischen Literatur.

Evidence & guidelines

Metaanalysen, die in systematischen Übersichtsarbeiten berichtet werden, folgen den PRISMA 2020-Berichtsstandards (Page et al., 2021), die Punkte zu den Synthesemethoden, der Heterogenität und der Sicherheit der Evidenz enthalten. Dies sind Berichtsstandards, keine Behandlungsempfehlungen.

History

Die statistische Kombination von Studien geht auf Arbeiten von Pearson und Fisher aus dem frühen 20. Jahrhundert zurück, und Gene Glass führte den Begriff Metaanalyse 1976 in der Bildungsforschung ein. In der klinischen Medizin wurde das Random-Effects-Modell von DerSimonian und Laird (1986) zum Standardansatz für die Poolung, und die Methode verbreitete sich schnell mit dem Wachstum der Cochrane Collaboration und spezieller Software. Borenstein und Kollegen (2010) klärten später den konzeptionellen Unterschied zwischen Fixed-Effect- und Random-Effects-Modellen.

Debates

Fixed-Effect- oder Random-Effects-Modell?

Die beiden Modelle verkörpern unterschiedliche Annahmen darüber, ob Studien einen wahren Effekt teilen oder eine Verteilung von Effekten schätzen; die Wahl beeinflusst die Gewichtung und die Breite des Konfidenzintervalls, und das Random-Effects-Modell kann bei wenigen Studien instabil sein.

Wann ist eine Poolung überhaupt angemessen?

Die Kombination von Studien, die sich erheblich in Populationen, Interventionen oder Design unterscheiden, kann eine präzise, aber irreführende Zusammenfassung ergeben, sodass der Grad der Heterogenität direkt davon abhängt, ob eine gepoolte Schätzung aussagekräftig ist.

Key figures

• Gene Glass
• Rebecca DerSimonian
• Nan Laird
• Larry Hedges
• Julian Higgins
• Michael Borenstein

Seminal works

• dersimonian-laird-1986
• borenstein-2010
• higgins-2003-i2

Frequently asked questions

Was ist der Unterschied zwischen einer Fixed-Effect- und einer Random-Effects-Metaanalyse?

Ein Fixed-Effect-Modell geht davon aus, dass alle Studien einen gemeinsamen wahren Effekt schätzen und gewichtet sie allein nach Präzision. Ein Random-Effects-Modell geht davon aus, dass der wahre Effekt zwischen den Studien variiert, fügt einen Varianzterm zwischen den Studien hinzu und liefert daher breitere Konfidenzintervalle und relativ mehr Gewicht für kleinere Studien.

Kann jede beliebige Gruppe von Studien metaanalysiert werden?

Nein. Die Poolung setzt voraus, dass die Studien in Frage, Population und Design ausreichend ähnlich sind, um eine aussagekräftige Zusammenfassung zu teilen. Wenn sie zu heterogen sind, kann eine einzelne gepoolte Schätzung präzise, aber irreführend sein, und eine qualitative Synthese kann angemessener sein.