Metaanalyse

Die Metaanalyse ist ein statistisches Verfahren, das Effektschätzungen aus mehreren Studien, die sich mit derselben Frage befassen, zu einer einzigen, präziseren gepoolten Schätzung kombiniert. Durch die Gewichtung jeder Studie entsprechend ihrer Präzision extrahiert sie eine Gesamtaussage, die keine einzelne Studie liefern könnte, und gibt die verbleibende Unsicherheit um diese Aussage an.

Definition

Metaanalyse ist die quantitative Kombination von Effektschätzungen aus mehreren Studien zu einer gewichteten zusammenfassenden Schätzung, typischerweise unter Verwendung der Inverse-Varianz-Gewichtung entweder unter einem Fixed-Effect-Modell (ein angenommener gemeinsamer Effekt) oder einem Random-Effects-Modell (Effekte werden als über Studien variierend angenommen).

Scope

Dieser Eintrag behandelt die Kernmechanismen des Poolings: wie individuelle Studieneffekte gewichtet werden, den Unterschied zwischen Fixed-Effect- und Random-Effects-Modellen und wie die gepoolte Schätzung und ihr Intervall zu lesen sind. Er behandelt die Metaanalyse als quantitative Methode innerhalb der Evidenzsynthese und ist eine Referenzbeschreibung und keine klinische Leitlinie. Der umfassendere systematische Review-Prozess wird im verwandten Metaanalyse-Knoten unter systematischen Reviews behandelt.

Core questions

• Wie werden einzelne Studienergebnisse gewichtet, wenn sie kombiniert werden?
• Was stellt die gepoolte Schätzung unter einem Fixed-Effect- versus einem Random-Effects-Modell dar?
• Wie sollte das Konfidenzintervall um eine gepoolte Schätzung interpretiert werden?
• Wann ist es überhaupt angebracht, Studien zu poolen?

Key concepts

• Inverse-Varianz-Gewichtung
• Fixed-Effect-Modell
• Random-Effects-Modell
• Gepoolter (zusammenfassender) Effekt
• Konfidenzintervall und Vorhersageintervall
• Forest Plot

Mechanisms

Jede Studie liefert eine Effektschätzung (wie ein Risikoverhältnis, Odds Ratio oder eine mittlere Differenz) zusammen mit ihrem Standardfehler. Bei der Inverse-Varianz-Gewichtung erhalten präzisere Studien ein höheres Gewicht, und der gewichtete Durchschnitt ist die gepoolte Schätzung. Unter einem Fixed-Effect-Modell wird angenommen, dass alle Studien einen wahren Effekt teilen, sodass die Gewichte nur von der Varianz innerhalb der Studie abhängen. Unter einem Random-Effects-Modell wird angenommen, dass die wahren Effekte variieren, sodass eine geschätzte Varianz zwischen den Studien zu jedem Gewicht hinzugefügt wird, was den Einfluss der größten Studien verringert und das Konfidenzintervall erweitert. Der DerSimonian-Laird-Ansatz lieferte den klassischen momentenbasierten Schätzer dieser Varianz zwischen den Studien; Riley und Kollegen betonen, dass die Random-Effects-Zusammenfassung ein durchschnittlicher Effekt ist, dessen Interpretation und das Vorhersageintervall um ihn herum widerspiegeln müssen, dass die Effekte in verschiedenen Settings unterschiedlich sind.

Clinical relevance

Gepoolte Schätzungen aus Metaanalysen stehen häufig an der Spitze der Evidenzhierarchien und fließen direkt in Leitlinien und die Bewertung von Gesundheitstechnologien ein. Daher ist die Fähigkeit, ein Forest Plot zu lesen und die Bedeutung seiner Zusammenfassungszeile zu verstehen, Teil der Evidenzbewertung. Dieser Eintrag erklärt, wie die gepoolte Schätzung erstellt wird, und ist keine Grundlage für individuelle Behandlungsentscheidungen.

Evidence & guidelines

Die Durchführung und transparente Berichterstattung von Metaanalysen wird durch das Cochrane Handbook (Higgins & Green, 2008) und die PRISMA-Erklärung (Moher et al., 2009) geregelt, die festlegen, wie die gepoolte Schätzung, die Modellwahl und die umgebende Unsicherheit darzustellen sind.

History

Der Begriff Metaanalyse wurde 1976 von Gene Glass für die quantitative Synthese von Forschungsergebnissen eingeführt. Ihre Übertragung in die klinische Forschung wurde durch DerSimonian und Lairds Random-Effects-Framework von 1986 verankert, und spätere Darstellungen wie die von Borenstein und Kollegen (2010) klärten den konzeptuellen Unterschied zwischen Fixed-Effect- und Random-Effects-Pooling, der die Praxis bis heute prägt.

Debates

Was bedeutet eine Random-Effects-Zusammenfassungsschätzung tatsächlich?

Da das Random-Effects-Modell über eine Verteilung wahrer Effekte mittelt, ist seine Zusammenfassungszeile ein Durchschnitt und kein einzelner gemeinsamer Wert; Riley und Kollegen argumentieren, dass ein Vorhersageintervall, nicht nur das Konfidenzintervall, erforderlich ist, um die Bandbreite der Effekte in verschiedenen Settings zu vermitteln.

Key figures

• Rebecca DerSimonian
• Nan Laird
• Michael Borenstein
• Larry Hedges
• Julian Higgins
• Richard Riley

Seminal works

• dersimonian-laird-1986
• borenstein-2010
• higgins-handbook-2008

Frequently asked questions

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

Eine Fixed-Effect-Analyse geht davon aus, dass jede Studie denselben einzelnen wahren Effekt schätzt, während eine Random-Effects-Analyse davon ausgeht, dass der wahre Effekt zwischen den Studien variiert und einen Varianzterm zwischen den Studien hinzufügt, was in der Regel das Konfidenzintervall erweitert.

Kann jede beliebige Gruppe von Studien in einer Metaanalyse kombiniert werden?

Nein. Das Pooling ist nur sinnvoll, wenn die Studien in Bezug auf Fragestellung, Population und Ergebnis ausreichend ähnlich sind; wenn sie zu heterogen sind, kann ihre Kombination zu einer präzisen, aber irreführenden Zusammenfassung führen.