Meta-Regression

Die Meta-Regression ist eine Erweiterung der Meta-Analyse, die studienbezogene Merkmale als erklärende Variablen verwendet, um zu untersuchen, warum sich Effektschätzungen zwischen Studien unterscheiden. Anstatt einen einzelnen gepoolten Wert zu berichten, modelliert sie die Beziehung zwischen diesen Merkmalen und der Größe des Effekts und versucht, die Heterogenität zwischen den Studien zu erklären.

Definition

Die Meta-Regression ist eine statistische Technik, die die Effektschätzungen aus einzelnen Studien auf eine oder mehrere studienbezogene Kovariaten regressiert, üblicherweise innerhalb eines Random-Effects-Modells, um zu beurteilen, wie viel der Heterogenität zwischen den Studien diese Kovariaten erklären.

Scope

Dieser Eintrag behandelt die Meta-Regression als Methode innerhalb der Evidenzsynthese: wie studienbezogene Kovariaten mit der Effektgröße zusammenhängen, die Formulierung mit zufälligen Effekten (gemischt), die Restheterogenität berücksichtigt, und die bekannten Vorsichtsmaßnahmen bezüglich Power, ökologischer Verzerrung und Überinterpretation. Es handelt sich um eine Referenzbeschreibung und nicht um eine klinische Leitlinie.

Core questions

• Welche studienbezogenen Merkmale sind mit größeren oder kleineren Effekten assoziiert?
• Wie viel der Heterogenität zwischen den Studien erklärt eine Kovariate?
• Warum ist die statistische Power für die Meta-Regression oft gering?
• Wann führt eine studienbezogene Assoziation zu falschen Schlussfolgerungen über individuelle Beziehungen?

Key concepts

• Studienbezogene Kovariate
• Meta-Regression mit zufälligen Effekten (gemischte Effekte)
• Restheterogenität
• Ökologische (Aggregations-)Verzerrung
• Multiplizität und Überanpassung bei wenigen Studien

Mechanisms

Jede Studie liefert eine Effektschätzung und einen Wert für eine oder mehrere studienbezogene Kovariaten, wie z. B. mittleres Alter, Ausgangsrisiko, Dosis oder Erscheinungsjahr. Die Meta-Regression passt eine gewichtete Regression der Effekte auf diese Kovariaten an; da in der Regel eine Restvariation zwischen den Studien verbleibt, fügt eine Formulierung mit zufälligen Effekten (gemischte Effekte) einen Term für die Restheterogenität hinzu, so dass die Kovariate einen Teil, aber selten die gesamte Variation erklärt. Thompson und Sharp verglichen die verfügbaren Schätzmethoden, und Thompson und Higgins legten die praktischen Prinzipien dar: Kovariaten sollten vorab spezifiziert und wenige sein, da die Anzahl der Studien typischerweise gering ist und das Testen vieler Kovariaten die Rate falsch-positiver Befunde erhöht. Eine zentrale Vorsichtsmaßnahme ist die ökologische Verzerrung – eine Assoziation zwischen einer studienmittleren Kovariate und dem studienmittleren Effekt muss nicht die Beziehung innerhalb von Individuen widerspiegeln, daher sind Meta-Regressionsergebnisse eher hypothesengenerierend als bestätigend.

Clinical relevance

Die Meta-Regression kann Hinweise darauf geben, welche Patienten- oder Studienmerkmale den Effekt einer Intervention modifizieren, eine Information, die vorsichtig in Leitlinien und die Bewertung von Gesundheitstechnologien einfließt, aber ihr beobachtender, studienbezogener Charakter begrenzt, wie stark solche Ergebnisse umgesetzt werden können. Dieser Eintrag beschreibt die Methode und ist keine Grundlage für individuelle Behandlungsentscheidungen.

Evidence & guidelines

Das Cochrane Handbook (Higgins & Green, 2008) beschreibt die erwartete Praxis für die Meta-Regression, einschließlich der Vorab-Spezifikation einer kleinen Anzahl von Kovariaten und einer vorsichtigen Interpretation, im Einklang mit der methodischen Anleitung von Thompson und Higgins (2002).

History

Als Meta-Analysten in den 1990er Jahren zunehmend mit erheblicher Heterogenität konfrontiert wurden, verlagerte sich die Aufmerksamkeit vom bloßen Messen zum Erklären derselben. Thompsons und Sharps Vergleich der Methoden von 1999 und Thompsons und Higgins' Anleitung von 2002 etablierten die Standardformulierung der Meta-Regression mit zufälligen Effekten und die interpretativen Vorsichtsmaßnahmen, insbesondere hinsichtlich der Power und der ökologischen Verzerrung, die ihre heutige Anwendung bestimmen.

Debates

Welches Gewicht sollten Meta-Regressionsergebnisse haben?

Da die Meta-Regression aggregierte studienbezogene Daten verwendet, oft mit wenigen Studien und mehreren potenziellen Kovariaten, sind ihre Assoziationen anfällig für geringe Power, Konfundierung zwischen Studienmerkmalen und ökologische Verzerrung, so dass Kommentatoren ihre Ergebnisse eher als hypothesengenerierend denn als definitiv betrachten.

Key figures

• Simon Thompson
• Julian Higgins
• Stephen Sharp

Seminal works

• thompson-sharp-1999
• thompson-higgins-2002

Frequently asked questions

Wie unterscheidet sich die Meta-Regression von der Subgruppenanalyse?

Die Subgruppenanalyse teilt Studien in diskrete Kategorien auf und vergleicht gepoolte Effekte zwischen ihnen, während die Meta-Regression den Effekt als Funktion einer Kovariate modelliert, die kontinuierlich sein kann, wobei alle Studien zusammen verwendet werden; die Subgruppenanalyse ist im Grunde eine Meta-Regression mit einem kategorialen Prädiktor.

Warum wird die Meta-Regression oft als wenig aussagekräftig beschrieben?

Da die Analyseeinheit die Studie ist und die meisten Meta-Analysen relativ wenige Studien umfassen, gibt es nur begrenzte Informationen, um Kovariaten-Effekte zuverlässig zu schätzen, so dass nicht-signifikante Ergebnisse einfach zu wenige Studien widerspiegeln können, anstatt eine tatsächliche Abwesenheit von Assoziation.