ناهمگونی در فراتحلیل

ناهمگونی در فراتحلیل به تفاوت در اثرات واقعی در مطالعاتی که با هم ترکیب می‌شوند، فراتر از آنچه خطای نمونه‌برداری به تنهایی ایجاد می‌کند، اشاره دارد. اندازه‌گیری و تفسیر آن به تحلیلگر می‌گوید که آیا مطالعات اساساً یک چیز را تخمین می‌زنند یا چیزهای واقعاً متفاوتی را، که هم مدل مورد استفاده و هم اطمینان به خلاصه نتایج را شکل می‌دهد.

Definition

ناهمگونی میزان تفاوت اثرات واقعی تخمین‌زده شده توسط مطالعات فردی در یک فراتحلیل است که با آماره‌هایی مانند Q کوکران، I-squared (نسبت کل تغییرات ناشی از تفاوت‌های بین مطالعات به جای شانس)، و تاو-مربع (واریانس تخمینی بین مطالعات) کمی‌سازی می‌شود.

Scope

این مدخل به ارزیابی آماری ناهمگونی بین مطالعات می‌پردازد: آزمون Q کوکران، آماره I-squared، واریانس بین مطالعات تاو-مربع، و محدودیت‌های شناخته‌شده این معیارها. این موضوع ناهمگونی را به عنوان یک مبحث روش‌شناختی در سنتز شواهد در نظر می‌گیرد و توضیحات مرجع را ارائه می‌دهد، نه توصیه‌های بالینی.

Core questions

• آیا مطالعات گنجانده شده یک اثر مشترک را تخمین می‌زنند یا طیفی از اثرات متفاوت را؟
• چه مقدار از تغییرات مشاهده‌شده تفاوت واقعی بین مطالعات است در مقابل نویز نمونه‌برداری؟
• I-squared و تاو-مربع چگونه باید تفسیر شوند و در کجا گمراه‌کننده هستند؟
• چه زمانی ناهمگونی باعث می‌شود یک برآورد تجمیع‌شده واحد نامناسب باشد؟

Key concepts

• آزمون Q کوکران
• آماره I-squared
• تاو-مربع (واریانس بین مطالعات)
• ناهمگونی بالینی در مقابل آماری
• فاصله پیش‌بینی
• تحلیل زیرگروه به عنوان پاسخی به ناهمگونی

Mechanisms

کل تغییرات در برآوردهای مطالعه به خطای نمونه‌برداری درون مطالعه و تغییرات واقعی بین مطالعات تقسیم می‌شود. Q کوکران پراکندگی مشاهده‌شده را با آنچه خطای نمونه‌برداری به تنهایی پیش‌بینی می‌کند مقایسه می‌کند؛ از آنجا که Q با تعداد کمی از مطالعات قدرت پایینی دارد، هیگینز و تامپسون I-squared را پیشنهاد کردند، که درصد کل تغییرات قابل انتساب به ناهمگونی بین مطالعات به جای شانس است و مستقل از تعداد مطالعات می‌باشد. تاو-مربع واریانس توزیع اثرات زمینه‌ای را تخمین می‌زند و مستقیماً در وزن‌دهی مدل اثرات تصادفی و فواصل پیش‌بینی نقش دارد. هشدارهای مهمی در پی می‌آید: روکر و همکاران نشان می‌دهند که I-squared به دقت مطالعات گنجانده شده بستگی دارد، بنابراین ممکن است صرفاً به دلیل دقیق بودن مطالعات بزرگ باشد، و فون هیپل نشان می‌دهد که ناپایدار است و ممکن است در فراتحلیل‌های کوچک سوگیری داشته باشد، بنابراین این آماره‌ها باید در کنار دامنه مطلق اثرات و نه در برابر آستانه‌های ثابت تفسیر شوند.

Clinical relevance

نحوه و چگونگی خلاصه‌سازی مجموعه‌ای از کارآزمایی‌ها به شدت به ناهمگونی آن بستگی دارد، بنابراین ارزیابی آماره‌های ناهمگونی بخشی از قضاوت در مورد میزان وزنی است که یک نتیجه تجمیع‌شده در دستورالعمل‌ها و ارزیابی فناوری سلامت شایسته آن است. این مدخل نحوه اندازه‌گیری ناهمگونی را توصیف می‌کند و مبنایی برای تصمیم‌گیری‌های بالینی فردی نیست.

Evidence & guidelines

کتابچه راهنمای کاکرین (Cochrane Handbook) رویه مورد انتظار برای ارزیابی و گزارش ناهمگونی را توصیف می‌کند، از جمله استفاده از I-squared با تفسیر محتاطانه و نقش فواصل پیش‌بینی، که با ادبیات روش‌شناختی خلاصه‌شده در اینجا سازگار است.

History

آزمون Q کوکران برای ترکیب آزمایش‌ها به اواسط قرن بیستم بازمی‌گردد، اما برای تعداد کمی از مطالعات که در فراتحلیل‌های بالینی رایج است، قدرت کافی نداشت. مقاله هیگینز و تامپسون در سال ۲۰۰۲، و سپس توضیح BMJ در سال ۲۰۰۳ که به طور گسترده مورد استناد قرار گرفت، I-squared را به عنوان یک معیار قابل تفسیر و مستقل از حجم نمونه معرفی کرد، پس از آن ادبیات اصلاحی (روکر و همکاران، ۲۰۰۸؛ فون هیپل، ۲۰۱۵) وابستگی آن به دقت مطالعه و ناپایداری آن در سنتزهای کوچک را روشن کرد.

Debates

تا چه حد باید به I-squared برای قضاوت در مورد ناهمگونی اعتماد کرد؟

I-squared به دقت مطالعات گنجانده شده بستگی دارد و ممکن است زمانی که تعداد کمی از مطالعات تجمیع می‌شوند ناپایدار باشد، بنابراین مفسران در مورد نقاط برش ثابت هشدار می‌دهند و توصیه می‌کنند آن را همراه با تاو-مربع و دامنه مطلق اثرات تفسیر کنند.

Key figures

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

Seminal works

• higgins-thompson-2002
• higgins-2003

Frequently asked questions

I-squared 75% به چه معناست؟

این نشان می‌دهد که حدود سه چهارم کل تغییرات در برآوردهای مطالعه منعکس‌کننده تفاوت‌های واقعی بین مطالعات است تا خطای نمونه‌برداری؛ اما از آنجا که I-squared به دقت مطالعه بستگی دارد، باید در کنار دامنه واقعی اثرات و نه در برابر یک برچسب ثابت تفسیر شود.

آیا ناهمگونی بالا دلیلی برای عدم تجمیع مطالعات است؟

نه به طور خودکار. ناهمگونی بالا نشان می‌دهد که مطالعات با هم تفاوت دارند و بررسی دلیل آن را ضروری می‌کند، اما اینکه آیا باید تجمیع کرد، از مدل اثرات تصادفی استفاده کرد یا از آن خودداری کرد، بستگی به این دارد که آیا تفاوت‌ها قابل توضیح هستند و مطالعات از نظر بالینی قابل مقایسه هستند یا خیر.