متاآنالیز
متاآنالیز یک روش آماری است که نتایج کمی چندین مطالعه مستقل را که به یک سؤال مشابه میپردازند، در یک برآورد خلاصهشده واحد ترکیب میکند. با ادغام اندازههای اثر و وزندهی هر مطالعه بر اساس دقت آن، میتواند برآورد کلی دقیقتری نسبت به هر مطالعه منفرد ارائه دهد و بررسی کند که اثر تا چه حد در مطالعات مختلف متفاوت است.
Definition
متاآنالیز یک روش آماری برای ترکیب برآوردهای اثر چندین مطالعه مستقل در مورد یک سؤال مشابه در یک برآورد خلاصهشده وزندار است، که در آن هر مطالعه بر اساس دقت نتیجه خود وزندهی میشود.
Scope
این مدخل به هسته آماری سنتز شواهد کمی میپردازد: اندازههای اثر و وزندهی آنها، مدلهای اثر ثابت در مقابل مدلهای اثر تصادفی، برآورد خلاصه و فاصله اطمینان آن، و سؤال مرتبط با ناهمگونی. این مدخل متاآنالیز را به عنوان یک موضوع روششناختی که در یک مرور سیستماتیک انجام میشود، و نه به عنوان یک راهنمای بالینی، مورد بررسی قرار میدهد.
Core questions
- با توجه به چندین مطالعه مستقل، بهترین برآورد منفرد از یک اثر چیست؟
- آیا مطالعات باید به عنوان برآورد یک اثر مشترک یا توزیعی از اثرات در نظر گرفته شوند؟
- مطالعات چقدر سازگار هستند و نتیجه ادغامشده چقدر دقیق است؟
Key concepts
- اندازه اثر (به عنوان مثال، نسبت شانس، نسبت خطر، تفاوت میانگین)
- وزندهی معکوس واریانس
- مدل اثر ثابت
- مدل اثر تصادفی
- برآورد خلاصه و فاصله اطمینان
- نمودار جنگل
- ناهمگونی
Mechanisms
هر مطالعه یک برآورد اثر (مانند نسبت شانس یا تفاوت میانگین استاندارد شده) و معیاری از دقت خود را ارائه میدهد. متاآنالیز این موارد را با وزندهی هر برآورد، معمولاً با معکوس واریانس آن، ترکیب میکند، به طوری که مطالعات بزرگتر و دقیقتر سهم بیشتری دارند. یک مدل اثر ثابت فرض میکند که هر مطالعه یک اثر واقعی مشترک را برآورد میکند و تفاوتها فقط به دلیل خطای نمونهبرداری هستند. یک مدل اثر تصادفی، که معمولاً روش DerSimonian و Laird است، فرض میکند که اثر واقعی در مطالعات مختلف متفاوت است و یک جزء واریانس بین مطالعهای را اضافه میکند، که منجر به فواصل گستردهتر میشود و به مطالعات کوچکتر وزن نسبتاً بیشتری میدهد. برآورد ادغامشده و فاصله اطمینان آن معمولاً در یک نمودار جنگل (forest plot) نمایش داده میشود. از آنجایی که ادغام فرض میکند مطالعات به اندازه کافی مشابه هستند تا ترکیب شوند، میزان ناهمگونی در کنار خلاصه ارزیابی میشود.
Clinical relevance
متاآنالیزها بسیاری از برآوردهای اثر خلاصهشده را که در دستورالعملهای بالینی و ارزیابیهای فناوری سلامت ذکر شدهاند، ارائه میدهند و نتایج آنها میتواند پایدارتر از نتایج کارآزماییهای فردی باشد. تفسیر آنها مستلزم درک مدل مورد استفاده و ناهمگونی موجود است. این مدخل نحوه محاسبه و خواندن برآوردهای خلاصه را توضیح میدهد؛ این یک منبع مرجع برای ارزیابی شواهد است، نه توصیهای برای درمان یک فرد.
Epidemiology
متاآنالیز در کارآزماییهای بالینی، اپیدمیولوژی مشاهدهای، تحقیقات دقت تشخیصی و علوم اجتماعی کاربرد دارد. در پزشکی، اغلب در مرورهای سیستماتیک کاکرین و سایر مرورها انجام میشود و نرمافزارهای متاآنالیز به طور گستردهای در دسترس هستند. مدل اثر تصادفی DerSimonian و Laird از جمله پرکاربردترین روشهای ادغام در ادبیات زیستپزشکی است.
Evidence & guidelines
متاآنالیزهای گزارششده در مرورهای سیستماتیک از استانداردهای گزارشدهی PRISMA 2020 (Page et al., 2021) پیروی میکنند که شامل مواردی در مورد روشهای سنتز، ناهمگونی و قطعیت شواهد است. اینها استانداردهای گزارشدهی هستند، نه توصیههای درمانی.
History
ترکیب آماری مطالعات به کارهای اولیه قرن بیستم توسط پیرسون و فیشر بازمیگردد و جین گلاس در سال 1976 اصطلاح متاآنالیز را در تحقیقات آموزشی معرفی کرد. در پزشکی بالینی، مدل اثر تصادفی DerSimonian و Laird (1986) به رویکرد استاندارد برای ادغام تبدیل شد و این روش با رشد همکاری کاکرین و نرمافزارهای اختصاصی به سرعت گسترش یافت. بورنستاین و همکاران (2010) بعداً تفاوت مفهومی بین مدلهای اثر ثابت و اثر تصادفی را روشن کردند.
Debates
- مدل اثر ثابت یا مدل اثر تصادفی؟
- این دو مدل مفروضات متفاوتی در مورد اینکه آیا مطالعات یک اثر واقعی مشترک دارند یا توزیعی از اثرات را برآورد میکنند، دارند؛ انتخاب بر وزندهی و عرض فاصله اطمینان تأثیر میگذارد و مدل اثر تصادفی ممکن است در صورت کم بودن مطالعات ناپایدار باشد.
- چه زمانی ادغام به طور کلی مناسب است؟
- ترکیب مطالعاتی که در جمعیتها، مداخلات یا طراحی به طور قابل توجهی متفاوت هستند، میتواند یک خلاصه دقیق اما گمراهکننده ایجاد کند، بنابراین میزان ناهمگونی مستقیماً بر معنیدار بودن یک برآورد ادغامشده تأثیر میگذارد.
Key figures
- Gene Glass
- Rebecca DerSimonian
- Nan Laird
- Larry Hedges
- Julian Higgins
- Michael Borenstein
Related topics
Seminal works
- dersimonian-laird-1986
- borenstein-2010
- higgins-2003-i2
Frequently asked questions
- تفاوت بین متاآنالیز اثر ثابت و اثر تصادفی چیست؟
- یک مدل اثر ثابت فرض میکند که همه مطالعات یک اثر واقعی مشترک را برآورد میکنند و آنها را فقط بر اساس دقت وزندهی میکند. یک مدل اثر تصادفی فرض میکند که اثر واقعی در مطالعات مختلف متفاوت است، یک عبارت واریانس بین مطالعهای را اضافه میکند و بنابراین فواصل اطمینان گستردهتری میدهد و به مطالعات کوچکتر وزن نسبتاً بیشتری میدهد.
- آیا هر مجموعهای از مطالعات را میتوان متاآنالیز کرد؟
- خیر. ادغام فرض میکند که مطالعات در سؤال، جمعیت و طراحی به اندازه کافی مشابه هستند تا یک خلاصه معنیدار را به اشتراک بگذارند. هنگامی که آنها بیش از حد ناهمگون هستند، یک برآورد ادغامشده واحد ممکن است دقیق اما گمراهکننده باشد و یک سنتز کیفی ممکن است مناسبتر باشد.