متاآنالیز
متاآنالیز یک روش آماری است که برآوردهای اثر را از چندین مطالعه که به یک سؤال مشابه میپردازند، در یک برآورد تجمیعی واحد و دقیقتر ترکیب میکند. با وزندهی هر مطالعه بر اساس دقت آن، یک پاسخ کلی استخراج میکند که هیچ مطالعه واحدی نمیتواند به تنهایی ارائه دهد و عدم قطعیت باقیمانده پیرامون آن را گزارش میکند.
Definition
متاآنالیز عبارت است از ترکیب کمی برآوردهای اثر از مطالعات متعدد در یک برآورد خلاصهای وزندار، که معمولاً با استفاده از وزندهی واریانس معکوس تحت یک مدل اثر ثابت (یک اثر مشترک مفروض) یا یک مدل اثر تصادفی (اثرات مفروض است که در مطالعات متفاوت است) انجام میشود.
Scope
این مدخل مکانیسمهای اصلی تجمیع را پوشش میدهد: نحوه وزندهی اثرات مطالعات منفرد، تمایز بین مدلهای اثر ثابت و اثر تصادفی، و نحوه خواندن برآورد تجمیعی و بازه آن. این مدخل متاآنالیز را به عنوان یک روش کمی در سنتز شواهد در نظر میگیرد و یک توصیف مرجع است تا یک راهنمای بالینی. فرآیند گستردهتر مرور سیستماتیک در گره متاآنالیز مرتبط تحت عنوان مرورهای سیستماتیک پوشش داده شده است.
Core questions
- نتایج مطالعات منفرد هنگام ترکیب چگونه وزندهی میشوند؟
- برآورد تجمیعی تحت مدل اثر ثابت در مقابل مدل اثر تصادفی چه چیزی را نشان میدهد؟
- بازه اطمینان پیرامون یک برآورد تجمیعی چگونه باید تفسیر شود؟
- چه زمانی تجمیع مطالعات مناسب است؟
Key concepts
- وزندهی واریانس معکوس
- مدل اثر ثابت
- مدل اثر تصادفی
- اثر تجمیعی (خلاصهای)
- بازه اطمینان و بازه پیشبینی
- نمودار جنگل (Forest plot)
Mechanisms
هر مطالعه یک برآورد اثر (مانند نسبت خطر، نسبت شانس، یا تفاوت میانگین) همراه با خطای استاندارد خود را ارائه میدهد. در وزندهی واریانس معکوس، مطالعات دقیقتر وزن بیشتری دریافت میکنند و میانگین وزندار، برآورد تجمیعی است. تحت یک مدل اثر ثابت، فرض میشود که همه مطالعات یک اثر واقعی مشترک دارند، بنابراین وزنها فقط به واریانس درون مطالعه بستگی دارند. تحت یک مدل اثر تصادفی، فرض میشود که اثرات واقعی متفاوت هستند، بنابراین یک واریانس بین مطالعهای تخمینزده شده به هر وزن اضافه میشود، که تأثیر بزرگترین مطالعات را کاهش میدهد و بازه اطمینان را گسترش میدهد. رویکرد DerSimonian-Laird برآوردگر کلاسیک مبتنی بر گشتاور آن واریانس بین مطالعهای را ارائه داد؛ رایلی و همکاران تأکید میکنند که خلاصه اثر تصادفی یک اثر متوسط است که تفسیر آن، و بازه پیشبینی پیرامون آن، باید منعکسکننده تفاوت اثرات در محیطهای مختلف باشد.
Clinical relevance
برآوردهای تجمیعی حاصل از متاآنالیزها اغلب در بالای سلسله مراتب شواهد قرار میگیرند و مستقیماً به دستورالعملها و ارزیابی فناوری سلامت وارد میشوند، بنابراین توانایی خواندن یک نمودار جنگل (forest plot) و درک معنای خط خلاصه آن بخشی از ارزیابی شواهد است. این مدخل توضیح میدهد که چگونه برآورد تجمیعی تولید میشود و مبنایی برای تصمیمات درمانی فردی نیست.
Evidence & guidelines
انجام و گزارش شفاف متاآنالیزها توسط کتابچه راهنمای کاکرین (Higgins & Green, 2008) و بیانیه PRISMA (Moher et al., 2009) تنظیم میشود، که نحوه ارائه برآورد تجمیعی، انتخاب مدل، و عدم قطعیت پیرامون آن را مشخص میکنند.
History
اصطلاح متاآنالیز توسط جین گلاس در سال ۱۹۷۶ برای سنتز کمی یافتههای پژوهشی معرفی شد. ترجمه آن به تحقیقات بالینی توسط چارچوب اثر تصادفی DerSimonian و Laird در سال ۱۹۸۶ تثبیت شد، و توضیحات بعدی مانند Borenstein و همکاران (۲۰۱۰) تفاوت مفهومی بین تجمیع اثر ثابت و اثر تصادفی را که هنوز هم عمل را سازماندهی میکند، روشن ساختند.
Debates
- برآورد خلاصهای اثر تصادفی واقعاً به چه معناست؟
- از آنجا که مدل اثر تصادفی میانگین را بر روی توزیعی از اثرات واقعی محاسبه میکند، خط خلاصه آن یک میانگین است تا یک مقدار مشترک واحد؛ رایلی و همکاران استدلال میکنند که برای انتقال دامنه اثرات در محیطهای مختلف، یک بازه پیشبینی، نه فقط بازه اطمینان، مورد نیاز است.
Key figures
- Rebecca DerSimonian
- Nan Laird
- Michael Borenstein
- Larry Hedges
- Julian Higgins
- Richard Riley
Related topics
Seminal works
- dersimonian-laird-1986
- borenstein-2010
- higgins-handbook-2008
Frequently asked questions
- تفاوت بین متاآنالیز اثر ثابت و اثر تصادفی چیست؟
- تحلیل اثر ثابت فرض میکند که هر مطالعه یک اثر واقعی واحد را تخمین میزند، در حالی که تحلیل اثر تصادفی فرض میکند که اثر واقعی در مطالعات متفاوت است و یک عبارت واریانس بین مطالعهای را اضافه میکند، که معمولاً بازه اطمینان را گسترش میدهد.
- آیا هر مجموعهای از مطالعات را میتوان در یک متاآنالیز ترکیب کرد؟
- خیر. تجمیع تنها زمانی معنیدار است که مطالعات از نظر سؤال، جمعیت و پیامد به اندازه کافی مشابه باشند؛ زمانی که آنها بیش از حد متنوع باشند، ترکیب آنها میتواند یک خلاصه دقیق اما گمراهکننده تولید کند.