Méta-analyse

Une méta-analyse est la méthode statistique qui combine les résultats quantitatifs de plusieurs études indépendantes abordant la même question en une estimation synthétique unique. En regroupant les tailles d'effet et en pondérant chaque étude par sa précision, elle peut produire une estimation globale plus précise que n'importe quelle étude individuelle et peut examiner dans quelle mesure l'effet varie entre les études.

Definition

Une méta-analyse est une procédure statistique visant à combiner les estimations d'effet de multiples études indépendantes portant sur la même question en une estimation synthétique pondérée, où chaque étude est pondérée en fonction de la précision de son résultat.

Scope

Cette entrée couvre le cœur statistique de la synthèse quantitative des preuves : les tailles d'effet et leur pondération, les modèles à effets fixes versus à effets aléatoires, l'estimation synthétique et son intervalle de confiance, et la question étroitement liée de l'hétérogénéité. Elle traite la méta-analyse comme un sujet méthodologique réalisé dans le cadre d'une revue systématique, et non comme une directive clinique.

Core questions

• Quelle est la meilleure estimation unique d'un effet étant donné plusieurs études indépendantes ?
• Les études doivent-elles être considérées comme estimant un effet commun unique ou une distribution d'effets ?
• Dans quelle mesure les études sont-elles cohérentes, et quelle est la précision du résultat regroupé ?

Key concepts

• Taille d'effet (par exemple, rapport de cotes, rapport de risques, différence moyenne)
• Pondération par l'inverse de la variance
• Modèle à effets fixes
• Modèle à effets aléatoires
• Estimation synthétique et intervalle de confiance
• Diagramme en forêt (forest plot)
• Hétérogénéité

Mechanisms

Chaque étude contribue une estimation d'effet (telle qu'un rapport de cotes ou une différence moyenne standardisée) et une mesure de sa précision. La méta-analyse les combine en pondérant chaque estimation, généralement par l'inverse de sa variance, de sorte que les études plus importantes et plus précises aient un poids plus élevé. Un modèle à effets fixes suppose que chaque étude estime un effet vrai commun unique et que les différences sont dues uniquement à l'erreur d'échantillonnage. Un modèle à effets aléatoires, le plus souvent la méthode de DerSimonian et Laird, suppose que l'effet vrai varie entre les études et ajoute une composante de variance inter-études, produisant des intervalles plus larges et donnant relativement plus de poids aux études plus petites. L'estimation regroupée et son intervalle de confiance sont généralement affichés dans un diagramme en forêt (forest plot). Étant donné que le regroupement suppose que les études sont suffisamment similaires pour être combinées, le degré d'hétérogénéité est évalué en parallèle de la synthèse.

Clinical relevance

Les méta-analyses fournissent un grand nombre des estimations d'effet synthétiques citées dans les directives cliniques et les évaluations des technologies de la santé, et leurs résultats peuvent être plus stables que ceux des essais individuels. Leur interprétation nécessite de comprendre le modèle utilisé et l'hétérogénéité présente. Cette entrée décrit comment les estimations synthétiques sont calculées et lues ; il s'agit d'un matériel de référence pour l'évaluation des preuves, et non d'un conseil pour le traitement d'un individu.

Epidemiology

La méta-analyse est appliquée dans les essais cliniques, l'épidémiologie observationnelle, la recherche sur la précision diagnostique et les sciences sociales. En médecine, elle est le plus souvent menée dans le cadre des revues systématiques Cochrane et autres, et des logiciels de méta-analyse sont largement disponibles. Le modèle à effets aléatoires de DerSimonian et Laird est parmi les méthodes de regroupement les plus fréquemment utilisées dans la littérature biomédicale.

Evidence & guidelines

Les méta-analyses rapportées dans les revues systématiques suivent les normes de déclaration PRISMA 2020 (Page et al., 2021), qui incluent des éléments sur les méthodes de synthèse, l'hétérogénéité et la certitude des preuves. Ce sont des normes de déclaration, et non des recommandations de traitement.

History

La combinaison statistique d'études remonte aux travaux de Pearson et Fisher au début du XXe siècle, et Gene Glass a introduit le terme de méta-analyse en 1976 dans la recherche en éducation. En médecine clinique, le modèle à effets aléatoires de DerSimonian et Laird (1986) est devenu l'approche standard pour le regroupement, et la méthode s'est rapidement répandue avec la croissance de la Collaboration Cochrane et des logiciels dédiés. Borenstein et ses collègues (2010) ont ensuite clarifié la différence conceptuelle entre les modèles à effets fixes et à effets aléatoires.

Debates

Modèle à effets fixes ou à effets aléatoires ?

Les deux modèles incarnent des hypothèses différentes quant à savoir si les études partagent un effet vrai unique ou estiment une distribution d'effets ; le choix affecte la pondération et la largeur de l'intervalle de confiance, et le modèle à effets aléatoires peut être instable lorsque les études sont peu nombreuses.

Quand le regroupement est-il approprié ?

Combiner des études qui diffèrent substantiellement en termes de populations, d'interventions ou de conception peut produire une synthèse précise mais trompeuse, de sorte que le degré d'hétérogénéité influe directement sur la pertinence d'une estimation regroupée.

Key figures

• Gene Glass
• Rebecca DerSimonian
• Nan Laird
• Larry Hedges
• Julian Higgins
• Michael Borenstein

Seminal works

• dersimonian-laird-1986
• borenstein-2010
• higgins-2003-i2

Frequently asked questions

Quelle est la différence entre une méta-analyse à effets fixes et une méta-analyse à effets aléatoires ?

Un modèle à effets fixes suppose que toutes les études estiment un effet vrai commun unique et les pondère uniquement par leur précision. Un modèle à effets aléatoires suppose que l'effet vrai varie entre les études, ajoute un terme de variance inter-études, et donne donc des intervalles de confiance plus larges et relativement plus de poids aux études plus petites.

N'importe quel ensemble d'études peut-il être méta-analysé ?

Non. Le regroupement suppose que les études sont suffisamment similaires en termes de question, de population et de conception pour partager une synthèse significative. Lorsqu'elles sont trop hétérogènes, une estimation regroupée unique peut être précise mais trompeuse, et une synthèse qualitative peut être plus appropriée.