Méta-analyse

La méta-analyse est la procédure statistique qui combine les estimations d'effet de plusieurs études abordant la même question en une estimation regroupée unique et plus précise. En pondérant chaque étude en fonction de sa précision, elle extrait une réponse globale qu'aucune étude individuelle ne pourrait fournir et rend compte de l'incertitude restante autour de celle-ci.

Definition

La méta-analyse est la combinaison quantitative des estimations d'effet provenant de multiples études en une estimation sommaire pondérée, utilisant généralement une pondération par l'inverse de la variance sous un modèle à effets fixes (un effet commun supposé) ou un modèle à effets aléatoires (effets supposés varier entre les études).

Scope

Cette entrée couvre les mécanismes fondamentaux du regroupement : comment les effets des études individuelles sont pondérés, la distinction entre les modèles à effets fixes et à effets aléatoires, et comment l'estimation regroupée et son intervalle sont interprétés. Elle traite la méta-analyse comme une méthode quantitative au sein de la synthèse des preuves et constitue une description de référence plutôt qu'une directive clinique. Le processus plus large de revue systématique est abordé dans le nœud de méta-analyse connexe sous les revues systématiques.

Core questions

• Comment les résultats des études individuelles sont-ils pondérés lorsqu'ils sont combinés ?
• Que représente l'estimation regroupée sous un modèle à effets fixes par rapport à un modèle à effets aléatoires ?
• Comment l'intervalle de confiance autour d'une estimation regroupée doit-il être interprété ?
• Quand est-il approprié de regrouper des études ?

Key concepts

• Pondération par l'inverse de la variance
• Modèle à effets fixes
• Modèle à effets aléatoires
• Effet regroupé (sommaire)
• Intervalle de confiance et intervalle de prédiction
• Forest plot

Mechanisms

Chaque étude contribue une estimation d'effet (telle qu'un rapport de risque, un rapport de cotes ou une différence moyenne) accompagnée de son erreur standard. Dans la pondération par l'inverse de la variance, les études plus précises reçoivent un poids plus important, et la moyenne pondérée est l'estimation regroupée. Sous un modèle à effets fixes, toutes les études sont supposées partager un seul effet vrai, de sorte que les poids ne dépendent que de la variance intra-étude. Sous un modèle à effets aléatoires, les effets vrais sont supposés varier, de sorte qu'une variance inter-études estimée est ajoutée à chaque poids, réduisant l'influence des plus grandes études et élargissant l'intervalle de confiance. L'approche de DerSimonian-Laird a fourni l'estimateur classique basé sur les moments de cette variance inter-études ; Riley et ses collègues soulignent que le résumé des effets aléatoires est un effet moyen dont l'interprétation, et l'intervalle de prédiction qui l'entoure, doivent refléter que les effets diffèrent selon les contextes.

Clinical relevance

Les estimations regroupées issues des méta-analyses se situent fréquemment au sommet des hiérarchies de preuves et alimentent directement les lignes directrices et l'évaluation des technologies de la santé. Ainsi, être capable de lire un forest plot et de comprendre ce que signifie sa ligne de résumé fait partie de l'évaluation des preuves. Cette entrée explique comment l'estimation regroupée est produite et ne constitue pas une base pour les décisions de traitement individuelles.

Evidence & guidelines

La conduite et la déclaration transparente des méta-analyses sont régies par le Cochrane Handbook (Higgins & Green, 2008) et la déclaration PRISMA (Moher et al., 2009), qui spécifient comment l'estimation regroupée, le choix du modèle et l'incertitude environnante doivent être présentés.

History

Le terme méta-analyse a été introduit par Gene Glass en 1976 pour la synthèse quantitative des résultats de recherche. Sa transposition dans la recherche clinique a été ancrée par le cadre des effets aléatoires de DerSimonian et Laird en 1986, et des expositions ultérieures telles que celles de Borenstein et ses collègues (2010) ont clarifié la différence conceptuelle entre le regroupement à effets fixes et à effets aléatoires qui organise encore la pratique aujourd'hui.

Debates

Que signifie réellement une estimation sommaire à effets aléatoires ?

Parce que le modèle à effets aléatoires fait la moyenne sur une distribution d'effets vrais, sa ligne de résumé est une moyenne plutôt qu'une valeur commune unique ; Riley et ses collègues soutiennent qu'un intervalle de prédiction, et pas seulement l'intervalle de confiance, est nécessaire pour rendre compte de l'étendue des effets selon les contextes.

Key figures

• Rebecca DerSimonian
• Nan Laird
• Michael Borenstein
• Larry Hedges
• Julian Higgins
• Richard Riley

Seminal works

• dersimonian-laird-1986
• borenstein-2010
• higgins-handbook-2008

Frequently asked questions

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

Une analyse à effets fixes suppose que chaque étude estime le même effet vrai unique, tandis qu'une analyse à effets aléatoires suppose que l'effet vrai varie entre les études et ajoute un terme de variance inter-études, ce qui élargit généralement l'intervalle de confiance.

N'importe quel ensemble d'études peut-il être combiné dans une méta-analyse ?

Non. Le regroupement n'est significatif que lorsque les études sont suffisamment similaires en termes de question, de population et de résultat ; lorsqu'elles sont trop diverses, leur combinaison peut produire un résumé précis mais trompeur.