Méta-régression

La méta-régression est une extension de la méta-analyse qui utilise les caractéristiques au niveau des études comme variables explicatives pour examiner pourquoi les estimations d'effet diffèrent entre les études. Plutôt que de rapporter une valeur agrégée unique, elle modélise la relation entre ces caractéristiques et l'ampleur de l'effet, tentant d'expliquer l'hétérogénéité inter-études.

Definition

La méta-régression est une technique statistique qui régresse les estimations d'effet des études individuelles sur une ou plusieurs covariables au niveau des études, généralement dans un cadre à effets aléatoires, afin d'évaluer la part de l'hétérogénéité inter-études expliquée par ces covariables.

Scope

Cette entrée traite de la méta-régression en tant que méthode de synthèse des preuves : comment les covariables au niveau des études sont liées à la taille de l'effet, la formulation à effets aléatoires (mixtes) qui tient compte de l'hétérogénéité résiduelle, et les mises en garde bien connues concernant la puissance statistique, le biais écologique et la surinterprétation. Il s'agit d'une description de référence et non d'une directive clinique.

Core questions

• Quelles caractéristiques au niveau des études sont associées à des effets plus grands ou plus petits ?
• Quelle part de l'hétérogénéité inter-études une covariable explique-t-elle ?
• Pourquoi la puissance statistique de la méta-régression est-elle souvent faible ?
• Quand une association au niveau des études induit-elle en erreur sur les relations au niveau individuel ?

Key concepts

• Covariable au niveau de l'étude
• Méta-régression à effets aléatoires (effets mixtes)
• Hétérogénéité résiduelle
• Biais écologique (d'agrégation)
• Multiplicité et surajustement avec peu d'études

Mechanisms

Chaque étude fournit une estimation d'effet et une valeur pour une ou plusieurs covariables au niveau de l'étude, telles que l'âge moyen, le risque de base, la dose ou l'année de publication. La méta-régression ajuste une régression pondérée des effets sur ces covariables ; parce qu'une variation résiduelle inter-études subsiste généralement, une formulation à effets aléatoires (effets mixtes) ajoute un terme d'hétérogénéité résiduelle de sorte que la covariable explique une partie, mais rarement la totalité, de la variation. Thompson et Sharp ont comparé les méthodes d'estimation disponibles, et Thompson et Higgins ont énoncé les principes pratiques : les covariables devraient être spécifiées à l'avance et peu nombreuses, car le nombre d'études est généralement faible et le test de nombreuses covariables augmente les faux positifs. Une mise en garde essentielle est le biais écologique — une association entre une covariable moyenne d'étude et l'effet moyen d'étude ne reflète pas nécessairement la relation au sein des individus, de sorte que les résultats de la méta-régression sont générateurs d'hypothèses plutôt que confirmatoires.

Clinical relevance

La méta-régression peut suggérer quelles caractéristiques des patients ou des études modifient l'effet d'une intervention, une information qui alimente avec prudence les lignes directrices et l'évaluation des technologies de la santé, mais sa nature observationnelle et au niveau des études limite la force avec laquelle de tels résultats peuvent être mis en œuvre. Cette entrée décrit la méthode et ne constitue pas une base pour les décisions de traitement individuelles.

Evidence & guidelines

Le Cochrane Handbook (Higgins & Green, 2008) décrit la pratique attendue pour la méta-régression, y compris la spécification préalable d'un petit nombre de covariables et une interprétation prudente, conformément aux directives méthodologiques de Thompson et Higgins (2002).

History

Alors que les méta-analystes étaient de plus en plus confrontés à une hétérogénéité substantielle dans les années 1990, l'attention s'est portée de la simple mesure à l'explication de celle-ci. La comparaison des méthodes de Thompson et Sharp en 1999 et les directives de Thompson et Higgins en 2002 ont établi la formulation standard à effets aléatoires de la méta-régression et les mises en garde interprétatives, notamment concernant la puissance statistique et le biais écologique, qui régissent son utilisation aujourd'hui.

Debates

Quel poids faut-il accorder aux résultats de la méta-régression ?

Parce que la méta-régression utilise des données agrégées au niveau des études, souvent avec peu d'études et de multiples covariables candidates, ses associations sont sujettes à une faible puissance statistique, à la confusion entre les caractéristiques des études et au biais écologique, les commentateurs considèrent donc ses résultats comme générateurs d'hypothèses plutôt que définitifs.

Key figures

• Simon Thompson
• Julian Higgins
• Stephen Sharp

Seminal works

• thompson-sharp-1999
• thompson-higgins-2002

Frequently asked questions

En quoi la méta-régression diffère-t-elle de l'analyse de sous-groupes ?

L'analyse de sous-groupes divise les études en catégories discrètes et compare les effets agrégés entre elles, tandis que la méta-régression modélise l'effet en fonction d'une covariable qui peut être continue, en utilisant toutes les études ensemble ; l'analyse de sous-groupes est en fait une méta-régression avec un prédicteur catégoriel.

Pourquoi la méta-régression est-elle souvent décrite comme ayant une faible puissance statistique ?

Parce que l'unité d'analyse est l'étude, et que la plupart des méta-analyses contiennent relativement peu d'études, il y a peu d'informations pour estimer de manière fiable les effets des covariables, de sorte que les résultats non significatifs peuvent simplement refléter un nombre insuffisant d'études plutôt qu'une véritable absence d'association.