Metaanalyse: Generische inverse Varianzmethode
| Befehl: | Statistiken MetaanalyseGenerische inverse Varianzmethode |
|---|
Eine Metaanalyse fasst die quantitativen Ergebnisse separater, aber ähnlicher Studien zusammen und liefert eine numerische Schätzung des interessierenden Gesamteffekts (Petrie et al., 2003).
Für kontinuierliche und dichotome Zielgrößen wird empfohlen, eines der folgenden spezifischen Metaanalyseverfahren zu verwenden:
- Metaanalyse: Kontinuierliche Messung
- Metaanalyse: Korrelation
- Metaanalyse: Anteil
- Metaanalyse: Relatives Risiko
- Metaanalyse: Risikodifferenz
- Metaanalyse: Quotenverhältnis
- Metaanalyse: Fläche unter der ROC-Kurve
Ist keines der oben genannten Verfahren anwendbar oder geeignet, können Sie das Verfahren „Generische inverse Varianzmethode“ verwenden. Bei diesem Verfahren werden Schätzwerte und ihre Standardfehler direkt in MedCalc eingegeben. Für Verhältnismaße des Interventionseffekts sollten die Daten als natürliche Logarithmen eingegeben werden (zum Beispiel als log-Hazard-Ratio und Standardfehler der log-Hazard-Ratio).
Bei der Methode der inversen Varianz entspricht das Gewicht jeder Studie dem Kehrwert der Varianz der Effektschätzung (d. h. eins geteilt durch das Quadrat ihres Standardfehlers). Größeren Studien wird somit mehr Gewicht beigemessen als kleineren Studien, die größere Standardfehler aufweisen. Diese Gewichtungswahl minimiert die Ungenauigkeit (Unsicherheit) der gepoolten Effektschätzung.
Eingabe von Daten
Die Daten der verschiedenen Studien können wie folgt in das Tabellenblatt eingegeben werden:
| A | B | C | D | |
|---|---|---|---|---|
| Reference | Hazard_Ratio__Log_ | SE_of_LOG_HR | ||
| 1 | Study 1 | -0,077 | 0,212 | |
| 2 | Study 2 | 0,012 | 0,221 | |
| 3 | Study 3 | 0,323 | 0,426 | |
| 4 | Study 4 | 0,154 | 0,230 | |
| 5 | Study 5 | 0,051 | 0,348 | |
| 6 | Study 6 | -0,661 | 0,232 | |
| 7 | Study 7 | -0,199 | 0,337 | |
| 8 | Study 8 | 0,040 | 0,245 | |
| 9 | Study 9 | 0,305 | 0,432 |
In der ersten Spalte haben wir die Verweise auf die verschiedenen wissenschaftlichen Studien eingegeben. Die zweite Spalte enthält die in diesen Studien berichteten log-transformierten Hazard-Ratios. Die dritte Spalte enthält die Standardfehler dieser log-transformierten Hazard-Ratios.
Erforderliche Eingabe
Studien: eine Variable, die eine Kennung der verschiedenen Studien enthält.
Daten
- Schätzwert: eine Variable, die den in den verschiedenen Studien berichteten interessierenden Schätzwert enthält.
- Standardfehler: eine Variable, die den in den verschiedenen Studien berichteten Standardfehler des Schätzwerts enthält.
Filter: ein Filter, um nur eine ausgewählte Untergruppe von Studien in die Metaanalyse einzubeziehen.
Optionen
- Daten sind als natürliche Logarithmen eingegeben: Wählen Sie diese Option, wenn die Daten als natürliche Logarithmen eingegeben sind, zum Beispiel als log-Hazard-Ratio und Standardfehler der log-Hazard-Ratio.
- Walddiagramm (Forest-Plot): Erstellt ein Walddiagramm (Forest-Plot).
- Markierungsgröße relativ zu Studiengewichtung: Option, die Größe der Markierungen, die die Effekte der Studien darstellen, entsprechend den den verschiedenen Studien zugewiesenen Gewichten variieren zu lassen. Sie können die Gewichte des Modells mit festen Effekten oder die Gewichte des Modells mit zufälligen Effekten wählen.
- Gepoolten Effekt zeichnen – Modell mit festen Effekten: Option, den gepoolten Effekt nach dem Modell mit festen Effekten in das Walddiagramm einzubeziehen.
- Gepoolten Effekt zeichnen – Modell mit zufälligen Effekten: Option, den gepoolten Effekt nach dem Modell mit zufälligen Effekten in das Walddiagramm einzubeziehen.
- Diamanten für gepoolte Auswirkungen: Option, die gepoolten Effekte mithilfe eines Diamanten darzustellen (die Position des Diamanten stellt die geschätzte Effektstärke dar, und die Breite des Diamanten spiegelt die Präzision der Schätzung wider).
- Trichterdiagramm: Erstellt ein Trichterdiagramm, um auf das Vorliegen eines Publikationsbias zu prüfen. Siehe Metaanalyse: Einleitung.
Ergebnisse
Variable für Studien | Reference |
|---|---|
Variable für Schätzung: | Hazard_Ratio__Log_ |
Variable für Standardfehler: | SE_of_LOG_HR |
Studie | Schätzung (Log) | Standardfehler | Schätzung | 95 % CI | z | P | Gewicht (%) | |
|---|---|---|---|---|---|---|---|---|
Fest | Zufällig | |||||||
Anderson et al. (2012) | -0.0770 | 0.212 | 0.926 | 0.611 bis 1.403 |
|
| 17.83 | 16.65 |
Nguyen et al. (2018) | 0.0120 | 0.221 | 1.012 | 0.656 bis 1.561 |
|
| 16.41 | 15.64 |
Patel et al. (2005) | 0.323 | 0.426 | 1.381 | 0.599 bis 3.183 |
|
| 4.42 | 5.09 |
Rodríguez et al. (2021) | 0.154 | 0.230 | 1.166 | 0.743 bis 1.831 |
|
| 15.15 | 14.71 |
Lee et al. (2010) | 0.0510 | 0.348 | 1.052 | 0.532 bis 2.081 |
|
| 6.62 | 7.35 |
Johnson et al. (1997) | -0.661 | 0.232 | 0.516 | 0.328 bis 0.814 |
|
| 14.89 | 14.51 |
Kumar et al. (2015) | -0.199 | 0.337 | 0.820 | 0.423 bis 1.586 |
|
| 7.06 | 7.78 |
O'Connor et al. (2003) | 0.0400 | 0.245 | 1.041 | 0.644 bis 1.682 |
|
| 13.35 | 13.31 |
Zhang et al. (2020) | 0.305 | 0.432 | 1.357 | 0.582 bis 3.164 |
|
| 4.29 | 4.96 |
Summe (feste Effekte) | -0.0648 | 0.0895 | 0.937 | 0.786 bis 1.117 | -0.724 | 0.469 | 100.00 | 100.00 |
Summe (zufällige Effekte) | -0.0590 | 0.100 | 0.943 | 0.775 bis 1.147 | -0.589 | 0.556 | 100.00 | 100.00 |
Test auf Heterogenität
Q | 9.6468 |
|---|---|
DF | 8 |
Signifikanzniveau | P = 0.2907 |
I2 (Inkonsistenz) | 17.07% |
95 % CI für I2 | 0.00 bis 59.08 |
Publikationsbias
Egger-Test | |
|---|---|
Achsenabschnitt | 1.4705 |
95 % CI | -2.0553 bis 4.9963 |
Signifikanzniveau | P = 0.3569 |
Beggs Test | |
Kendalls Tau | 0.2222 |
Signifikanzniveau | P = 0.4042 |
  |
Das Programm listet die Ergebnisse der einzelnen in die Metaanalyse einbezogenen Studien auf: den Schätzwert und das 95 %-Konfidenzintervall.
Der gepoolte Wert für den Schätzwert mit 95 %-KI wird sowohl für das Modell mit festen Effekten als auch für das Modell mit zufälligen Effekten angegeben.
Modell mit festen und mit zufälligen Effekten
Beim Modell mit festen Effekten wird angenommen, dass die Studien einen gemeinsamen wahren Effekt teilen, und der zusammenfassende Effekt ist eine Schätzung dieser gemeinsamen Effektgröße.
Beim Modell mit zufälligen Effekten (DerSimonian und Laird) wird angenommen, dass die wahren Effekte in den Studien zwischen den Studien variieren, und der zusammenfassende Effekt ist der gewichtete Mittelwert der in den verschiedenen Studien berichteten Effekte (Borenstein et al., 2009).
Das Modell mit zufälligen Effekten liefert tendenziell eine konservativere Schätzung (d. h. mit breiterem Konfidenzintervall), aber die Ergebnisse der beiden Modelle stimmen meist überein, wenn keine Heterogenität vorliegt. Siehe Metaanalyse: Einleitung zur Interpretation der Heterogenitätsstatistiken Cochrans Q und I2. Liegt Heterogenität vor, sollte das Modell mit zufälligen Effekten das bevorzugte Modell sein.
Siehe Metaanalyse: Einleitung zur Interpretation der verschiedenen Publikationsbias-Tests.
Walddiagramm (Forest-Plot)
Das Walddiagramm (Forest-Plot) zeigt den in den verschiedenen in die Metaanalyse einbezogenen Studien ermittelten Schätzwert (mit 95 %-KI) sowie den Gesamteffekt mit 95 %-KI.
Trichterdiagramm
Ein Trichterdiagramm ist ein grafisches Werkzeug zur Erkennung eines Bias in einer Metaanalyse. Siehe Metaanalyse: Einleitung.
Zu beachten ist: Wurde die Option „Daten sind als natürliche Logarithmen eingegeben“ ausgewählt (siehe oben), sind die Standardfehler auf der Y-Achse natürliche Logarithmen.
Fachliteratur
- Borenstein M, Hedges LV, Higgins JPT, Rothstein HR (2009) Introduction to meta-analysis. Chichester, UK: Wiley.
- Higgins JP, Thompson SG, Deeks JJ, Altman DG (2003) Measuring inconsistency in meta-analyses. BMJ 327:557-560.
- Petrie A, Bulman JS, Osborn JF (2003) Further statistics in dentistry. Part 8: systematic reviews and meta-analyses. British Dental Journal 194:73-78.