MedCalcMetaanálisis: método genérico de varianza inversa
| Comando: | Estadística   Metaanálisis Método genérico de varianza inversa |
Descripción
Un metanálisis integra los hallazgos cuantitativos de estudios separados pero similares y proporciona una estimación numérica del efecto general de interés (Petrie et al., 2003).
Se recomienda utilizar uno de los siguientes procedimientos de metanálisis específicos para datos de resultados continuos y dicotómicos:
- Metaanálisis: medida continua
- Metaanálisis: correlación
- Metaanálisis: proporción
- Metaanálisis: Riesgo Relativo
- Metaanálisis: diferencia de riesgos
- Metaanálisis: Razón de Probabilidades
- Metaanálisis: área bajo la curva ROC
Si ninguno de los procedimientos anteriores es aplicable o adecuado, puede utilizar el método genérico de varianza inversa. En este procedimiento, las estimaciones y sus errores estándar se introducen directamente en MedCalc. Para las medidas de razón del efecto de la intervención, los datos deben introducirse como logaritmos naturales (por ejemplo, como el logaritmo del cociente de riesgos instantáneos y el error estándar del logaritmo del cociente de riesgos instantáneos).
En el método de la varianza inversa, la ponderación asignada a cada estudio es la inversa de la varianza de la estimación del efecto (es decir, uno sobre el cuadrado de su error estándar). Por lo tanto, los estudios de mayor tamaño reciben mayor ponderación que los estudios de menor tamaño, cuyos errores estándar son mayores. Esta ponderación minimiza la imprecisión (incertidumbre) de la estimación del efecto agrupado.
Cómo introducir datos
Los datos de diferentes estudios se pueden ingresar de la siguiente manera en la hoja de cálculo:
En la primera columna hemos introducido las referencias a los diferentes estudios científicos. La segunda columna contiene las tasas de riesgo transformadas en logaritmos, reportadas en estos estudios. La tercera columna contiene los errores estándar de estas tasas de riesgo transformadas en logaritmos.
Entrada requerida
Estudios: variable que contiene una identificación de los diferentes estudios.
Datos
- Estimación: variable que contiene la estimación de interés reportada en los diferentes estudios.
- Error estándar: variable que contiene el error estándar de la estimación reportada en los diferentes estudios.
Filtro: un filtro para incluir sólo un subgrupo seleccionado de estudios en el metanálisis.
Opciones
- Los datos se ingresan como logaritmos naturales: seleccione esta opción si los datos se ingresan como logaritmos naturales, por ejemplo, como un logaritmo de la razón de riesgo y el error estándar del logaritmo de la razón de riesgo.
- Diagramma de bosque: crea una diagramma de bosque.
- Tamaño del marcador en relación con el peso del estudio: opción para que el tamaño de los marcadores que representan los efectos de los estudios varíe según los pesos asignados a cada estudio. Puede elegir entre pesos del modelo de efectos fijos o aleatorios.
- Gráfico de efectos agrupados - modelo de efectos fijos: opción para incluir el efecto agrupado bajo el modelo de efectos fijos en el gráfico forestal.
- Gráfico de efectos agrupados - modelo de efectos aleatorios: opción para incluir el efecto agrupado bajo el modelo de efectos aleatorios en el gráfico forestal.
- Diamantes para efectos agrupados: opción para representar los efectos agrupados utilizando un diamante (la ubicación del diamante representa el tamaño del efecto estimado y el ancho del diamante refleja la precisión de la estimación).
- Gráfico de embudo: crea un gráfico de embudo para comprobar la existencia de sesgo de publicación. Véase Metanálisis: introducción.
Resultados
Variable para estudios | Referencia |
|---|---|
Variable par al estimación: | Tasa_de_riesgo_Log_ |
Variable para el error estandár: | Error_estándar |
Estudio | Estimación (Log) | Error estándar | Estimación | IC del 95 % | z | P | Peso (%) | |
|---|---|---|---|---|---|---|---|---|
Fijos | Aleatorios | |||||||
Anderson et al. (2012) | -0.0770 | 0.212 | 0.926 | 0.611 a 1.403 |
|
| 17.83 | 16.65 |
Nguyen et al. (2018) | 0.0120 | 0.221 | 1.012 | 0.656 a 1.561 |
|
| 16.41 | 15.64 |
Patel et al. (2005) | 0.323 | 0.426 | 1.381 | 0.599 a 3.183 |
|
| 4.42 | 5.09 |
Rodríguez et al. (2021) | 0.154 | 0.230 | 1.166 | 0.743 a 1.831 |
|
| 15.15 | 14.71 |
Lee et al. (2010) | 0.0510 | 0.348 | 1.052 | 0.532 a 2.081 |
|
| 6.62 | 7.35 |
Johnson et al. (1997) | -0.661 | 0.232 | 0.516 | 0.328 a 0.814 |
|
| 14.89 | 14.51 |
Kumar et al. (2015) | -0.199 | 0.337 | 0.820 | 0.423 a 1.586 |
|
| 7.06 | 7.78 |
O'Connor et al. (2003) | 0.0400 | 0.245 | 1.041 | 0.644 a 1.682 |
|
| 13.35 | 13.31 |
Zhang et al. (2020) | 0.305 | 0.432 | 1.357 | 0.582 a 3.164 |
|
| 4.29 | 4.96 |
Total (efectos fijos) | -0.0648 | 0.0895 | 0.937 | 0.786 a 1.117 | -0.724 | 0.469 | 100.00 | 100.00 |
Total (efectos aleatorios) | -0.0590 | 0.100 | 0.943 | 0.775 a 1.147 | -0.589 | 0.556 | 100.00 | 100.00 |
Prueba de heterogeneidad
Q | 9.6468 |
|---|---|
GL | 8 |
Nivel de significación | P = 0.2907 |
I2 (inconsistencia) | 17.07% |
IC del 95 % para I2 | 0.00 a 59.08 |
Sesgo de publicación
Prueba de Egger | |
|---|---|
Intersección | 1.4705 |
IC del 95 % | -2.0553 a 4.9963 |
Nivel de significación | P = 0.3569 |
Prueba de Begg | |
Tau de Kendall | 0.2222 |
Nivel de significación | P = 0.4042 |
  |
El programa enumera los resultados de los estudios individuales incluidos en el metanálisis: la estimación y el intervalo de confianza del 95%.
El valor agrupado de la estimación, con IC del 95 %, se proporciona tanto para el modelo de efectos fijos como para el modelo de efectos aleatorios.
Modelo de efectos fijos y aleatorios
Según el modelo de efectos fijos, se supone que los estudios comparten un efecto verdadero común y el efecto resumen es una estimación del tamaño del efecto común.
Según el modelo de efectos aleatorios (DerSimonian y Laird), se supone que los efectos reales en los estudios varían entre estudios y el efecto resumen es el promedio ponderado de los efectos informados en los diferentes estudios (Borenstein et al., 2009).
El modelo de efectos aleatorios tenderá a ofrecer una estimación más conservadora (es decir, con un intervalo de confianza más amplio), pero los resultados de ambos modelos suelen coincidir cuando no hay heterogeneidad. Véase Metanálisis: introducción para la interpretación de las estadísticas de heterogeneidad de las preguntas e inferencias Q y I2 de Cochran. En presencia de heterogeneidad, el modelo de efectos aleatorios debe ser el modelo preferido.
Consulte Metaanálisis: introducción para la interpretación de las diferentes pruebas de sesgo de publicación.
Diagramma de bosque
El diagrama de bosque muestra la estimación (con IC del 95%) encontrada en los diferentes estudios incluidos en el metanálisis, y el efecto global con IC del 95%.
Gráfico de embudo
Un gráfico de embudo es una herramienta gráfica para detectar sesgos en un metanálisis. Véase Metanálisis: introducción.
Tenga en cuenta que cuando se seleccionó la opción 'Los datos se ingresan como logaritmos naturales' (ver arriba), entonces los errores estándar en el eje Y son logaritmos naturales.
Literatura
- 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.
Digimizer