Méta-analyse : méthode générique de l'inverse de la variance
| Commande: | Statistiques Méta-analyseMéthode générique de l'inverse de la variance |
|---|
Une méta-analyse intègre les résultats quantitatifs d'études distinctes mais similaires et fournit une estimation numérique de l'effet global d'intérêt (Petrie et al., 2003).
Il est conseillé d'utiliser l'une des procédures de méta-analyse spécifiques suivantes pour les données de résultat continues et dichotomiques :
- Méta-analyse : mesure continue
- Méta-analyse : corrélation
- Méta-analyse : proportion
- Méta-analyse : risque relatif
- Méta-analyse : différence de risque
- Méta-analyse : rapport des cotes
- Méta-analyse : aire sous la courbe ROC
Si aucune des procédures ci-dessus n'est applicable ou adaptée, vous pouvez utiliser la procédure « méthode générique de l'inverse de la variance ». Dans cette procédure, les estimations et leurs erreurs types sont saisies directement dans MedCalc. Pour les mesures d'effet d'une intervention exprimées sous forme de rapports, les données doivent être saisies sous forme de logarithmes népériens (par exemple sous la forme du logarithme du rapport de risque et de l'erreur type du logarithme du rapport de risque).
Dans la méthode de l'inverse de la variance, le poids attribué à chaque étude est l'inverse de la variance de l'estimation de l'effet (c'est-à-dire un sur le carré de son erreur type). Les grandes études reçoivent donc plus de poids que les petites études, qui ont des erreurs types plus élevées. Ce choix de pondération minimise l'imprécision (l'incertitude) de l'estimation de l'effet groupé.
Comment saisir les données
Les données de différentes études peuvent être saisies comme suit dans la feuille de calcul :
| 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 |
Dans la première colonne, nous avons saisi les références des différentes études scientifiques. La deuxième colonne contient les rapports de risque transformés en logarithmes rapportés dans ces études. La troisième colonne contient les erreurs types de ces rapports de risque transformés en logarithmes.
Données requises
Études : une variable contenant une identification des différentes études.
Données
- Estimation : une variable contenant l'estimation d'intérêt rapportée dans les différentes études.
- Erreur type : une variable contenant l'erreur type de l'estimation rapportée dans les différentes études.
Filtre : un filtre permettant de n'inclure dans la méta-analyse qu'un sous-groupe sélectionné d'études.
Options
- Les données sont saisies sous forme de logarithmes naturels : sélectionnez cette option si les données sont saisies sous forme de logarithmes naturels, par exemple sous la forme du logarithme du rapport de risque et de l'erreur type du logarithme du rapport de risque.
- Graphique en forêt : crée un graphique en forêt.
- Taille du marqueur en fonction de la pondération de l'étude : option permettant de faire varier la taille des marqueurs représentant les effets des études en fonction des pondérations attribuées aux différentes études. Vous pouvez choisir les pondérations du modèle à effets fixes ou celles du modèle à effets aléatoires.
- Représentation de l'effet groupé - modèle à effets fixes : option permettant d'inclure l'effet groupé selon le modèle à effets fixes dans le graphique en forêt.
- Représentation de l'effet groupé - modèle à effets aléatoires : option permettant d'inclure l'effet groupé selon le modèle à effets aléatoires dans le graphique en forêt.
- Losanges des effets groupés : option permettant de représenter les effets groupés par un losange (la position du losange représente la taille d'effet estimée et la largeur du losange reflète la précision de l'estimation).
- Graphique en entonnoir : crée un graphique en entonnoir pour vérifier l'existence d'un biais de publication. Voir Méta-analyse : introduction.
Résultats
Variable des études | Reference |
|---|---|
Variable d’estimation : | Hazard_Ratio__Log_ |
Variable d’erreur-type : | SE_of_LOG_HR |
Étude | Estimation (Log) | Erreur type | Estimation | IC à 95 % | z | P | Poids (%) | |
|---|---|---|---|---|---|---|---|---|
Fixes | Aléatoires | |||||||
Anderson et al. (2012) | -0.0770 | 0.212 | 0.926 | 0.611 à 1.403 |
|
| 17.83 | 16.65 |
Nguyen et al. (2018) | 0.0120 | 0.221 | 1.012 | 0.656 à 1.561 |
|
| 16.41 | 15.64 |
Patel et al. (2005) | 0.323 | 0.426 | 1.381 | 0.599 à 3.183 |
|
| 4.42 | 5.09 |
Rodríguez et al. (2021) | 0.154 | 0.230 | 1.166 | 0.743 à 1.831 |
|
| 15.15 | 14.71 |
Lee et al. (2010) | 0.0510 | 0.348 | 1.052 | 0.532 à 2.081 |
|
| 6.62 | 7.35 |
Johnson et al. (1997) | -0.661 | 0.232 | 0.516 | 0.328 à 0.814 |
|
| 14.89 | 14.51 |
Kumar et al. (2015) | -0.199 | 0.337 | 0.820 | 0.423 à 1.586 |
|
| 7.06 | 7.78 |
O'Connor et al. (2003) | 0.0400 | 0.245 | 1.041 | 0.644 à 1.682 |
|
| 13.35 | 13.31 |
Zhang et al. (2020) | 0.305 | 0.432 | 1.357 | 0.582 à 3.164 |
|
| 4.29 | 4.96 |
Total (effets fixes) | -0.0648 | 0.0895 | 0.937 | 0.786 à 1.117 | -0.724 | 0.469 | 100.00 | 100.00 |
Total (effets aléatoires) | -0.0590 | 0.100 | 0.943 | 0.775 à 1.147 | -0.589 | 0.556 | 100.00 | 100.00 |
Test d’hétérogénéité
Q | 9.6468 |
|---|---|
DL | 8 |
Niveau de signification | P = 0.2907 |
I2 (incohérence) | 17.07% |
IC à 95 % de I2 | 0.00 à 59.08 |
Biais de publication
Test d'Egger | |
|---|---|
Ordonnée à l’origine | 1.4705 |
IC à 95 % | -2.0553 à 4.9963 |
Niveau de signification | P = 0.3569 |
Test de Begg | |
Tau de Kendall | 0.2222 |
Niveau de signification | P = 0.4042 |
  |
Le programme liste les résultats des études individuelles incluses dans la méta-analyse : l'estimation et l'intervalle de confiance à 95 %.
La valeur groupée de l'estimation, avec son IC à 95 %, est donnée à la fois pour le modèle à effets fixes et pour le modèle à effets aléatoires.
Modèle à effets fixes et à effets aléatoires
Dans le modèle à effets fixes, on suppose que les études partagent un effet vrai commun, et l'effet résumé est une estimation de la taille de l'effet commun.
Dans le modèle à effets aléatoires (DerSimonian et Laird), on suppose que les effets vrais varient d'une étude à l'autre et l'effet résumé est la moyenne pondérée des effets rapportés dans les différentes études (Borenstein et al., 2009).
Le modèle à effets aléatoires tend à donner une estimation plus prudente (c'est-à-dire avec un intervalle de confiance plus large), mais les résultats des deux modèles concordent généralement en l'absence d'hétérogénéité. Voir Méta-analyse : introduction pour l'interprétation des statistiques d'hétérogénéité Q de Cochran et I2. Lorsqu'il existe une hétérogénéité, le modèle à effets aléatoires doit être le modèle privilégié.
Voir Méta-analyse : introduction pour l'interprétation des différents tests de biais de publication.
Graphique en forêt
Le graphique en forêt montre l'estimation (avec son IC à 95 %) trouvée dans les différentes études incluses dans la méta-analyse, ainsi que l'effet global avec son IC à 95 %.
Graphique en entonnoir
Un graphique en entonnoir est un outil graphique permettant de détecter un biais dans une méta-analyse. Voir Méta-analyse : introduction.
Notez que lorsque l'option « Les données sont saisies sous forme de logarithmes naturels » a été sélectionnée (voir ci-dessus), les erreurs types sur l'axe Y sont des logarithmes naturels.
Littérature
- 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.