Meta-analyse: generieke inverse variantiemethode
| Opdracht: | Statistiek Meta-analyseGenerieke inverse variantiemethode |
|---|
Een meta-analyse integreert de kwantitatieve bevindingen van afzonderlijke maar vergelijkbare studies en geeft een numerieke schatting van het globale effect dat je interesseert (Petrie et al., 2003).
Voor continue en dichotome uitkomstgegevens is het aan te raden een van de volgende specifieke meta-analyseprocedures te gebruiken:
- Meta-analyse: continue meting
- Meta-analyse: correlatie
- Meta-analyse: proportie
- Meta-analyse: relatief risico
- Meta-analyse: risicoverschil
- Meta-analyse: odds ratio
- Meta-analyse: oppervlakte onder de ROC-curve
Als geen van de bovenstaande procedures van toepassing of geschikt is, kan je de procedure “generieke inverse variantiemethode” gebruiken. In deze procedure worden de schattingen en hun standaardfouten rechtstreeks in MedCalc ingevoerd. Voor ratiomaten van het interventie-effect moeten de gegevens als natuurlijke logaritmen worden ingevoerd (bijvoorbeeld als log-hazard ratio en de standaardfout van de log-hazard ratio).
Bij de inverse variantiemethode is het gewicht van elke studie het omgekeerde van de variantie van de effectschatting (d.w.z. één gedeeld door het kwadraat van de standaardfout). Zo krijgen grotere studies meer gewicht dan kleinere studies, die grotere standaardfouten hebben. Deze keuze van het gewicht minimaliseert de imprecisie (onzekerheid) van de gepoolde effectschatting.
Hoe gegevens invoeren
De gegevens van de verschillende studies kunnen als volgt in de spreadsheet worden ingevoerd:
| 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 de eerste kolom hebben we de referenties naar de verschillende wetenschappelijke studies ingevoerd. De tweede kolom bevat de logaritmisch getransformeerde hazard ratio's die in deze studies werden gerapporteerd. De derde kolom bevat de standaardfouten van deze logaritmisch getransformeerde hazard ratio's.
Vereiste invoer
Studies: een variabele met een identificatie van de verschillende studies.
Gegevens
- Schatting: een variabele met de schatting die je interesseert, zoals gerapporteerd in de verschillende studies.
- Standaardfout: een variabele met de standaardfout van de schatting, zoals gerapporteerd in de verschillende studies.
Filter: een filter om alleen een geselecteerde subgroep van studies in de meta-analyse op te nemen.
Opties
- Gegevens ingevoerd als natuurlijke logaritmen: selecteer deze optie als de gegevens als natuurlijke logaritmen zijn ingevoerd, bijvoorbeeld als log-hazard ratio en de standaardfout van de log-hazard ratio.
- Forestplot: maakt een forestplot.
- Markeringsgrootte volgens studiegewicht: optie om de grootte van de markeringen die de effecten van de studies voorstellen te laten variëren volgens de gewichten die aan de verschillende studies zijn toegekend. Je kan kiezen voor de gewichten van het model met vaste effecten of van het model met willekeurige effecten.
- Gepoold effect plotten - model met vaste effecten: optie om het gepoolde effect volgens het model met vaste effecten in de forestplot op te nemen.
- Gepoold effect plotten - model met willekeurige effecten: optie om het gepoolde effect volgens het model met willekeurige effecten in de forestplot op te nemen.
- Ruiten voor gepoolde effecten: optie om de gepoolde effecten weer te geven met een ruit (de positie van de ruit stelt de geschatte effectgrootte voor en de breedte van de ruit weerspiegelt de precisie van de schatting).
- Funnelplot: maakt een funnelplot om na te gaan of er publicatiebias is. Zie Meta-analyse: inleiding.
Resultaten
Variabele voor studies | Reference |
|---|---|
Variabele voor schatting: | Hazard_Ratio__Log_ |
Variabele voor standaardfout: | SE_of_LOG_HR |
Studie | Schatting (Log) | Standaardfout | Schatting | 95%-CI | z | P | Gewicht (%) | |
|---|---|---|---|---|---|---|---|---|
Vast | Willekeurig | |||||||
Anderson et al. (2012) | -0.0770 | 0.212 | 0.926 | 0.611 tot 1.403 |
|
| 17.83 | 16.65 |
Nguyen et al. (2018) | 0.0120 | 0.221 | 1.012 | 0.656 tot 1.561 |
|
| 16.41 | 15.64 |
Patel et al. (2005) | 0.323 | 0.426 | 1.381 | 0.599 tot 3.183 |
|
| 4.42 | 5.09 |
Rodríguez et al. (2021) | 0.154 | 0.230 | 1.166 | 0.743 tot 1.831 |
|
| 15.15 | 14.71 |
Lee et al. (2010) | 0.0510 | 0.348 | 1.052 | 0.532 tot 2.081 |
|
| 6.62 | 7.35 |
Johnson et al. (1997) | -0.661 | 0.232 | 0.516 | 0.328 tot 0.814 |
|
| 14.89 | 14.51 |
Kumar et al. (2015) | -0.199 | 0.337 | 0.820 | 0.423 tot 1.586 |
|
| 7.06 | 7.78 |
O'Connor et al. (2003) | 0.0400 | 0.245 | 1.041 | 0.644 tot 1.682 |
|
| 13.35 | 13.31 |
Zhang et al. (2020) | 0.305 | 0.432 | 1.357 | 0.582 tot 3.164 |
|
| 4.29 | 4.96 |
Totaal (vaste effecten) | -0.0648 | 0.0895 | 0.937 | 0.786 tot 1.117 | -0.724 | 0.469 | 100.00 | 100.00 |
Totaal (willekeurige effecten) | -0.0590 | 0.100 | 0.943 | 0.775 tot 1.147 | -0.589 | 0.556 | 100.00 | 100.00 |
Toets voor heterogeniteit
Q | 9.6468 |
|---|---|
DF | 8 |
Significantieniveau | P = 0.2907 |
I2 (inconsistentie) | 17.07% |
95%-CI voor I2 | 0.00 tot 59.08 |
Publicatiebias
Toets van Egger | |
|---|---|
Intercept | 1.4705 |
95%-CI | -2.0553 tot 4.9963 |
Significantieniveau | P = 0.3569 |
Toets van Begg | |
Kendall's Tau | 0.2222 |
Significantieniveau | P = 0.4042 |
  |
Het programma geeft de resultaten weer van de afzonderlijke studies die in de meta-analyse zijn opgenomen: de schatting en het 95%-betrouwbaarheidsinterval.
De gepoolde waarde van de schatting, met 95%-CI, wordt gegeven voor zowel het model met vaste effecten als het model met willekeurige effecten.
Model met vaste en met willekeurige effecten
Bij het model met vaste effecten wordt verondersteld dat de studies een gemeenschappelijk werkelijk effect delen, en is het samenvattende effect een schatting van die gemeenschappelijke effectgrootte.
Bij het model met willekeurige effecten (DerSimonian en Laird) wordt verondersteld dat de werkelijke effecten tussen de studies variëren, en is het samenvattende effect het gewogen gemiddelde van de effecten die in de verschillende studies werden gerapporteerd (Borenstein et al., 2009).
Het model met willekeurige effecten geeft doorgaans een conservatievere schatting (d.w.z. met een breder betrouwbaarheidsinterval), maar de resultaten van beide modellen komen meestal overeen wanneer er geen heterogeniteit is. Zie Meta-analyse: inleiding voor de interpretatie van de heterogeniteitsstatistieken Cochrans Q en I2. Wanneer er heterogeniteit is, verdient het model met willekeurige effecten de voorkeur.
Zie Meta-analyse: inleiding voor de interpretatie van de verschillende toetsen voor publicatiebias.
Forestplot
De forestplot toont de schatting (met 95%-CI) die in de verschillende studies van de meta-analyse werd gevonden, en het globale effect met 95%-CI.
Funnelplot
Een funnelplot is een grafisch hulpmiddel om bias in een meta-analyse op te sporen. Zie Meta-analyse: inleiding.
Merk op dat wanneer de optie “Gegevens ingevoerd als natuurlijke logaritmen” werd geselecteerd (zie hierboven), de standaardfouten op de Y-as natuurlijke logaritmen zijn.
Literatuur
- 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.