Stata: análise de dados e software estatístico Jonathan A. C. Sterne, Universidade de Bristol Ross J. Harris, Universidade de Bristol Roger M. Harbord, Universidade de Bristol Thomas J. Steichen, RJRT A Stata não possui um comando de meta-análise. Os usuários do Stata, no entanto, desenvolveram um excelente conjunto de comandos para realizar meta-análises. Em 2016, a Stata publicou a Meta-análise em Stata: uma coleção atualizada do Stata Journal, segunda edição. Que reuniu todos os artigos do Stata Journal sobre meta-análise. Este livro está disponível para compra na stata-pressbooksmeta-analysis-in-stata. Os seguintes comandos de meta-análise são descritos em Meta-Analysis no Stata: uma coleção atualizada do Stata Journal, Second Edition. Metan é o principal comando de meta-análise do Stata. Sua versão mais recente permite ao usuário inserir as freqüências celulares a partir da tabela 2 vezes 2 para cada estudo (para resultados binários), a média e desvio padrão em cada grupo (para resultados numéricos), ou a estimativa de efeito e erro padrão de cada estudo . Ele fornece uma abrangente gama de métodos para meta-análise, incluindo meta-análise pontilhada inversa-variante, e cria novas variáveis que contêm a estimativa do efeito do tratamento e seu erro padrão para cada estudo. Essas variáveis podem então ser usadas como entrada para outros comandos de metanálise Stata. As metanálises podem ser realizadas em subgrupos usando a opção by (). Todos os cálculos de meta-análise disponíveis em metan são baseados em métodos padrão, uma visão geral do que pode ser encontrada no capítulo 15 de Deeks, Altman e Bradburn (2001). A versão do comando metan que utilizou os gráficos Stata 7 foi renomeada metan7 e é baixada como parte do pacote metan atualmente disponível no arquivo SSC. O arquivo de ajuda mais recente para metan fornece vários exemplos clicáveis de usar o comando. Labbe desenha um gráfico de LrsquoAbbe para dados de eventos (proporções de sucessos nos dois grupos). Metaan realiza metanálises sobre estimativas de efeito e erros padrão. Incluído são probabilidade de perfil e estimativa de permutação, dois algoritmos não disponíveis em metan. 4. metacum metacum realiza metanálises cumulativas e grafica os resultados. O metap combina os valores de p usando o método de Fisherrsquos, o método aditivo de Edgingtonrsquos ou o método da curva normal de Edgingtonrsquos. Foi lançado em 1999 como um comando da versão 6 (sem gráficos) e foi atualizado pela última vez em 2000. Ele exige que o usuário insira um valor de p para cada estudo. 6. Metareg metareg faz meta-regressão. Foi lançado pela primeira vez em 1998 e foi atualizado para ter em conta as melhorias nas instalações de estimativa da Stata e os recentes desenvolvimentos metodológicos. Exige que o usuário insira a estimativa do efeito do tratamento e seu erro padrão para cada estudo. 7. Metafunnel metafunnel faz parcelas de funil. Foi lançado em 2004 e usa gráficos Stata 8. Exige que o usuário insira a estimativa do efeito do tratamento e seu erro padrão para cada estudo. 8. confunnel confunnel plots contorno-reforçado funil parcelas. O comando foi projetado para ser flexível, permitindo que o usuário adicione recursos extras ao gráfico de funil. 9. Metabias metabias fornece testes estatísticos para a assimetria do enredo de funil. Foi lançado pela primeira vez em 1997, mas foi atualizado para fornecer testes propostos recentemente que mantêm um melhor controle da taxa de falso positivo do que aqueles disponíveis no comando original. 10. metatrim metatrim implementa o método ldquotrim e fillrdquo para ajustar o viés de publicação em parcelas de funil. Exige que o usuário insira a estimativa do efeito do tratamento e seu erro padrão para cada estudo. 11. extfunnel extfunnel implementa uma nova gama de aumentos de sobreposição ao gráfico de funil para avaliar o impacto de um novo estudo em uma meta-análise existente. 12. metandi e metandiplot metandi facilitam a montagem de modelos de regressão logística hierárquica para meta-análise de estudos de precisão de teste de diagnóstico. Metandiplot produz um gráfico do modelo ajustado por metandi. Que deve ser o último comando de classe de estimativa executado. 13. mvmeta e mvmetamake mvmeta executam a máxima verossimilhança, a máxima probabilidade restrita ou a estimativa de métodos de momentos de modelos de meta-análise multivariada de efeitos aleatórios. A mvmetamake facilita a preparação de conjuntos de dados resumidos a partir de dados mais detalhados. 14. ipdforest ipdforest é um comando de timbramento que usa as estimativas armazenadas de um comando xtmixed ou xtmelogit para regressão linear ou logística multinível, respectivamente. 15. ipdmetan ipdmetan realiza a meta-análise de dados de participantes individuais de dois estágios usando o método inverso-variância. 16. A indireta indireta realiza comparações de tratamento indiretas em pares. 17. Configuração da rede A configuração da rede importa dados de um conjunto de estudos que relatam dados de contagem (eventos, número total) ou dados quantitativos (média, desvio padrão, número total) para dois ou mais tratamentos. 18. A importação de rede de importação de rede importa um conjunto de dados já formatado para meta-análise de rede. 19. tabela de rede de tabela de rede tabula dados de meta-análise de rede. 20. Padrão de rede Padrão de rede mostra quais tratamentos são utilizados em quais estudos. 21. O mapa de rede do mapa de rede desenha um mapa de uma rede que é, mostra quais tratamentos são diretamente comparados contra os quais outros tratamentos e aproximadamente a quantidade de informação disponível para cada tratamento e para cada comparação de tratamento. 22. rede convert converter rede converte entre os três formatos descritos no arquivo de ajuda para a rede. 23. consulta de rede de consulta de rede exibe as configurações de rede atuais. 24. rede não definida rede desativada elimina as configurações de rede atuais. 25. A méta meta da rede meta define um modelo a ser ajustado: o modelo de consistência ou o modelo de inconsistência de interação de projeto por tratamento. 26. rank rank da rede classifica os tratamentos depois que uma meta-análise de rede foi ajustada. 27. A superfície lateral da rede de lado da rede se encaixa no modelo de divisão de nós de Dias et al. (2010). 28. A floresta de rede de rede de rede desenha um lote de floresta de dados de meta-análise de rede. 29. networkplot networkplot traça uma rede de intervenções usando nós e bordas. 30. netweight netweight calcula todos os tamanhos diretos de efeito de resumo parwise com suas variâncias, cria a matriz de design e estima a contribuição percentual de cada comparação direta para as estimativas de resumo da rede e em toda a rede. 31. ifplot ifplot identifica todos os loops triangulares e quadráticos em uma rede de intervenções e estima os respectivos fatores de inconsistência e suas incertezas. 32. netfunnel netfunnel traça um gráfico de funil ajustado em comparação para avaliar os efeitos do estudo pequeno dentro de uma rede de intervenções. 33. intervalo de intervalo de intervalos traça os tamanhos de efeito estimados e suas incertezas para todas as comparações em dois pares em uma meta-análise de rede. 34. netleague netleague cria uma tabela de liga mostrando nas células fora da diagonal os efeitos relativos do tratamento para todas as possíveis comparações em pares estimadas em uma meta-análise de rede. A sucra dá a superfície sob as porcentagens acumuladas de curvas de classificação e as classificações médias, e produz rankogramas (gráficos de linha das probabilidades versus classificações) e classificações cumulativas (gráficos de linha das probabilidades cumulativas versus classificações) para todos os tratamentos em uma rede de intervenções. 36. mdsrank mdsrank cria a matriz quadrada que contém os tamanhos de efeito relativo em pares e traça os valores resultantes da dimensão única para cada tratamento. 37. clusterank clusterank realiza análise de cluster hierárquica para agrupar os tratamentos concorrentes em grupos significativos. Glst calcula um modelo de regressão de resposta logarítmica log-linear usando mínimos quadrados generalizados para estimativa de tendência de estudos epidemiológicos de respostas mensais ou múltiplas resumidas. A saída desse comando pode ser útil na obtenção de efeitos de resumo e seus erros padrão para inclusão em meta-análises desses estudos. 39. Metamiss metamiss realiza meta-análises com resultados binários quando alguns ou todos os estudos têm dados faltantes. 40. sem e gsem Descreve como ajustar modelos de meta-análise de efeitos fixos e aleatórios usando os comandos sem e gsem, introduzidos em Stata 12 e 13, respectivamente, para modelagem de equações estruturais. 41. metacumbounds metacumbounds fornece limites de z, valores de p e limites de Lan-DeMets obtidos da meta-análise de efeitos fixos ou aleatórios. Ele traça os limites e os valores de z através de um processo. 42. metasim metasim simula um número específico de novos estudos com base nas estimativas obtidas de uma meta-análise preexistente. 43. metapow metapow implementa uma abordagem para estimar o poder de um estudo recentemente simulado gerado pelo uso do metasim do programa. 44. Metapowplot metapowplot estima o poder de uma meta-análise atualizada, incluindo um novo estudo e traça cada valor em relação a uma variedade de tamanhos de amostra. Os seguintes comandos estão documentados no Apêndice: 45. Metacurve metacurve modela uma resposta como uma função de uma covariável contínua, opcionalmente ajustando para outras variáveis especificadas pelo ajuste (). 46. metannt metannt destina-se a auxiliar a interpretação de meta-análises de dados binários, apresentando tamanhos de efeito de intervenção em termos absolutos, como o número necessário para tratar (NNT) e o número de eventos evitados (ou adicionados) por 1.000. O usuário insere parâmetros de projeto e metannt usa o comando metan para calcular as estatísticas necessárias. Este comando está disponível como parte do pacote metan. 47. metaninf metaninf é uma porta do comando metainf para usar metan como seu mecanismo de análise em vez de meta. Foi lançado em 2001 como um comando da versão 6 usando gráficos da versão 6 e foi atualizado pela última vez em 2004. Ele exige que o usuário forneça entrada na forma necessária ao metan. A midas fornece rotinas estatísticas e gráficas para realizar a meta-análise do desempenho do teste de diagnóstico em Stata. 49. metalr metalr grafica as razões de verossimilhança positiva e negativa nos testes de diagnóstico. Pode fazer metanálise estratificada de estimativas individuais. O usuário deve fornecer as estimativas de efeito (razão de verossimilhança positiva do log e razão de verossibilidade negativa do log) e seus erros padrão. Os comandos meta e metareg são usados para cálculos internos. Este é um comando da versão 8 lançado em 2004. 50. O metaparma do metaparm executa meta-análises e calcula intervalos de confiança e valores de p para diferenças ou relações entre parâmetros para subpopulações diferentes para dados armazenados no formato parmest. 51. metaeff metaeff é um comando de pré-processamento para meta-análise e um complemento para metaan que calcula tamanhos de efeito e seus erros padrão. Nota: pode haver comandos que apareceram no Stata Journal após a publicação de Meta-Analysis no Stata: uma coleção atualizada do Stata Journal, Second Edition. Para obter uma lista completa dos comandos de meta-análise, digite search meta no Stata. Deeks, J. J. D. G. Altman e M. J. Bradburn. 2001. Métodos estatísticos para examinar a heterogeneidade e combinar resultados de vários estudos em meta-análise. Em Revisões Sistemáticas em Cuidados de Saúde: Meta-Análise em Contexto, 2ª Edição. Ed. M. Egger, G. Davey Smith e D. G. Altman. Londres: BMJ. Dias, S. N. J. Welton, D. M. Caldwell e A. E. Ades. 2010. Verificar consistência na metanálise de comparação de tratamento misto. Statistics in Medicine 29: 932ndash944. Um tutorial prático sobre a realização de meta-análise com Stata A síntese estatística dos achados da pesquisa via meta-análise é amplamente utilizada para avaliar a eficácia relativa das intervenções concorrentes. Uma série de três artigos destinados a familiarizar os cientistas da saúde mental com os principais conceitos estatísticos e problemas na meta-análise foi recentemente publicado nesta revista. Um trabalho centrou-se na seleção e interpretação do modelo apropriado para sintetizar os resultados (modelo de efeito fixo ou de efeitos aleatórios), enquanto os outros dois trabalhos focaram em duas ameaças principais que comprometem a validade dos resultados da meta-análise, nomeadamente o viés de publicação e os dados de resultados perdidos . Neste artigo, fornecemos orientação sobre como realizar meta-análises usando o Stata, um dos pacotes de software mais utilizados para meta-análise. Abordamos os três tópicos abordados nas questões anteriores da revista, com foco em sua implementação em Stata usando um exemplo de trabalho da pesquisa em saúde mental. Introdução As análises sistemáticas e as meta-análises são muitas vezes consideradas uma fonte confiável de evidências para informar as decisões sobre a eficácia ea segurança das intervenções concorrentes.1 A validade dos achados de uma meta-análise depende de vários fatores, como a completude da sistemática Revisão, a plausibilidade dos pressupostos realizados, o risco de parcialidade nos estudos individuais e o potencial de preconceitos de relatórios. Neste artigo, focamos as considerações estatísticas envolvidas no processo de meta-análise e analisamos um exemplo da saúde mental em Stata.2 As considerações teóricas e conceituais dos métodos que implementamos foram abordadas em artigos publicados recentemente35 e sugerimos o uso desses Papéis como companheiros ao ler este manuscrito. Mais especificamente, neste artigo, apresentamos comandos Stata: Para realizar uma meta-análise fixa ou aleatória. Antes de realizar as análises estatísticas, os meta-analistas devem considerar o modelo apropriado (efeitos fixos ou aleatórios) para a configuração clínica específica e os resultados de interesse e depois interpretar o resultado à luz da magnitude da variabilidade entre estudos ( Heterogeneidade) 3. 6 Para explicar os dados de resultados perdidos. Os participantes com dados de resultados perdidos podem afetar tanto a precisão quanto a magnitude do efeito de resumo meta-analítico, o último pode ocorrer quando a probabilidade de falta está relacionada à eficácia das intervenções comparadas5. Para explorar e explicar o viés de publicação e estudo pequeno Efeitos .4 O viés da publicação ocorre quando a publicação dos resultados da pesquisa depende de sua natureza e direção.7 A falta de contabilização dos estudos não publicados pode levar a estimativas sumárias tendenciosas a favor de um dos dois tratamentos concorrentes (isto é, geralmente o mais ativo ou o mais novo Intervenção) .8 Métodos e rotinas Stata Nas seções a seguir, fornecemos um exemplo de meta-análise de efeitos aleatórios e aleatórios usando o comando metan.9 Usamos o comando metamiss10 para explorar o impacto de diferentes pressupostos sobre o mecanismo de dados faltantes no Efeito de resumo. Nós empregamos diferentes abordagens e ferramentas para avaliar se o viés de publicação provavelmente funcionará usando os comandos metafunnel, 11 confunnel, 12 metatrim13 e metabias.14 Como exemplo de trabalho, usamos uma revisão sistemática que compreende 17 ensaios que comparam haloperidol e placebo para o tratamento De sintomas na esquizofrenia. Este conjunto de dados foi usado anteriormente para avaliar o impacto dos dados faltantes sobre os resultados clínicos15 e é originalmente baseado em uma revisão Cochrane.16 O resultado do interesse é a melhoria clínica e os índices de risco (RR) maiores do que 1 favorecem o haloperidol em relação ao placebo. De cada ensaio, temos as seguintes informações (tabela 1): Número de participantes que responderam no braço placebo (variável rp) e no braço haloperidol (rh) Número de participantes que não responderam em ambos os braços (fp, fh) Número Dos participantes que abandonaram e cujos resultados estão faltando (mp, mh). Número de sucessos (r), falhas (f) e participantes desaparecidos (m) para os 17 ensaios que comparam haloperidol e placebo para melhora clínica na esquizofrenia Realização de meta-análise de efeitos aleatórios e fixos e medição de heterogeneidade A metanálise em Stata pode ser realizada usando O comando metan. Para os dados dicotômicos, o comando metan precisa de quatro variáveis de entrada: metan rh fh rp fp Digitando isso, o software fornece o resumo RR do haloperidol versus o placebo usando o modelo de efeito fixo de acordo com os pesos de Mantel-Haenszel.17 Os pesos de variância inversa podem Seja especificado através da opção fixedi ou randomi para uma análise de efeitos fixos ou aleatórios, respectivamente. Alterar o tamanho do efeito estimado é possível especificando as opções ou para OR e rd para a diferença de risco. A opção por () permite a definição de uma variável de agrupamento para os estudos incluídos e executa uma análise de subgrupo. Para dados contínuos, são necessárias seis variáveis de entrada: o número total de participantes em cada braço, os valores médios eo SD para cada braço. A opção nostandard altera a medida de efeito estimada da diferença de média padronizada para diferença média. O comando fornece informações sobre a presença e a magnitude da heterogeneidade estatística através do teste Q, a medida I 2 e a estimativa da variância 2 da heterogeneidade (usando o método do estimador de momentos), que são fornecidos nos resultados de saída. Embora os I 2 e 2 estimados sejam rotineiramente relatados como valores fixos, eles não são livres de incerteza em torno da estimativa média. O CI para a medida I 2 pode ser derivado usando o comando heterogi. Que requer a entrada da estatística Q da meta-análise e os graus de liberdade correspondentes (df, o número de estudos menos um): Até o momento, o comando metan não fornece uma CI para a magnitude da heterogeneidade (2). No entanto, permite avaliar o impacto da heterogeneidade no efeito de resumo através do intervalo preditivo, que é o intervalo dentro do qual se espera que o efeito de um estudo futuro se encontre.18 O intervalo preditivo expressa a incerteza adicional induzida nas estimativas de estudos futuros Devido à heterogeneidade e pode ser estimado pela adição da opção rfdist em metan (sob o modelo de efeitos aleatórios). Muitas opções adicionais estão disponíveis (por exemplo, opções que tratam a aparência do gráfico da floresta), que podem ser encontradas no arquivo de ajuda do comando (digitando help metan). Explorando o impacto dos dados de resultados perdidos, o Stata possui um comando prontamente disponível chamado metamiss que permite a incorporação de diferentes pressupostos para o mecanismo de dados de resultados perdidos em uma meta-análise. Até o momento, o comando metamiss pode ser aplicado apenas para dados dicotômicos, mas atualmente está sendo estendido para dar conta de resultados contínuos.19 A sintaxe é semelhante ao comando metan, mas requer também o número de participantes que abandonaram cada braço (ou seja, seis entradas Variáveis são necessárias), bem como o método desejado de imputar informações para os dados em falta: metamiss rh fh mh rp fp mp, método de imputação Em geral, podemos assumir os seguintes cenários: Uma análise de caso disponível (ACA), que ignora os dados faltantes (Opção aca) e justifica o pressuposto faltando aleatoriamente. O melhor cenário. Que impõe todos os participantes desaparecidos no grupo experimental como sucessos e no grupo de controle como falhas (opção icab) O pior cenário. Que é o oposto do melhor cenário (opção icaw). As duas abordagens anteriores são métodos de imputação da nave, uma vez que não contam adequadamente a incerteza nos dados faltantes imputados. Os métodos que levam em consideração a incerteza nos dados imputados incluem: A análise Gamble-Hollis, 20, que infla a incerteza dos estudos usando os resultados das análises dos melhores e piores casos (opção gamblehollis) A falha informativa OU (IMOR ) Modelo, 15. 21 que relaciona dentro de cada grupo de estudo os resultados dos participantes observados e desaparecidos (opções imor () ou logimor ()) que permitem a incerteza na associação assumida (sdlogimor ()). Note-se que o comando do metamiss sempre assume que o resultado é benéfico, portanto, para um resultado nocivo (por exemplo, eventos adversos), as opções icab e icaw darão o pior caso e melhor caso, respectivamente. Se não for possível assumir que os dados faltantes estão faltando aleatoriamente, o modelo IMOR é o método mais apropriado porque leva a incerteza de dados imputados em conta.5 Esse modelo usa um parâmetro que relaciona as chances do resultado na falta Dados para as chances do resultado nos dados observados. Se este parâmetro não puder ser informado por opinião de especialistas, é prudente realizar uma análise de sensibilidade assumindo vários valores (por exemplo, se definimos as chances do resultado nos dados em falta ser duas vezes mais do que as probabilidades nos dados observados para o tratamento Bem como grupos de controle, nós formamos metamiss rh fh mh rp fp mp, imor (2)). Avaliando a presença de pequenos efeitos de estudo e o risco de viés de publicação As abordagens disponíveis para avaliar o risco de viés de publicação em uma meta-análise podem ser amplamente classificadas em duas categorias: (1) métodos baseados em tamanhos de efeito de associação a sua precisão e ( 2) modelos de seleção. Nós nos concentramos no primeiro grupo de métodos, que foram implementados em Stata através dos comandos metafunnel, confunnel, metatrim e metabias. No entanto, os pesquisadores devem sempre lembrar que essa abordagem fornece informações sobre a presença de pequenos efeitos de estudo, que podem ou não estar associados a um viés de publicação genuíno.4 O comando metafunnel desenha o gráfico de funil padrão22 e requer duas variáveis de entrada. Deixe logRR e selogRR ser as duas variáveis que contêm os tamanhos de efeito observados em estudos e SEs. A sintaxe do comando metafunnel seria: metafunnel logRR selogRR A opção por () pode ser adicionada para exibir os estudos em subgrupos (usando diferentes formas e cores) de acordo com uma variável de agrupamento. Uma limitação do enredo de funil padrão é que não explica se a assimetria aparente deve-se ao viés de publicação ou a outros motivos, como a heterogeneidade genuína entre pequenos e grandes estudos ou diferenças no risco de linha de base dos participantes.4 Embudo reforçado por contorno Parcelas podem ser usadas em vez de áreas sombreadas foram adicionadas no gráfico para indicar se os estudos faltantes estão nas áreas de significância estatística (p. Ex., Valor p lt0,05) .23 Se estudos não significativos foram publicados, é improvável que A assimetria deve-se ao viés de publicação. O comando confunnel pode ser empregado para produzir este gráfico de funil modificado usando a mesma sintaxe com o comando metafunnel: confunnel logRR selogRR A medida da precisão do estudo plotada no eixo vertical (por exemplo, a variância em vez do SE) pode ser modificada através da opção Métrica (). Enquanto a opção extraplot () permite a incorporação de gráficos adicionais (como linhas de regressão, diagramas de dispersão alternativos, etc.) usando comandos Stata padrão. Alternativas ao entalhe de funil também foram implementadas em Stata.22 Mais especificamente, os modelos de regressão que consideram a magnitude do efeito em um teste para estar relacionado à sua precisão são muito populares. As metabias de comando podem caber em quatro modelos de regressão diferentes: Eggers test22 (opção egger), Harbords test24 (opção harbord), Peters test25 (opção peter) e o teste de correlação de classificação por Begg e Mazumdar26 (opção begg). Para uma abordagem genérica em que os tamanhos do efeito do estudo (efeito) são regredidos em seus erros padrão (se) metabias effect se, model ou para metabias de dados dicotômicos rh fh rp fp, modelo em que o modelo define um dos quatro modelos descritos acima. Adicionar o gráfico de opções também fornece uma representação gráfica dos resultados. Observe que a linha de regressão estimada pelo teste Eggers também pode ser adicionada ao gráfico do funil, adicionando a opção egger no comando metafunnel. O método de compensação e preenchimento visa estimar o efeito de resumo como se o enredo do funil fosse simétrico assumindo que o viés de publicação é a única explicação de assimetria. O método pode ser aplicado usando o comando metatrim com a seguinte sintaxe: metatrim effect se Especificar o funil de opção no metatrim dá o gráfico de funil cheio estimado que inclui estudos publicados e não publicados. Um script Stata que produz todos os resultados descritos abaixo pode ser encontrado on-line em missoptima. project. uoi. grindex. phpour-research-projects. Metálise de efeitos fixos e aleatórios Ajustamos efeito fixo, bem como modelos de efeitos aleatórios para fins ilustrativos. Usando o comando metan, realizamos ACAs para ambos os modelos e produzimos a trama florestal da figura 1. Geralmente, é enganosa focar o diamante ao interpretar os resultados de uma meta-análise de efeitos aleatórios, por exemplo, na presença de heterogeneidade excessiva O diamante muitas vezes não tem sentido. Traçado florestal mostrando os resultados da meta-análise de efeitos aleatórios e aleatórios para os 17 ensaios que comparam haloperidol e placebo para melhora clínica na esquizofrenia (resultado: taxa de resposta) (RR, relação de risco). De acordo com a figura 1. ambos os modelos sugeriram que o haloperidol era estatisticamente significativamente mais eficaz do que o placebo no tratamento da esquizofrenia e, conforme esperado, a análise de efeitos aleatórios produzia maior IC. Apesar desta descoberta, o intervalo preditivo estimado cruzou a linha de nenhum efeito, o que implica que, em um estudo futuro, o placebo pode parecer mais eficaz do que o medicamento ativo. As estimativas específicas do estudo pareciam substancialmente heterogêneas (por exemplo, os CI dos seguintes estudos, Bechelli 1983 e Beasley 1996 não se sobrepuseram), portanto, a hipótese de efeito fixo pode não ser plausível para este conjunto de dados. Isto é suportado pelo Q-test, que sugeriu a presença de heterogeneidade (p0.038). A média da medida I 2, que mede a quantidade de heterogeneidade entre os estudos, sugeriu a presença de baixa heterogeneidade (41). Usando o comando heterogi, estimamos o CI para o I 2. que variou de 0 a 67, o que implica que a heterogeneidade era potencialmente nula para grande, mas não excessiva. Os dois modelos não diferiram apenas no nível de incerteza, mas também em relação à magnitude do efeito de resumo. Isso é muito comum quando há um efeito de estudo pequeno (ou seja, há uma associação entre o tamanho do efeito e o tamanho do estudo) porque o modelo de efeitos aleatórios atribui pesos relativamente maiores a estudos menores.4 De fato, em nosso exemplo, estudos menores (isto é, Estudos correspondentes a quadrados menores na figura 1) deram resultados mais favoráveis para o haloperidol, enquanto estudos maiores estavam mais próximos do efeito nulo. Impacto dos dados de resultados perdidos Nós primeiro ajustamos uma análise de subgrupo (usando metan com a opção by ()) para investigar se estudos com e sem dados faltantes (em ambos os braços) produziram resultados diferentes. Esta análise baseou-se apenas nos dados observados e, portanto, nos estudos com dados faltantes, o tamanho da amostra foi menor que o número de participantes randomizados. Um equívoco comum sobre as análises de subgrupos é que os resultados diferem entre subgrupos quando o efeito de resumo de um subgrupo é estatisticamente significativo e não para o outro. No entanto, a inferência nas diferenças de subgrupos deve basear-se em um teste de interação (ou seja, o teste para diferenças de subgrupos implementadas também em RevMantech. cochrane. orgrevman) que compara estatisticamente os dois subgrupos significando a incerteza. As diferenças entre os subgrupos também podem ser identificadas visualmente, observando a sobreposição das ICs em suas estimativas de resumo.17 Na figura 2. os ensaios sem dados faltantes proporcionaram resultados mais favoráveis para o haloperidol do que os ensaios com dados faltantes. Esse desacordo também foi estatisticamente significativo, pois o valor de p para o teste geral de heterogeneidade entre subgrupos (fornecido na saída de metan sob o modelo de efeito fixo) foi igual a 0,001. Portanto, é provável que a falta de dados nos ensaios afetou substancialmente os resultados, uma possível explicação é que houve uma alta taxa de abandono no braço placebo por falta de eficácia, o que é bastante comum nos ensaios em psiquiatria. Análise de subgrupos dos 17 ensaios que comparam haloperidol e placebo na esquizofrenia (resultado: taxa de resposta). Os estudos foram classificados de acordo com a presença ou ausência de dados de resultados perdidos em ambos os braços (RR, razão de risco). Nós exploramos ainda mais o impacto dos dados perdidos, incorporando na análise diferentes pressupostos sobre o mecanismo da falta. Apresentamos os resultados do modelo de efeitos aleatórios (figura 3) e focamos as diferenças nos efeitos de resumo nos diferentes cenários. Sob todas as seis análises, o haloperidol pareceu funcionar melhor que o placebo para a esquizofrenia. Houve pequenas diferenças nas estimativas pontuais entre os modelos IMOR e a análise de Gable-Hollis em comparação com a ACA. Ao contrário do resto dos métodos, essas duas abordagens não impõem dados e não inflacionam artificialmente o tamanho da amostra. O modelo IMOR aumentou a incerteza em estudos que, por sua vez, resultaram em uma ligeira redução de heterogeneidade. As mudanças na estimativa de resumo foram insignificantes. Sob os estudos de análise da ACA com grandes taxas faltantes, o placebo foi favorecido (figura 1). Os modelos IMOR diminuíram esses estudos e a estimativa resumida média moveu-se ligeiramente para a direção da intervenção ativa. Rácios de risco de resumo (RRs) como estimados quando os dados faltantes são ignorados (caso disponível), pelos métodos de imputação da nave (melhor e pior caso) e por métodos que respondam adequadamente a incerteza em dados perdidos (Gamble-Hollis e informativo Modelos de falta ou (IMOR)). Ambos os modelos IMOR assumem que as chances do resultado nos dados em falta são iguais às probabilidades nos dados observados (IMOR1 médio) e refletem a incerteza dessa suposição ao permitir um SD não diferente do parâmetro faltante. Diferentes estimativas de resumo entre modelos de efeitos aleatórios e aleatórios (figura 1) suscitaram preocupações de que os efeitos do estudo pequeno possivelmente operaram em nosso exemplo, questionando a interpretação correta do efeito geral. Para explorar essa associação aparente entre o tamanho do efeito e o tamanho do estudo, empregamos uma série de abordagens gráficas e testes estatísticos (é importante notar que todos esses métodos possuem pouca potência e pelo menos 10 estudos são necessários para tirar conclusões) .17 O funil O gráfico na figura 4 foi bastante assimétrico e mostrou que estudos menores tendem a dar resultados enfatizando a eficácia do haloperidol. O entalhe de funil com contorno (figura 5) nos ajudou a distinguir entre viés de publicação e outras causas da assimetria. Isso mostrou que pequenos estudos foram encontrados não apenas nas áreas de significância estatística (área sombreada), mas também em áreas de significância não estatística (área branca), portanto, a assimetria pode ter sido causada por vários fatores e não apenas por viés de publicação. Para avaliar a magnitude e a significância estatística da relação entre os tamanhos de efeitos observados e o tamanho dos estudos, corremos o modelo de meta-regressão Eggers (tabela 2). O teste sugeriu que estudos menores tendem a dar resultados diferentes se comparados a ensaios maiores, já que a IC da intercepção não incluiu o valor zero. Results from the Eggers meta-regression test assessing the presence of small-study effects in the 17 trials comparing haloperidol and placebo for clinical improvement in schizophrenia Funnel plot including the 17 published haloperidol trials in schizophrenia (circles) and the unpublished studies (squares) as estimated from the trim-and-fill method. The solid line corresponds to the adjusted for the impact of publication bias summary effect (logRR0.27) and the dashed line to the summary effect that does not account for publication bias (logRR0.45) (RR, risk ratio). Discussion Along with the rapid methodological development of meta-analysis, a variety of relevant software options have been made available enabling the application of different models and the exploration of characteristics that may affect the results. Using a working example, in this paper we offered a brief tutorial to researchers and interested clinicians about the use of Stata in meta-analysis, highlighting common pitfalls in the interpretation of results (more information about Stata can be found elsewhere).27 Our findings suggested that the presence of important small-study effects as well as the missing outcome data in some trials made the estimated summary effect not representative for the entire set of studies. Including in the meta-analysis only studies with data for all randomised participants was not the recommended approach, since the bulk of evidence came from trials with missing outcome data. Clinical insight for the outcomes and treatments of interest is necessary to make reasonable assumptions for the mechanism of missing data and inform the choice of the appropriate statistical model. The results from the three models that accounted for the uncertainty in the imputed missing data (Gamble-Hollis and the two IMOR models) were similar and probably are the most accurate estimates of the summary RR. However, the fact small and large trials gave different results needs further exploration. For example, if the size of the studies was associated with differences in population characteristics with respect to some effect modifiers, then there might not be a common RR applicable to all populations. Competing interests AC received funding from Greek national funds through the Operational Program Education and Lifelong Learning of the National Strategic Reference Framework (NSRF)Research Funding Program: ARISTEIA. Investing in knowledge society through the European Social Fund. DM and GS received funding from the European Research Council (IMMA 260559). Referências
No comments:
Post a Comment