Editverse Kostenloser Rechner
Metaanalyse- und Forest-Plot-Rechner
Die Studieneffekte werden mit inversen Varianzgewichten (Fixed-Effects- oder DerSimonian-Laird-Random-Effects-Modell) gepoolt. Anschließend wird ein Forest-Plot erstellt und I² sowie τ² mithilfe des R-Befehls hinter dem Ergebnis abgelesen. Jeder Effekt wird mit seinem 95%-Konfidenzintervall auf einer additiven Skala angegeben: Mittelwertdifferenzen und standardisierte Mittelwertdifferenzen werden unverändert, Odds Ratios, Risiko-Ratios und Hazard-Ratios als natürliche Logarithmen (Logarithmus der Schätzung und beider Grenzen) verwendet. Das gepoolte Ergebnis wird exponentiert. Eine ausführliche Interpretationsanleitung folgt weiter unten. Validiert mit R 4.3.3.
In einfachen Worten
Eine Metaanalyse fasst die Ergebnisse mehrerer Studien zu einem Gesamtergebnis zusammen und gewichtet jede Studie entsprechend ihrer Genauigkeit – größere, präzisere Studien haben ein höheres Gewicht . Im Forest-Plot wird jede Studie als Punkt mit ihrem Konfidenzintervall und das Gesamtergebnis als Raute am unteren Rand dargestellt.
Da Studien nie identisch sind, erfasst die Analyse auch die Heterogenität : wie stark sich die tatsächlichen Effekte zwischen den Studien über den Zufall hinaus unterscheiden. Die I²- Statistik drückt dies als Prozentsatz der Gesamtvarianz aus und hilft Ihnen zu beurteilen, ob ein einzelner zusammengefasster Wert aussagekräftig ist.
Wann sollte man eine Metaanalyse durchführen?
Eine Metaanalyse ist dann sinnvoll, wenn mehrere Studien dieselbe Fragestellung untersuchen und klinisch sowie methodisch ausreichend ähnlich sind, um sie zusammenzufassen – beispielsweise Studien zur gleichen Intervention mit demselben Ergebnis. Die Zusammenfassung der Daten erhöht die Präzision und kann widersprüchliche Einzelergebnisse auflösen, jedoch nur, wenn die Studien tatsächlich vergleichbar sind.
Wählen Sie ein Random-Effects -Modell, wenn Sie erwarten, dass der wahre Effekt zwischen den Studien variiert, und ein Fixed-Effects -Modell nur dann, wenn Sie von einem einheitlichen Effekt ausgehen können. Geben Sie stets I² zusammen mit der gepoolten Effektstärke und deren Konfidenzintervall an . Sind Sie sich unsicher, ob Ihre Studien überhaupt zusammengefasst werden sollten? Unser interaktiver Testselektor hilft Ihnen bei der Entscheidung.
Erwartetes Format: Studien: Bezeichnung, Effekt, Unteres KI, Oberes KI (eine pro Zeile)
Ziehen Sie hier eine CSV-Datei hoch oder klicken Sie, um eine Datei auszuwählen. Die Verarbeitung erfolgt im Browser: Es wird nichts hochgeladen.
Erwartetes Format: Studien: Bezeichnung, Effekt, Unteres KI, Oberes KI (eine pro Zeile)
library(meta) studlab <- c({meta_studlab}) TE <- c({meta_te}) lower <- c({meta_lower}) upper <- c({meta_upper}) seTE <- (upper - lower) / (2 * 1.96) # Standardfehler aus dem 95%-Konfidenzintervall, wie vom Rechner berechnet m <- metagen(TE, seTE, studlab = studlab, sm = "SMD", common = {meta_common}, random = {meta_random}, method.tau = "DL") summary(m) # gepoolter Effekt, Cochran's Q, I², tau²Benutzerhandbuch
Wann anwenden? Effektstärken aus verschiedenen Studien zusammenfassen und Heterogenität quantifizieren (I²).
Annahmen. Die Studien sind klinisch und methodisch ausreichend vergleichbar, um zusammengefasst zu werden.
Häufige Fehler. Ein hoher I²-Wert (>75 %) deutet auf erhebliche Heterogenität hin: Die gepoolte Schätzung sollte mit Vorsicht interpretiert werden.
Ausgearbeitetes Beispiel
Klicken Sie oben auf „Beispieldaten laden“ und anschließend auf „Analyse ausführen“ , um ein vollständig ausgearbeitetes Ergebnis mit Abbildung, Formel und Interpretation für diesen Test anzuzeigen.
Referenzen
- DerSimonian R, Laird N. Meta-Analyse in klinischen Studien. Control Clin Trials. 1986;7:177-188.
Ausgearbeitete Beispiele
Beispiel 1 – Zusammenfassung von vier Studien
Vier Studien berichten über standardisierte Mittelwertdifferenzen von 0.45, 0.60, 0.32 und 0.55, jeweils mit eigenem Konfidenzintervall. Ein Random-Effects-Modell gewichtet diese nach ihrer Präzision und kombiniert sie zu einer gepoolten Schätzung nahe 0.48. Im Forest-Plot ist jede Studie als Quadrat mit der entsprechenden Gewichtung dargestellt, der gepoolte Effekt als Raute, deren Breite dem 95%-Konfidenzintervall entspricht.
Beispiel 2 – Heterogenität beim Lesen
Dieselbe Analyse ergibt I² = 17 %, und Cochrans Q (3.62 bei 3 Freiheitsgraden, p = 0.31) ist nicht signifikant. Die Studien sind daher hinreichend konsistent, und die gepoolte Schätzung ist verlässlich. Wäre I² 80 % gewesen, hätten die tatsächlichen Effekte zwischen den Studien stark variiert, und ein einzelner gepoolter Wert wäre wenig aussagekräftig gewesen – man hätte stattdessen die Ursachen der Heterogenität durch Subgruppenanalysen oder Meta-Regressionen untersucht.
Zu prüfende Annahmen
Vergleichbare Studien (klinisch und methodisch) sind erforderlich. Die Studien müssen dieselbe Fragestellung mit ähnlichen Populationen, Interventionen und Ergebnisdefinitionen behandeln. Die Zusammenfassung nicht vergleichbarer Studien führt zu einer gepoolten Schätzung, die keine wirkliche Frage beantwortet.
Das richtige Modell für die Fragestellung. Ein Fixed-Effects-Modell geht von einem einheitlichen wahren Effekt aus; ein Random-Effects-Modell lässt den wahren Effekt variieren. Die Wahl eines Fixed-Effects-Modells bei tatsächlicher Heterogenität führt zu einer Unterschätzung der Unsicherheit in der gepoolten Schätzung.
Unabhängige, unverzerrte Effektschätzungen. Jede Studie sollte einen unabhängigen Effekt beitragen, und das Gesamtergebnis sollte nicht durch selektive Veröffentlichung verzerrt sein. Prüfen Sie auf Publikationsbias, bevor Sie einem zusammengefassten Ergebnis vertrauen.
Häufige Fehler
Zusammenführung klinisch unähnlicher Studien
Die Zusammenfassung von Studien mit unterschiedlichen Populationen oder Ergebnissen allein aufgrund eines gemeinsamen Themas führt zu einem bedeutungslosen Durchschnittswert. Vergleichbarkeit hat oberste Priorität; Statistiken können ein inkohärentes Datenset nicht retten.
Ein hoher I²-Wert wird als Ergebnis behandelt, um ihn zu melden und weiterzumachen.
Ein hoher I²-Wert ist ein Anlass für weitere Untersuchungen, keine Zahl, die in einer Fußnote vermerkt werden sollte. Untersuchen Sie Heterogenität mittels Subgruppenanalyse oder Meta-Regression, bevor Sie einen gepoolten Effekt angeben.
Standardmäßig wird der feste Effekt verwendet, um ein engeres Intervall zu erhalten.
Ein Fixed-Effects-Modell liefert ein engeres Konfidenzintervall, jedoch nur, weil es die Variabilität zwischen den Studien ignoriert. Bei Heterogenität ist dieses enge Intervall trügerisch beruhigend.
Publikationsbias ignorieren
Kleinere negative Studienergebnisse werden oft nicht veröffentlicht, was den Gesamteffekt verfälscht. Prüfen Sie ein Funnel-Plot und führen Sie einen formalen Test durch, bevor Sie Schlussfolgerungen ziehen.
Häufig gestellte Fragen
Was misst I² eigentlich?
Es handelt sich um den Anteil der Gesamtvarianz zwischen den Studien, der auf tatsächliche Heterogenität und nicht auf Zufall zurückzuführen ist – grob gesagt sind 25 % niedrig, 50 % mittel und 75 % hoch.
Fixe Effekte oder zufällige Effekte?
Verwenden Sie Random-Effects-Modelle, wenn Sie davon ausgehen, dass der wahre Effekt zwischen den Studien variiert, was in klinischen Studien üblich ist; Fixed-Effects-Modelle sollten für den seltenen Fall eines angenommenen gemeinsamen Effekts reserviert werden.
Wie viele Studien benötige ich?
Es gibt kein festes Minimum, aber bei sehr wenigen Studien lässt sich die Varianz zwischen den Studien schlecht schätzen und die Heterogenitätsstatistik wird instabil; kleine Metaanalysen sollten daher mit Vorsicht interpretiert werden.
Stimmt das Ergebnis mit den Ergebnissen von R, Stata und RevMan überein?
Ja, auf der von Ihnen eingegebenen Skala. Der Rechner verwendet die Standard-Inverse-Varianz-Gewichtung mit DerSimonian-Laird-Zufallseffekten und berechnet jeden Standardfehler aus dem 95%-Konfidenzintervall als (oberer Wert − unterer Wert) / 3.92. Der gezeigte R-Befehl verwendet sm = "SMD"; für Log-Verhältnisse setzen Sie sm auf "OR", "RR" oder "HR" und übergeben die Log-Schätzwerte, damit R den gepoolten Wert zurücktransformiert.
Verwandte Rechner
Referenzen
- Higgins JPT, Thompson SG. Quantifizierung der Heterogenität in einer Metaanalyse. Statistik Med. 2002;21(11):1539–1558. PMID 12111919.
- Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Messung von Inkonsistenz in Metaanalysen. BMJ. 2003;327(7414):557–560. PMID 12958120.
- DerSimonian R, Laird N. Meta-Analyse in klinischen Studien. Kontroll-Clin Trials. 1986;7(3):177–188.
Benötigen Sie diese Analyse für Ihr Manuskript?
Unsere promovierten Biostatistiker führen Ihre Metaanalyse von Anfang bis Ende durch – gepoolte Effekte, Heterogenität, Subgruppen- und Sensitivitätsanalysen, Tests auf Publikationsbias und ein publikationsfertiges Forest-Plot mit reproduzierbarer R-Ausgabe.
