मेटा-विश्लेषण की गलतियाँ ही वह कारण हैं जिनकी वजह से कई संयुक्त विश्लेषणों को अस्वीकृति मिल जाती है या इससे भी बदतर, प्रकाशित होने के बाद उनका खंडन हो जाता है। मेटा-विश्लेषण उच्चतम स्तर के प्रमाण का वादा करता है, फिर भी विभिन्न क्षेत्रों में वही तकनीकी चूकें बार-बार सामने आती हैं, चाहे वह विषम परीक्षणों पर फिक्स्ड-इफेक्ट मॉडल को थोपना हो या फ़नल प्लॉट को राशिफल की तरह पढ़ना हो। यह गाइड उन बारह त्रुटियों के बारे में विस्तार से बताती है जो हमें एडिटवर्स में 1,100 से अधिक पांडुलिपियों को संभालने के बाद सबसे अधिक देखने को मिलती हैं, प्रत्येक त्रुटि के लिए एक तर्कसंगत समाधान प्रदान करती है, और एक गणना के साथ दिखाती है कि त्रुटि वास्तव में परिणाम को कैसे प्रभावित करती है। प्रत्येक अनुशंसा एक वास्तविक, सत्यापित स्रोत से जुड़ी है ताकि आप हमारे शब्दों पर भरोसा करने के बजाय मानक का हवाला दे सकें।

यह सूची समीक्षा की वास्तविक प्रक्रिया के क्रम में व्यवस्थित है, जिसमें खोज और प्रोटोकॉल से लेकर मॉडल चयन, पूर्वाग्रह मूल्यांकन और रिपोर्टिंग तक सभी चरण शामिल हैं। यदि आपके पास समय कम है, तो अंत में दी गई प्रभाव तालिका और चेकलिस्ट इन बारह बिंदुओं को संक्षेप में प्रस्तुत करके सबमिशन से पहले एक त्वरित अवलोकन प्रदान करती हैं।

सरल शब्दों में

किसी मेटा-विश्लेषण की विश्वसनीयता उसके सबसे कमजोर निर्णय पर निर्भर करती है। अधिकांश विफलताएँ जटिल आँकड़ों से संबंधित नहीं होतीं। ये उन अध्ययनों के चयन से जुड़ी होती हैं जिन्हें टाला जा सकता है, जैसे कि आप किन अध्ययनों को शामिल करते हैं, उन्हें कैसे संयोजित करते हैं, और अनिश्चितता का वर्णन कितनी ईमानदारी से करते हैं। यदि आप इन बातों का ध्यान रखते हैं, तो गणितीय गणनाएँ लगभग स्वतः ही सही हो जाती हैं।

नीचे दिए गए उदाहरणों पर ध्यान दें। ये संख्याएँ केवल उदाहरण के तौर पर दी गई हैं और प्रत्येक त्रुटि की दिशा और अनुमानित आकार को दर्शाने के लिए बनाई गई हैं; इन्हें किसी विशिष्ट प्रकाशित डेटासेट से नहीं लिया गया है। ये उदाहरण व्यवहार में इन गलतियों के प्रभाव को दर्शाते हैं।

प्रभाव का संक्षिप्त विवरण

गलतीआप जो रिपोर्ट करते हैंवास्तव में सत्य क्या है?
विषम परीक्षणों पर निश्चित प्रभावOR 0.75 (0.71 से 0.89), महत्वपूर्णरैंडम-इफेक्ट्स OR 0.75 (0.63 से 1.02), महत्वपूर्ण नहीं
कोई पूर्वानुमान अंतराल नहींआरआर 0.80 (0.72 से 0.89)भविष्यवाणी अंतराल 0.55 से 1.16 है, फिर भी नुकसान संभव है।
ऑड्स अनुपात को जोखिम अनुपात के रूप में पढ़ा जाता है।या 0.50, ऐसा लगता है जैसे जोखिम आधा हो गया हो।40% बेसलाइन जोखिम पर आरआर लगभग 0.65 है।
साझा नियंत्रण को 3 बार गिना गयासंकीर्ण सीआई, परीक्षण का अत्यधिक भारनियंत्रण n का मान 100 से बढ़कर 300 हो गया, विचरण को कम करके आंका गया
कोई लीव-वन-आउट चेक नहींOR 0.78 (0.61 से 0.99), p=0.048एक अध्ययन को छोड़ दें, OR 0.86 (0.68 से 1.08), महत्वपूर्ण नहीं

तालिका 1. पांच गंभीर त्रुटियों के लिए उदाहरण स्वरूप पहले और बाद की स्थिति दर्शाई गई है। एडिटवर्स द्वारा तैयार की गई।

मेटा-विश्लेषण की गलतियाँ इतनी महंगी क्यों होती हैं?

एक त्रुटिपूर्ण संयुक्त अनुमान सीमित नहीं रहता। यह नैदानिक ​​दिशा-निर्देशों को प्रभावित करता है, अगले अनुदान आवेदन को शक्ति प्रदान करता है, और सुधार प्रकाशित होने के बहुत बाद भी इसका हवाला दिया जाता है। रोज़िग्लिटाज़ोन विवाद ने दिखाया कि एक विश्लेषणात्मक विकल्प कितना कुछ तय कर सकता है, जहाँ मायोकार्डियल-इंफार्क्शन की शून्य घटनाओं वाले परीक्षणों के प्रबंधन ने लाखों रोगियों तक पहुँचने वाले निष्कर्ष को महत्वपूर्ण रूप से प्रभावित किया (निसन और वोल्स्की, 2007)। यहाँ परिशुद्धता आकर्षक लगती है, क्योंकि एक संकीर्ण विश्वास अंतराल गलत प्रश्न का उत्तर देने पर भी प्रामाणिक प्रतीत होता है। नीचे दी गई बारह त्रुटियों को उनके घटित होने के चरण के अनुसार समूहीकृत किया गया है, ताकि आप अपने प्रोजेक्ट का अनुभाग-दर-अनुभाग ऑडिट कर सकें।

खोज और प्रोटोकॉल: वे गलतियाँ जो विश्लेषण से पहले साक्ष्य को प्रभावित करती हैं

गलती 1: केवल एक डेटाबेस में खोजना और गैर-प्रामाणिक साहित्य को छोड़ देना।

भाषा संबंधी सीमाओं और बिना किसी परीक्षण रजिस्ट्री के केवल पबमेड जैसे एकल डेटाबेस में खोज करने से योग्य अध्ययन व्यवस्थित रूप से छूट जाते हैं। अप्रकाशित, गैर-अंग्रेजी और शून्य-परिणाम वाली रिपोर्टें अनियमित रूप से छूट जाती हैं, जिसके परिणामस्वरूप प्राप्त नमूना अधिक सकारात्मक प्रभावों की ओर झुक जाता है। यह समस्या इतनी गंभीर है कि अधिकांश व्यवस्थित समीक्षा खोजों को लेखकों द्वारा दी गई जानकारी के आधार पर पुन: प्रस्तुत नहीं किया जा सकता (रेथलेफसेन एट अल., 2024)। इससे बचने के लिए, कम से कम दो या तीन डेटाबेस जैसे मेडलाइन, एम्बेस और कोचरन सेंट्रल में खोज करें, परीक्षण रजिस्ट्रियों और अप्रकाशित साहित्य स्रोतों को शामिल करें, जहां संभव हो भाषा संबंधी प्रतिबंधों को हटा दें और पूरी रणनीति को दस्तावेज़ित करें ताकि इसे PRISMA-S रिपोर्टिंग एक्सटेंशन (रेथलेफसेन एट अल., 2021) के अनुसार पुन: चलाया जा सके।

उदाहरण सहित। केवल PubMed पर खोज करने पर 12 परीक्षण मिलते हैं और उपचार के पक्ष में OR 0.62 प्राप्त होता है। Embase और रजिस्ट्री खोज को जोड़ने पर 9 और परीक्षण मिलते हैं, जिनमें से अधिकांश अप्रकाशित हैं और जिनके परिणाम शून्य हैं। संयुक्त अनुमान OR 0.81 हो जाता है और अंतराल अब 1 को पार कर जाता है। एकल डेटाबेस वाले संस्करण में ऐसे लाभ का दावा किया गया होता जिसे व्यापक प्रमाण समर्थित नहीं करते।

गलती 2: पंजीकृत प्रोटोकॉल के बिना समीक्षा चलाना

पूर्व-निर्धारित, सार्वजनिक रूप से पंजीकृत योजना के अभाव में, डेटा उपलब्ध होने के बाद पात्रता मानदंड और परिणाम बदल सकते हैं, जिससे परिणामों में बदलाव और बाद में ऐसे उपसमूहों के बनने की संभावना बढ़ जाती है जिन्हें कोई भी पाठक पहचान नहीं सकता। PROSPERO पर भावी पंजीकरण का उद्देश्य इन्हीं निर्णयों को अंतिम रूप देना और टीमों के बीच अनियोजित दोहराव को कम करना है (बूथ एट अल., 2013)। प्रोटोकॉल को PRISMA-P दिशा-निर्देशों के अनुसार लिखें, स्क्रीनिंग शुरू होने से पहले पंजीकरण करें, और बाद में किसी भी विचलन को छिपाने के बजाय कारण सहित घोषित करें (शमसीर एट अल., 2015)।

उदाहरण सहित। पूर्व-निर्धारित प्राथमिक परिणाम पूल का RR 0.95 (0.85 से 1.06) है, जो स्पष्ट रूप से शून्य परिकल्पना है। एक टीम, जिसके पास कोई निश्चित प्रोटोकॉल नहीं है, चुपचाप एक द्वितीयक परिणाम को बढ़ावा देती है जिसका RR 0.78 (0.64 से 0.95) है और उसे मुख्य शीर्षक बना देती है। शोध पत्र सकारात्मक प्रतीत होता है, जबकि जिस परिणाम का उत्तर देने के लिए इसे तैयार किया गया था, उसमें कोई परिवर्तन नहीं हुआ।

तीसरी गलती: शामिल अध्ययनों में पूर्वाग्रह के जोखिम को अनदेखा करना

डेटा पूलिंग से सटीक प्रतीत होने वाला उत्तर मिलता है, भले ही इनपुट अविश्वसनीय हों, इसलिए पूर्वाग्रह के जोखिम के मूल्यांकन को नज़रअंदाज़ करने वाला संश्लेषण पूरी तरह से गलत हो सकता है। खराब यादृच्छिकीकरण, कमजोर आवंटन छिपाव और अनियंत्रित भ्रम कारक सीधे सारांश प्रभाव में शामिल हो जाते हैं। डिज़ाइन के अनुरूप, डोमेन-आधारित उपकरण का उपयोग करें, जैसे कि यादृच्छिक परीक्षणों के लिए RoB 2 (स्टर्न एट अल., 2019) और हस्तक्षेपों के गैर-यादृच्छिक अध्ययनों के लिए ROBINS-I (स्टर्न एट अल., 2016)। यदि आप अवलोकन संबंधी डिज़ाइनों के लिए न्यूकैसल-ओटावा स्केल पर निर्भर हैं, तो इसकी प्रलेखित विश्वसनीयता सीमाओं (स्टैंग, 2010) को देखते हुए इसे सावधानी से लागू करें, और कम जोखिम वाले अध्ययनों तक सीमित संवेदनशीलता विश्लेषणों के माध्यम से पूर्वाग्रह निर्णय को व्याख्या में शामिल करें।

उदाहरण सहित। सभी परीक्षणों को एक साथ मिलाने पर एसएमडी -0.60 प्राप्त होता है, जो एक बड़ा प्रभाव दर्शाता है। पूर्वाग्रह के कम जोखिम वाले परीक्षणों तक सीमित करने पर यह घटकर एसएमडी -0.20 हो जाता है। पहले अंक में अतिरिक्त मान कमजोर अध्ययनों के कारण आया, न कि किसी वास्तविक उपचार लाभ के कारण।

मॉडल का चयन और विषमता: मेटा-विश्लेषण की गलतियों का सांख्यिकीय मूल।

त्रुटि 4: विषमता मौजूद होने पर भी निश्चित-प्रभाव मॉडल को प्राथमिकता देना

निश्चित-प्रभाव और यादृच्छिक-प्रभाव मॉडल अलग-अलग प्रश्नों के उत्तर देते हैं और ये रूढ़िवादी बनाम उदारवादी जोड़ी नहीं हैं। एक निश्चित-प्रभाव मॉडल यह मानता है कि प्रत्येक अध्ययन एक समान वास्तविक प्रभाव का अनुमान लगाता है, इसलिए बड़े अध्ययन हावी होते हैं और जब भी अध्ययनों के बीच वास्तविक भिन्नता मौजूद होती है, तो विश्वास अंतराल कृत्रिम रूप से संकीर्ण हो जाता है (बोरेनस्टीन एट अल., 2015)। विषमता परीक्षण के महत्वहीन आने पर निश्चित-प्रभाव मॉडल चुनना असुरक्षित है, क्योंकि अध्ययनों की संख्या कम होने पर इस परीक्षण की शक्ति कम होती है (हिगिंस एट अल., 2003)। मॉडल का निर्धारण पूर्व-निर्धारित रूप से अनुमानित प्रश्न और एक सामान्य प्रभाव की नैदानिक ​​​​संभाव्यता के आधार पर करें। जनसंख्या, खुराक या सेटिंग में भिन्नता वाले परीक्षणों के लिए, यादृच्छिक-प्रभाव मॉडल आमतौर पर अधिक तर्कसंगत विकल्प होता है, और आपको यह बताना चाहिए कि आपने कौन सा मॉडल इस्तेमाल किया और क्यों।

उदाहरण सहित। 75 प्रतिशत I² के साथ, दोनों मॉडलों के तहत बिंदु अनुमान OR 0.75 है। निश्चित-प्रभाव अंतराल 0.71 से 0.89 तक है और शून्य परिकल्पना को शामिल नहीं करता है, इसलिए शोधपत्र महत्वपूर्ण लाभ का दावा करता है। यादृच्छिक-प्रभाव अंतराल, जो परीक्षणों के बीच वास्तविक अंतर को ध्यान में रखता है, 0.63 से 1.02 तक है और 1 को पार करता है। पूरा निष्कर्ष आपके द्वारा चुने गए मॉडल पर निर्भर करता है।

सवालनिश्चित-प्रभाव मॉडलयादृच्छिक-प्रभाव मॉडल
मूल धारणासभी अध्ययनों में एक समान प्रभाव पाया गया।विभिन्न अध्ययनों में वास्तविक प्रभाव भिन्न-भिन्न होता है।
इसका अनुमान क्या हैइन विशिष्ट अध्ययनों में प्रभावअध्ययनों की एक आबादी में औसत प्रभाव
अध्ययन भारबड़े अध्ययनों का वर्चस्व हैसभी साइज़ में वज़न अधिक संतुलित है
इसका सर्वोत्तम उपयोग तब किया जाता है जबएक सामान्य प्रभाव वास्तव में संभव है।अध्ययनों में नैदानिक ​​या कार्यप्रणालीगत रूप से भिन्नता पाई जाती है।

तालिका 2. निश्चित प्रभाव बनाम यादृच्छिक प्रभाव की मान्यताएँ। दोनों से समान बिंदु अनुमान तभी प्राप्त होते हैं जब अध्ययन-अंतर भिन्नता शून्य हो। एडिटवर्स द्वारा तैयार।

त्रुटि 5: I² को विषमता की मात्रा के रूप में गलत समझना

I² कुल परिवर्तनशीलता का वह अनुपात है जो संयोग के बजाय अध्ययन-अंतर के कारण होता है, यह प्रभाव पैमाने पर एक सापेक्ष अनुपात है जिसकी कोई इकाई नहीं होती (हiggins और Thompson, 2002)। यह विषमता का परिमाण नहीं है, और यह अध्ययन के आकार पर बहुत अधिक निर्भर करता है, इसलिए बड़े परीक्षणों के मेटा-विश्लेषण में उच्च I² मान प्राप्त हो सकता है, भले ही वास्तविक प्रभाव नगण्य रूप से भिन्न हों, जबकि छोटे अध्ययनों के मेटा-विश्लेषण में वास्तविक भिन्नता के बावजूद शून्य I² मान प्राप्त हो सकता है (Rücker et al., 2008)। 25, 50 और 75 प्रतिशत के मानकों को कठोर कट-ऑफ मानना ​​त्रुटि को और बढ़ा देता है, क्योंकि ये आंकड़े केवल अस्थायी मार्गदर्शक के रूप में दिए गए थे। I² को उसके विश्वास अंतराल के साथ रिपोर्ट करें, इसे tau² और पूर्वानुमान अंतराल के साथ पढ़ें, और कभी भी केवल इसी के आधार पर यह तय न करें कि आप पूलिंग करेंगे या नहीं।

एक उदाहरण लेते हैं। मान लीजिए कि अध्ययनों के बीच वास्तविक भिन्नता समान है। दस छोटे परीक्षणों को एक साथ मिलाएँ, तो I² का मान लगभग 10 प्रतिशत आता है, इसलिए आप प्रमाण को सुसंगत मानते हैं। दस बड़े परीक्षणों को समान भिन्नता के साथ मिलाएँ, तो I² का मान 80 प्रतिशत से ऊपर चला जाता है, इसलिए आप इसे असंगत मानते हैं। मूल प्रभावों में कोई परिवर्तन नहीं हुआ, केवल अध्ययनों का आकार बदला।

गलती 6: पूर्वानुमान अंतराल के बिना संयुक्त अनुमान की रिपोर्ट करना

रैंडम-इफेक्ट्स अनुमान के आसपास का कॉन्फिडेंस इंटरवल केवल औसत प्रभाव में अनिश्चितता का वर्णन करता है, और यह नहीं बताता कि वास्तविक प्रभाव विभिन्न परिस्थितियों में कितना व्यापक रूप से फैलता है। दो विश्लेषण एक समान पूल्ड अनुमान और इंटरवल साझा कर सकते हैं, फिर भी विपरीत नैदानिक ​​वास्तविकताओं का संकेत दे सकते हैं, एक में उपचार हर जगह लाभ पहुँचाता है और दूसरे में लाभ से हानि तक बदलता रहता है। इसलिए, केवल बिंदु अनुमान और उसके इंटरवल की रिपोर्टिंग निश्चितता को बढ़ा-चढ़ाकर बताती है, यही कारण है कि पूर्वानुमान इंटरवल को नियमित रूप से प्रस्तुत किया जाना चाहिए (इंटहाउट एट अल., 2016)। टाऊ या टाऊ² और 95 प्रतिशत पूर्वानुमान इंटरवल की रिपोर्ट करें, और स्पष्ट रूप से बताएं कि क्या वह इंटरवल शून्य सीमा को पार करता है या हानि की सीमा को पार करता है, साथ ही यह भी ध्यान दें कि अध्ययनों की संख्या कम होने पर यह व्यापक और अस्थिर होता है।

एक उदाहरण। 0.80 का संयुक्त आरआर और 0.72 से 0.89 का 95 प्रतिशत विश्वास अंतराल एक निश्चित लाभ का संकेत देता है। पूर्वानुमान अंतराल जोड़ने पर यह 0.55 से 1.16 तक हो जाता है। कुछ स्थितियों में वास्तविक प्रभाव एक मजबूत लाभ हो सकता है, जबकि अन्य में कोई प्रभाव नहीं या मामूली हानि हो सकती है। केवल औसत के आधार पर निर्णय लेने से एक चिकित्सक किसी एक रोगी के लिए निर्णय लेते समय भ्रमित हो सकता था।

त्रुटि 7: डेटा-आधारित उपसमूह विश्लेषण और मेटा-रिग्रेशन

उपसमूह विश्लेषण और मेटा-रिग्रेशन की शक्ति कम होती है क्योंकि विश्लेषण की इकाई अध्ययन होता है, न कि रोगी। इसलिए, प्रति सहचर कुछ ही अध्ययनों के साथ, वे वास्तविक प्रभाव संशोधन को समझने में विफल रहते हैं और बाद में कई सहचरों का परीक्षण करने पर बहुलता के कारण गलत सकारात्मक परिणाम देते हैं। अध्ययन-स्तर के सहचरों में एकत्रीकरण पूर्वाग्रह भी होता है, जहाँ विभिन्न अध्ययनों के बीच का संबंध, अध्ययन के भीतर रोगी-स्तर के संबंध से मेल नहीं खाता, और यहाँ तक कि उसे उलट भी सकता है (थॉम्पसन और हिगिंस, 2002)। परिकल्पनाओं की एक छोटी सूची को दिशा के साथ पहले से निर्दिष्ट करें, प्रति सहचर लगभग दस या अधिक अध्ययनों का लक्ष्य रखें, प्रत्येक उपसमूह के भीतर सार्थकता के बजाय उपसमूहों के बीच अंतर का परीक्षण करें, और किसी भी उपसमूह के दावे पर विश्वास करने से पहले एक स्पष्ट ढाँचे के साथ विश्वसनीयता का मूल्यांकन करें (सन एट अल., 2014)।

एक उदाहरण। 0.05 स्तर पर 20 उपसमूहों का परीक्षण करें और संयोगवश ही उनमें से लगभग एक महत्वपूर्ण प्रतीत होगा, भले ही उपसमूह का कोई प्रभाव न हो। इसलिए, यह रोमांचक निष्कर्ष कि दवा केवल 65 वर्ष से अधिक आयु के रोगियों में काम करती है (p=0.04), जो 20 अनियोजित तुलनाओं से प्राप्त हुआ है, ठीक वही है जो शुद्ध शोर भविष्यवाणी करता है।

त्रुटि 8: चिकित्सकीय रूप से असंगत अध्ययनों का संयोजन

यह उन चार मापदंडों में से पहला है जो यह तय करते हैं कि पूलिंग उचित है या नहीं, और यह एकमात्र ऐसा मापदंड है जिसे कोई सांख्यिकीय समायोजन ठीक नहीं कर सकता। मेटा-विश्लेषण के लिए आपके पास पर्याप्त अध्ययन हैं या नहीं, इस बारे में हमारी मार्गदर्शिका अन्य तीन मापदंडों और प्रत्येक मापदंड से आपकी पद्धति में होने वाले परिवर्तनों को बताती है।

विभिन्न जनसंख्याओं, हस्तक्षेपों, तुलनात्मक कारकों या परिणाम परिभाषाओं वाले अध्ययनों को संयोजित करने से एक ऐसा सुव्यवस्थित आंकड़ा प्राप्त हो सकता है जिसका कोई अर्थ नहीं होता, यानी उन चीजों का औसत जिनका औसत नहीं निकाला जाना चाहिए। सांख्यिकीय विषमता मेट्रिक्स इसका केवल एक हिस्सा ही पता लगा सकते हैं और यह नहीं बता सकते कि पूलिंग करना समझदारी भरा है या नहीं (मेल्सन एट अल., 2014)। किसी भी I² अध्ययन को देखने से पहले नैदानिक ​​और कार्यप्रणालीगत आधार पर संयोजन योग्यता का आकलन करें, यह सुनिश्चित करते हुए कि अध्ययन एक सामान्य PICO प्रश्न का समाधान करते हैं। जहां विविधता की उम्मीद हो, वहां स्तरीकृत विश्लेषण, मेटा-रिग्रेशन या पूलिंग न करने और इसके बजाय कथात्मक रूप से संश्लेषण करने के निर्णय के माध्यम से इसे संभालने की पूर्व योजना बनाएं।

उदाहरण सहित। रोकथाम परीक्षणों का OR 0.60 है और उपचार परीक्षणों का OR 1.05 है। दोनों को मिलाकर OR 0.85 प्राप्त होता है, जो किसी भी प्रश्न का सटीक वर्णन नहीं करता। पाठक यह निष्कर्ष निकालता है कि यह हस्तक्षेप सभी को मामूली रूप से लाभ पहुंचाता है, जबकि सच्चाई यह है कि यह रोकथाम तो करता है लेकिन उपचार नहीं करता।

प्रभाव मापन और पूर्वाग्रह का पता लगाना: सूक्ष्म मेटा-विश्लेषण त्रुटियाँ जो परिणामों को विकृत करती हैं

गलती 9: गलत प्रभाव माप का चयन करना या शून्य घटनाओं को गलत तरीके से संभालना

किसी परिणाम के सामान्य होने पर ऑड्स अनुपात और जोखिम अनुपात में अंतर आ जाता है, इसलिए ऑड्स अनुपात को सापेक्ष जोखिम के रूप में व्यक्त करना, आधारभूत जोखिम के लगभग दस प्रतिशत से ऊपर पहुँचने पर प्रभाव को बढ़ा-चढ़ाकर बताता है (झांग और यू, 1998)। विभिन्न उपकरणों का उपयोग करने वाले अध्ययनों में कच्चे माध्य अंतरों को मिलाना, या असंगत रूप से गणना किए गए मानकीकृत माध्य अंतरों को संयोजित करना, संयुक्त मान को अस्पष्ट बना देता है (दा कोस्टा और जुनी, 2015)। दुर्लभ घटनाएँ एक और समस्या खड़ी करती हैं, जहाँ सहज 0.5 निरंतरता सुधार या दोहरे शून्य वाले अध्ययनों को बाहर करने से पूर्वाग्रह उत्पन्न होता है (स्वीटिंग एट अल., 2004)। प्रभाव माप को पहले से ही निर्धारित करें, चिकित्सकों से संवाद करते समय पूर्ण संख्याओं वाले जोखिम-आधारित उपायों को प्राथमिकता दें, और विरल डेटा के लिए बिना सुधार के मैन्टेल-हेन्ज़ेल या पेटो ऑड्स अनुपात जैसी विधियों का उपयोग करें, फिर बताएं कि परिणाम उस विकल्प के प्रति कितना संवेदनशील है (ब्रैडबर्न एट अल., 2007)।

उदाहरण सहित। आधारभूत घटना का जोखिम 40 प्रतिशत है और ऑड्स अनुपात 0.50 है। यदि इसे जोखिम अनुपात के रूप में लिया जाए, तो ऐसा लगता है कि घटना आधी हो गई है। सही ढंग से परिवर्तित करने पर, जोखिम अनुपात लगभग 0.65 होता है, यानी 35 प्रतिशत की कमी, न कि 50 प्रतिशत। यह अतिशयोक्ति पूरी तरह से सामान्य घटनाओं के मामले में ऑड्स अनुपात को जोखिम अनुपात के रूप में पढ़ने का परिणाम है।

गलती 10: प्रकाशन पूर्वाग्रह के लिए फ़नल प्लॉट और एगर के परीक्षण का गलत उपयोग

चयनात्मक प्रकाशन संयुक्त प्रभावों को बढ़ा देता है, जैसा कि तब स्पष्ट रूप से देखा गया जब FDA-पंजीकृत अप्रकाशित परीक्षणों को शामिल करने के बाद अवसादरोधी दवाओं की प्रभावकारिता कम हो गई (टर्नर एट अल., 2008)। सामान्य उपाय अक्सर गलत तरीके से लागू किया जाता है, क्योंकि फ़नल प्लॉट और एगर का प्रतिगमन लगभग दस से कम अध्ययनों के साथ अपर्याप्त और अविश्वसनीय होते हैं, और विषमता प्रकाशन पूर्वाग्रह का प्रमाण नहीं है क्योंकि यह वास्तविक विषमता, छोटे अध्ययन के प्रभाव, छोटे परीक्षणों में खराब गुणवत्ता या संयोग से उत्पन्न हो सकती है (स्टर्न एट अल., 2011)। यह पूर्व-निर्धारित करें कि आप रिपोर्टिंग पूर्वाग्रह का आकलन कैसे करेंगे, फ़नल-आधारित विषमता परीक्षणों को दस या अधिक अध्ययनों और पर्याप्त आकार भिन्नता वाले विश्लेषणों तक सीमित रखें, और किसी भी विषमता को निर्णय के बजाय जांच के लिए एक संकेत के रूप में मानें (एगर एट अल., 1997)।

उदाहरण सहित। केवल 6 अध्ययनों के साथ, एगर परीक्षण का p=0.04 आता है और लेखक प्रकाशन पूर्वाग्रह का दावा करते हैं। इतने कम डेटा पर यह परीक्षण बेहद कमज़ोर साबित होता है, और विषमता वास्तव में पूर्वाग्रह के उच्च जोखिम वाले एक छोटे परीक्षण के कारण उत्पन्न होती है। पूर्वाग्रह का यह आत्मविश्वासपूर्ण दावा एक ऐसे परीक्षण पर आधारित है जिसे किया ही नहीं जाना चाहिए था।

गलती 11: साझा नियंत्रण भुजाओं की दोहरी गिनती

एक ही परीक्षण के कई उपचार समूहों को एक साझा नियंत्रण समूह के विरुद्ध शामिल करने से उन नियंत्रण प्रतिभागियों की गणना एक से अधिक बार हो जाती है, और कई सहसंबंधित परिणामों को स्वतंत्र मानकर समूहित करने से वास्तविक विचरण कम आंका जाता है। ये दोनों त्रुटियाँ विश्वास अंतराल को कृत्रिम रूप से संकुचित कर देती हैं और प्रभावित परीक्षण को अधिक महत्व देती हैं, और ऑडिट से पता चलता है कि विश्लेषण इकाई से संबंधित ये त्रुटियाँ आम हैं और अक्सर अनसुलझी रह जाती हैं (महेसेन एट अल., 2024)। निष्कर्षण के समय बहु-समूह, क्लस्टर और दोहराए गए माप संरचनाओं की पहचान करें, फिर या तो संबंधित समूहों को एक तुलना में संयोजित करें, साझा नियंत्रण को तुलनाओं में विभाजित करें, या इन डिज़ाइनों के लिए कॉक्रेन हैंडबुक दृष्टिकोण का पालन करते हुए सहसंबंध को ध्यान में रखने वाले बहुभिन्नरूपी या नेटवर्क मॉडल पर आगे बढ़ें।

उदाहरण सहित। एक तीन-भाग वाले परीक्षण में 100 रोगियों का एक नियंत्रण समूह है। तीनों खुराकों की तुलना उसी नियंत्रण समूह से इस तरह करने पर जैसे कि वे स्वतंत्र हों, 100 नियंत्रणों की गिनती तीन बार होती है, यानी कुल 300। इस प्रकार, उस परीक्षण का महत्व अपेक्षा से कहीं अधिक हो जाता है, उसका विचरण कम आंका जाता है, और संयुक्त विश्वास अंतराल आंकड़ों के आधार पर अपेक्षा से अधिक संकुचित प्रतीत होता है।

रिपोर्टिंग और व्याख्या: प्रस्तुति से पहले मेटा-विश्लेषण की अंतिम गलतियाँ

गलती 12: संवेदनशीलता विश्लेषण और GRADE को छोड़ देना, फिर p<0.05 को सत्य मान के रूप में रिपोर्ट करना।

एक उच्च-प्रभावित अध्ययन या किसी मनमानी अनुमानक का चुनाव संयुक्त अनुमान और उसकी सार्थकता दोनों को प्रभावित कर सकता है, इसलिए एक ऐसा विश्लेषण जो कभी भी सुदृढ़ता का परीक्षण नहीं करता है, वह किसी को जाने बिना एक ही अध्ययन पर आधारित हो सकता है। लीव-वन-आउट और औपचारिक प्रभाव निदान चलाएँ, और वैकल्पिक मॉडल और अनुमानकों के तहत अनुमान की रिपोर्ट करें (विएचटबाउर और चेउंग, 2010)। परिशुद्धता भी निश्चितता नहीं है, क्योंकि एक संकीर्ण अंतराल अंतर्निहित साक्ष्य में पूर्वाग्रह, असंगति या अप्रत्यक्षता के जोखिम के बारे में कुछ नहीं कहता है। GRADE के साथ निश्चितता का मूल्यांकन करें और निष्कर्षों का सारांश तालिका प्रस्तुत करें, महत्वपूर्ण संयुक्त अनुमान को निर्णायक या कारण के रूप में मानने के बजाय सामान्य डोमेन के लिए महत्व को कम करें (गुयात एट अल., 2008)। अंत में, प्रवाह आरेख के साथ PRISMA 2020 चेकलिस्ट के अनुसार रिपोर्ट करें, सभी पूर्व-निर्दिष्ट परिणामों का खुलासा करें, और न्यूनतम चिकित्सकीय रूप से महत्वपूर्ण अंतर के विरुद्ध प्रभाव की व्याख्या करें ताकि सांख्यिकीय सार्थकता को कभी भी नैदानिक ​​मूल्य के साथ भ्रमित न किया जाए (पेज एट अल., 2021)।

उदाहरण सहित। शीर्षक है OR 0.78 (0.61 से 0.99) p=0.048 पर, जो कि मामूली रूप से महत्वपूर्ण है। लीव-वन-आउट विश्लेषण में सबसे बड़े परीक्षण को हटा दिया जाता है और अनुमान OR 0.86 (0.68 से 1.08) तक गिर जाता है, जो अब महत्वपूर्ण नहीं रह जाता। पूरा दावा एक ही अध्ययन पर आधारित था, और संवेदनशीलता विश्लेषण का उद्देश्य समीक्षक द्वारा जांच किए जाने से पहले ही इस बात को उजागर करना होता है।

संपादकीय अवलोकन

हमारे द्वारा जांचे जाने वाले पांडुलिपियों में, सांख्यिकीय समीक्षकों की आपत्तियों को सबसे अधिक प्रभावित करने वाली दो त्रुटियाँ हैं: स्पष्ट रूप से विषम परीक्षणों पर निश्चित-प्रभाव मॉडल का प्रयोग, और छह या सात अध्ययनों के साथ फ़नल प्लॉट को इस प्रकार प्रस्तुत करना जैसे कि इसने प्रकाशन-पूर्वाग्रह के प्रश्न को हल कर दिया हो। इन दोनों त्रुटियों को जमा करने से पहले आसानी से पकड़ा जा सकता है, और संशोधन के दौरान इन्हें ठीक करना महंगा पड़ता है।

व्यस्त शोधकर्ता की शोध-प्रस्तुति पूर्व चेकलिस्ट

पांडुलिपि को निर्यात करने से पहले इस एक पृष्ठ का स्कैन चलाएँ। प्रत्येक आइटम ऊपर दी गई त्रुटि से संबंधित है।

  1. जांच से पहले प्रोटोकॉल को PROSPERO पर पंजीकृत किया गया था, जिसमें विचलन घोषित किए गए थे।
  2. कम से कम दो या तीन डेटाबेस की खोज की गई, जिसमें ग्रे लिटरेचर और रजिस्ट्रियां शामिल थीं, और PRISMA-S के अनुसार रणनीति की रिपोर्ट की गई।
  3. पूर्वाग्रह के जोखिम का आकलन RoB 2 या ROBINS-I के साथ किया जाता है और इसे व्याख्या में शामिल किया जाता है।
  4. मॉडल का चयन प्रश्न के आधार पर पूर्व निर्धारित किया जाता है, न कि विषमता परीक्षण के आधार पर।
  5. I² को उसके विश्वास अंतराल के साथ रिपोर्ट किया गया और इसे tau² के साथ पढ़ा गया।
  6. 95 प्रतिशत पूर्वानुमान अंतराल की रिपोर्ट दी गई और उसकी व्याख्या की गई।
  7. पर्याप्त अध्ययनों के समर्थन के साथ, पूर्व-निर्धारित उपसमूह और सहचर कारक।
  8. किसी भी सांख्यिकीय विषमता मापक से पहले नैदानिक ​​​​रूप से संयोजन क्षमता का आकलन किया जाता है।
  9. प्रभाव माप पहले से ही निर्धारित है, विरल डेटा प्रबंधन उचित है।
  10. प्रकाशन पूर्वाग्रह मूल्यांकन पूर्व-निर्धारित है और इसका उपयोग केवल वहीं किया जाता है जहां इसकी आवश्यकता होती है।
  11. विश्लेषण इकाई संरचना में साझा नियंत्रणों और क्लस्टरिंग की जाँच की गई।
  12. लीव-वन-आउट सेंसिटिविटी रन, ग्रेड लागू किया गया, प्रिज्मा 2020 फ्लो डायग्राम शामिल है।

क्या आपको अपने मेटा-विश्लेषण पर किसी दूसरे की राय की आवश्यकता है?

एडिटवर्स प्रोटोकॉल और खोज रणनीति से लेकर मॉडल चयन, फ़ॉरेस्ट और फ़नल प्लॉट, ग्रेड और प्रिस्मा 2020 रिपोर्टिंग तक, संपूर्ण व्यवस्थित समीक्षा और मेटा-विश्लेषण सहायता प्रदान करता है। हमारे सांख्यिकीविद समीक्षक से पहले ही ऊपर बताई गई बारह त्रुटियों को पकड़ लेते हैं।

एसआर और मेटा-एनालिसिस सेवाओं के बारे में जानें

संबंधित पठन सामग्री: क्लिनिकल रिसर्च ग्राफ्स: ट्रायल्स, टेस्ट्स और मेटा- एनालिसिस के लिए 10 प्लॉट्स में फॉरेस्ट और फनल प्लॉट, वास्तविक प्रकाशित उदाहरणों और I² ट्रैप को शामिल किया गया है।

संबंधित एडिटवर्स संसाधन

संदर्भ

  1. बूथ ए, क्लार्क एम, डूले जी, एट अल। प्रोस्पेरो के मूल तत्व। सिस्ट रेव. 2013. doi:10.1186/2046-4053-1-2. पीएमआईडी: 22587842।
  2. बोरेनस्टीन एम, हेजेस एलवी, हिगिंस जेपीटी, रोथस्टीन एचआर। फिक्स्ड-इफेक्ट और रैंडम-इफेक्ट मॉडल का एक बुनियादी परिचय। रेस सिंथ विधियाँ. 2015. डोई: 10.1002 / jrsm.12. पीएमआईडी: 26061376।
  3. ब्रैडबर्न एमजे, डीक्स जेजे, बर्लिन जेए, लोकालियो एआर। कुछ भी नहीं के बारे में बहुत कुछ: दुर्लभ घटनाएँ। स्टेट मेड. 2007. doi:10.1002/sim.2528. पीएमआईडी: 16596572।
  4. दा कोस्टा बीआर, जुनी पी. यादृच्छिक परीक्षणों की व्यवस्थित समीक्षा और मेटा-विश्लेषण: सिद्धांत और कमियां। यूर हार्ट जे. 2015. doi:10.1093/eurheartj/ehu424. पीएमआईडी: 25416325।
  5. एगर एम, डेवी स्मिथ जी, श्नाइडर एम, माइंडर सी. एक सरल, ग्राफिकल परीक्षण द्वारा मेटा-विश्लेषण में पूर्वाग्रह का पता लगाया गया। बीएमजे. 1997. डोई:10.1136/bmj.315.7109.629. पीएमआईडी: 9310563।
  6. गुयात जीएच, ऑक्समैन एडी, विस्ट जीई, एट अल। ग्रेड: साक्ष्य की गुणवत्ता रेटिंग पर एक उभरती सहमति। बीएमजे. 2008. doi:10.1136/bmj.39489.470347.AD. पीएमआईडी: 18436948।
  7. हिगिंस जेपीटी, थॉम्पसन एसजी। मेटा-विश्लेषण में विषमता का मात्रात्मक निर्धारण। स्टेट मेड. 2002. doi:10.1002/sim.1186. पीएमआईडी: 12111919।
  8. हिगिंस जेपीटी, थॉम्पसन एसजी, डीक्स जेजे, ऑल्टमैन डीजी। मेटा-विश्लेषण में असंगति को मापना। बीएमजे. 2003. डोई:10.1136/bmj.327.7414.557. पीएमआईडी: 12958120।
  9. इंटहाउट जे, इओनिडिस जेपीए, रोवर्स एमएम, गोएमान जेजे। मेटा-विश्लेषण में नियमित रूप से भविष्यवाणी अंतराल प्रस्तुत करने की अपील। बीएमजे ओपन. 2016. doi:10.1136/bmjopen-2015-010247. पीएमआईडी: 27406637।
  10. मेल्सन डब्ल्यूजी, बूट्समा एमसीजे, रोवर्स एमएम, बोंटेन एमजेएम। मेटा-विश्लेषण से प्राप्त परिणामों के पूर्वानुमानित मूल्यों पर नैदानिक ​​और सांख्यिकीय विषमता के प्रभाव। क्लिन माइक्रोबायोल संक्रमण. 2014. डोई: 10.1111 / 1469-0691.12494. पीएमआईडी: 24320992।
  11. महेसेन एस, दाराकेल बी, वफाई के, खान एच. क्या ऑर्थोडॉन्टिक मेटा-विश्लेषण में विश्लेषण की इकाइयों पर उचित रूप से विचार किया जाता है? यूरोपीय जर्नल ऑफ ऑर्थोडॉक्स. 2024. doi:10.1093/ejo/cjad035. पीएमआईडी: 37552053।
  12. निसेन एसई, वोल्स्की के. मायोकार्डियल इन्फार्क्शन के जोखिम पर रोसिग्लिटाज़ोन का प्रभाव। एन इंग्ल जे मेड. 2007. doi: 10.1056 / NEJMoa072761. पीएमआईडी: 17517853।
  13. पेज एमजे, मैकेंजी जेई, बोसुइट पीएम, एट अल। PRISMA 2020 वक्तव्य। बीएमजे. 2021. doi:10.1136/bmj.n71. पीएमआईडी: 33782057।
  14. रेथलेफ़सेन एमएल, किर्टली एस, वाफ़ेंसचिमिड्ट एस, एट अल। प्रिज्मा-एस: साहित्य खोजों की रिपोर्टिंग के लिए एक विस्तार। सिस्ट रेव. 2021. डोई: 10.1186 / s13643-020-01542-z. पीएमआईडी: 33499930।
  15. रेथलेफसेन एमएल, ब्रिघम टीजे, प्राइस सी, एट अल। व्यवस्थित समीक्षा खोज रणनीतियों की रिपोर्टिंग खराब है और वे प्रतिलिपि योग्य नहीं हैं। जे क्लिन एपिडेमिओल. 2024. doi:10.1016/j.jclinepi.2023.111229. पीएमआईडी: 38052277।
  16. रूकर जी, श्वार्ज़र जी, कारपेंटर जेआर, शूमाकर एम। I² पर अनुचित निर्भरता गुमराह कर सकती है। बीएमसी मेड रेस मेथडोल. 2008. doi:10.1186/1471-2288-8-79. पीएमआईडी: 19036172।
  17. शमसीर एल, मोहर डी, क्लार्क एम, एट अल. PRISMA-P 2015: विस्तार और व्याख्या। बीएमजे. 2015. doi:10.1136/bmj.g7647. पीएमआईडी: 25555855।
  18. स्टैंग ए. न्यूकैसल-ओटावा स्केल का महत्वपूर्ण मूल्यांकन। यूर जे एपिडेमियोल. 2010. डोई: 10.1007 / s10654-010-9491-z. पीएमआईडी: 20652370।
  19. स्टर्न जेएसी, सटन एजे, इओनिडिस जेपीए, एट अल। फ़नल प्लॉट विषमता की जांच और व्याख्या के लिए सिफारिशें। बीएमजे. 2011. doi:10.1136/bmj.d4002. पीएमआईडी: 21784880।
  20. स्टर्न जेएसी, हर्नान एमए, रीव्स बीसी, एट अल। रॉबिन्स-I. बीएमजे. 2016. doi:10.1136/bmj.i4919. पीएमआईडी: 27733354।
  21. स्टर्न जेएसी, सावोविक जे, पेज एमजे, एट अल। आरओबी 2: एक संशोधित उपकरण। बीएमजे. 2019. doi:10.1136/bmj.l4898. पीएमआईडी: 31462531।
  22. सन एक्स, आयोनिडिस जेपीए, एगोरिट्सस टी, अल्बा एसी, गुयाट जी। उपसमूह विश्लेषण का उपयोग कैसे करें। जामा. 2014. doi:10.1001/jama.2013.285063. पीएमआईडी: 24449319।
  23. स्वीटिंग एमजे, सटन एजे, लैम्बर्ट पीसी। कुछ भी नहीं में क्या जोड़ना है? विरल डेटा में निरंतरता सुधार। स्टेट मेड. 2004. doi:10.1002/sim.1761. पीएमआईडी: 15116347।
  24. थॉम्पसन एसजी, हिगिंस जेपीटी। मेटा-रिग्रेशन विश्लेषण कैसे किया जाना चाहिए और उसकी व्याख्या कैसे की जानी चाहिए? स्टेट मेड. 2002. doi:10.1002/sim.1187. पीएमआईडी: 12111920।
  25. टर्नर ईएच, मैथ्यूज एएम, लिनारडेटोस ई, टेल आरए, रोसेन्थल आर. अवसादरोधी परीक्षणों का चयनात्मक प्रकाशन। एन इंग्ल जे मेड. 2008. doi:10.1056/NEJMsa065779. पीएमआईडी: 18199864।
  26. विएच्टबाउर डब्ल्यू, चेउंग एमडब्ल्यू-एल। मेटा-विश्लेषण के लिए आउटलायर और प्रभाव निदान। रेस सिंथ विधियाँ. 2010. डोई: 10.1002 / jrsm.11. पीएमआईडी: 26061377।
  27. झांग जे, यू केएफ। सापेक्ष जोखिम क्या है? जामा. 1998. doi:10.1001/jama.280.19.1690. पीएमआईडी: 9832001।

यह मार्गदर्शिका कार्यप्रणाली संबंधी शिक्षा के लिए है और किसी विशिष्ट डेटासेट के लिए अनुकूलित सांख्यिकीय परामर्श का विकल्प नहीं है।