Calcolatrice gratuita Editverse
Calcolatore di meta-analisi e forest plot
Raggruppa gli effetti dello studio con pesi inversi alla varianza (effetti fissi o effetti casuali di DerSimonian-Laird), disegna un forest plot e leggi I² e tau², con il comando R dietro il risultato. Inserisci ciascun effetto con il suo intervallo di confidenza al 95% su una scala additiva: differenze medie e differenze medie standardizzate così come sono, e odds, rischio o hazard ratio come logaritmi naturali (il logaritmo della stima e di entrambi i limiti), quindi esponenziali il risultato aggregato. Una guida completa all'interpretazione segue di seguito. Validato rispetto a R 4.3.3.
In parole semplici
Una meta-analisi combina i risultati di diversi studi in un'unica stima aggregata, attribuendo a ciascuno studio un peso in base alla sua precisione: gli studi più ampi e precisi hanno un peso maggiore. Il forest plot mostra ogni studio come un punto con il relativo intervallo di confidenza e il risultato aggregato come un rombo nella parte inferiore.
Poiché gli studi non sono mai identici, l'analisi riporta anche l'eterogeneità : quanto gli effetti reali differiscono tra gli studi al di là del caso. La statistica I² esprime questo valore come percentuale della variazione totale, aiutandoti a valutare se un singolo valore aggregato sia significativo.
Quando utilizzare la meta-analisi
È opportuno ricorrere a una meta-analisi quando diversi studi affrontano la stessa questione e sono clinicamente e metodologicamente sufficientemente simili da poter essere combinati, ad esempio studi sullo stesso intervento che riportano lo stesso risultato. L'aggregazione dei dati aumenta la precisione e può risolvere risultati individuali contrastanti, ma solo quando gli studi sono effettivamente comparabili.
Scegli un modello a effetti casuali quando ti aspetti che l'effetto reale vari tra gli studi e un modello a effetti fissi solo quando puoi presumere un singolo effetto comune. Riporta sempre I² insieme alla dimensione dell'effetto aggregato e al suo intervallo di confidenza . Non sei sicuro che i tuoi studi debbano essere combinati? Il nostro strumento interattivo di selezione dei test può aiutarti a decidere.
Formato previsto: Studi: Etichetta, Effetto, IC inferiore, IC superiore (uno per riga)
Trascina qui un file CSV oppure fai clic per scegliere. Analisi effettuata nel browser: nessun file verrà caricato.
Formato previsto: Studi: Etichetta, Effetto, IC inferiore, IC superiore (uno per riga)
library(meta) studlab <- c({meta_studlab}) TE <- c({meta_te}) lower <- c({meta_lower}) upper <- c({meta_upper}) seTE <- (upper - lower) / (2 * 1.96) # SE dal CI del 95%, come fa la calcolatrice m <- metagen(TE, seTE, studlab = studlab, sm = "SMD", common = {meta_common}, random = {meta_random}, method.tau = "DL") summary(m) # effetto aggregato, Q di Cochran, I2, tau2Guida utente
Quando utilizzarlo. Raggruppa le dimensioni dell'effetto tra gli studi e quantifica l'eterogeneità (I-quadrato).
Presupposti. Gli studi sono clinicamente e metodologicamente comparabili a sufficienza per poter essere combinati.
Errori comuni. Un valore elevato di I-quadrato (>75%) segnala una notevole eterogeneità: interpretare la stima aggregata con cautela.
Esempio pratico
Fai clic su "Carica dati di esempio" qui sopra, quindi su "Esegui analisi" per visualizzare un risultato completo con grafico, formula e interpretazione per questo test.
Referenze
- DerSimonian R, Laird N. Meta-analisi negli studi clinici. Control Clin Trials. 1986;7:177-188.
Esempi lavorati
Esempio 1 — Raggruppamento di quattro studi
Quattro studi riportano differenze medie standardizzate di 0.45, 0.60, 0.32 e 0.55, ciascuna con il proprio intervallo di confidenza. Un modello a effetti casuali le pondera in base alla precisione e le combina in una stima aggregata vicina a 0.48. Nel forest plot, ogni studio è rappresentato da un quadrato delle dimensioni del suo peso, e l'effetto aggregato è il rombo la cui larghezza corrisponde al suo intervallo di confidenza al 95%.
Esempio 2 — Eterogeneità della lettura
La stessa analisi restituisce I² = 17% e il Q di Cochran (3.62 su 3 df, p = 0.31) non è significativo, quindi gli studi sono ragionevolmente coerenti e la stima aggregata è affidabile. Se I² fosse stato dell'80%, i veri effetti sarebbero variati ampiamente tra gli studi e un singolo valore aggregato avrebbe avuto poco significato: si sarebbero invece indagate le fonti di eterogeneità attraverso sottogruppi o meta-regressione.
Presupposti da verificare
Studi comparabili (clinici e metodologici). Gli studi devono affrontare la stessa domanda con popolazioni, interventi e definizioni di esito simili. La combinazione di studi non comparabili produce una stima aggregata che non risponde a nessuna domanda reale.
Il modello più adatto al quesito. Un modello a effetti fissi presuppone un unico effetto vero comune; un modello a effetti casuali consente all'effetto vero di variare. Scegliere un modello a effetti fissi quando l'eterogeneità è reale sottostima l'incertezza nella stima aggregata.
Stime degli effetti indipendenti e imparziali. Ogni studio dovrebbe contribuire con un effetto indipendente e l'insieme non dovrebbe essere distorto da pubblicazioni selettive. Valutare il bias di pubblicazione prima di fidarsi di un risultato aggregato.
Errori comuni
Raggruppamento di studi clinicamente dissimili
Combinare studi con popolazioni o risultati diversi solo perché condividono un argomento produce una media priva di significato. La comparabilità viene prima di tutto; la statistica non può salvare un insieme incoerente.
Trattare un I² elevato come risultato da segnalare e andare avanti
Un valore elevato di I² è un invito a indagare, non un numero da aggiungere in nota. Esplora l'eterogeneità con un'analisi dei sottogruppi o una meta-regressione prima di citare qualsiasi effetto aggregato.
Impostazione predefinita a effetto fisso per ottenere un intervallo più ristretto
Un modello a effetti fissi fornisce un intervallo di confidenza più ristretto, ma solo perché ignora la variabilità tra gli studi. In presenza di eterogeneità, tale intervallo ristretto risulta falsamente rassicurante.
Ignorare il bias di pubblicazione
Spesso, i piccoli studi con risultati negativi non vengono pubblicati, il che gonfia l'effetto complessivo. Prima di trarre conclusioni, è opportuno esaminare un funnel plot ed eseguire un test formale.
Domande frequenti
Che cosa misura effettivamente I²?
Si tratta della proporzione della variazione totale tra gli studi che è dovuta a una reale eterogeneità piuttosto che al caso: all'incirca, il 25% è un valore basso, il 50% moderato e il 75% alto.
Effetti fissi o effetti casuali?
Utilizzate il modello a effetti casuali quando ritenete che l'effetto reale vari tra gli studi, come di solito accade in ambito clinico; riservate il modello a effetti fissi al raro caso in cui si presuppone un unico effetto comune.
Di quanti esami ho bisogno?
Non esiste un numero minimo rigido, ma con un numero molto limitato di studi la varianza tra gli studi è stimata in modo impreciso e le statistiche di eterogeneità diventano instabili; interpretate con cautela le meta-analisi di piccole dimensioni.
Il risultato corrisponde a quello ottenuto con R, Stata e RevMan?
Sì, sulla scala che inserisci. Il calcolatore utilizza la ponderazione standard della varianza inversa con effetti casuali di DerSimonian-Laird e ricava ogni errore standard dall'intervallo di confidenza al 95% come (limite superiore - limite inferiore) / 3.92. Il comando R mostrato utilizza sm = "SMD"; per i rapporti logaritmici imposta sm su "OR", "RR" o "HR" e passa le stime logaritmiche in modo che R ritrasformi il valore aggregato.
Calcolatori correlati
Referenze
- Higgins JPT, Thompson SG. Quantificazione dell'eterogeneità in una meta-analisi. StatMed2002;21(11):1539–1558. PMID 12111919.
- Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Misurazione dell'incoerenza nelle meta-analisi. BMJ2003;327(7414):557–560. PMID 12958120.
- DerSimonian R, Laird N. Meta-analisi negli studi clinici. Control Clin Trial. 1986;7(3):177–188.
Hai bisogno di questa analisi per il tuo manoscritto?
I nostri biostatistici con dottorato di ricerca eseguono la vostra meta-analisi dall'inizio alla fine: analisi degli effetti aggregati, eterogeneità, analisi di sottogruppo e di sensibilità, test per il bias di pubblicazione e un forest plot pronto per la pubblicazione con output R riproducibile.