Calcolatrice gratuita Editverse
Calcolatore del bias di pubblicazione (Funnel Plot e test di Egger)
Verifica gli effetti di piccoli studi in una meta-analisi: crea un funnel plot ed esegui il test di regressione di Egger, utilizzando l'esatto comando R corrispondente al risultato. Una guida completa all'interpretazione è riportata di seguito. Validato con R 4.3.3.
In parole semplici
Il bias di pubblicazione si verifica quando gli studi con risultati piccoli o non significativi hanno meno probabilità di essere pubblicati, quindi gli studi che si riescono a trovare sovrastimano l'effetto reale. Un funnel plot mostra l'effetto di ciascuno studio in funzione della sua precisione; in assenza di bias, i punti formano un imbuto rovesciato simmetrico.
Il test di Egger trasforma quel controllo visivo in un numero, effettuando una regressione dell'effetto standardizzato sulla sua precisione. Un'intercetta significativa segnala un'asimmetria del funnel plot, che può riflettere un bias di pubblicazione, sebbene possa anche derivare da una vera eterogeneità o dal caso, quindi il risultato è un segnale di allarme, non un verdetto.
Quando utilizzare i test di bias di pubblicazione
Valutare il bias di pubblicazione ogni volta che si aggregano studi in una meta-analisi , soprattutto se gli studi inclusi sono per lo più di piccole dimensioni. L'asimmetria suggerisce che la stima aggregata potrebbe essere sovrastimata a causa della mancata inclusione di studi con risultati negativi, aspetto particolarmente rilevante quando l'effetto complessivo è alla base di una conclusione clinica o di politica sanitaria.
Interpretate questi test con cautela e mai isolatamente. Con meno di una decina di studi, hanno una scarsa potenza statistica e risultati inaffidabili. Abbinate il funnel plot e il test di Egger alle analisi di sensibilità e leggeteli insieme alla dimensione dell'effetto aggregato e all'eterogeneità degli studi . Non siete sicuri di quali controlli siano necessari per la vostra revisione? Il nostro strumento di selezione dei test può aiutarvi.
Previsto: una riga per record, etichetta, effetto, errore standard
Trascina qui un file CSV oppure fai clic per scegliere. Analisi effettuata nel browser: nessun file verrà caricato.
Previsto: una riga per record, etichetta, effetto, errore standard
library(meta) studlab <- c({funnel_studlab}) TE <- c({funnel_te}) seTE <- c({funnel_se}) m <- metagen(TE, seTE, studlab = studlab, common = TRUE, random = FALSE) summary(m) # stima aggregata a effetti fissi e intervallo di confidenza al 95%, come riportato dalla calcolatrice funnel(m) metabias(m, method.bias = "linreg", k.min = 3) # test di regressione di Egger: intercetta, t, pGuida utente
Quando utilizzarlo. Rileva l'asimmetria del funnel plot (un indicatore di possibile bias di pubblicazione) tramite il test di regressione di Egger.
Presupposti. Almeno ~10 studi per un test di Egger con potenza statistica adeguata; dimensioni dell'effetto ed errori standard per studio.
Errori comuni. L'asimmetria può anche riflettere una reale eterogeneità o effetti legati alle dimensioni ridotte dello studio, non solo un bias.
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
- Egger M, Davey Smith G, Schneider M, Minder C. Rilevamento del bias nella meta-analisi tramite un semplice test grafico. BMJ. 1997;315:629-634.
Esempi lavorati
Esempio 1 — Un imbuto simmetrico
Dieci studi di dimensioni variabili si distribuiscono uniformemente attorno all'effetto aggregato, con gli studi più piccoli più dispersi alla base e quelli più grandi raggruppati vicino alla cima. Il test di Egger restituisce un'intercetta non significativa. Non vi è alcuna evidenza di effetti dovuti a studi di piccole dimensioni e la stima aggregata non risulta evidentemente distorta dalla mancanza di studi.
Esempio 2 — Rilevata asimmetria
Gli studi di piccole dimensioni tendono a confermare un effetto più ampio, lasciando uno spazio vuoto dove si troverebbero gli studi negativi di piccole dimensioni. Il test di Egger è significativo. Questo schema è coerente con il bias di pubblicazione, quindi è opportuno segnalare l'asimmetria ed esplorarne l'impatto con un'analisi di sensibilità prima di dare credito al riassunto.
Presupposti da verificare
Sono necessari studi sufficienti. I funnel plot e il test di Egger richiedono un numero ragionevole di studi, in genere almeno dieci, per fornire risultati significativi. Con un numero inferiore, l'asimmetria non può essere valutata in modo affidabile.
Una varietà di dimensioni degli studi. I metodi si basano sul confronto tra studi piccoli e imprecisi e studi grandi e precisi. Se tutti gli studi hanno dimensioni simili, l'imbuto non assume una forma interpretabile.
L'asimmetria può avere diverse cause. L'asimmetria a imbuto non è una prova di bias di pubblicazione; una reale eterogeneità tra gli studi , una scarsa qualità metodologica negli studi di piccole dimensioni o il caso possono tutti produrla.
Errori comuni
Eseguire il test su un numero insufficiente di studi
Con meno di dieci studi, il test di Egger ha una potenza statistica molto bassa e il grafico a imbuto è di difficile interpretazione. Riportare un risultato "non significativo" in questo caso fornisce una falsa rassicurazione.
Equiparare l'asimmetria al bias di pubblicazione
L'asimmetria è compatibile con un bias, ma non lo dimostra. È meglio presentarla come un effetto dovuto a studi di piccole dimensioni, con diverse possibili spiegazioni, piuttosto che come un bias confermato.
Scegliere il test sbagliato per la misura dell'effetto
Il test di regressione di Egger è stato sviluppato per determinate metriche di effetto; test alternativi sono più adatti a risultati binari con eventi rari. Scegli il test più adatto ai tuoi dati, invece di impostarne uno predefinito.
Ignorando l'entità del pregiudizio implicito
Anche una reale asimmetria potrebbe modificare solo leggermente la stima aggregata. Utilizza il metodo trim-and-fill o l'analisi di sensibilità per valutare di quanto cambierebbe effettivamente la conclusione.
Domande frequenti
Cosa mostra un grafico a imbuto?
Il grafico mette in relazione la stima dell'effetto di ciascuno studio con la sua precisione; un imbuto invertito simmetrico suggerisce l'assenza di effetti dovuti a studi di piccole dimensioni, mentre un intervallo o una dispersione asimmetrica indicano una possibile distorsione.
Un risultato significativo del test di Egger è una prova di bias di pubblicazione?
No. Indica un'asimmetria nel funnel plot, che è coerente con un bias di pubblicazione, ma può anche derivare da eterogeneità, qualità dello studio o casualità.
Di quanti esami ho bisogno?
Come regola generale, almeno dieci. Al di sotto di tale valore, sia la trama che il test formale risultano inaffidabili e dovrebbero essere interpretati con estrema cautela o, meglio ancora, non interpretati affatto.
Il risultato corrisponde a quello ottenuto con R e Stat?
Sì. Il calcolatore utilizza il test standard di regressione lineare di Egger per l'asimmetria dell'imbuto e mostra il comando R esatto in modo da poter riprodurre l'intercetta e il valore p.
Calcolatori correlati
Referenze
- Egger M, Davey Smith G, Schneider M, Minder C. Rilevamento di distorsioni nelle meta-analisi tramite un semplice test grafico. BMJ. 1997;315(7109):629–634. PMID9310563.
- Sterne JAC, Sutton AJ, Ioannidis JPA, et al. Raccomandazioni per l'esame e l'interpretazione dell'asimmetria del funnel plot nelle meta-analisi di studi clinici randomizzati. BMJ2011;343:d4002. PMID21784880.
- Duval S, Tweedie R. Trim and fill: un semplice metodo basato sul funnel plot per testare e correggere il bias di pubblicazione nella meta-analisi. Biometria. 2000;56(2):455–463.
Hai bisogno di questa analisi per il tuo manoscritto?
I nostri biostatistici con dottorato di ricerca valutano il bias di pubblicazione con i funnel plot, il test di Egger e il metodo trim-and-fill, e forniscono una meta-analisi pronta per la pubblicazione con output R riproducibile.
