Gestione e valutazione dell'eterogeneità nelle revisioni sistematiche e nelle meta-analisi

Pubblicato il 20 giugno 2026 | Ultimo aggiornamento il 26 agosto 2026

Una singola meta-analisi che ha aggregato tredici studi sul vaccino BCG contro la tubercolosi ha prodotto un rapporto di rischio aggregato vicino a 0.5, un risultato che sembra un inequivocabile successo per la salute pubblica finché non si confrontano le stime dei singoli studi. Uno studio ha rilevato che il vaccino riduceva il rischio di tubercolosi di quasi l'80%. Un altro, condotto vicino all'equatore, non ha riscontrato praticamente alcun effetto protettivo. La valutazione dell'eterogeneità è l'insieme di strumenti che spiega perché tredici studi sullo stesso vaccino hanno prodotto risultati così diversi e se l'aggregazione di questi dati in un unico valore fosse mai stata giustificabile. Il Q di Cochran, l'I², il tau² e la pratica più recente di riportare un intervallo di previsione insieme alla stima aggregata rispondono ciascuno a una parte diversa di questa domanda, e nessuno di essi sostituisce gli altri.

Questa guida va oltre l'introduzione all'I² e al Q di Cochran trattata nella Masterclass di Meta-analisi di Editverse , analizzando il problema della bassa potenza statistica intrinseca al Q di Cochran, il modo specifico in cui l'I² viene erroneamente interpretato come una misura dell'entità dell'eterogeneità anziché della proporzione di varianza totale che spiega, perché un intervallo di predizione spesso fornisce a un revisore maggiori informazioni rispetto al solo I² e come l'analisi dei sottogruppi e la meta-regressione vengono utilizzate per individuare le fonti di disaccordo tra gli studi. Ogni statistica riportata di seguito viene ricalcolata direttamente da un dataset reale e pubblicato, anziché essere presentata come una formula astratta.

Cosa significa eterogeneità in una revisione sistematica e perché è importante

I revisori suddividono comunemente l'eterogeneità in tre categorie sovrapposte. L'eterogeneità clinica descrive le differenze nei pazienti arruolati, nella dose o versione di un intervento testato o nelle definizioni di esito utilizzate nei vari studi. L'eterogeneità metodologica riguarda le differenze nella progettazione dello studio, come il mascheramento, il metodo di assegnazione o la durata del follow-up, il tipo di variazione che uno strumento come ROBINS-I è progettato per segnalare negli studi non randomizzati. L'eterogeneità statistica è la conseguenza osservabile di entrambe, e si manifesta come una variazione nelle stime dell'effetto riportate che supera quella che produrrebbe il solo errore di campionamento. Higgins e colleghi hanno formulato la domanda pratica a cui un revisore deve effettivamente rispondere come se gli studi da aggregare siano sufficientemente simili da rendere significativo un singolo valore riassuntivo, una domanda a cui i test statistici possono fornire informazioni, ma che non possono mai risolvere completamente da soli^.

L'eterogeneità descrive la discordanza tra gli studi effettivamente individuati e inclusi, un problema diverso dal bias di pubblicazione, che riguarda gli studi che non sono mai stati inclusi nell'analisi e viene trattato a parte nella guida di Editverse su come individuare il bias di pubblicazione nelle revisioni sistematiche . Una meta-analisi di un singolo farmaco testato a un dosaggio in popolazioni di pazienti quasi identiche dovrebbe mostrare un'eterogeneità molto bassa, e trovarne una elevata in tale contesto sarebbe un segnale di allarme da approfondire prima della pubblicazione. Ci si aspetta che una meta-analisi che aggrega studi condotti in diversi paesi, con diversi schemi di dosaggio ed età dei pazienti, mostri una reale eterogeneità, e la questione scientifica interessante diventa quindi capire cosa la determina, piuttosto che se il dato aggregato sia affidabile. La questione se un insieme di evidenze richieda effettivamente una ricerca sistematica e guidata da un protocollo è trattata nel confronto tra approcci di revisione narrativa e sistematica di Editverse.

Il test Q di Cochran e il suo problema di bassa potenza

Questo problema di bassa potenza statistica è uno dei motivi per cui il numero di studi inclusi influenza i risultati di qualsiasi statistica di eterogeneità. La nostra guida al numero minimo di studi per una meta-analisi definisce i conteggi in corrispondenza dei quali il tau-quadrato diventa stabile e il test del funnel plot diventa appropriato.

Il test Q di Cochran è il più antico dei due principali test di eterogeneità, risalente a un articolo del 1954 sulla combinazione delle stime tra esperimenti, e funziona come una somma ponderata dei quadrati delle deviazioni dell'effetto di ciascuno studio dalla stima aggregata, confrontata con una distribuzione chi-quadro con k meno 1 gradi di libertà, dove k è il numero di studi inclusi. ^Un valore Q significativo suggerisce che la dispersione osservata dei risultati è maggiore di quella che si otterrebbe per puro caso.

Quel test presenta una specifica debolezza statistica che è bene comprendere prima di farvi affidamento. Il Q ha una bassa potenza nel rilevare l'eterogeneità reale quando una meta-analisi include pochi studi, il che descrive la maggior parte delle meta-analisi nella pratica, poiché il numero mediano di studi inclusi in una revisione della Cochrane Library è pari o inferiore a sette. Una meta-analisi di ^quattro o cinque piccoli studi può presentare un'eterogeneità reale e clinicamente rilevante che il Q non riesce a segnalare come statisticamente significativa semplicemente perché il test non ha mai avuto un numero sufficiente di studi per rilevarla. Un problema opposto si presenta all'altro estremo dell'intervallo di dimensioni del campione, dove una meta-analisi che include sessanta o più studi può restituire un valore Q significativo per un'eterogeneità troppo piccola per essere clinicamente rilevante. Il Q di Cochrane risponde a una domanda più specifica di quanto i ricercatori spesso presumano, ovvero se la dispersione osservata è compatibile con il caso, non quanto sia ampia o importante tale dispersione.

La statistica I²: una proporzione di eterogeneità, non la sua grandezza

Higgins e Thompson hanno introdotto I² specificamente per correggere la dipendenza di Q dal numero di studi inclusi, esprimendo l'eterogeneità come la percentuale di variazione totale tra gli studi attribuibile a differenze reali tra di essi piuttosto che all'errore di campionamento, calcolata come 100% moltiplicato per la quantità Q meno i suoi gradi di libertà, diviso per Q. ¹ Lo stesso articolo del 2003 suggeriva valori vicini al 25%, 50% e 75% come indicatori approssimativi di bassa, moderata e sostanziale eterogeneità, pur avvertendo esplicitamente di non applicare tali intervalli come un test meccanico di superamento/fallimento, un avvertimento che viene omesso molto più spesso delle soglie stesse nelle citazioni successive dell'articolo.

Un'interpretazione errata specifica dell'I² si ripete abbastanza spesso da meritare di essere menzionata direttamente. L'I² indica la quota della varianza totale dovuta all'eterogeneità, non quanto grande sia effettivamente tale eterogeneità in termini assoluti, e i due valori non sono intercambiabili. Rücker e colleghi lo hanno dimostrato gonfiando artificialmente la dimensione del campione di ogni studio in una meta-analisi reale, mantenendo fissa la vera varianza tra gli studi, osservando l'I² salire verso il 100% anche se nulla era cambiato in termini di eterogeneità effettiva, semplicemente perché gli studi più ampi riducono l'errore di campionamento e l'I² misura l'eterogeneità rispetto a questo denominatore che si riduce. ^Due meta-analisi possono riportare un I² identico dell'80%, mentre una presenta un tau² vicino allo zero su una scala clinicamente irrilevante e l'altra presenta un tau² sufficientemente grande da invertire la direzione dell'effetto tra gli studi, una distinzione che l'I² da solo non può comunicare.

Le piccole meta-analisi complicano ulteriormente il quadro. Von Hippel ha calcolato che l'I² presenta un bias sostanziale quando una meta-analisi include pochi studi, il che descrive la pratica tipica dato il numero mediano di sette studi per revisione Cochrane menzionato in precedenza. ³ Con sette studi e un'eterogeneità reale pari a zero, l'I² sovrastima l'eterogeneità in media di 12 punti percentuali, e con sette studi e un'eterogeneità reale dell'80%, l'I² la sottostima in media di 28 punti percentuali nella direzione opposta. ³ Le revisioni dei dati di prevalenza mostrano il modello inverso nella pratica. Migliavaca e colleghi hanno esaminato 134 meta-analisi pubblicate sulla prevalenza e hanno trovato un I² mediano del 96.9% (intervallo interquartile, dal 90.5% al ​​98.7%), valori che riflettono la reale variazione tra le popolazioni nelle stime di prevalenza tanto quanto qualsiasi difetto negli studi sottostanti. ⁵ Entrambi gli esempi indicano la stessa lezione. L'indice I² necessita del suo intervallo di confidenza, del numero di studi aggregati e del valore di tau² sottostante, da leggere insieme ad esso, e non da essere citato come una singola percentuale indipendente.

Tau² e l'eterogeneità di scala continuano a vivere

Tau² misura lo stesso disaccordo di fondo di I² ma sulla scala della dimensione dell'effetto stesso piuttosto che come percentuale della varianza totale, ed è il numero che effettivamente entra nel calcolo degli effetti casuali. Lo stimatore del metodo dei momenti di DerSimonian e Laird del 1986 rimane il modo più ampiamente implementato per calcolarlo, aggiungendo tau² alla varianza campionaria di ciascuno studio prima che vengano calcolati i pesi della varianza inversa, motivo per cui un intervallo di confidenza a effetti casuali è in genere più ampio dell'equivalente intervallo a effetti fissi calcolato sugli stessi dati.⁶ La scelta tra i due modelli è di per sé una decisione di eterogeneità nella pratica. Un modello a effetti fissi presuppone che ^tau² sia zero e che ogni studio stimi un unico effetto vero condiviso, un'ipotesi che si adatta solo a studi genuinamente quasi identici, mentre un modello a effetti casuali tratta l'effetto vero come variabile da studio a studio per ragioni che i dati possono o meno spiegare.

Tau² presenta un proprio problema di stima che I² non espone completamente da solo. Ioannidis e colleghi hanno dimostrato che le stime di eterogeneità comportano un'incertezza sostanziale, sufficientemente ampia da far sì che l'intervallo di confidenza attorno a un singolo valore di tau² o I² derivante da una piccola meta-analisi possa coprire un intervallo che un lettore descriverebbe come eterogeneità sia bassa che sostanziale, a seconda dell'estremo citato.⁷ Un ^valore di tau² riportato senza il proprio intervallo di confidenza, o senza indicare quanti studi hanno contribuito alla stima, sottovaluta l'incertezza effettiva di quel singolo numero, soprattutto quando l'analisi aggregata scende al di sotto di una decina di studi inclusi.

Perché gli intervalli di previsione sono migliori dell'I² per l'interpretazione pratica

Un intervallo di confidenza al 95% attorno a una stima aggregata risponde a una domanda specifica, ovvero con quale precisione è stato stimato l'effetto medio negli studi effettivamente inclusi. Tale intervallo non dice nulla su quanto i veri effetti potrebbero variare se l'intervento venisse testato nuovamente in un nuovo contesto, la domanda a cui un clinico o un responsabile politico che deve decidere se agire in base al risultato aggregato ha effettivamente bisogno di una risposta. Un intervallo di previsione risponde direttamente a questa seconda domanda, combinando tau² con il numero di studi inclusi per stimare l'intervallo entro il quale ci si aspetterebbe che ricada il vero effetto di un nuovo studio simile. ⁸

^{IntHout e colleghi hanno sostenuto che gli intervalli di previsione meritano di essere} riportati di routine proprio perché I² e tau² sono difficili da tradurre in un giudizio pratico per un lettore clinico, mentre un intervallo di previsione espresso sulla scala originale della dimensione dell'effetto non richiede alcuna traduzione.⁸ Una meta-analisi può riportare un intervallo di confidenza stretto e statisticamente significativo attorno alla sua stima aggregata, mentre il suo intervallo di previsione attraversa ancora la linea di non effetto, il che non è una contraddizione. Letto insieme, i due intervalli significano che l'effetto medio tra gli studi è ben stimato anche se uno studio futuro in una nuova popolazione potrebbe plausibilmente collocarsi su entrambi i lati di esso, un'informazione reale che un lettore che si affida solo a I² e all'intervallo di confidenza non vedrebbe mai. Il ricalcolo diretto di una meta-analisi reale e pubblicata, che verrà illustrato di seguito, mostra esattamente questo schema utilizzando i dati effettivi dello studio anziché quelli ipotetici.

Un esempio pratico: ricalcolo dell'eterogeneità a partire dai dati originali della sperimentazione del vaccino BCG.

Nel 1994 Colditz e colleghi pubblicarono una meta-analisi di tredici studi che testavano il vaccino BCG contro la tubercolosi, un insieme di dati che da allora è diventato uno degli esempi didattici standard nella metodologia della meta-analisi perché mostra una grave eterogeneità tra gli studi sullo stesso identico intervento.⁹ Ricalcolando l'analisi direttamente dai conteggi dei gruppi vaccinati e di controllo a livello di studio pubblicati in quell'articolo, utilizzando un modello ^a effetti casuali con stima di massima verosimiglianza ristretta, si ottiene un rapporto di rischio aggregato di 0.49 (IC 95%, da 0.34 a 0.70), il che significa che i gruppi vaccinati hanno avuto in media circa la metà del rischio di tubercolosi rispetto ai gruppi non vaccinati.

Le statistiche sull'eterogeneità raccontano una storia più nitida di quanto suggerisca quel singolo valore aggregato, con il Q di Cochran che raggiunge 152.2 su 12 gradi di libertà (P < 0001) e I² al 92.2%, entrambi a indicare che i tredici studi sono in disaccordo tra loro molto più di quanto possa spiegare l'errore di campionamento. I rapporti di rischio dei singoli studi variavano da 0.20, in uno studio del 1949 di Ferguson e Simes, a 1.56, in uno studio del 1969 di Comstock e Webster che non ha riscontrato alcun effetto protettivo. Il Tau² per questo set di dati risulta essere 0.313 sulla scala logaritmica del rapporto di rischio.

Ricalcolato da Editverse direttamente dai conteggi a livello di prova pubblicati in Colditz et al. 1994, utilizzando il pacchetto metafor in R con uno stimatore di varianza REML. ^{9 I lettori possono eseguire le stesse statistiche sul proprio set di dati utilizzando} il calcolatore di eterogeneità gratuito di Editverse.

La discrepanza tra l'intervallo di confidenza e l'intervallo di previsione è ciò che rende questo esempio uno strumento didattico efficace. I limiti di confidenza, compresi tra 0.34 e 0.70, si trovano interamente sul lato protettivo di un rapporto di rischio pari a 1.0, supportando l'affermazione che la vaccinazione con BCG riduce in media il rischio di tubercolosi in questi tredici studi. Il suo intervallo di previsione, al contrario, va da 0.15 a 1.55, includendo 1.0, il che significa che un nuovo studio condotto in un contesto altrettanto eterogeneo potrebbe plausibilmente rilevare che il vaccino non offre alcuna protezione o addirittura un rischio leggermente maggiore. Entrambi gli intervalli sono corretti simultaneamente e un lettore che si limitasse a controllare l'intervallo di confidenza e il valore I² potrebbe farsi un'idea errata di quanto sia effettivamente coerente l'effetto protettivo del BCG nei diversi contesti.

Analisi dei sottogruppi per esplorare le fonti di eterogeneità

L'analisi dei sottogruppi suddivide gli studi inclusi in base a una caratteristica specificata prima dell'aggregazione dei dati, quindi confronta l'effetto aggregato all'interno di ciascun gruppo con gli altri, cercando una differenza tra i sottogruppi sufficientemente grande da rendere insensato raggruppare tutti gli studi in un unico valore aggregato. Applicata al set di dati BCG sopra riportato, la suddivisione dei tredici studi in base al metodo di assegnazione (sette hanno utilizzato l'assegnazione casuale ai gruppi vaccino e controllo, mentre sei hanno utilizzato un metodo alternativo o sistematico) produce rapporti di rischio aggregati di 0.38 negli studi randomizzati e 0.62 negli studi non randomizzati. Tale suddivisione sembra significativa fino a quando non viene eseguito il test effettivo delle differenze tra i sottogruppi, che restituisce un valore P di 0,18, il che significa che il solo metodo di assegnazione non può spiegare la discrepanza tra gli studi al di là del caso, dato il campione ^{disponibile.⁹}

Risultati negativi di questo tipo contano tanto quanto quelli positivi. Un protocollo che pre-specifica il metodo di assegnazione, la fascia di età dei pazienti o il regime di dosaggio come potenziali sottogruppi e riporta quali suddivisioni raggiungono o non raggiungono la significatività statistica, fornisce un resoconto molto più onesto di ciò che effettivamente spiega l'eterogeneità rispetto a un rapporto che presenta solo il confronto tra sottogruppi risultato statisticamente significativo. Eseguire un confronto tra sottogruppi dopo aver visto il risultato aggregato, e poi presentare solo la suddivisione che supporta una conclusione preferita, è una forma di reporting selettivo che mina una revisione con la stessa efficacia dell'esclusione diretta di uno studio scomodo. La guida di Editverse alla valutazione del rischio di bias di Cochrane tratta una disciplina di pre-specificazione correlata per valutare la qualità dei singoli studi prima che tali valutazioni confluiscano in un'analisi di sottogruppo o di sensibilità.

Meta-regressione: modellazione delle fonti di variazione a livello di studio

La meta-regressione estende l'analisi dei sottogruppi alle variabili continue a livello di studio, verificando se qualcosa misurato su una scala numerica, come l'età media dei pazienti, l'anno di pubblicazione o la posizione geografica di un sito di sperimentazione, predice l'entità dell'effetto tra gli studi, anziché semplicemente suddividere gli studi in gruppi discreti. Berkey e colleghi hanno formalizzato un approccio di regressione a effetti casuali proprio per questo scopo nel 1995, utilizzando il dataset del vaccino BCG stesso come esempio pratico dell'articolo, partendo dal presupposto che una covariata che spiega la varianza genuina tra gli studi dovrebbe ridurre il tau² residuo una volta che entra nel modello. ¹⁰

Eseguendo nuovamente la regressione sugli stessi tredici studi, utilizzando la latitudine assoluta di ciascun sito di studio come unica covariata, l'I² residuo scende dal 92.2% al 68.4% e rappresenta il 75.6% del tau² originale (P < 0001 per il coefficiente di latitudine), il che significa che la distanza dall'equatore da sola spiega la maggior parte della discrepanza tra gli studi. Wilson e colleghi, esaminando un sottoinsieme della stessa letteratura sugli studi limitatamente agli studi prospettici, hanno riportato che la latitudine rappresentava il 41% della varianza tra gli studi utilizzando un diverso sottoinsieme di studi e un diverso metodo di stima della varianza, a riprova del fatto che il risultato di una meta-regressione dipende esattamente da quali studi e quale stimatore vengono utilizzati, non solo da quale covariata viene testata. ¹¹ Sono state proposte diverse spiegazioni ambientali e immunologiche per l'effetto della latitudine, tra cui l'esposizione a micobatteri ambientali che varia con il clima, sebbene la regressione stessa stabilisca solo un'associazione, non il meccanismo sottostante.

La dimensione del campione limita la portata della meta-regressione. Una soglia comunemente citata suggerisce di includere circa dieci studi per ogni covariata testata, poiché una regressione condotta su un numero limitato di studi e diverse covariate candidate ha una potenza statistica insufficiente per distinguere un vero moderatore dal rumore. Una covariata ben scelta, testata perché esisteva una plausibile ragione clinica o biologica prima dell'analisi dei dati, è ciò che distingue la meta-regressione dalla semplice ricerca di una variabile che si correli casualmente con i risultati in un singolo set di dati. Il calcolatore di meta-analisi gratuito di Editverse genera una stima aggregata e un forest plot a partire dai dati di input a livello di studio, utile per verificare la coerenza di un'analisi manuale prima di inserirla in un manoscritto.

Standard di reporting che consentono a un revisore di verificare il lavoro

PRISMA 2020 integra la segnalazione dell'eterogeneità in specifici elementi della checklist, anziché trattarla come un punto di discussione facoltativo. L'elemento relativo ai metodi di sintesi, suddiviso nei sotto-elementi da 13a a 13f, richiede agli autori di indicare come è stata esplorata l'eterogeneità, sia attraverso un'analisi di sottogruppo, una meta-regressione o un'analisi di sensibilità, mentre l'elemento relativo ai risultati della sintesi, suddiviso nei punti da 20a a 20d, richiede che le statistiche sull'eterogeneità siano effettivamente presenti nella sezione dei risultati, anziché essere lasciate implicite o menzionate solo nella discussione.^¹² La guida completa di Editverse sulla checklist PRISMA 2020 copre ogni elemento dell'attuale versione di 27 elementi, inclusi il diagramma di flusso e i requisiti relativi alla strategia di ricerca che si trovano accanto agli elementi di sintesi, e il manuale di Editverse sui livelli di evidenza nella ricerca clinica spiega come il disegno di ciascuno studio incluso dovrebbe influenzare il peso che un revisore attribuisce al suo contributo in un insieme eterogeneo.

In pratica, soddisfare questi requisiti significa riportare il Q di Cochran con il suo valore p, I² con un intervallo di confidenza anziché una semplice percentuale, tau² sulla sua scala originale e, laddove il numero di studi inclusi lo consenta, un intervallo di previsione, insieme a una motivazione esplicita per le analisi di sottogruppo o di meta-regressione eseguite. Una sezione sui metodi che menziona I² senza specificare quanti studi hanno contribuito alla stima, o che riporta un'analisi di sottogruppo senza indicare se fosse stata pianificata nel protocollo o aggiunta dopo averne visto i risultati, impedisce al revisore di valutare quanto peso meriti effettivamente la valutazione dell'eterogeneità.

Errori comuni che compromettono un'analisi di eterogeneità

Una serie di errori ricorrenti sono responsabili di gran parte della frustrazione generata dalla valutazione dell'eterogeneità durante la revisione tra pari.

• Trattare le bande I² 25/50/75 come un test con esito positivo/negativo. Higgins e colleghi hanno proposto quei numeri come linee guida approssimative, non come una soglia che convalida o invalida automaticamente l'aggregazione dei dati, e un valore sostanziale di I² in una serie di studi clinicamente coerenti non è automaticamente un motivo per abbandonare l'analisi.¹
• Riportare I² senza il relativo intervallo di confidenza o il numero di studi aggregati. Una semplice percentuale derivante da una meta-analisi di cinque studi comporta un'incertezza di gran lunga maggiore rispetto alla stessa percentuale derivante da una meta-analisi di cinquanta studi, e le stime di distorsione di von Hippel mostrano perché tale contesto modifichi il modo in cui il numero dovrebbe essere interpretato.³
• Esecuzione di confronti tra sottogruppi dopo aver visualizzato il risultato aggregato. Una suddivisione non specificata nel protocollo e riportata solo perché ha raggiunto la significatività statistica rappresenta una forma di reporting selettivo, non una vera e propria esplorazione delle fonti di eterogeneità.
• Saltando completamente l'intervallo di previsione. Migliavaca e colleghi hanno scoperto che solo tre delle 134 meta-analisi sulla prevalenza da loro esaminate, circa il 2%, riportavano un intervallo di previsione, nonostante un valore mediano di I² superiore al 95% in quel campione, proprio nel contesto in cui un intervallo di previsione aggiunge il maggior numero di informazioni rispetto al solo I².⁵
• Applicare una meta-regressione a un numero troppo esiguo di studi. Un modello adattato a sei o sette prove con due o tre potenziali covariabili ha una potenza troppo bassa per distinguere un vero moderatore dal rumore, indipendentemente da quanto elevato possa sembrare il valore di R² riportato.

Come Editverse supporta la valutazione dell'eterogeneità nelle revisioni sistematiche

Eseguire un'analisi di eterogeneità accurata e redigerla in modo che un revisore possa seguire ogni decisione sono due competenze diverse, e spesso i manoscritti si bloccano proprio nella seconda fase, anche quando le statistiche di base sono solide. Il team di Editverse specializzato in revisioni sistematiche e meta-analisi si occupa di entrambe le fasi, dalla scelta tra modelli a effetti fissi e a effetti casuali, alla progettazione di sottogruppi e meta-regressioni, fino ai controlli completi di conformità alle linee guida PRISMA 2020 prima dell'invio.

• Valutazione dell'eterogeneità utilizzando il Q di Cochran, I², tau² e intervalli di previsione per il set di dati effettivo a disposizione
• Progettazione di sottogruppi e meta-regressioni, specificate prima dell'analisi per evitare la segnalazione selettiva a posteriori.
• Grafico a forest plot e visualizzazione dell'intervallo di previsione realizzati per la presentazione a una rivista scientifica.
• Revisione completa della conformità alla checklist PRISMA 2020, inclusi gli elementi relativi alla sintesi e alla segnalazione dell'eterogeneità.
• Supporto più ampio per i manoscritti basato sulla guida di Editverse a errori comuni nella meta-analisi e come i recensori tendono a individuarli

Domande frequenti sull'eterogeneità nella meta-analisi

Qual è la differenza tra eterogeneità clinica, metodologica e statistica?

L'eterogeneità clinica si riferisce alle differenze nei pazienti, negli interventi o nelle definizioni degli esiti tra gli studi inclusi. L'eterogeneità metodologica riguarda le differenze nella progettazione e nella conduzione degli studi. L'eterogeneità statistica è la variazione misurabile degli effetti riportati che queste differenze di fondo producono, ed è ciò che i coefficienti Q, I² e tau² di Cochran quantificano effettivamente.

Un valore elevato di I² è un motivo per evitare di aggregare gli studi in una meta-analisi?

Non automaticamente. Higgins e colleghi hanno proposto le fasce del 25%, 50% e 75% come linee guida descrittive piuttosto che come un limite rigido, e un I² elevato in un insieme di studi clinicamente coerenti spesso riflette una variazione reale e spiegabile piuttosto che un motivo per abbandonare la stima aggregata. Indagare la fonte attraverso l'analisi dei sottogruppi o la meta-regressione è solitamente più informativo che considerare un I² elevato come motivo di esclusione di per sé.

Perché il test Q di Cochran a volte non riesce a rilevare una reale eterogeneità?

Il test Q ha una bassa potenza statistica quando una meta-analisi include pochi studi, condizione che si verifica nella maggior parte delle meta-analisi pubblicate, dato che il numero mediano di studi inclusi in una revisione della Cochrane Library è pari o inferiore a sette. Una reale eterogeneità in una piccola meta-analisi può produrre un risultato Q non significativo semplicemente perché il test non disponeva di un numero sufficiente di studi per rilevarla.

Cosa significa quando un intervallo di previsione oltrepassa la linea di non effetto?

Un intervallo di previsione che attraversa la linea di non effetto, un rapporto di rischio pari a 1.0 o una differenza media pari a zero, significa che un nuovo studio condotto in un contesto simile ma non identico potrebbe plausibilmente non riscontrare alcun effetto o addirittura riscontrarne uno invertito, anche se l'intervallo di confidenza attorno alla stima aggregata rimane interamente da un lato di tale linea. Entrambe le affermazioni possono essere vere contemporaneamente, poiché rispondono a domande diverse sulla precisione e la variabilità.

Di quanti studi ha bisogno una meta-regressione per essere considerata affidabile?

Circa dieci studi inclusi per ogni covariata testata rappresentano il minimo comunemente citato, e una meta-regressione condotta con un numero inferiore di studi dovrebbe essere considerata esplorativa. Una regressione su sei o sette studi con diverse covariate candidate ha una potenza statistica troppo bassa per distinguere in modo affidabile un vero moderatore dal caso.

Le analisi dei sottogruppi dovrebbero essere pianificate prima o dopo aver visionato i risultati aggregati?

In precedenza, un protocollo che specifica in anticipo i sottogruppi candidati, insieme a una giustificazione clinica o biologica esplicita per ciascuno di essi, consente un'esplorazione credibile delle fonti di eterogeneità. Scegliere una suddivisione in sottogruppi dopo aver constatato che rafforza o spiega il risultato è una forma di reporting selettivo che un attento revisore di solito individua.

Referenze

1. Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Misurare l'incoerenza nelle meta-analisi. BMJ. 2003;327(7414):557-560. PMID: 12958120
2. Gruppo di lavoro Cochran. La combinazione delle stime provenienti da diversi esperimenti. Biometria. 1954;10(1):101-129. DOI: 10.2307 / 3001666
3. von Hippel PT. La statistica di eterogeneità I² può essere distorta nelle meta-analisi di piccole dimensioni. BMC Med Res Methodol. 2015; 15: 35. PMID: 25880989
4. Rücker G, Schwarzer G, Carpenter JR, Schumacher M. Un'eccessiva dipendenza da I² nella valutazione dell'eterogeneità può indurre in errore. BMC Med Res Methodol. 2008; 8: 79. PMID: 19036172
5. Migliavaca CB, Stein C, Colpani V, Barker TH, Ziegelmann PK, et al. Meta-analisi della prevalenza: statistica I2 e come gestire l'eterogeneità. Metodi di Synth Res. 2022;13(3):363-367. PMID: 35088937
6. DerSimonian R, Laird N. Meta-analisi negli studi clinici. Control Clin Trial. 1986;7(3):177-188. PMID: 3802833
7. Ioannidis JPA, Patsopoulos NA, Evangelou E. Incertezza nelle stime di eterogeneità nelle meta-analisi. BMJ. 2007;335(7626):914-916. PMID: 17974687
8. IntHout J, Ioannidis JPA, Rovers MM, Goeman JJ. Appello per la presentazione sistematica degli intervalli di previsione nelle meta-analisi. BMJ Aperto. 2016; 6 (7): e010247. PMID: 27406637
9. Colditz GA, Brewer TF, Berkey CS, Wilson ME, Burdick E, et al. Efficacia del vaccino BCG nella prevenzione della tubercolosi. Meta-analisi della letteratura pubblicata. JAMA. 1994;271(9):698-702. PMID: 8309034
10. Berkey CS, Hoaglin DC, Mosteller F, Colditz GA. Un modello di regressione a effetti casuali per la meta-analisi. StatMed. 1995;14(4):395-411. PMID: 7746979
11. Wilson ME, Fineberg HV, Colditz GA. Latitudine geografica ed efficacia del vaccino bacillo di Calmette-Guérin. Clin infetta Dis. 1995;20(4):982-991. PMID: 7795103
12. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, et al. La dichiarazione PRISMA 2020: una linea guida aggiornata per la rendicontazione delle revisioni sistematiche. BMJ2021;372:n71. PMID: 33782057

Team di ricerca di Editverse | Aggiornato ad agosto 2026