เครื่องคิดเลขฟรีของ Editverse

เครื่องคำนวณการวิเคราะห์เมตาและการสร้างแผนภูมิฟอเรสต์

รวมผลกระทบของการศึกษาโดยใช้ค่าน้ำหนักผกผันของความแปรปรวน (แบบผลกระทบคงที่หรือแบบผลกระทบสุ่มของ DerSimonian-Laird) วาดแผนภาพฟอเรสต์ และอ่านค่า I² และ tau² โดยใช้คำสั่ง R ต่อท้ายผลลัพธ์ ป้อนค่าผลกระทบแต่ละค่าพร้อมช่วงความเชื่อมั่น 95% ในมาตราส่วนแบบบวก: ค่าความแตกต่างเฉลี่ยและค่าความแตกต่างเฉลี่ยมาตรฐานตามที่เป็นอยู่ และอัตราต่อรอง ความเสี่ยง หรืออัตราส่วนอันตรายในรูปของลอการิทึมธรรมชาติ (ลอการิทึมของค่าประมาณและของขีดจำกัดทั้งสอง) จากนั้นยกกำลังผลลัพธ์ที่รวมกันแล้ว คู่มือการตีความฉบับเต็มอยู่ด้านล่าง ตรวจสอบความถูกต้องกับ R 4.3.3 แล้ว

ในคำง่ายๆ

การวิเคราะห์แบบเมตา ( meta -analysis)คือการรวมผลลัพธ์จากหลายการศึกษาเข้าด้วยกันเพื่อหาค่าประมาณรวม โดยแต่ละการศึกษาจะมีน้ำหนักตามความแม่นยำ — การศึกษาขนาดใหญ่และแม่นยำกว่าจะมีน้ำหนักมากกว่าแผนภาพฟอเรสต์ (forest plot)จะแสดงแต่ละการศึกษาเป็นจุดพร้อมช่วงความเชื่อมั่น และผลลัพธ์รวมเป็นรูปเพชรที่ด้านล่าง

เนื่องจากงานวิจัยแต่ละชิ้นไม่เหมือนกันทุกประการ การวิเคราะห์จึงรายงานถึงความแตกต่าง ระหว่างงานวิจัยด้วย กล่าวคือ ผลกระทบที่แท้จริงแตกต่างกันมากน้อยเพียงใดระหว่างงานวิจัยต่างๆ นอกเหนือจากโอกาสโดยบังเอิญ สถิติ I²แสดงค่านี้เป็นเปอร์เซ็นต์ของความแปรปรวนทั้งหมด ช่วยให้คุณตัดสินได้ว่าตัวเลขรวมเพียงตัวเดียวนั้นมีความหมายหรือไม่

ควรใช้การวิเคราะห์เมตาเมื่อใด

ควรใช้การวิเคราะห์แบบเมตา (meta-analysis) เมื่อมีการศึกษาหลายชิ้นที่กล่าวถึงคำถามเดียวกัน และมีความคล้ายคลึงกันทั้งในด้านคลินิกและวิธีการวิจัยมากพอที่จะนำมารวมกันได้ เช่น การทดลองเกี่ยวกับการแทรกแซงแบบเดียวกันที่รายงานผลลัพธ์เดียวกัน การรวมข้อมูลจะช่วยเพิ่มความแม่นยำและสามารถแก้ไขผลลัพธ์ที่ขัดแย้งกันได้ แต่จะได้ผลก็ต่อเมื่อการศึกษาเหล่านั้นสามารถเปรียบเทียบกันได้อย่างแท้จริงเท่านั้น

เลือกใช้ แบบ จำลองผลกระทบแบบสุ่ม (random-effects model) เมื่อคุณคาดว่าผลกระทบที่แท้จริงจะแตกต่างกันไปในแต่ละการศึกษา และ เลือกใช้แบบจำลองผลกระทบ แบบคงที่ (fixed-effect model) เฉพาะเมื่อคุณสามารถสันนิษฐานได้ว่ามีผลกระทบร่วมกันเพียงอย่างเดียว ควรรายงานค่า I² ควบคู่ไปกับขนาดผลกระทบ โดยรวม และช่วงความเชื่อ มั่นเสมอ ไม่แน่ใจว่าควรจะรวมการศึกษาของคุณเข้าด้วยกันหรือไม่? ตัวเลือกการทดสอบแบบโต้ตอบของเราสามารถช่วยคุณตัดสินใจได้

แผนภาพฟอเรสต์ของการวิเคราะห์เมตา ผลกระทบของพูลที่มีเมตริกความแตกต่าง · ตรวจสอบแล้วเทียบกับ R 4.3.3

การศึกษา: ป้ายกำกับ, ผลกระทบ, ช่วงความเชื่อมั่นล่าง, ช่วงความเชื่อมั่นบน (หนึ่งรายการต่อบรรทัด)

รุ่น

คู่มือผู้ใช้

ควรใช้เมื่อใด:รวบรวมขนาดผลกระทบจากงานวิจัยต่างๆ และวัดความแตกต่าง (I-squared)

ข้อสันนิษฐาน:งานวิจัยเหล่านี้มีความเทียบเคียงกันได้ทั้งในด้านคลินิกและวิธีการวิจัย เพื่อให้สามารถนำมารวมกันได้

ข้อผิดพลาดที่พบบ่อยค่า I-squared สูง (>75%) บ่งชี้ถึงความแตกต่างอย่างมาก: ควรตีความค่าประมาณรวมอย่างระมัดระวัง

ตัวอย่างการทำงาน

คลิกที่ " โหลดข้อมูลตัวอย่าง"ด้านบน จากนั้นคลิก "เรียกใช้การวิเคราะห์"เพื่อดูผลลัพธ์ที่สมบูรณ์พร้อมรูปภาพ สูตร และคำอธิบายสำหรับการทดสอบนี้

อ้างอิง

DerSimonian R, Laird N. การวิเคราะห์เชิงอภิมานในการทดลองทางคลินิก Control Clin Trials. 1986;7:177-188.

ตัวอย่างผลงาน

ตัวอย่างที่ 1 — การรวบรวมผลการศึกษา 4 ชิ้นเข้าด้วยกัน

งานวิจัยสี่ชิ้นรายงานค่าความแตกต่างเฉลี่ยมาตรฐานที่ 0.45, 0.60, 0.32 และ 0.55 โดยแต่ละค่ามีช่วงความเชื่อมั่นของตนเอง แบบจำลองผลกระทบแบบสุ่มจะถ่วงน้ำหนักค่าเหล่านี้ตามความแม่นยำและรวมเข้าด้วยกันเป็นค่าประมาณรวมที่ใกล้เคียงกับ 0.48 ในแผนภาพฟอเรสต์ งานวิจัยแต่ละชิ้นจะแสดงเป็นรูปสี่เหลี่ยมจัตุรัสขนาดตามน้ำหนัก และผลกระทบรวมจะแสดงเป็นรูปเพชรที่มีความกว้างเท่ากับช่วงความเชื่อมั่น 95%

ตัวอย่างที่ 2 — การอ่านความหลากหลาย

การวิเคราะห์แบบเดียวกันนี้ให้ผลลัพธ์ I² = 17% และค่า Cochran's Q (3.62 บน 3 df, p = 0.31) ไม่มีความสำคัญทางสถิติ ดังนั้นการศึกษาต่างๆ จึงมีความสอดคล้องกันในระดับที่ยอมรับได้ และค่าประมาณโดยรวมนั้นน่าเชื่อถือ หากค่า I² เท่ากับ 80% ผลกระทบที่แท้จริงจะแตกต่างกันอย่างมากระหว่างการศึกษาต่างๆ และตัวเลขโดยรวมเพียงตัวเดียวจะไม่มีความหมายมากนัก คุณควรตรวจสอบแหล่งที่มาของความแตกต่างผ่านกลุ่มย่อยหรือการวิเคราะห์เมตาเรเกรสชันแทน

ข้อสมมติฐานที่ต้องตรวจสอบ

งานวิจัยที่เปรียบเทียบกันได้ (ทั้งด้านคลินิกและระเบียบวิธีวิจัย)งานวิจัยเหล่านั้นต้องศึกษาคำถามเดียวกัน โดยใช้ประชากรกลุ่มเดียวกัน การแทรกแซงที่คล้ายคลึงกัน และคำจำกัดความของผลลัพธ์ที่คล้ายคลึงกัน การรวมงานวิจัยที่ไม่สามารถเปรียบเทียบกันได้จะทำให้ได้ค่าประมาณรวมที่ไม่สามารถตอบคำถามที่แท้จริงได้

แบบจำลองที่เหมาะสมสำหรับคำถามแบบจำลองผลกระทบคงที่ (fixed-effect model) สมมติว่ามีผลกระทบที่แท้จริงร่วมกันเพียงหนึ่งเดียว ในขณะที่แบบจำลองผลกระทบสุ่ม (random-effects model) อนุญาตให้ผลกระทบที่แท้จริงแตกต่างกันไป การเลือกใช้แบบจำลองผลกระทบคงที่เมื่อมีความแตกต่างกันอย่างแท้จริง จะทำให้ความไม่แน่นอนในการประมาณค่าแบบรวมต่ำกว่าความเป็นจริง

การประมาณค่าผลกระทบที่เป็นอิสระและปราศจากอคติการศึกษาแต่ละชิ้นควรให้ผลลัพธ์ที่เป็นอิสระเพียงหนึ่งเดียว และชุดข้อมูลไม่ควรถูกบิดเบือนโดยการเลือกตีพิมพ์ ประเมินอคติในการตีพิมพ์ก่อนที่จะเชื่อถือผลลัพธ์แบบรวม

ข้อผิดพลาดทั่วไป

การรวบรวมผลการศึกษาที่มีลักษณะทางคลินิกแตกต่างกัน

การนำงานวิจัยที่มีประชากรหรือผลลัพธ์ที่แตกต่างกันมารวมกันเพียงเพราะมีหัวข้อเดียวกันนั้น จะได้ค่าเฉลี่ยที่ไม่มีความหมาย ความสามารถในการเปรียบเทียบต้องมาก่อน สถิติไม่สามารถแก้ไขชุดข้อมูลที่ไม่สอดคล้องกันได้

ถือว่าค่า I² ที่สูงเป็นผลมาจากการรายงานและดำเนินการต่อไป

ค่า I² ที่สูงเป็นสัญญาณเตือนให้ตรวจสอบเพิ่มเติม ไม่ใช่ตัวเลขที่ใช้เป็นหมายเหตุประกอบ ควรสำรวจความแตกต่างด้วยการวิเคราะห์กลุ่มย่อยหรือการวิเคราะห์เมตาเรเกรสชันก่อนที่จะอ้างอิงผลรวมใดๆ

ตั้งค่าเริ่มต้นเป็นผลกระทบคงที่เพื่อให้ได้ช่วงเวลาที่แคบลง

แบบจำลองผลกระทบคงที่ให้ช่วงความเชื่อมั่นที่แคบกว่า แต่เป็นเพราะแบบจำลองนี้ละเลยความแปรปรวนระหว่างการศึกษา เมื่อมีความแตกต่างกันเกิดขึ้น ช่วงความเชื่อมั่นที่แคบนั้นจึงทำให้รู้สึกมั่นใจอย่างผิดๆ

การเพิกเฉยต่ออคติในการตีพิมพ์

การศึกษาวิจัยขนาดเล็กที่มีผลลัพธ์เชิงลบมักไม่ได้รับการตีพิมพ์ ทำให้ผลรวมที่ได้สูงเกินจริง ควรตรวจสอบแผนภูมิรูปกรวยและทำการทดสอบอย่างเป็นทางการก่อนที่จะสรุปผล

คำถามที่พบบ่อย (FAQs)

I² วัดอะไรกันแน่?

มันคือสัดส่วนของความแปรปรวนทั้งหมดระหว่างการศึกษาต่างๆ ที่เกิดจากความแตกต่างที่แท้จริง ไม่ใช่ความบังเอิญ โดยประมาณแล้ว 25% ถือว่าต่ำ 50% ปานกลาง และ 75% สูง

ผลกระทบแบบคงที่หรือแบบสุ่ม?

ควรใช้แบบจำลองผลกระทบแบบสุ่ม (random-effects) เมื่อเชื่อว่าผลกระทบที่แท้จริงแตกต่างกันไปในแต่ละการศึกษา ซึ่งเป็นเรื่องปกติในบริบททางคลินิก ส่วนแบบจำลองผลกระทบแบบคงที่ (fixed-effect) ควรใช้เฉพาะในกรณีที่พบผลกระทบร่วมกันเพียงอย่างเดียวเท่านั้น

ฉันต้องทำการศึกษาทั้งหมดกี่ครั้ง?

ไม่มีจำนวนขั้นต่ำที่ตายตัว แต่ด้วยจำนวนงานวิจัยที่น้อยมาก ความแปรปรวนระหว่างงานวิจัยจึงประเมินได้ไม่แม่นยำ และสถิติความแตกต่างระหว่างงานวิจัยก็จะไม่เสถียร ดังนั้นควรตีความผลการวิเคราะห์เมตาแบบขนาดเล็กด้วยความระมัดระวัง

ผลลัพธ์ตรงกับ R, Stata และ RevMan หรือไม่?

ใช่แล้ว ขึ้นอยู่กับมาตราส่วนที่คุณป้อน เครื่องคำนวณใช้การถ่วงน้ำหนักแบบผกผันความแปรปรวนมาตรฐานร่วมกับผลกระทบสุ่มของ DerSimonian-Laird และคำนวณค่าความคลาดเคลื่อนมาตรฐานแต่ละค่าจากช่วงความเชื่อมั่น 95% โดยใช้สูตร (ค่าบน − ค่าล่าง) / 3.92 คำสั่ง R ที่แสดงใช้ sm = "SMD" สำหรับอัตราส่วนลอการิทึม ให้ตั้งค่า sm เป็น "OR", "RR" หรือ "HR" แล้วส่งค่าประมาณลอการิทึมเข้าไปเพื่อให้ R แปลงค่ารวมกลับเป็นค่าลอการิทึม

เครื่องคำนวณที่เกี่ยวข้อง

ความไม่สม่ำเสมอ (I² / tau²)อคติการตีพิมพ์ขนาดเอฟเฟกต์อัตราส่วนความน่าจะเป็นและ RR ช่วงความเชื่อมั่น ฉันควรใช้การทดสอบใด?

อ้างอิง

ฮิกกินส์ เจพีที, ทอมป์สัน เอสจี. การหาปริมาณความแตกต่างหลากหลายในงานวิเคราะห์เมตา สแตทเมด. 2002;21(11):1539–1558. PMID 12111919.
ฮิกกินส์ เจพีที, ทอมป์สัน เอสจี, ดีคส์ เจเจ, อัลท์แมน ดีจี การวัดความไม่สอดคล้องกันในการวิเคราะห์เมตา BMJ. 2003;327(7414):557–560. PMID 12958120.
DerSimonian R, Laird N. การวิเคราะห์เมตาในการทดลองทางคลินิก การทดลองทางคลินิกควบคุม. 1986;7(3):177–188.

ต้องการให้วิเคราะห์ข้อมูลนี้สำหรับต้นฉบับของคุณหรือไม่?

นักสถิติชีวภาพระดับปริญญาเอกของเราจะดำเนินการวิเคราะห์เมตาของคุณตั้งแต่ต้นจนจบ — ผลกระทบโดยรวม ความแตกต่าง การวิเคราะห์กลุ่มย่อยและความไว การทดสอบอคติในการตีพิมพ์ และแผนภูมิฟอเรสต์ที่พร้อมสำหรับการตีพิมพ์พร้อมเอาต์พุต R ที่ทำซ้ำได้

รับความช่วยเหลือด้านสถิติจากผู้เชี่ยวชาญ