Paano Magsagawa ng Meta-Analysis: Kumpletong Gabay na Hakbang-hakbang

TL;DR: Pinagsasama-sama ng isang meta-analysis ang mga pagtatantya ng epekto mula sa maraming pag-aaral patungo sa isang weighted na resulta. Ang labindalawang hakbang na landas ay tumatakbo mula sa isang tanong na PICO hanggang sa isang sistematikong paghahanap, dual-reviewer screening na may PRISMA flow diagram, standardized data extraction, risk-of-bias assessment (RoB 2 o ROBINS-I), pagpili ng effect-measure, isang random-effects o fixed-effect model, forest-plot pooling, heterogeneity (I²) at publication-bias testing (Egger's test), GRADE certainty rating, at PRISMA 2020-compliant reporting. May mga libreng calculator para sa bawat yugto na naka-link sa kabuuan.

Ginagawang iisang maipagtatanggol na numero ang isang istante ng magkakahiwalay na pag-aaral, at ang numerong iyon ay kasing-mapagkakatiwalaan lamang ng labindalawang hakbang sa likod nito. Ito man ay isang unang quantitative synthesis para sa isang kabanata ng tesis o isang pagpipino ng isang umiiral na protocol, ang pagkakasunod-sunod sa ibaba ay mula sa pagbabalangkas ng tanong patungo sa isang ulat na handa nang ilathala, kasama ang eksaktong mga istatistikal na limitasyon, mga kagamitan, at mga pamantayan sa pag-uulat na unang sinusuri ng mga peer reviewer.

Ano ang isang Meta-Analysis?

Ang meta-analysis ay isang istatistikal na pamamaraan na pinagsasama ang mga kwantitatibong resulta mula sa maraming independiyenteng pag-aaral sa isang pinagsama-samang pagtatantya ng epekto. Dahil nanghihiram ito ng istatistikal na kapangyarihan mula sa bawat isinama na pag-aaral nang sabay-sabay, ang isang mahusay na isinagawang meta-analysis ay lumilikha ng mas makitid na confidence interval kaysa sa anumang isang pagsubok, maaaring magpakita ng mga epekto na napakaliit para matukoy nang maaasahan ng mga indibidwal na pag-aaral, at nagbibigay-daan sa mga mananaliksik na pormal na masukat kung gaano karaming mga pag-aaral ang hindi magkatugma sa isa't isa sa halip na igiit lamang na hindi magkatugma ang mga ito.

Ang meta-analysis ay isang istatistikal na pamamaraan, hindi isang uri ng pagsusuri. Halos palaging isinasagawa ito sa loob ng isang sistematikong pagsusuri , na nagbibigay ng malinaw at maaaring kopyahing proseso ng paghahanap at screening na ginagawang maipagtatanggol ang pooling sa simula pa lang. Ang pagtrato sa dalawang termino bilang maaaring palitan ay isa sa pinakamabilis na paraan upang makakuha ng pagtutol mula sa isang tagasuri.

Ang Roadmap ng Meta-Analysis

Pinapaikli ng flowchart sa ibaba ang buong proseso sa sampung checkpoint. Ang bawat isa ay pinalalawak nang paunti-unti sa mga sumusunod na seksyon.

Hakbang 1: Tukuyin ang Iyong Tanong sa Pananaliksik

Ang bawat maipagtatanggol na meta-analysis ay nagsisimula nang mas makitid kaysa sa inaasahan ng mga mananaliksik. Pinipilit ng balangkas ng PICO ang pagkipot na iyon. Tinutukoy ng populasyon kung sino ang pinag-aaralan, binabanggit ng Interbensyon o Pagkalantad ang paggamot o salik na sinisiyasat, sinasabi ng Comparator ang kondisyon ng kontrol, at inaayos ng Outcome kung ano mismo ang sinusukat. Ang isang magagamit na halimbawa ay mababasa, "sa mga nasa hustong gulang na may type 2 diabetes, binabawasan ba ng metformin kumpara sa placebo ang mga antas ng HbA1c?" Ang tanong na ganito kaespesipiko ay kung ano ang nagpapahintulot sa mga pag-aaral na makabuluhang pagsamahin sa ibang pagkakataon; ang isang malabo ay ginagarantiyahan ang isang magkakaiba at hindi mabibigyang-kahulugan na pool.

Bago mangako sa isang buong sintesis, mahalagang magsagawa ng mabilisang pagsusuri ng lakas (power analysis) sa malamang na bilang ng mga kwalipikadong pag-aaral at sa kanilang karaniwang laki ng sample. Ang isang meta-analysis ng tatlong pagsubok na kulang sa lakas (underpowered trials) ay karaniwang kulang pa rin sa lakas (underpowered).

Hakbang 2: Magpatakbo ng Sistematikong Paghahanap

Ang isang meta-analysis ay kasing kumpleto lamang ng paghahanap na ibinibigay dito. Ang komprehensibong pagkakakilanlan ay karaniwang sumasaklaw sa MEDLINE/PubMed at Embase para sa biomedical coverage, Cochrane CENTRAL para sa mga klinikal na pagsubok, at mga database na partikular sa larangan tulad ng PsycINFO o CINAHL kung saan nauugnay. Ang mga gray literature (mga disertasyon, mga abstrak sa kumperensya), mga trial registry tulad ng ClinicalTrials.gov, ang mga listahan ng sanggunian ng mga kasama na pag-aaral, at direktang pakikipag-ugnayan sa mga may-akda ng pag-aaral ay kumukumpleto sa paghahanap at natutuklasan kung anong database index lamang ang hindi natutuklasan.

Hakbang 3: Mga Pag-aaral sa Screen at Select

Ang mga pamantayan sa pagiging karapat-dapat na tinukoy sa panahon ng pagpaparehistro ng protocol ay inilalapat dito, sa isip ay sa pamamagitan ng dalawang tagasuri na nagtatrabaho nang nakapag-iisa, na unang sinusuri ang mga pamagat at abstrak, pagkatapos ay ang mga kumpletong teksto ng anumang posibleng karapat-dapat, na may mga dahilan para sa bawat pagbubukod na idinokumento sa halip na itapon. Ang output ay isang PRISMA 2020 flow diagram na nagpapakita nang eksakto kung gaano karaming mga tala ang natukoy, sinuri, ibinukod, at sa huli ay isinama, na ngayon ay isang mandatoryong elemento ng pag-uulat sa halip na isang opsyonal na kagandahang-asal. Ang mga meta-analysis na binuo batay sa obserbasyonal sa halip na randomized na ebidensya ay sumusunod sa parallel na kumbensyon ng MOOSE flow diagram.

Hakbang 4: Kunin ang Datos

Kinukuha ng isang standardized extraction form ang mga katangian ng pag-aaral (may-akda, taon, bansa, disenyo, laki ng sample, follow-up), mga katangian ng kalahok (edad, distribusyon ng kasarian, kalubhaan ng sakit, mga baseline value), mga detalye ng interbensyon (dosis, dalas, tagal, mga co-intervention), at ang mismong datos ng kinalabasan, maging ito man ay mga pangyayari at kabuuan para sa mga dichotomous na kinalabasan o mean, standard deviations, at laki ng sample para sa mga tuloy-tuloy. Dalawang tagasuri na kumukuha nang nakapag-iisa, na may mga pagkakaibang nalutas sa pamamagitan ng talakayan sa halip na sa pamamagitan ng unilateral na paghatol ng isang tao, ay kumukuha ng mga error sa transkripsyon na tahimik na bumababaluktot sa pinagsama-samang mga pagtatantya.

Hakbang 5: Suriin ang Panganib ng Bias

Ang kagamitan ay kailangang tumugma sa disenyo ng pag-aaral. Para sa mga randomized controlled trial, ang kasalukuyang pamantayan ay ang Cochrane RoB 2 tool, na ipinakilala ni Sterne at mga kasamahan sa BMJ noong 2019, na nagbubuo ng pagtatasa sa limang partikular na domain, katulad ng proseso ng randomization, mga paglihis mula sa mga nilalayong interbensyon, nawawalang datos ng kinalabasan, pagsukat ng kinalabasan, at pagpili ng naiulat na resulta. Para sa mga hindi randomized na pag-aaral ng mga interbensyon, pinalalawak ng ROBINS-I (Sterne et al., BMJ , 2016) ang lohikang iyon sa pitong domain, na nagdaragdag ng confounding at participant-selection bias sa listahan dahil wala sa mga ito ang kinokontrol ng randomization. Ang mga resulta ay pinakamahusay na ipinapakita bilang isang traffic-light plot o isang buod ng talahanayan sa halip na itago sa teksto, dahil ang mga tagasuri at mambabasa ay parehong unang nag-i-scan para dito.

Hakbang 6: Piliin ang Iyong Sukat ng Epekto

Ang uri ng kinalabasan ang nagdidikta sa sukatan. Ang mga dichotomous na kinalabasan ay nangangailangan ng risk ratio kapag ang baseline risk ay malaki ang pagkakaiba-iba sa iba't ibang pag-aaral, o odds ratio kapag ang disenyo ay case-control o analysis logistic, o risk difference kapag ang isang absolute, clinically interpretable number ay mas mahalaga kaysa sa relative number. Ang continuous outcomes ay gumagamit ng mean difference kapag ang bawat kasama na pag-aaral ay sumukat ng kinalabasan sa parehong scale, o isang standardized mean difference (Cohen's d, Hedges' g) kapag ang mga scale ay magkakaiba sa iba't ibang pag-aaral; isang libreng effect size converter ang humahawak sa arithmetic sa pagitan ng mga format na ito. Ang time-to-event data ay gumagamit ng hazard ratio na kinuha mula sa survival analysis. Ang diagnostic accuracy meta-analyses ay isang hiwalay na kaso, na nangangailangan ng bivariate o HSROC models sa halip na isang single pooled ratio; isang nakalaang diagnostic meta-analysis calculator ang sumasaklaw sa senaryo na iyon. Kapag ang tamang pagsubok o modelo ay tunay na hindi malinaw, mabilis na pinapaliit ng isang statistical test selector ang mga opsyon.

Hakbang 7: Piliin ang Modelo ng Pagsusuri

Ipinapalagay ng isang fixed-effect model na tinatantya ng bawat kasama na pag-aaral ang parehong iisang tunay na epekto at naaangkop lamang kapag ang mga pag-aaral ay magkapareho sa function sa populasyon, interbensyon, at setting; nagbabalik ito ng mas makitid na confidence interval dahil ipinapalagay nito ang anumang tunay na pagkakaiba-iba sa pagitan ng pag-aaral. Sa halip, ipinapalagay ng isang random-effects model na ang mga tunay na epekto ay nag-iiba sa bawat pag-aaral para sa mga lehitimong klinikal o metodolohikal na dahilan, nagbabalik ng katumbas na mas malawak at mas konserbatibong mga pagitan, at ito ang default na pagpipilian sa medikal na pananaliksik dahil tiyak na ang klinikal na heterogeneity sa mga populasyon ng pagsubok ang pamantayan sa halip na ang eksepsiyon.

Hakbang 8: Pagsamahin ang mga Epekto at Buuin ang Plot ng Kagubatan

Hindi gaanong mahalaga ang pagpili ng software kaysa sa pagkuha ng tamang modelo. Ang RevMan ay nananatiling libreng pamantayan ng Cochrane, ang Comprehensive Meta-Analysis (CMA) ay nag-aalok ng mas ginagabayang komersyal na interface, ang R's meta at metafor ang mga pakete ay nagbibigay ng ganap na kakayahang umangkop nang libre, at karaniwang inaabot ng mga gumagamit ng Stata ang metan or metaan. Alinmang kagamitan ang gamitin, ang pinagbabatayang aritmetika ay pareho. Kalkulahin ang effect size para sa bawat pag-aaral, timbangin ang bawat isa ayon sa katumpakan nito, kalkulahin ang weighted average, at bumuo ng confidence intervals sa paligid nito. Isang libre kalkulador ng meta-analisis nire-reproduce ang pooling na ito at direktang nire-render ang lote ng kagubatan.

Ang wastong pagbasa ng balangkas ay kasinghalaga ng pagbuo nito. Ang parisukat ng bawat pag-aaral ay nasa puntong pagtatantya nito, na proporsyonal sa bigat nito sa pinagsamang pagsusuri; ang pahalang na linya na dumadaan dito ay sumasaklaw sa 95% confidence interval; at ang diyamante sa ibaba ay nagmamarka ng pinagsamang epekto at ng sarili nitong confidence interval sa ilalim ng alinmang modelo ang napili.

Hakbang 9: Suriin ang Heterogeneity

Ang heterogeneity ay ang teknikal na tawag para sa hindi pagkakasundo sa pagitan ng mga pag-aaral, at binigyan nina Higgins, Thompson, Deeks, at Altman ang larangan ng pamantayang sukatan para dito sa isang papel ng BMJ noong 2003 na nagpapakilala sa estadistikang I², na nagpapahayag ng porsyento ng kabuuang pagkakaiba-iba sa mga pag-aaral na maiuugnay sa tunay na heterogeneity sa halip na pagkakataon. Karaniwan, ang 0 hanggang 25 porsyento ay binabasa bilang mababang heterogeneity, 25 hanggang 50 porsyento bilang katamtaman, 50 hanggang 75 porsyento bilang malaki, at higit sa 75 porsyento bilang malaki. Ang kasamang estadistikang Q (isang chi-squared test) at tau-squared (ang tinantyang pagkakaiba-iba sa pagitan ng pag-aaral mismo) ay kumukumpleto sa karaniwang trio ng pag-uulat. Kinakalkula ng isang nakalaang calculator ng heterogeneity ang lahat ng tatlo mula sa nakuha na datos ng pag-aaral. Ang mataas na heterogeneity ay isang prompt upang mag-imbestiga, maging sa pamamagitan ng pagsusuri ng subgroup na pinag-isahin ayon sa klinikal o metodolohikal na mga salik, direktang pagmomodelo ng meta-regression sa mga potential effect modifier, o isang leave-one-out sensitivity analysis na nagbubukod sa bawat pag-aaral upang suriin kung ang isang outlier ang nagtutulak sa pinagsama-samang resulta.

Hakbang 10: Pagsubok para sa Bias ng Publikasyon

Lumilitaw ang publication bias dahil ang mga istatistikal na makabuluhan at kanais-nais na resulta ay sistematikong mas malamang na umabot sa print kaysa sa mga null o hindi kanais-nais, na nagpapabago sa anumang pooled estimate na binuo lamang mula sa kung ano ang nailathala. Pormal na ginawa nina Egger, Davey Smith, Schneider, at Minder ang karaniwang paraan ng pagtuklas sa isang papel ng BMJ noong 1997 , isang regression-based test para sa funnel-plot asymmetry na nalilikha ng publication bias; Nag-aalok ang Begg's rank correlation test ng isang komplementaryong pagsusuri. Kung saan natukoy ang asymmetry, ibinibilang ng trim-and-fill ang mga pag-aaral na tila nawawala upang matantya kung ano ang magiging hitsura ng corrected pooled effect. Ang isang libreng publication bias calculator ay nagpapatakbo ng funnel plot at Egger's test nang magkasama. Mahalagang i-flag sa sinumang co-author o reviewer na ang mga pagsubok na ito ay may tunay na mababang statistical power na may mas mababa sa sampung kasama na pag-aaral, kaya ang isang null na resulta mula sa isang maliit na meta-analysis ay hindi isang malakas na katiyakan sa alinmang paraan.

Hakbang 11: Markahan ang Katiyakan ng Ebidensya

Ang isang pinagsamang pagtatantya ng punto ay walang sinasabi tungkol sa kung gaano kalaking kumpiyansa ang ilalagay dito, na siyang layunin ng pamamaraang GRADE, na ipinakilala nina Guyatt at mga kasamahan sa BMJ noong 2008, na gawing pormal. Binibigyan ng GRADE ng mga rating ang pangkalahatang katiyakan sa limang larangan, katulad ng panganib ng bias sa mga nag-aambag na pag-aaral, hindi pagkakapare-pareho (hindi maipaliwanag na heterogeneity), hindi direktang pagkakatugma (kung gaano kahusay na tumutugma ang ebidensya sa target na populasyon at tanong), kawalan ng katumpakan (sapat na lapad ng mga confidence interval upang masaklaw ang magkakaibang klinikal na konklusyon), at ebidensya ng bias sa publikasyon. Ang nagreresultang rating (mataas, katamtaman, mababa, o napakababa) ay malinaw na nagsasabi sa mambabasa kung ang karagdagang pananaliksik ay malamang na magbabago sa pagtatantya.

Hakbang 12: Iulat ang Iyong mga Natuklasan ayon sa PRISMA 2020

Inilathala nina Page at mga kasamahan ang kasalukuyang pamantayan sa pag-uulat, ang PRISMA 2020, sa BMJ noong 2021 bilang isang update sa orihinal na pahayag noong 2009, at ang checklist na may 27 aytem nito ngayon ang baseline na sinusuri ng mga editor ng journal at peer reviewer ang isang isinumiteng manuskrito bago ang anumang bagay. Kasama sa isang compliant report ang flow diagram mula sa Hakbang 3, isang kumpletong talahanayan ng mga katangian-ng-kasama-na-pag-aaral, ang risk-of-bias assessment mula sa Hakbang 5, mga forest plot para sa bawat pangunahing kinalabasan, mga funnel plot kung saan tinasa ang bias ng publikasyon, at isang talahanayan ng Buod ng mga Natuklasan na naglalaman ng mga GRADE rating mula sa Hakbang 11. Higit pa sa checklist mismo, ang mga pagtatantya ng epekto ay nangangailangan ng malinaw na paglalahad ng kanilang 95% confidence intervals, ang mga istatistika ng heterogeneity ay iniuulat sa halip na alisin kapag hindi maginhawa, ang mga limitasyon ay tinalakay nang prangka, at ang klinikal na interpretasyon ay pinananatiling hiwalay sa istatistika. Ang mga manuskrito na umabot sa yugtong ito ngunit nangangailangan pa rin ng pag-format, pag-align ng journal-target, o isang buong revision pass bago ang pagsusumite ay eksakto kung ano ang sinusuportahan ng aming mga serbisyo sa pagsulat ng manuskrito .

Mga Karaniwang Pagkakamali na Nakikita Natin sa Pagsusuri ng Manuskrito

Sa lahat ng mga manuskrito na dumaan sa Editverse para sa suporta sa meta-analysis, ang parehong bilang ng mga pagkakamali ay madalas na umuulit upang maging sulit na pangalanan nang direkta. Ang pagsasama-sama ng mga klinikal o metodolohikal na hindi magkatugmang pag-aaral sa ilalim ng iisang pinagsamang pagtatantya ang pinakakaraniwan, na sinusundan ng malapit na pag-uulat ng mga istatistika ng heterogeneity nang hindi kailanman sinisiyasat kung ano ang nagtutulak sa mga ito. Ang mga hindi magkatugmang sukat ng epekto (gamit ang isang odds ratio kung saan ang isang risk ratio ay mas madaling maintindihan, halimbawa) ay madalas na lumilitaw upang imungkahi na ang pagpili ay ginagawa sa pamamagitan ng default ng software sa halip na sa pamamagitan ng uri ng kinalabasan. Ang mga natuklasan ng subgroup ay karaniwang ipinapakita bilang kumpirmatoryo sa halip na ang mga senyales na bumubuo ng hypothesis na kung ano talaga sila, at ang isang pagtatasa ng GRADE ay mas madalas na nilalaktawan kaysa sa teknikal na pinahihintulutan ng mga alituntunin sa journal. Ang alinman sa mga ito ay isang makatwirang batayan para sa isang kahilingan sa malaking rebisyon; ang higit sa isa na magkasama ay isang karaniwang ruta sa pagtanggi sa desk.

Kumuha ng Suporta mula sa Eksperto para sa Iyong Meta-Analysis

Ang isang mahigpit na meta-analysis ay gumagamit ng kadalubhasaan sa istatistika at disiplina sa metodolohiya sa bawat isa sa labindalawang hakbang sa itaas, at sinusuri ng mga tagasuri sa mga high-impact journal ang bawat isa sa mga ito. Sinusuportahan ng aming koponan ang disenyo ng protocol at pag-aaral, pagbuo ng form para sa pagkuha ng datos, pagsusuri sa istatistika sa R, Stata, o RevMan, pagbuo ng forest at funnel plot, mga pagtatasa ng GRADE, at pagsulat at rebisyon ng manuskrito hanggang sa pagsusumite. Galugarin ang aming serbisyo sa sistematikong pagsusuri at pagsulat ng meta-analysis o makipag-ugnayan sa amin para sa isang libreng konsultasyon.

Mga sanggunian

1. Page MJ, McKenzie JE, Bossuyt PM, et al. Ang pahayag ng PRISMA 2020: isang na-update na gabay para sa pag-uulat ng mga sistematikong pagsusuri. BMJ. 2021;372:n71. https://doi.org/10.1136/bmj.n71
2. Sterne JAC, Savović J, Page MJ, et al. RoB 2: isang binagong kagamitan para sa pagtatasa ng panganib ng bias sa mga randomized na pagsubok. BMJ. 2019;366:l4898. https://doi.org/10.1136/bmj.l4898
3. Sterne JA, Hernán MA, Reeves BC, et al. ROBINS-I: isang kasangkapan para sa pagtatasa ng panganib ng bias sa mga hindi-randomisadong pag-aaral ng mga interbensyon. BMJ. 2016;355:i4919. https://doi.org/10.1136/bmj.i4919
4. Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Pagsukat ng hindi pagkakapare-pareho sa mga meta-analisis. BMJ. 2003; 327: 557-560. https://doi.org/10.1136/bmj.327.7414.557
5. Egger M, Davey Smith G, Schneider M, Minder C. Bias sa meta-analysis na natukoy sa pamamagitan ng isang simple at grapikong pagsubok. BMJ. 1997; 315: 629-634. https://doi.org/10.1136/bmj.315.7109.629
6. Guyatt GH, Oxman AD, Vist GE, et al. GRADE: isang umuusbong na pinagkasunduan sa pag-rate ng kalidad ng ebidensya at lakas ng mga rekomendasyon. BMJ. 2008; 336: 924-926. https://doi.org/10.1136/bmj.39489.470347.AD
7. Handbook ng Cochrane para sa Sistematikong Pagsusuri ng mga Interbensyon. https://training.cochrane.org/handbook

Sinuri ng pangkat ng suporta sa pananaliksik ng Editverse, batay sa karanasan sa pagsuporta sa sistematikong pagsusuri at meta-analysis na mga manuskrito sa iba't ibang biomedical at klinikal na disiplina. Huling na-update noong Hulyo 2026.