Meta-Analysis Masterclass: Mga Hakbang-hakbang na Halimbawa mula sa Na-publish na Mga Pagsubok

Inilathala noong Hunyo 20, 2026 | Huling na-update noong Agosto 26, 2026

Ang isang mahusay na meta-analysis ay maaaring gawing iisang numero ang dose-dosenang magkakalat na pagsubok upang maging sapat na tumpak upang mabago kung paano inirereseta ang isang gamot sa buong mundo. Nangyari ito noong 2020, nang pinagsama-sama ng mga mananaliksik ng Cochrane ang 27 pagsubok ng antenatal corticosteroids at kinumpirma na ang isang kurso ay nakakabawas sa panganib ng pagkamatay ng bagong silang ng 22%, isang konklusyong binuo mula sa 11,272 kababaihan sa 20 bansa.1 ^Ang pag-abot sa ganitong uri ng numero, at pagtitiwala dito, ay nangangahulugan ng pagtatrabaho sa parehong pagkakasunud-sunod sa bawat oras. Ang isang tagasuri ay pumipili ng isang istatistikal na modelo, sinusuri kung gaano magkasalungat ang mga kasama na pagsubok, naghahanap ng mga pag-aaral na hindi kailanman nailimbag, at iniuulat ang bawat hakbang nang sapat na malinaw para sa isa pang mananaliksik upang ulitin ang pagsusuri.

Tinatalakay ng gabay na ito ang pagkakasunod-sunod na iyon gamit ang tatlong tunay at nailathalang meta-analyse sa halip na mga imbentong numero. Ang bawat halimbawa ay may sariling aktwal na risk ratio, confidence interval, at heterogeneity statistics, na kinuha mula sa mga orihinal na papel at sinuri laban sa PubMed. Kasama sa saklaw ang pagpili sa pagitan ng mga fixed-effect at random-effects na modelo, pagbabasa ng I², Cochran's Q, at tau² nang hindi tinatrato ang anumang numero bilang isang pass-fail test, pagtingin kung paano nakukuha ng diyamante ng isang lote ng kagubatan ang lapad nito, at paggamit ng funnel plot upang mahuli ang uri ng pumipiling publikasyon na dating nagpamukhang mas epektibo ang isang klase ng antidepressant kaysa sa aktwal na sinusuportahan ng pinagbabatayang datos ng pagsubok ng FDA^.

Ang Idinaragdag ng Isang Meta-Analysis na Hindi Kayang Idagdag ng Isang Narrative Review

Bago pag-aralan ang mga mekanismo sa ibaba, mahalagang kumpirmahin na dapat na pagsamahin ang iyong mga pag-aaral. Ang aming gabay sa pinakamababang bilang ng mga pag-aaral para sa isang meta-analysis ay sumasaklaw sa apat na pagsusuri na nagpapasya dito, kabilang ang kung aling mga istatistika ang hindi na maaaring bigyang-kahulugan sa ilalim ng limang pag-aaral.

Inilalarawan ng isang narrative review ang natuklasan ng isang hanay ng mga pag-aaral. Kinakalkula ng meta-analysis ang isang pinagsamang pagtatantya mula sa mga ito, na may confidence interval na sumasalamin kung gaano karaming kabuuang ebidensya ang nasa likod ng numero. Ang isang pilot trial na binubuo ng apatnapung pasyente at isang limang daang pasyenteng multicenter study na nagtatanong ng magkaparehong tanong ay bihirang magkatugma nang eksakto, at ang isang narrative buod ay walang pormal na paraan upang pagtugmain ang pagkakaiba nang lampas sa paghatol ng may-akda. Binibigat ng meta-analysis ang bawat pag-aaral ayon sa katumpakan nito, kadalasan ang kabaligtaran ng variance nito, kaya ang isang pagsubok na may 2,000 kalahok ay mas nakakaakit ng pinagsamang pagtatantya patungo sa sarili nito kaysa sa isang pagsubok na may 40.

Ang pagkuha ng isang mapagkakatiwalaang pinagsamang numero ay nagsisimula bago pa man ang anumang estadistika. Ang isang tinukoy na tanong sa pananaliksik na binuo sa balangkas ng PICO , populasyon, interbensyon, paghahambing, kinalabasan, ay nagtatakda ng mga hangganan kung saan kwalipikado ang mga pag-aaral. Ang mga pagsubok na sumasagot sa isang bahagyang magkakaibang tanong, ibang dosis, ibang populasyon, ibang kahulugan ng kinalabasan, ay hindi nabibilang sa pool gaano man kahusay ang pagsasagawa ng mga ito. Ang paglaktaw sa hakbang na ito ang dahilan kung bakit pinagsasama ng ilang nailathalang meta-analyse ang mga pag-aaral na hindi kailanman aktwal na maihahambing, na nagreresulta sa isang pinagsamang pagtatantya na naglalarawan ng walang totoong populasyon.

Mga Modelong Fixed-Effect at Random-Effects

Dalawang modelong pang-estadistika ang nangingibabaw sa meta-analysis, at ang pagpili ng mali ay nagbabago kapwa sa puntong pagtatantya at, higit sa lahat, sa lapad ng confidence interval nito. Ipinapalagay ng isang fixed-effect model na ang bawat kasama na pagsubok ay tinatantya ang eksaktong parehong tunay na epekto, kung saan ang anumang pagkakaiba sa pagitan ng mga ito ay maiuugnay lamang sa sampling error. Ang palagay na iyon ay akma sa isang makitid na hanay ng mga pangyayari, na halos magkaparehong mga protocol, populasyon, at dosis, na tumatakbo sa maraming lugar ng parehong pagsubok.

Ipinapalagay ng isang random-effects model ang isang bagay na mas malapit sa realidad para sa karamihan ng mga klinikal na tanong, sa premisa na ang tunay na epekto ay nag-iiba sa bawat pag-aaral dahil ang mga populasyon, dosing regimen, at mga follow-up period ay tunay na magkakaiba, kasama ang sampling error na nakapatong sa baryasyong iyon. Pormal na ginawa nina Rebecca DerSimonian at Nan Laird ang karaniwang pamamaraan sa modelong ito noong 1986, na nagpapakilala ng isang between-study variance term (tau²) na idinaragdag sa sariling sampling variance ng bawat pag-aaral bago kalkulahin ang mga weight.3 ^Dahil pinapatag ng random-effects weighting ang impluwensya ng anumang malaking pagsubok, ang confidence interval nito ay karaniwang mas malawak kaysa sa isang fixed-effect analysis na isinasagawa sa parehong data, at ang point estimate nito ay maaaring lumipat patungo sa simpleng average ng mga resulta ng pag-aaral sa halip na mangibabaw sa pinakamalaking pag-aaral. Karamihan sa mga nailathalang meta-analysis sa klinikal na medisina ngayon ay default sa random-effects para sa eksaktong kadahilanang ito, na inilalaan ang fixed-effect model para sa tunay na homogenous na data tulad ng mga planadong multi-site replication ng isang protocol.

Ang pagpili ng sukat ng epekto ay nangyayari kasabay ng pagpili ng modelo. Karaniwang gumagamit ng mean difference ang mga tuluy-tuloy na resulta o, kapag sinukat ng mga pag-aaral ang parehong construct na may iba't ibang iskala, isang standardized mean difference tulad ng Hedges' g o Cohen's d. Ang mga binary outcome ay gumagamit ng risk ratio, odds ratio, o risk difference, at ang tatlo ay hindi maaaring palitan, ang odds ratio ay mas lumalayo sa risk ratio habang ang baseline event rate ay umaakyat sa humigit-kumulang 20%. Ang libreng effect size converter ng Editverse ang humahawak sa aritmetika sa pagitan ng mga format na ito kapag kailangang ihambing ng isang manuskrito ang mga resultang iniulat sa iba't ibang sukatan sa mga kasama na pag-aaral.

Pagbasa ng Isang Plot ng Kagubatan Hakbang-hakbang

Ang isang plot ng kagubatan ay simpleng biswal na anyo ng isang weighted average, at ang bawat elemento nito ay may dalang impormasyon. Ang bawat pahalang na linya ay kumakatawan sa isang kasama na pagsubok, na may isang parisukat na nagmamarka sa puntong pagtatantya nito at ang haba ng linya ay nagpapakita ng 95% confidence interval nito. Ang laki ng parisukat ay sinusukat gamit ang bigat ng pag-aaral sa pooled analysis, kaya ang isang sulyap sa plot ay nagpapakita kung aling mga pagsubok ang aktwal na nagtutulak sa resulta bago magbasa ng isang numero. Ang isang diyamante sa ibaba ay kumakatawan sa pooled estimate, ang lapad nito ay katumbas ng pooled confidence interval, at ang pahalang na posisyon nito kaugnay ng patayong linya na walang epekto (1.0 para sa risk ratio, 0 para sa mean difference) ang unang bagay na dapat suriin.

Ang pagsusuri ng Cochrane noong 2020 sa mga antenatal corticosteroid ay nag-aalok ng mga totoong numero upang masuri ito nang mekanikal sa halip na abstrakto. Pinagsama nina Emma McGoldrick at mga kasamahan ang 26 na pagsubok na sumasaklaw sa 11,183 na sanggol para sa kinalabasan ng respiratory distress syndrome at natagpuan ang isang risk ratio na 0.71, na may 95% confidence interval na tumatakbo mula 0.65 hanggang 0.78.1 Sa ^isang plot ng kagubatan, ang bawat isa sa 26 na trial lines na iyon ay uupo nang hindi bababa sa bahagyang nasa kaliwa ng 1.0, at ang pinagsamang diyamante ay uupo rin nang buo sa kaliwa nito, dahil ang itaas na hangganan na 0.78 ay hindi kailanman umaabot sa no-effect line. Ang isang diyamante na hindi dumadampi sa patayong linya ang hitsura ng statistical significance sa isang plot ng kagubatan. Niraranggo ng GRADE ang partikular na natuklasang ito bilang high-certainty evidence, ibig sabihin ay malamang na hindi mababago nang makabuluhan ng karagdagang pananaliksik ang pagtatantya.

Ang resulta ng pagkamatay ng mga bagong silang sa parehong pagsusuri ay pinagsama-sama ang 22 pagsubok at 10,609 na sanggol sa isang risk ratio na 0.78 (95% CI, 0.70 hanggang 0.87), na katumbas ng humigit-kumulang 2.6 na mas kaunting pagkamatay sa bawat 100 sanggol na ginamot (95% CI, 1.5 hanggang 3.6 na mas kaunti). ¹ Mahalaga sa klinikal na aspeto ang pag-uulat ng ganap na pagkakaiba sa panganib kasama ang relatibong ratio ng panganib. Ang 22% na relatibong pagbawas ay parang magkapareho kahit na ang baseline risk ay 1% o 20%, ngunit ang bilang ng mga sanggol na nangangailangan ng paggamot upang maiwasan ang isang pagkamatay ay nagkakaiba nang dalawampu sa pagitan ng dalawang senaryo na iyon. Ang libreng meta-analysis calculator ng Editverse ay bumubuo ng parehong pooled estimate at isang forest plot mula sa isang hanay ng mga input sa antas ng pag-aaral, na isang mas mabilis na paraan upang suriin ang isang hand-built plot bago ito ilagay sa isang manuskrito.

Pagsukat ng Heterogeneidad gamit ang I², Cochran's Q, at Tau²

Ang heterogeneity ay ang teknikal na termino para sa kung gaano karaming mga pag-aaral ang hindi nagkakasundo nang higit pa sa kung ano ang mahuhulaan ng sampling error lamang, at tatlong estadistika ang nagbibigay ng sukat dito mula sa iba't ibang anggulo. Sinusuri ng Cochran's Q kung ang hindi pagkakasundo ay istatistikal na makabuluhan, ngunit ang kapangyarihan nito ay lubos na nakasalalay sa kung gaano karaming mga pagsubok ang pinagsama-sama, kaya ang isang meta-analysis na may apat o limang pag-aaral lamang ay maaaring magdala ng totoong heterogeneity na hindi namarkahan ng Q, habang ang isang meta-analysis na may animnapung pag-aaral ay maaaring markahan ang trivial heterogeneity bilang makabuluhan. Tinugunan nina Julian Higgins at mga kasamahan ang kahinaang iyon sa pamamagitan ng pagbuo ng I², na nagpapahayag ng heterogeneity bilang isang porsyento ng kabuuang pagkakaiba-iba sa mga pag-aaral sa halip na isang hilaw na pagsubok sa kahalagahan, na ginagawa itong maihahambing sa mga meta-analysis na may iba't ibang laki. Isang malawakang binanggit na papel noong 2003 ang nagsalin ng estadistika sa praktikal na gabay para sa isang klinikal na madla, na nagmumungkahi na ang mga halagang malapit sa 25% ay kumakatawan sa mababang heterogeneity, malapit sa 50% katamtaman, at malapit sa 75% malaki, habang nagbabala laban sa paglalapat ng mga cutoff na iyon nang mekanikal dahil ang klinikal na kahalagahan ng heterogeneity ay nakasalalay sa tanong na itinatanong^.

Isang meta-analysis ng JAMA Psychiatry noong 2018 ng resistance exercise training at mga sintomas ng depresyon ang nagpapakita kung ano ang hitsura ng isang mataas na I² sa isang totoong dataset. Pinagsama-sama nina Brett Gordon at mga kasamahan ang 54 na effect size mula sa 33 randomized trial na kinasasangkutan ng 1,877 kalahok at natagpuan ang katamtamang benepisyo ng antidepressant, ang Hedges' d na 0.66 (95% CI, 0.48 hanggang 0.83), kasama ang malaking heterogeneity, isang Cochran's Q na 216.92 sa 53 degrees of freedom (P na mas mababa sa .001) at isang I² na 76.0% (95% CI, 72.7% hanggang 79.0%). ⁵ Sa halip na ituring ang heterogeneity na iyon bilang isang dahilan upang hindi magtiwala sa pinagsama-samang pagtatantya, nagsagawa ang mga may-akda ng isang meta-regression sa apat na paunang tinukoy na moderator, kabuuang iniresetang dami ng ehersisyo, baseline health status ng mga kalahok, kung ang alokasyon at pagtatasa ng kinalabasan ay na-blind, at kung ang interbensyon ay nagbunga ng masusukat na pagtaas ng lakas. Lumalabas na ang blinding status ang nagpapaliwanag sa bahagi ng baryasyon, ang mga pagsubok na may blinded assessment ay nag-ulat ng mas maliliit na epekto, habang ang iba pang tatlong moderator ay hindi umabot sa kahalagahan. Ang pagsisiyasat sa mga malamang na pinagmulan nito gamit ang subgroup analysis o meta-regression, sa halip na balewalain ito o tuluyang iwanan ang pinagsamang pagtatantya, ang wastong tugon sa mataas na heterogeneity.

Sinusukat ng Tau² ang parehong pinagbabatayang konsepto sa mismong sukat ng laki ng epekto sa halip na bilang isang porsyento, at direktang ipinapabatid nito kung gaano kalawak ang natatapos na confidence interval ng isang random-effects. Nagbabala sina Gerta Rücker at mga kasamahan na ang I² lamang ay maaaring nakaliligaw dahil ang halaga nito ay bahagyang nakasalalay sa katumpakan ng mga indibidwal na pag-aaral sa halip na puro sa tunay na pagkakaiba-iba ng epekto, na isang dahilan kung bakit iniuulat ng seksyon ng maingat na mga pamamaraan ang tau² at Cochran's Q kasama ang I² sa halip na I² nang hiwalay. Kinakalkula ng libreng heterogeneity calculator ng Editverse ang lahat ng tatlong istatistika mula sa datos sa antas ng pag-aaral, at ang nakalaang gabay ng site sa pamamahala at pagtatasa ng heterogeneity sa mga sistematikong pagsusuri ay sumasaklaw sa mga estratehiya ng subgroup at meta-regression nang mas malalim kaysa sa naaangkop dito.

Pagtukoy sa Bias ng Publikasyon gamit ang mga Funnel Plot at Egger's Test

Nangyayari ang publication bias kapag ang mga pag-aaral na may positibo o istatistikal na makabuluhang resulta ay mas madalas na nakakarating sa mga nakalimbag na dokumento kaysa sa mga pag-aaral na may null o negatibong resulta, na nagpapabago sa anumang meta-analysis na binuo lamang mula sa mga nailathalang literatura. Ipinakita nina Erick Turner at mga kasamahan ang laki ng problema noong 2008 sa pamamagitan ng paghahambing ng mga regulatory filing ng FDA laban sa mga nailathalang literatura para sa 74 na antidepressant trial na sumasaklaw sa 12,564 na pasyente sa 12 gamot. ² Tatlumpu't isang porsyento ng mga pagsubok na iyon, na kumakatawan sa 3,449 na kalahok, ay hindi kailanman nailathala. Sa mga pagsubok na inuri ng FDA bilang positibo, 37 sa 38 ang nakarating sa nakalimbag na dokumento. Sa mga pagsubok na inuri ng FDA bilang negatibo o kaduda-duda, karamihan ay nawala nang buo o isinulat sa paraang positibo ang pagkakasulat. Ang nailathalang literatura lamang ay nagmumungkahi na 94% ng mga antidepressant trial ay positibo; ang kumpletong dataset ng FDA ay nagpakita ng tunay na bilang ay 51%. Ang pagsasama-sama lamang ng mga nailathalang pagsubok ay nagpalaki sa maliwanag na epekto ng gamot ng 32% sa karaniwan, mula 11% hanggang 69% depende sa partikular na gamot.

Ang funnel plot ay ang karaniwang visual check para sa ganitong uri ng distortion. Ang bawat pag-aaral ay naka-plot kasama ang effect size nito sa horizontal axis at isang sukatan ng precision nito, kadalasang standard error, sa vertical axis, na may mas tumpak (mas malaki) na mga pag-aaral patungo sa itaas. Sa kawalan ng bias, ang mas maliliit at hindi gaanong tumpak na mga pag-aaral ay nakakalat nang simetriko sa paligid ng pooled estimate, na lumilikha ng hugis na kahawig ng isang inverted funnel. Ang mga nawawalang maliliit na pag-aaral sa isang gilid, kadalasan ang gilid na nagpapakita ng null o hindi kanais-nais na mga resulta, ay lumilikha ng nakikitang asymmetry. Pormal na ginawa nina Matthias Egger at mga kasamahan ang visual check na ito sa isang statistical test noong 1997, na inire-regress ang standardized effect ng bawat pag-aaral laban sa precision nito at sinusubok kung ang nagresultang intercept ay naiiba sa zero, na nangyayari kapag ang maliliit na imprecise na pag-aaral ay sistematikong lumilihis mula sa ipinapakita ng mas malalaking pag-aaral^.

Kapag ang pagsubok ni Egger o ang isang visual funnel plot inspection ay nagpakita ng posibilidad na asymmetry, ang trim-and-fill method nina Sue Duval at Richard Tweedie ay nag-aalok ng isang paraan upang tantyahin ang epekto nito. Inaalis ng pamamaraan ang pinakamatinding maliliit na pag-aaral na nagtutulak sa asymmetry, ginagamit ang natitirang simetrikong core upang tantyahin ang isang naitama na pooled effect, pagkatapos ay idinaragdag ang mga mirrored placeholder studies upang maibalik ang simetriya at muling kalkulahin ang isang confidence interval na sumasalamin sa malamang na presensya ng hindi nailathalang data. ⁷ Ang trim-and-fill ay pinakamahusay na itinuturing bilang isang sensitivity check sa halip na isang tiyak na pagwawasto; tinatantya nito kung ano ang maaaring maging hitsura ng sagot kung ang mga nawawalang pag-aaral ay umiiral at tumugma sa pattern ng mga nakikita, na isang tunay na palagay sa halip na isang katiyakan. Ang libreng publication bias calculator ng Editverse ay nagpapatakbo ng pagsubok ni Egger at bumubuo ng isang funnel plot mula sa mga input sa antas ng pag-aaral, at ang buong mekanika ng trim-and-fill at mga kaugnay na pamamaraan ng pagtuklas ay sakop sa gabay ni Editverse sa mga advanced na pamamaraan para sa pagtuklas ng publication bias sa mga systematic review.

PRISMA 2020 at Transparent Meta-Analysis Reporting

Ang isang meta-analysis na mahusay sa istatistika ay nabibigo pa rin sa peer review kung ang isang mambabasa ay hindi kayang buuin muli ang aktwal na ginawa, na siyang dapat pigilan ng pahayag ng PRISMA 2020. Inilathala ng working group ni Matthew Page ang kasalukuyang 27-item checklist noong 2021, at ilang aytem ang direktang tumutugma sa mga hakbang na tinalakay sa itaas. ⁸ Hinihiling sa mga may-akda ng aytem 12 na pangalanan ang sukatan ng epekto na pinili para sa bawat kinalabasan. Ang mga aytem 13a hanggang 13f ay nangangailangan ng paglalarawan kung paano pinagsama-sama ang mga pag-aaral, kung aling paraan ng synthesis at software ang pinagsama ang mga ito, kung paano ginalugad ang heterogeneity, at kung anong mga sensitivity analyses ang isinagawa. Sinasaklaw ng aytem 14 ang mga pamamaraang ginamit upang masuri ang bias mula sa mga nawawalang resulta, mga funnel plot at Egger's test sa mga ito, at ang mga aytem 20a hanggang 20d ay nangangailangan na ang aktwal na mga resulta ng synthesis, mga istatistika ng heterogeneity, at mga natuklasan sa sensitivity ay lumitaw sa papel sa halip na iwanang pahiwatig.

Ang kumpletong gabay ng Editverse sa mga alituntunin ng PRISMA 2020 at kumpletong checklist ay sumasaklaw sa bawat aytem nang detalyado, kabilang ang flow diagram na sumusubaybay sa mga tala mula sa unang paghahanap hanggang sa huling pagsasama. Mas madali ang pagbuo ng diagram na iyon mula sa mga raw screening number gamit ang libreng PRISMA 2020 flow diagram generator ng Editverse , na gumagawa ng isang handa nang ilathala na numero nang direkta mula sa mga bilang sa bawat yugto ng screening.

Pagsusuri ng Subgrupo, Pagsusuri ng Sensitibidad, at Meta-Regresyon

Kapag nasa kamay na ang pinagsamang pagtatantya at ang heterogeneity nito, tatlong pamamaraan ang mas susuriin ang resulta. Hinahati ng subgroup analysis ang mga isinama na pag-aaral ayon sa isang paunang natukoy na katangian, antas ng dosis, edad ng pasyente, rehiyon ng pag-aaral, at pinaghahambing ang mga pinagsamang epekto sa mga grupo, na siyang eksaktong nagpapaliwanag ng bahagi ng heterogeneity sa halimbawa ng resistance-exercise sa itaas. Muling pinapatakbo ng sensitivity analysis ang pinagsamang pagtatantya pagkatapos ibukod ang mga pag-aaral nang paisa-isa, o pagkatapos ibukod ang isang buong kategorya tulad ng mga pagsubok na may mataas na panganib ng bias, upang suriin kung ang pangkalahatang konklusyon ay lubos na nakasalalay sa anumang iisang pag-aaral o pagpili ng disenyo. Pinalalawak ng meta-regression ang subgroup analysis sa mga patuloy na variable sa antas ng pag-aaral, sinusubok kung ang isang bagay tulad ng mean participant age o taon ng publikasyon ay hinuhulaan ang laki ng epekto sa mga pag-aaral, bagama't nangangailangan ito ng medyo malaking bilang ng mga isinama na pag-aaral, karaniwang sampu o higit pa, upang makagawa ng isang mapagkakatiwalaang resulta.

Dapat tukuyin ang lahat ng tatlong pamamaraan sa isang protocol bago pagsamahin ang datos, hindi pipiliin pagkatapos batay sa kung aling subgroup ang nagbibigay ng pinakapaborableng resulta. Ang paghahambing ng subgroup na isinasagawa lamang pagkatapos makita na maaari nitong palakasin ang natuklasan sa headline ay isang anyo ng parehong piling pag-uulat na sinusubukang mahuli ng pagtuklas ng bias ng publikasyon sa antas ng pag-aaral, na inilipat lamang sa loob ng isang pagsusuri.

Mga Karaniwang Mali na Nagpapahina sa Isang Manuskrito ng Meta-Analysis

Ang ilang pagkakamali ang bumubuo sa hindi proporsyonal na bahagi ng mga kahilingan sa rebisyon at mga pagtanggi na natatanggap ng mga pagsusumite ng meta-analysis. Ang pagsasama-sama ng mga resultang sinusukat sa tunay na magkakaibang iskala nang hindi muna kino-convert sa isang karaniwang sukatan ay isa na rito. Ang pag-uulat ng I² nang hindi rin iniuulat ang confidence interval sa paligid nito, na maaaring sapat na lapad upang masaklaw ang "mababa" at "malaking" heterogeneity sa isang maliit na meta-analysis, ay isa pa. Ang pagpili ng isang random-effects model matapos makita na nakikitid nito ang isang hindi kanais-nais na confidence interval, sa halip na dahil ang mga pinagbabatayang pag-aaral ay tunay na heterogeneous, ay isang ikatlong pattern na mabilis na nahuhulaan ng mga tagasuri, dahil ang pagpili ng modelo ay dapat na sumusunod mula sa klinikal at metodolohikal na pagkakaiba-iba ng mga kasama na pag-aaral sa halip na mula sa kung aling modelo ang nagbubunga ng mas mailalathalang resulta. Ang nakalaang gabay ng Editverse sa mga karaniwang pagkakamali sa meta-analysis at kung paano iwasan ang mga ito ay gumagana sa pamamagitan ng isang mas mahabang listahan na may mga pag-aayos para sa bawat isa.

Paano Sinusuportahan ng Editverse ang Meta-Analysis at mga Sistematikong Manuskrito ng Pagsusuri

Ang pagpapatakbo ng isang maipagtatanggol na meta-analysis at pagsulat nito upang masundan ng isang tagasuri ang bawat desisyon ay dalawang magkaibang kasanayan, at ang mga manuskrito ay kadalasang nabibigo sa pangalawa kahit na ang mga pinagbabatayang istatistika ay matibay. Ang sistematikong pangkat ng pagsusuri at meta-analysis ng Editverse ay nagtatrabaho sa pareho, mula sa disenyo ng protocol at pagpili ng modelo hanggang sa pag-uulat na sumusunod sa PRISMA at mga pagsusuri bago ang pagsusumite laban sa mga partikular na kinakailangan ng journal.

• Pagpili ng modelong istatistikal at pagtatasa ng heterogeneity para sa aktwal na dataset na hawak
• Paggawa ng lote ng kagubatan at lote ng funnel, handa nang ilathala para sa pagsusumite ng journal
• Pagsusuri ng bias sa publikasyon gamit ang pagsubok ni Egger at trim-and-fill kung saan naaangkop
• Buong pagsusuri ng pagsunod sa checklist ng PRISMA 2020 bago ang pagsusumite

Mga Madalas Itanong Tungkol sa Meta-Analysis

Ano ang pagkakaiba sa pagitan ng isang sistematikong pagsusuri at isang meta-analysis?

Ang sistematikong pagsusuri ay ang nakabalangkas na proseso ng paghahanap, pagsala, at pagtatasa ng lahat ng magagamit na pag-aaral sa isang tanong. Ang meta-analysis ay ang hakbang pang-estadistika sa loob ng prosesong iyon, at naaangkop lamang kapag ang mga kasama na pag-aaral ay sapat na magkakatulad upang pagsamahin sa isang pinagsama-samang pagtatantya. Maaaring umiral ang isang sistematikong pagsusuri nang walang meta-analysis, kapag ang mga pag-aaral ay masyadong naiiba sa pinagsama-samang, ngunit ipinapalagay ng isang meta-analysis na isang sistematikong pagsusuri ang unang nangyari.

Kailan dapat palitan ng isang fixed-effect model ang isang random-effects model?

Ang isang fixed-effect model ay akma kapag ang mga kasama na pag-aaral ay malapit sa mga klinikal at metodolohikal na replika ng isa't isa, tulad ng mga paunang planadong multi-site arm ng isang protocol ng pagsubok. Para sa karamihan ng mga meta-analysis na pinagsasama ang mga independiyenteng isinagawang pagsubok na may magkakaibang populasyon o dosis, ang random-effects ang mas ligtas na default, dahil hindi nito inaalis ang totoong pagkakaiba-iba sa pagitan ng pag-aaral.

Gaano kataas ang kailangan bago ito maging problema?

Walang takdang cutoff na naaangkop sa lahat ng dako. Ang mga halagang malapit sa 75% o mas mataas, tulad ng sa halimbawa ng resistance-exercise sa itaas, ay nangangailangan ng pagsisiyasat sa mga posibleng pinagmulan sa pamamagitan ng subgroup analysis o meta-regression sa halip na iwanan ang pinagsamang pagtatantya. Ang klinikal na direksyon at pagkakapare-pareho ng mga epekto ng indibidwal na pag-aaral ay mahalaga kasama ng hilaw na porsyento ng I².

Tinatanggal ba ng simetrikong funnel plot ang bias sa publikasyon?

Hindi. Ang isang funnel plot na may mas mababa sa humigit-kumulang sampung kasama na pag-aaral ay bihirang magkaroon ng sapat na mga punto ng datos upang mapagkakatiwalaang husgahan ang asymmetry sa alinmang direksyon, at ang ilang mga anyo ng bias, tulad ng pumipiling pag-uulat ng kinalabasan sa loob ng isang nailathalang pagsubok, ay hindi talaga nakakabuo ng asymmetry ng funnel plot. Ang pagsubok ni Egger at ang pagsusuri ng mga registri ng pagsubok laban sa nailathalang literatura, ang pamamaraang ginamit nina Turner at mga kasamahan para sa mga antidepressant, ay nakakahuli ng ilang bias na hindi napapansin ng visual inspection lamang.

Maaari bang gamitin nang magkasama sa isang meta-analysis ang parehong randomized at observational studies?

Sa pangkalahatan ay hindi nasa parehong pinagsamang pagtatantya. Ang mga randomized at observational na disenyo ay may iba't ibang baseline na panganib ng confounding, at ang paghahalo ng mga ito nang walang malinaw na metodolohikal na katwiran, at hiwalay na sensitivity analysis, ay nagpapahina sa interpretability ng pinagsamang resulta. Inaasahan ng karamihan sa mga journal na ang mga uri ng pag-aaral na ito ay susuriin at iuulat nang hiwalay kahit sa loob ng isang pagsusuri.

Anong laki ng sample ang kailangan para maging maaasahan ang isang meta-regression?

Ang sampung kasama na pag-aaral sa bawat covariate ay isang karaniwang binabanggit na minimum, at ang meta-regression ay resulta ng mga pagsusuri na may mas kaunting pag-aaral kaysa sa dapat ilarawan bilang exploratory sa halip na confirmatory. Ang isang regression run sa limang pag-aaral at tatlong covariate ay may napakakaunting statistical power upang makilala ang isang tunay na moderator mula sa noise.

Mga sanggunian

1. McGoldrick E, Stewart F, Parker R, Dalziel SR. Antenatal corticosteroids para sa pagpapabilis ng pagkahinog ng baga ng sanggol para sa mga kababaihang may panganib na manganak nang wala sa panahon. Cochrane Database Syst magpatulin2020;12(12):CD004454. PMID: 33368142
2. Turner EH, Matthews AM, Linardatos E, Tell RA, Rosenthal R. Pumipiling publikasyon ng mga pagsubok sa antidepressant at ang impluwensya nito sa maliwanag na bisa. N Engl J Med. 2008;358(3):252-260. PMID: 18199864
3. DerSimonian R, Laird N. Meta-analysis sa mga klinikal na pagsubok. Kontrolin ang Mga Pagsubok sa Clin. 1986;7(3):177-188. PMID: 3802833
4. Higgins JPT, Thompson SG, Deeks JJ, Altman DG. Pagsukat ng hindi pagkakapare-pareho sa mga meta-analisis. BMJ. 2003;327(7414):557-560. PMID: 12958120
5. Gordon BR, McDowell CP, Hallgren M, Meyer JD, Lyons M, Herring MP. Ugnayan ng bisa ng pagsasanay sa ehersisyo laban sa resistensya sa mga sintomas ng depresyon: meta-analysis at meta-regression analysis ng mga randomized na klinikal na pagsubok. JAMA Psychiatry. 2018;75(6):566-576. PMID: 29800984
6. 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(7109):629-634. PMID: 9310563
7. Duval S, Tweedie R. Trim and fill: isang simpleng paraan ng pagsubok at pagsasaayos para sa publication bias batay sa funnel-plot sa meta-analysis. Biometrics. 2000;56(2):455-463. PMID: 10877304
8. 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. PMID: 33782057

Koponan ng Pananaliksik sa Editverse | Na-update noong Agosto 2026