Kirjoitin viime vuonna viestin ”5 tärkeintä tietoa meta-analyysistä”. Se oli hieno tapa keskittyä – mutta se oli vaikea pitää vain 5. Meta-analyysien kukistuessa, mukaan lukien monet huonosti tehdyt tai väärin tulkitut, on ehdottomasti aika jatkoa varten !
Meta-analyysi yhdistää ja analysoi tietoja useammasta kuin yhdestä tutkimuksesta kerrallaan. Käyttämällä erilaisia tilastollisia menetelmiä, joista osa on tarkoitettu tarkoitukseen, voit tiivistää suuren määrän tietoa yksi yhteenvetotilasto.
Viime vuoden julkaisussa selitin perusasiat ja keskityin joihinkin tapoihin nähdä meta-analyysin arvo.
Tällä kertaa osoitan joihinkin yleisiin ansoihin.
1. Metaanalyysi on turvallisempi lähtökohta kuin yksittäinen tutkimus – mutta se ei välttämättä ole luotettavampi.
Metaanalyysi on yleensä osa järjestelmällistä tarkastelua On raskas työ, ja sitä kuvataan usein lopulliseksi tutkimukseksi, joka ylittää kaikki muut. Viimeinen sana. Yhdestä tutkimuksesta tulee rangaistava asia, joka voidaan jättää huomiotta.
Mutta vaikka yhdistetyillä tuloksilla voi olla paljon painoa, ajatuksella, että meta-analyysi on aina yksi tutkimus, on kolme pääongelmaa.
Ensinnäkin systemaattinen katsaus ja meta-analyysi eivät ole muodollinen kokeellinen tutkimus. Se ei ole kokeellinen tai kuvaileva tutkimus. Subjektiivisia tuomioita on joka askeleella, mikä antaa pienille samanmielisten ihmisryhmille runsaasti tilaa ohjata haluttuun suuntaan, jos he haluavat. Huono tai epätasainen meta-analyysi ei välttämättä pääse yhtä luotettaviin johtopäätöksiin kuin hyvin suoritettu, riittävän voimakas yksittäinen tutkimus.
Toiseksi, ei ole lainkaan epätavallista, että meta-analyysiä hallitsee voimakkaasti meta-analyysi. yksi tutkimus. Paul Glaszioun ja hänen kollegoidensa vuonna 2010 tekemässä tutkimuksessa todettiin, että vaikka kokeita oli useita, tarkin niistä kesti keskimäärin puolet tulosten painosta – ja noin 80% ajasta meta-analyysin johtopäätös oli melkein sama kuin yksi tutkimus. Tämän hallitsevan tutkimuksen ymmärtäminen ja keskusteleminen on kriittistä.
Katsotaanpa esimerkkiä. Joitakin taustatietoja ensin: Alla oleva kuva on metsämetalli yhdestä meta-analyysistä järjestelmällisen katsauksen sisällä. Olen kirjoittanut lyhyen pohjan näiden ymmärtämisestä täällä.
Jokainen meta-analyysi ei vain lisää tutkimuksia. Se saavuttaa painotetun keskiarvon, ottaen huomioon esimerkiksi tutkimuksen koko. Tämä metsätontti näyttää painon, jonka jokainen 6 tutkimuksesta vaikuttaa tulokseen (rivi lihavoituna – napsauta nähdäksesi isomman version). Ja yhden kokeen – HF-ACTION-kokeilun – osuus on hieman yli 70% tuloksesta. Ei ole, että muilla tutkimuksilla ei ole merkitystä – palaamme siihen myöhemmin. Mutta ne eivät todellakaan muuta tätä tulosta dramaattisesti. (Tämän meta-analyysin vuoden 2010 versiossa HF-ACTION -testi oli vielä hallitsevampi, painaa 78%: lla.)
Kolmas ongelma on niin iso, että se saa seuraavan sijan tässä luettelossa: yksi uusi tutkimus voi kumota meta-analyysin tulokset. Heti kun HF-ACTION-tulokset olivat saatavilla, se oli yksinään luotettavampi lähde moniin kysymyksiin kuin edelliset meta-analyysit.
2. Metaanalyysi on tilannekuva ajassa – se voi olla jopa vanhentunut julkaisupäivänä.
Monilla alueilla tutkimus kasvaa erittäin nopeasti. Suurin osa meta-analyyseistä on vanhentuneita – ja tämä prosessi nopeutuu. Jopa kymmenen vuotta sitten jotkut olivat vanhentuneita, kun ne julkaistiin, ja järjestelmällisen tarkastelun mediaani ”selviytymisaika” oli 5,5 vuotta.
Otetaan esimerkki sydämen vajaatoiminnasta. Vuonna 2009 julkaistu -ACTION -tutkimus, kuva oli erilainen. Paljon pienemmällä tietojoukolla jotkut olivat vakuuttuneita siitä, että liikuntaohjelmat vähentävät kuolleisuutta. Mutta epävarmuus oli liian suuri monille, jotka olivat edelleen huolissaan siitä, että liikunta voi olla liian riskialtista Lisäksi sydämen vajaatoimintaa sairastavista naisista oli hyvin vähän tietoja. (28% HF-ACTION-osallistujista oli naisia, mikä oli suuri lisäys tietoihin!) Meta-analyytikot liikkuivat melko nopeasti, kun HF-ACTION saapui, mutta näin ei yleensä ole.
Kun on uusi tutkimus, sinun on todella pystyttävä asettamaan se perspektiiviin. Ja olemassa oleva meta-analyysi voi auttaa sinua tekemään sen. Joskus , uusi tutkimus sisältää myös päivitetyn meta-analyysin, mikä tekee elämästä erittäin helppoa! Mutta jos olet loo meta-analyysissä, joka ei ole kovin viimeaikainen, sinun on silti tarkasteltava myös myöhempiä yksittäisiä tutkimuksia. (Se on iso aihe toisen kerran!)
3.Katso tarkkaan, ennen kuin otat tuloksen kirjaimellisesti – se ei välttämättä ole sama kuin miltä se näyttää olevan.
Kun tutkimme tutkimusta saadaksemme vastauksia omiin kysymyksiimme, tutkijoiden johtopäätösten kääntäminen voi olla erittäin hankala liiketoiminta. Elementit, joiden avulla määritetään, mitä tutkimuksessa mitataan, ovat monimutkaisia. Ne liittyvät laadukkaan ja / tai toteuttamiskelpoisen tutkimuksen tarpeisiin – eivät välttämättä aivan erityisiin kysymyksiin, joita meillä saattaa olla.
Metaanalyysin suhteen meitä sitoo kaksi asiaa: mitä mitatut alkuperäiset tutkimukset ja mitkä tekniikat ovat luotettavia meta-analyysille. Sillä, mitä alkuperäisissä tutkimuksissa mitattiin, voi olla paljon tekemistä sen kanssa, että tutkimus tehdään mahdollisimman lyhyessä ajassa. Korvaavat tulokset ja biomarkkerit ovat kriittisiä, mutta ne voivat johtaa ennenaikaisten johtopäätösten tekemiseen. (Lisätietoja tästä.)
Älä ota kuvausta, kuten ”sydäntapahtuma”, itsestäänselvyytenä: se ei välttämättä tarkoita sitä, mitä luulet sen tarkoittavan. Se on hyvin yleistä kokeissa – ja siksi meta-analyyseissä – sisällyttää yhdistetyt tulokset helposti saatavilla olevilla, yksinkertaisilla nimillä, mutta monimutkaisilla, mutkittelevilla merkityksillä. Joten sinun on todella tarkasteltava hienoa tekstiä (olen kirjoittanut siitä lisää täältä.)
Metaanalyysi voi yhdistää tämän ongelman, koska nämä tulokset ovat saattaneet olla todennäköisemmin yleisiä tutkimuksissa. Tämän ansiosta ne voidaan yhdistää helposti meta-analyysiin. Älä unohda tuloksia, joita ei voitu yhdistää yhteen: ne voivat jopa olla tärkeämpi sinulle kuin meta-analyysit.
4. Kaikki tutkimukset eivät kuulu yhteen.
Joskus systemaattiset arvostelut älä meta-analysoi, kun pystyivät. Usein kuitenkin kirjoittajat neuvovat varovaisuutta yhdistettyjen tutkimusten välisen heterogeenisuuden vuoksi. Kun huomaat tämän, ota varovaisuutta y vakavasti!
Tutkimusten yhdistäminen, joita ei pidä yhdistää, on yksi yleisimmistä puutteista, joita näet meta-analyyseissä. Jos tulokset ovat liian kuvanmukaisia, se voi olla hieman huolestuttavaa, ellei sillä ole varmasti dramaattista vaikutusta. Se voi tarkoittaa, että tutkitut ihmisryhmät ovat liian samanlaisia – eivät todellakaan edusta koko väestöä.
Toisaalta, jos tulokset ovat liian epäjohdonmukaisia – niin kutsuttu heterogeenisuus – se voi tarkoittaa, että tuloksia ei olisi pitänyt meta-analysoida ollenkaan. Avain tähän: voidaanko heterogeenisuus selittää? Esimerkiksi, johtuuko tutkittujen ihmisten tunnetuista eroista?
Voit lukea menetelmistä heterogeenisuuden mittaamiseksi meta-analyyseistä täältä ja täältä. Nyrkkisääntö: I2 on tätä varten hyvin yleinen tilastollinen mitta – 50 prosentin tai suurempi tulos alkaa nousta korkeaksi. (Näet I2: n yllä olevassa esimerkissämme vasemman alakulman yksityiskohdissa: se on 34%, mikä ei ole kovin korkea.)
Nyrkkisääntö: haluat nähdä joitain heterogeenisuus, mutta ei liikaa!
5. Puuttuvat tutkimukset ja puuttuvat tiedot voivat torpedoida meta-analyysin.
Yksi syy siihen, että tulokset voivat olla liian johdonmukaisia, johtuu siitä, että kaikki huonot uutiset puuttuvat!
Tämä johtaa kysymykseen puuttuvista tutkimuksista ja puuttuvista tiedoista.
Jos meta-analyysin tutkimuksissa on puuttuvia tietoja – monet ihmiset menettivät seuraamisensa esimerkiksi – kirjoittajien on kerrottava, kuinka he käsittelivät sitä. (Valitettavasti he eivät ehkä.) Voit nähdä, miten tämä voi vaikuttaa tuloksiin keskustellessani tässä esimerkissä.
Mutta ylivoimaisesti suurempi ongelma on, kun tutkimusten tuloksia ei yksinkertaisesti ole raportoitu. . Kuvittele esimerkiksi, missä olisimme, jos HF-ACTION-tutkijat eivät olisi julkaisseet tuloksiaan. Et usko, että se voi olla iso ongelma, mutta se on. Katson nopeasti tapaa, jolla meta-analyytikot yrittävät tarkistaa julkaisemattomat tutkimukset täällä, ja tästä monimutkaisesta ja kiistanalaisesta alueesta löytyy yksityiskohtainen tekninen kattavuus.
Todellinen ratkaisu on kuitenkin, että kaikki tutkimukset julkaistaan. Ja siinä voit tehdä jotain! Lisätietoja ongelmasta ja siitä, mitä voit tehdä sen ratkaisemiseksi, löydät täältä All Trials -kampanjan verkkosivustolta.
Ja jos tämä on saanut hieman masentavaa, käy uudelleen ensimmäisissä viidessä asiassa muistaaksesi mikä hienoa meta-analyysistä!
~~~~
Löydät järjestelmällisiä katsauksia interventioista kokeile PubMed Healthia terveydenhuollossa meta-analyysien avulla ja ilman niitä. (Tiedonanto: Osa päivätyöstäni.)
5 vinkkiä meta-analyysin tietojen ymmärtämiseen
5 tärkeintä tietoa meta-analyysistä.
Lisää ehdottomasti ehkä meta-analyysistä.
Haluatko tutkia lisää meta-analyyseistä? Johns Hopkinsilla on ilmainen online-johdantokurssi, jolla on sertifiointi.
Esimerkki meta-analyysistä, jota hallitsevat yhden tutkimuksen tulokset, on Analysis 1.2 systemaattisesta katsauksesta sydämen vajaatoiminnan kuntoutukseen. Rod Taylor ja kollegat (2014).
Piirretyt ovat omat (CC-NC-lisenssi).(Lisätietoja: Tilastollisesti hauska ja Tumblr.)