Metaanálisis: Introducción

Un metanálisis integra los hallazgos cuantitativos de estudios separados pero similares y proporciona una estimación numérica del efecto general de interés (Petrie et al., 2003).

Se asignan diferentes ponderaciones a los distintos estudios para calcular el efecto resumido o agrupado. Esta ponderación se relaciona con el inverso del error estándar (y, por lo tanto, indirectamente con el tamaño de la muestra) reportado en los estudios. Los estudios con un error estándar menor y un tamaño de muestra mayor reciben mayor ponderación en el cálculo del tamaño del efecto agrupado.

El efecto del interés puede ser:

• un promedio de una variable continua
• una correlación entre dos variables
• una Razón de las Ventajas, adecuada para analizar estudios retrospectivos
• un Riesgo Relativo (cociente de riesgos) o diferencia de riesgos, adecuado para analizar estudios prospectivos
• una proporción
• el área bajo la curva ROC

El acuerdo o desacuerdo entre los estudios se examina utilizando diferentes medidas de heterogeneidad.

Modelo de efectos fijos y aleatorios

Según el modelo de efectos fijos, se supone que los estudios comparten un efecto verdadero común y el efecto resumen es una estimación del tamaño del efecto común.

Según el modelo de efectos aleatorios, se supone que los efectos reales en los estudios varían entre ellos y el efecto resumen es el promedio ponderado de los efectos informados en los diferentes estudios (Borenstein et al., 2009).

El modelo de efectos aleatorios tenderá a ofrecer una estimación más conservadora (es decir, con un intervalo de confianza más amplio), pero los resultados de ambos modelos suelen coincidir cuando no hay heterogeneidad. Cuando sí la hay (véase más adelante), el modelo de efectos aleatorios debería ser el modelo preferido.

Heterogeneidad

Ejemplo:

Q de Cochran

Q es la suma ponderada de cuadrados en una escala estandarizada. Se presenta con un valor p, donde valores p bajos indican heterogeneidad. Sin embargo, se sabe que esta prueba tiene baja potencia para detectar heterogeneidad, por lo que se recomienda usar un valor de 0,10 como punto de corte para la significancia (Higgins et al., 2003). Por el contrario, Q tiene demasiada potencia como prueba de heterogeneidad si el número de estudios es elevado.

Estadística I ²

I₂ es el porcentaje de la variación total observada entre los estudios que ^se debe a la heterogeneidad real y no al azar. Se calcula como I₂ ⁼  100 % x (Q - gl)/Q, donde Q es el estadístico de heterogeneidad de Cochran y gl los grados de libertad. Los valores negativos de I₂ ^se igualan a cero, de modo que I₂ ^se encuentre entre el 0 % y el 100 %. Un valor del 0 % indica que no se observa heterogeneidad, y valores mayores indican heterogeneidad creciente (Higgins et al., 2003).

Sesgo de publicación

Todos los informes de metanálisis de MedCalc incluyen dos pruebas para detectar un posible sesgo de publicación: la prueba de Egger (Egger et al., 1997) y la prueba de rango de Begg (Begg y Mazumdar, 1994).

La prueba de Egger es una prueba para la intersección en Y = 0 a partir de una regresión lineal de la estimación del efecto normalizado (estimación dividida por su error estándar) contra la precisión (recíproco del error estándar de la estimación).

La prueba de Begg evalúa si existe una correlación significativa entre los rangos de los tamaños del efecto estandarizados y los rangos de sus varianzas.

En ambas pruebas, cuando el valor P (bilateral) es bajo, esto es una indicación de sesgo de publicación.

Tenga en cuenta que el poder de ambos métodos para detectar sesgos será bajo con un número pequeño de estudios.

Ejemplo:

Diagramma de bosque

Los resultados de los diferentes estudios, con IC 95%, y el efecto global (bajo el modelo de efectos fijos y aleatorios) con IC 95% se ilustran en un gráfico llamado 'forest plot', por ejemplo:

En este ejemplo, los marcadores que representan la magnitud del efecto tienen el mismo tamaño. Opcionalmente, el tamaño del marcador puede variar según las ponderaciones asignadas a los diferentes estudios. Además, los efectos agrupados pueden representarse mediante un rombo. La ubicación del rombo representa la magnitud del efecto estimada y su ancho refleja la precisión de la estimación, por ejemplo:

Gráfico de embudo

Un gráfico de embudo (Egger et al., 1997) es una herramienta gráfica para detectar sesgos en el metanálisis.

En un gráfico de embudo, el efecto del tratamiento se representa en el eje horizontal y MedCalc representa el error estándar en el eje vertical (Sterne y Egger, 2001).

La línea vertical representa el resumen estimado derivado del metanálisis de efectos fijos.

Dos líneas diagonales representan los límites de confianza (pseudo) del 95 % (efecto ± 1,96 EE) alrededor del efecto resumen para cada error estándar en el eje vertical. Estas líneas muestran la distribución esperada de los estudios en ausencia de heterogeneidad o sesgo de selección. En ausencia de heterogeneidad, el 95 % de los estudios debería estar dentro del embudo definido por estas líneas diagonales.

Ejemplo de gráfico de embudo simétrico	Ejemplo de gráfico de embudo asimétrico

El sesgo de publicación produce asimetría en el gráfico de embudo. Si existe sesgo de publicación, los estudios más pequeños mostrarán los efectos más significativos. Véase Sterne et al. (2011) para interpretar la asimetría del gráfico de embudo. El gráfico de embudo puede no ser siempre una herramienta fiable, sobre todo cuando el número de estudios incluidos en el análisis es reducido.

Metaanálisis en MedCalc

• Medida continua
• Correlación
• Proporción
• Riesgo Relativo
• Diferencia de riesgo
• Razón de las Ventajas
• Área bajo la curva ROC
• Método genérico de varianza inversa (si ninguno de los anteriores es aplicable)

Literatura

• Begg CB, Mazumdar M (1994) Operating characteristics of a rank correlation test for publication bias. Biometrics 50:1088–1101.
• Borenstein M, Hedges LV, Higgins JPT, Rothstein HR (2009) Introduction to meta-analysis. Chichester, UK: Wiley.
• Egger M, Smith GD, Schneider M, Minder C (1997) Bias in meta-analysis detected by a simple, graphical test. BMJ 315: 629–634.
• Higgins JP, Thompson SG, Deeks JJ, Altman DG (2003) Measuring inconsistency in meta-analyses. BMJ 327:557-560.
• Petrie A, Bulman JS, Osborn JF (2003) Further statistics in dentistry. Part 8: systematic reviews and meta-analyses. British Dental Journal 194:73-78.
• Sterne JA, Egger E (2001) Funnel plots for detecting bias in meta-analysis: guidelines on choice of axis. Journal of Clinical Epidemiology 54:1046–1055.
• Sterne JA, Sutton AJ, Ioannidis JP et al. (2011) Recommendations for examining and interpreting funnel plot asymmetry in meta-analyses of randomised controlled trials. BMJ 2011;343:d4002.

Enlaces externos

• Metaanálisis en Wikipedia.