Einführung In Die Meta Analyse In Stata Forex

Einführung in die Meta-Analyse Dieses Buch bietet eine klare und gründliche Einführung in die Meta-Analyse, den Prozess der Synthese von Daten aus einer Reihe von separaten Studien. Die Metaanalyse hat sich zu einem kritisch wichtigen Instrument in den Bereichen Medizin, Pharmakologie, Epidemiologie, Bildung, Psychologie, Wirtschaft und Ökologie entwickelt. Einführung in die Meta-Analyse. Umreißt die Rolle der Metaanalyse im Forschungsprozess Zeigt die Berechnung von Wirkungsgrößen und Behandlungseffekten Erläutern Sie die Fixed-Effect - und Random-Effects-Modelle für die Synthetisierung von Daten Demonstriert, wie Variabilität der Effektgröße in den Studien zu beurteilen und zu interpretieren ist Klarstellung von Konzepten mit Text und Zahlen, gefolgt von Formeln und Beispielen Erläutern, wie man häufige Fehler in der Metaanalyse vermeidet Diskutiert Kontroversen in der Metaanalyse Funktionen einer Website mit zusätzlichen Materialien und Übungen Eine hervorragende Kombination aus klarer Prosa und informativen Grafiken, geschrieben von vier der weltweit führenden Experten Zu allen Aspekten der Metaanalyse. Borenstein, Hedges, Higgins und Rothstein bieten eine erfrischende Abkehr von Kochbuchansätzen mit ihren klaren Erklärungen zum Was und Warum der Metaanalyse. Das Buch ist ideal als Lehrbuch oder als Selbststudium. Meine Schüler, die in einigen Kapiteln vor der Veröffentlichung erschienen, schwärmten von der Klarheit der Erklärungen und Beispiele. David Rindskopf, ausgezeichneter Professor für Pädagogische Psychologie, Stadtuniversität New York, Graduiertenschule und Universitätszentrum, amp Herausgeber des Journal of Educational and Behavioral Statistics. Das Konzept der Einführung in die Metaanalyse soll in erster Linie konzeptionell sein und es ist erstaunlich erfolgreich, dieses Ziel zu erreichen. Der Leser kann bequem überspringen die Formeln und immer noch verstehen, ihre Anwendung und Motivation. Für die mehr statistisch anspruchsvolle Leser, die relevanten Formeln und bearbeitete Beispiele bieten eine hervorragende praktische Leitfaden für die Durchführung einer Meta-Analyse. Das Buch bietet eine eklektische Mischung von Beispielen aus den Bereichen Bildung, Sozialwissenschaften, Biomedizin und sogar Ökologie. Für alle, die die Führung eines Kurses in Meta-Analyse oder verfolgt self-directed Studie, Einführung in die Meta-Analyse wäre eine klare erste Wahl. Jesse A. Berlin, ScD160 Einführung in die Meta-Analyse ist eine hervorragende Ressource für Anfänger und Experten gleichermaßen. Das Buch bietet eine klare und umfassende Darstellung aller grundlegenden und fortschrittlichsten Ansätze zur Metaanalyse. Dieses Buch wird seit Jahrzehnten referenziert. Michael A. McDaniel, Professor für Humanressourcen und Organisationsverhalten, Virginia Commonwealth University Liste der Abbildungen TEIL 1: EINFÜHRUNG 1 WIE EIN META-ANALYSIS WIRKT Der Zusammenfassungseffekt Heterogenität der Effektgrößen 2 WARUM PERFORMETE META-ANALYSE Die SKIV-Metaanalyse Klinisch Wichtigkeit der Wirkung Konsistenz der Wirkungen TEIL 2: WIRKUNGSGRÖSSE UND PRÄZISION Behandlungswirkungen und Effektgrößen Parameter und Schätzungen 4 WIRKUNGSGRÖSSEN BASIERT AUF DEN MITTLERNEN Raw (nicht standardisierte) mittlere Differenz D Standardisierte mittlere Differenz, D und G 5 EFFEKTGRÖSSEN BASIERT AUF BINÄREN DATEN ( 22152 TABLES) Informationen über Wiley E-Texte: Wiley E-Texte werden von VitalSource betrieben und über den VitalSource Bookshelf Leser, online und über eine herunterladbare App, abgerufen. Wiley E-Texte sind online und offline zugänglich und können auf einer Vielzahl von Geräten einschließlich Smartphones und Tablets gelesen werden. Wiley E-Texte sind nicht erstattungsfähig. Wiley E-Texte sind durch DRM geschützt. Für spezifische DRM-Richtlinien konsultieren Sie bitte unsere FAQ. WileyPLUS-Registrierungscodes sind nicht im Lieferumfang von Wiley E-Text enthalten. Für Informationen zu WileyPLUS, klicken Sie hier. Um mehr über Wiley E-Texte zu erfahren, lesen Sie bitte unsere FAQ. Informationen über E-Books: E-Books werden als e-Pubs oder PDFs angeboten. Um sie herunterzuladen und zu lesen, müssen die Benutzer Adobe Digital Editions (ADE) auf ihrem PC installieren. E-Bücher haben DRM-Schutz auf ihnen, was bedeutet, dass nur die Person, die kauft und lädt das E-Book kann darauf zugreifen. E-Bücher sind nicht erstattungsfähig. Um mehr über unsere E-Bücher zu erfahren, lesen Sie bitte unsere FAQ. Related TitlesAnna Chaimani 1, Dimitris Mavridis 1. 2, Georgia Salanti 1 1 Abteilung für Hygiene und Epidemiologie. Universität von Ioannina Schule von Medizin. Ioannina. Griechenland 2 Department of Primary Education. Universität von Ioannina. Ioannina. Griechenland Korrespondenz an Dr. Anna Chaimani, achaiman cc. uoi. gr Statistische Synthese von Forschungsergebnissen mittels Metaanalyse ist weit verbreitet, um die relative Effektivität konkurrierender Interventionen zu bewerten. Eine Reihe von drei Beiträgen zur Vertiefung der psychischen Gesundheit Wissenschaftler mit den wichtigsten statistischen Konzepte und Probleme in der Meta-Analyse wurde vor kurzem in dieser Zeitschrift veröffentlicht. Ein Papier konzentrierte sich auf die Auswahl und Interpretation des entsprechenden Modells, um Ergebnisse zu synthetisieren (Fixeffekt oder Zufallseffektmodell), während die anderen beiden Papiere auf zwei Hauptbedrohungen ausgerichtet waren, die die Gültigkeit von Metaanalyseergebnissen beeinträchtigten, nämlich Publikationsvorspannung und fehlende Ergebnisdaten . In dieser Arbeit stellen wir eine Anleitung zur Durchführung einer Metaanalyse unter Verwendung von Stata, einer der am häufigsten verwendeten Softwarepakete für die Metaanalyse, zur Verfügung. Wir behandeln die drei Themen, die in den vorherigen Ausgaben der Zeitschrift behandelt wurden, und konzentrierten sich auf ihre Umsetzung in Stata unter Verwendung eines Arbeitsbeispiels aus der psychosozialen Forschung. Einleitung Systematische Reviews und Metaanalysen werden oft als zuverlässige Beweismittel betrachtet, um Entscheidungen über die Wirksamkeit und Sicherheit konkurrierender Interventionen zu informieren.1 Die Gültigkeit der Ergebnisse einer Metaanalyse hängt von mehreren Faktoren wie der Vollständigkeit der Systematik ab Die Plausibilität der getroffenen Annahmen, das Risiko der Bias in den einzelnen Studien und das Potenzial für Berichtspflicht. In dieser Arbeit konzentrieren wir uns auf die statistischen Erwägungen des Metaanalyseprozesses, und wir analysieren ein Beispiel aus der psychischen Gesundheit in Stata.2 Die theoretischen und konzeptionellen Überlegungen der von uns implementierten Methoden wurden in jüngst publizierten Artikeln 35 behandelt Papiere als Begleiter beim Lesen dieses Manuskripts. Genauer gesagt, in diesem Papier präsentieren wir Stata-Befehle: Um eine feste oder eine zufällige Effekte Meta-Analyse. Vor der Durchführung der statistischen Analysen sollten Metaanalytiker das entsprechende Modell (entweder feste oder zufällige Effekte) für die spezifische klinische Einstellung und die Ergebnisse von Interesse in Betracht ziehen und dann das Ergebnis unter Berücksichtigung der Größenordnung der Variabilität zwischen den Studien ( Heterogenität) 3. 6 Um fehlende Ergebnisdaten zu berücksichtigen. Teilnehmer mit fehlenden Ergebnisdaten können sowohl die Präzision als auch die Größe des meta-analytischen Summary-Effekts beeinflussen, wobei letztere auftreten können, wenn die Wahrscheinlichkeit des Fehlens mit der Effektivität der Interventionen verglichen wird.5 Um die Bias - und Small-Study - Effekte .4 Die Veröffentlichung von Forschungsergebnissen hängt von ihrer Art und ihrer Richtung ab.7 Die Nichtbeachtung der nicht veröffentlichten Studien kann zu voreingenommenen zusammenfassenden Schätzungen zugunsten einer der beiden konkurrierenden Behandlungen führen (dh in der Regel das aktive oder das neuere) Intervention) .8 Methoden und Stata-Routinen In den folgenden Abschnitten stellen wir ein Beispiel für Meta-Analysen mit metaniss-fester und zufälliger Wirkung dar. Mit dem metamiss-Befehl10 untersuchen wir die Auswirkungen unterschiedlicher Annahmen auf den Mechanismus der fehlenden Daten auf der Zusammenfassung. Wir verwenden unterschiedliche Ansätze und Instrumente, um festzustellen, ob die Publikationsvorspannung wahrscheinlich mit den Befehlen metafunnel, 11 confunnel, 12 metatrim13 und metabias operiert.14 Als Arbeitsbeispiel verwenden wir eine systematische Überprüfung, die 17 Studien umfasst, in denen Haloperidol und Placebo für die Behandlung verglichen werden Der Symptome bei Schizophrenie. Dieser Datensatz wurde bisher verwendet, um die Auswirkungen der fehlenden Daten auf klinische Ergebnisse zu bewerten15 und basiert ursprünglich auf einer Cochrane-Überprüfung.16 Das Ergebnis von Interesse ist die klinische Verbesserung und Risikoverhältnisse (RRs) größer als 1 für Haloperidol über Placebo. Von jedem Versuch haben wir folgende Informationen (Tabelle 1): Anzahl der Teilnehmer, die im Placeboarm (Variable rp) und im Haloperidolarm (rh) reagierten Anzahl der Teilnehmer, die nicht im Arm (fp, fh) Der Teilnehmer, die ausfallen und deren Ergebnisse fehlen (mp, mh). Anzahl der Erfolge (f) und fehlende Teilnehmer (m) für die 17 Studien Vergleich von Haloperidol und Placebo zur klinischen Verbesserung der Schizophrenie Durchführen von festen und zufälligen Effekten Metaanalyse und Messung der Heterogenität Metaanalyse in Stata kann durchgeführt werden Den Befehl metan. Für dichotome Daten benötigt der metan-Befehl vier Eingangsvariablen: metan rh fh rp fp Hierbei liefert die Software die Zusammenfassung RR von Haloperidol im Vergleich zu Placebo mit dem festen Effektmodell nach Mantel-Haenszel-Gewichten.17 Die inversen Varianzgewichte können Über die Option fixedi oder randomi für eine feste oder zufällige Wirkungsanalyse festgelegt werden. Das Ändern der geschätzten Effektgröße ist durch Angabe der Optionen oder für OR und rd für Risikodifferenz möglich. Die Option mit () erlaubt die Definition einer Gruppierungsvariablen für die enthaltenen Studien und führt eine Untergruppenanalyse durch. Für kontinuierliche Daten sind sechs Eingabevariablen erforderlich: die Gesamtzahl der Teilnehmer in jedem Arm, die Mittelwerte und die SD für jeden Arm. Die Option nostandard schaltet das geschätzte Effektmaß von standardisierter Mittelwertdifferenz zur Mitteldifferenz um. Der Befehl gibt über den Q-Test, die I 2 - Messung und die Schätzung der Heterogenitätsvarianz 2 (nach der Methode der Momentenschätzer), die in den Ergebnisresultaten zur Verfügung gestellt werden, Auskunft über die Anwesenheit und Größe der statistischen Heterogenität. Obwohl die geschätzten I 2 und 2 routinemäßig als feste Werte gemeldet werden, sind sie nicht frei von Unsicherheit um die mittlere Schätzung. Der CI für die I 2 - Messung kann mit dem Befehl heterogi abgeleitet werden. Die die Eingabe der Q-Statistik der Metaanalyse und der entsprechenden Freiheitsgrade erfordert (df, die Anzahl der Studien minus eins): Bisher liefert der metan-Befehl kein CI für die Größe der Heterogenität (2). Allerdings erlaubt es die Bewertung der Auswirkungen von Heterogenität auf den Summierungseffekt über das prädiktive Intervall, in dem die Wirkung einer zukünftigen Studie zu erwarten ist.18 Das prädiktive Intervall drückt die zusätzliche Unsicherheit aus, die in den Schätzungen zukünftiger Studien induziert wird Aufgrund der Heterogenität und kann durch Hinzufügen der rfdist-Option in metan (nach dem Zufallseffektmodell) abgeschätzt werden. Viele zusätzliche Optionen sind verfügbar (z. B. Optionen, die das Erscheinungsbild der Gesamtstruktur darstellen), die Sie in der Hilfedatei des Befehls finden können (indem Sie help metan eingeben). Erforschung der Auswirkungen fehlender Ergebnisdaten Stata verfügt über einen leicht verfügbaren Befehl namens metamiss, der die Integration verschiedener Annahmen für den Mechanismus fehlender Ergebnisdaten in einer Metaanalyse ermöglicht. Der metamiss-Befehl kann bislang nur für dichotome Daten angewendet werden, wird aber zurzeit um kontinuierliche Ergebnisse erweitert.19 Die Syntax ist ähnlich dem metan-Befehl, erfordert aber auch die Anzahl der Teilnehmer, die aus jedem Arm herausfallen (dh sechs Eingaben Variablen sind notwendig) sowie die gewünschte Methode, Informationen für die fehlenden Daten zuzuordnen: metamiss rh fh mh rp fp mp, Imputationsverfahren Im Allgemeinen können wir folgende Szenarien annehmen: Eine verfügbare Fallanalyse (ACA), die die fehlenden Daten ignoriert (Option aca) und rechtfertigt die fehlende zufällige Annahme Das Best-Case-Szenario. Die alle fehlenden Teilnehmer in der experimentellen Gruppe als Erfolge und in der Kontrollgruppe als Ausfälle impliziert (Option icab) Das Worst-Case-Szenario. Dies ist das Gegenteil des Best-Case-Szenarios (Option icaw). Die beiden bisherigen Ansätze sind Nave-Imputationsmethoden, da sie die Unsicherheit in den unterstellten fehlenden Daten nicht richtig berücksichtigen. Zu den Methoden, die die Unsicherheit in den unterstellten Daten berücksichtigen, gehören: Die Gamble-Hollis-Analyse, 20 die die Unsicherheit der Studien mit den Ergebnissen der Best-Case - und Worst-Case-Analysen (Option gamblehollis) aufbaut ), 15. 21, die die Ergebnisse von beobachteten und fehlenden Teilnehmern (Optionen imor () oder logimor ()), die Unsicherheiten in der vermuteten Assoziation (sdlogimor ()) ermöglichen, in jedem Studienarm betrifft. Beachten Sie, dass der Befehl metamiss immer davon ausgeht, dass das Ergebnis für ein schädliches Ergebnis (z. B. unerwünschte Ereignisse) vorteilhaft ist, werden die Optionen icab und icaw das Worst-Case - bzw. Best-Case-Szenario geben. Wenn es nicht möglich ist anzunehmen, dass fehlende Daten zufällig fehlen, ist das IMOR-Modell die geeignetste Methode, da es die Unsicherheit der unterstellten Daten berücksichtigt.5 Dieses Modell verwendet einen Parameter, der die Chancen des Ergebnisses im Fehlen in Beziehung setzt Daten zu den Quoten des Ergebnisses in den beobachteten Daten. Wenn dieser Parameter nicht durch Gutachten informiert werden kann, ist es ratsam, eine Sensitivitätsanalyse durchzuführen, die verschiedene Werte annimmt (z. B. wenn wir die Chancen des Ergebnisses in den fehlenden Daten auf das Doppelte der Chancen in den beobachteten Daten zur Behandlung setzen Sowie Kontrollgruppen, wir geben metamiss rh fh mh rp fp mp, imor (2)). Bewertung der Anwesenheit von kleinen Studieneffekten und das Risiko der Veröffentlichung Bias Die verfügbaren Ansätze für die Bewertung der Gefahr der Veröffentlichung Bias in einer Meta-Analyse können breit in zwei Kategorien eingeteilt werden: (1) Methoden auf der Assoziation von Effektgrößen auf ihre Präzision und ( 2) Auswahlmodelle. Wir konzentrieren uns auf die erste Gruppe von Methoden, die in Stata über die Befehle metafunnel, confunnel, metatrim und metabias implementiert wurden. Allerdings sollten sich Forscher immer daran erinnern, dass dieser Ansatz Informationen über die Anwesenheit von kleinen Studie Effekten, die möglicherweise nicht mit echten Publikation Bias assoziiert werden könnte oder nicht. Der Befehl Metafunnel zeichnet die Standard-Trichter plot22 und erfordert zwei Eingabevariablen. Es sei logRR und selogRR die beiden Variablen mit den beobachteten Effektgrößen in Studien und deren SEs. Die Syntax des Befehls metafunnel lautet: metafunnel logRR selogRR Die Option by () kann hinzugefügt werden, um die Untersuchungen in Untergruppen (unter Verwendung verschiedener Formen und Farben) gemäß einer Gruppierungsvariablen anzuzeigen. Eine Einschränkung des Standard-Trichterplots ist, dass es nicht erklärt, ob die offensichtliche Asymmetrie auf Publikations-Bias zurückzuführen ist, oder auf andere Gründe, wie echte Heterogenität zwischen kleinen und großen Studien oder Unterschiede im Grundrisiko der Teilnehmer.4 Konturverstärkter Trichter Wo schattierte Bereiche in der Grafik hinzugefügt wurden, um zu zeigen, ob fehlende Studien in den Bereichen statistischer Signifikanz liegen (z. B. p-Wert lt0,05) .23 Wenn nicht bedeutende Studien veröffentlicht wurden, ist es unwahrscheinlich, dass Die Asymmetrie ist auf Publikations-Bias zurückzuführen. Der Befehl confunnel kann zur Erzeugung dieses modifizierten Trichterplots verwendet werden, indem dieselbe Syntax mit dem Befehl metafunnel verwendet wird: confunnel logRR selogRR Das Maß der in der vertikalen Achse (zB die Varianz anstelle des SE) gemessenen Studienpräzision kann über die Option modifiziert werden metrisch (). Während die Option extraplot () die Verwendung zusätzlicher Graphen (wie Regressionslinien, alternative Streudiagramme usw.) unter Verwendung von Standard-Stata-Befehlen ermöglicht. Alternativen zum Trichter-Plot wurden auch in Stata implementiert.22 Genauer gesagt, sind Regressionsmodelle, die das Ausmaß der Wirkung in einer Studie auf ihre Präzision beziehen, sehr populär. Der Befehl metabias kann vier verschiedene Regressionsmodelle (Eggers test22 (Option egger), Harbords test24 (option harbord), Peters test25 (Option peter) und den Rangkorrelationstest von Begg und Mazumdar26 (Option begg) anpassen. Für einen generischen Ansatz, bei dem die Effekte der Effekte auf ihre Standardfehler (se) metabias effect se, model oder für dichotome Daten metabias rh fh rp fp zurückgeführt werden, wobei das Modell eines der vier oben beschriebenen Modelle definiert. Das Hinzufügen des Optionsdiagramms gibt auch eine grafische Darstellung der Ergebnisse. Beachten Sie, dass die durch den Eggers-Test geschätzte Regressionslinie auch dem Trichterplot hinzugefügt werden kann, indem Sie die Option egger im Befehl metafunnel hinzufügen. Das Trim-and-fill-Verfahren zielt darauf ab, den Zusammenfassungs-Effekt so zu schätzen, als ob der Trichter-Plot symmetrisch wäre, vorausgesetzt, dass Publikations-Bias die einzige Erklärung der Asymmetrie ist. Die Methode kann mithilfe des Befehls metatrim mit der folgenden Syntax angewendet werden: metatrim-Effekt s Die Angabe des Options-Trichters in metatrim gibt den geschätzten gefüllten Trichter-Plot, der sowohl publizierte als auch nicht veröffentlichte Studien enthält. Ein Stata-Skript, das alle unten beschriebenen Ergebnisse erzeugt, finden Sie online unter missoptima. project. uoi. grindex. phpour-research-projects. Feste und zufällige Effekte Metaanalyse Wir haben feste Effekte sowie zufällige Effekte für die Illustration verwendet. Unter Verwendung des metan-Befehls führten wir ACAs für beide Modelle durch und erzeugten das Waldplot von 1. Es ist im Allgemeinen irreführend, sich auf den Diamanten zu konzentrieren, wenn die Ergebnisse einer zufälligen Effekte-Metaanalyse zum Beispiel in der Gegenwart von übermäßiger Heterogenität interpretiert werden Der Diamant ist oft bedeutungslos. Forest-Plot zeigt die Ergebnisse der festen und zufälligen Effekte Meta-Analyse für die 17 Studien Vergleich von Haloperidol und Placebo für die klinische Verbesserung der Schizophrenie (Ergebnis: Response-Rate) (RR, Risiko-Verhältnis). Gemß Fig. 1 schlugen beide Modelle vor, daß Haloperidol statistisch signifikant wirksamer als das Plazebo bei der Behandlung von Schizophrenie war, und erwartungsgemß führte die zufällige Wirkungsanalyse zu einem breiteren CI. Trotz dieses Befundes überschritt das geschätzte prädiktive Intervall die Linie ohne Wirkung, was impliziert, dass in einer zukünftigen Studie Placebo wirksamer erscheinen könnte als die aktive Droge. Die studienspezifischen Schätzungen schienen wesentlich heterogen zu sein (z. B. die CIs der folgenden Studien, Bechelli 1983 und Beasley 1996 nicht überlappen), daher könnte die feste Effektannahme für diesen Datensatz nicht plausibel sein. Dies wird durch den Q-Test unterstützt, der das Vorhandensein von Heterogenität nahelegte (p0.038). Der Mittelwert der I 2 - Messung, die die Heterogenität über die Studien hinweg mißt, deutete auf das Vorliegen einer geringen Heterogenität hin (41). Unter Verwendung des Heterogi-Befehls schätzten wir den CI für den I & sub2 ;, der von 0 bis 67 reichte, was darauf hindeutet, daß Heterogenität potentiell null bis groß, aber nicht übermäßig war. Die beiden Modelle unterscheiden sich nicht nur in der Unsicherheit, sondern auch hinsichtlich der Größenordnung des summarischen Effekts. Dies ist sehr häufig, wenn es einen kleinen Studie-Effekt gibt (dh es gibt eine Assoziation zwischen Effektgröße und Größe der Studie), weil das Zufallseffektmodell verhältnismäßig größere Gewichte für kleinere Studien zuweist.4 In unserem Beispiel sind kleinere Studien (dh, Studien, die kleineren Quadraten in Abbildung 1 entsprechen) ergab günstigere Ergebnisse für Haloperidol, während größere Studien näher an den Null-Effekt waren. Auswirkung der fehlenden Ergebnisdaten Wir haben zunächst eine Untergruppenanalyse (mit metan mit der Option by () durchgeführt), um zu untersuchen, ob Studien mit und ohne fehlende Daten (in beiden Armen) unterschiedliche Ergebnisse lieferten. Diese Analyse basierte nur auf den beobachteten Daten, so dass in Studien mit fehlenden Daten die Stichprobengröße geringer war als die Anzahl der randomisierten Teilnehmer. Ein häufiges Missverständnis der Untergruppenanalysen ist, dass die Ergebnisse zwischen Untergruppen unterschiedlich sind, wenn der Summierungseffekt für eine Untergruppe statistisch signifikant ist und nicht für den anderen. Jedoch sollte die Schlussfolgerung auf Untergruppenunterschiede auf einem Interaktionstest (dh dem Test auf Untergruppenunterschiede, der auch in RevMantech. cochrane. orgrevman implementiert wird) basieren, der statistisch die beiden Untergruppenmittel, die ihre Unsicherheit berücksichtigen, vergleicht. Unterschiede zwischen den Untergruppen lassen sich auch anhand der Überlappung der CIs in ihren zusammenfassenden Schätzungen feststellen.17 In Abbildung 2 ergaben Studien ohne fehlende Daten günstigere Ergebnisse für Haloperidol als Studien mit fehlenden Daten. Diese Diskrepanz war ebenfalls statistisch signifikant, da der p-Wert für den Gesamttest für die Heterogenität zwischen den Untergruppen (in der Ausgabe von Metan unter dem festen Effektmodell) gleich 0,001 war. Daher ist es wahrscheinlich, dass fehlende Daten in Studien erheblich beeinträchtigt die Ergebnisse eine mögliche Erklärung ist, dass es eine hohe Dropout-Rate in der Placebo-Arm aufgrund mangelnder Wirksamkeit, die sehr häufig in Studien in der Psychiatrie ist. Untergruppe Analyse der 17 Studien Vergleich von Haloperidol und Placebo bei Schizophrenie (Ergebnis: Response-Rate). Studien wurden nach dem Vorhandensein oder Fehlen von fehlenden Ergebnisse Daten in beiden Armen (RR, Risiko-Verhältnis) eingestuft. Wir untersuchten weiterhin die Auswirkungen der fehlenden Daten, indem sie in die Analyse verschiedene Annahmen über den Mechanismus des Fehlens einbeziehen. Wir präsentierten die Ergebnisse aus dem Zufallseffektmodell (Abbildung 3) und konzentrierten sich auf die Unterschiede in den summarischen Effekten in den verschiedenen Szenarien. Unter allen sechs Analysen schien Haloperidol besser zu funktionieren als Placebo für Schizophrenie. Kleine Unterschiede bestanden in den Punktschätzungen zwischen den IMOR-Modellen und der Gable-Hollis-Analyse im Vergleich zum ACA. Anders als die übrigen Methoden weisen diese beiden Ansätze keine Daten auf und brechen die Probengröße nicht künstlich auf. Das IMOR-Modell erhöhte die Unsicherheit in Studien, was wiederum zu einer leichten Reduktion der Heterogenität führte. Die Änderungen in der zusammenfassenden Schätzung waren vernachlässigbar. Im Rahmen der ACA-Analyse Studien mit großen fehlenden Raten begünstigt Placebo (Abbildung 1). Die IMOR-Modelle abgewichtet diese Studien und die mittlere Zusammenfassung Schätzung leicht in Richtung der aktiven Intervention bewegt. Zusammengefasste Risikoverhältnisse (RRs), die geschätzt werden, wenn die fehlenden Daten ignoriert werden (verfügbarer Fall), Nave-Imputationsmethoden (Best-Case und Worst-Case) sowie Methoden, die die Unsicherheit in fehlenden Daten richtig berücksichtigen (Gamble-Hollis und informative Fehlenden OR (IMOR) - Modellen). Beide IMOR-Modelle gehen davon aus, dass die Chancen des Ergebnisses in den fehlenden Daten den Chancen in den beobachteten Daten entsprechen (Mittelwert IMOR1) und die Unsicherheit dieser Annahme widerspiegeln, indem sie eine Nicht-Null-SD des fehlenden Parameters zulassen. Publikations-Bias und kleine Studie Effekte Verschiedene zusammenfassende Schätzungen zwischen festen und zufälligen Effekte Modelle (Abbildung 1) stellte Bedenken, dass kleine Studien-Effekte möglicherweise in unserem Beispiel betrieben, die Frage der richtigen Interpretation der Gesamteffekt. Um diese scheinbare Assoziation zwischen Effektgröße und Studiengröße zu untersuchen, haben wir eine Reihe von grafischen Ansätzen und statistischen Tests verwendet (es ist wichtig zu beachten, dass alle diese Methoden eine geringe Leistung aufweisen und mindestens 10 Studien erforderlich sind, um Schlussfolgerungen zu ziehen) .17 Der Trichter Plot in Abbildung 4 war eher asymmetrisch und zeigte, dass kleinere Studien tendenziell Ergebnisse liefern, die die Wirksamkeit von Haloperidol betonen. Der konturverstärkte Trichter-Plot (Abbildung 5) half uns, zwischen Publikations-Bias und anderen Ursachen der Asymmetrie zu unterscheiden. Es zeigte sich, dass kleine Studien nicht nur in den Bereichen der statistischen Signifikanz (schattiger Bereich), sondern auch in Bereichen mit nicht-statistischer Signifikanz (weiße Fläche) gefunden wurden, weshalb die Asymmetrie möglicherweise durch mehrere Faktoren und nicht nur durch Publikations-Bias verursacht wurde. Um das Ausmaß und die statistische Signifikanz der Beziehung zwischen den beobachteten Wirkungsgrößen und der Studiengröße zu bestimmen, wurde das Eggers-Meta-Regressionsmodell (Tabelle 2) durchgeführt. Der Test deutete darauf hin, dass kleinere Studien tendenziell zu unterschiedlichen Ergebnissen führen, wenn sie mit größeren Versuchen verglichen wurden, da der CI des Intercept nicht den Nullwert enthielt. Ergebnisse aus dem Eggers-Meta-Regressionstest zur Beurteilung der Anwesenheit von Kleinstudien-Effekten in den 17 Studien zum Vergleich von Haloperidol und Placebo für die klinische Verbesserung in der Schizophrenie Trichter-Plot einschließlich der 17 veröffentlichten Haloperidol-Studien in Schizophrenie (Kreise) und die unveröffentlichten Studien (Quadrate) Geschätzt aus dem Trimm-und-Füll-Verfahren. Die durchgezogene Linie entspricht den bereinigt um die Auswirkungen des Publikations-Bias-Summierungseffekts (logRR0.27) und der gestrichelten Linie auf den Summeneffekt, der nicht der Publikationsvorspannung (logRR0.45) (RR, Risikoverhältnis) entspricht. Diskussion Neben der raschen methodischen Entwicklung der Metaanalyse wurde eine Vielzahl relevanter Softwareoptionen zur Verfügung gestellt, die die Anwendung verschiedener Modelle und die Erforschung von Merkmalen ermöglichen, die die Ergebnisse beeinflussen können. Anhand eines Arbeitsbeispiels wurde in dieser Arbeit ein kurzes Tutorial für Forscher und interessierte Kliniker über die Verwendung von Stata in der Metaanalyse vorgestellt, in der die häufigsten Fallstricke bei der Interpretation der Ergebnisse hervorgehoben werden (mehr Informationen über Stata finden Sie an anderer Stelle) .27 Unsere Ergebnisse Dass das Vorhandensein wichtiger Kleinstudien-Effekte sowie die fehlenden Ergebnisse in einigen Studien die geschätzte Zusammenfassung Wirkung nicht repräsentativ für die gesamte Reihe von Studien. Einschließlich in der Metaanalyse waren nur Studien mit Daten für alle randomisierten Teilnehmer nicht der empfohlene Ansatz, da der Großteil der Evidenz aus Studien mit fehlenden Ergebnisdaten kam. Klinische Einsicht in die Ergebnisse und Behandlungen von Interesse ist notwendig, um vernünftige Annahmen für den Mechanismus der fehlenden Daten zu treffen und die Wahl des geeigneten statistischen Modells zu informieren. Die Ergebnisse der drei Modelle, die für die Unsicherheit in den unterstellten fehlenden Daten verantwortlich waren (Gamble-Hollis und die beiden IMOR-Modelle) waren ähnlich und wahrscheinlich die genauesten Schätzungen der Zusammenfassung RR. Doch die Tatsache, kleine und große Versuche gab verschiedene Ergebnisse braucht weitere Exploration. Wenn zum Beispiel die Grße der Studien mit den Unterschiede in den Populationsmerkmalen in Bezug auf einige Effektmodifikatoren assoziiert war, dann kann es keine gemeinsame RR geben, die auf alle Populationen anwendbar ist.