Μέτα-ανάλυση

Μάθημα 11
Η ανάγκη για αξιόπιστη
έρευνα
 Στις ημέρες μας υπάρχει
«καταιγισμός» γνώσης.
 Π.χ. οι δημοσιευμένες κλινικές δοκιμές τα
τελευταία 10 έτη είναι 312.111 (1999-
2009).
 Ενώ όσες αφορούν τη διατροφή είναι 1.438
(1999-2009).
Πως διαχειρίζεται η σύγχρονη επιστημονική
κοινότητα την πληροφορία αυτή;
Όσο πιο μεγάλο το δείγμα, τόσο πιο
αξιόπιστη η έρευνα;
Μύθος ή πραγματικότητα;

 Σε μια κλινική δοκιμή με 2 ομάδες

παρέμβασης, στόχος ήταν τα επίπεδα
τριγλυκεριδίων. Μετά από 12 μήνες η ομάδα
Α είχε τιμές 152±40 mg/dl και η ομάδα Β
είχε τιμές 150±40 mg/dl.
 n = 10+10, p = 0,91

 n = 100+100, p = 0,72

 n = 1000+1000, p = 0,26

 n = 10000+10000, p = 0,0004
Η επιστήμη των ενδείξεων
 Τα τελευταία χρόνια οι κλινικές οδηγίες που
στηρίζονται σε αποφάνσεις επιτροπών
εμπειρογνωμόνων ή αυθεντιών έχουν αρχίσει να
αμφισβητούνται.
 Η κριτική είναι προφανής και αφορά τρία κύρια σημεία:
 Πρώτον, οι οδηγίες αυτές στηρίζονται σε γνώμες ειδικών και οι ειδικοί
μπορεί να κάνουν λάθος.
 Δεύτερον, μαθαίνουν τους κλινικούς να στηρίζονται στην αυθεντία και
όχι στα εμπειρικά δεδομένα.
 Τρίτον, οι οδηγίες αυτές δεν διαχωρίζουν κλινικά ερωτήματα για τα
οποία υπάρχουν δεδομένα από εκείνα που δεν υπάρχουν.
Η επιστήμη των ενδείξεων
 Τα τελευταία χρόνια έχουμε οδηγηθεί σε ένα νέο
προσανατολισμό, όπου η εμπειρία των ειδικών
συνεκτιμάται
 με την αιτιολογημένη σκέψη,
 την εμπειρία άλλων ομάδων,
 πρωτότυπες δημοσιεύσεις & ανασκοπήσεις,
 μετα-αναλύσεις, με ισχυρά στατιστικά στοιχεία και
διάφορες πρακτικές παραμέτρους,
 με άλλα λόγια αυτό που στην πρόσφατη βιβλιογραφία
αναφέρεται ως «επιστήμη βασισμένη σε ενδείξεις»
(Evidence Based Science).
Η επιστήμη των ενδείξεων
Η επιστήμη των ενδείξεων ορίζεται ως η συνειδητή, σαφής και
αιτιολογημένη χρήση της τρέχουσας μαρτυρίας στη λήψη
αποφάσεων για την αντιμετώπιση του συγκεκριμένου
ασθενούς και στηρίζεται σε πέντε βήματα, που είναι:
 η μετατροπή του κλινικού προβλήματος σε ερωτήματα που μπορούν να
απαντηθούν,
 η αναζήτηση των καλύτερων τεκμαρτών στοιχείων για την απάντησή τους,
 η κριτική αξιολόγηση αυτών των ενδείξεων ως προς την εγκυρότητά της
(ισχύς των ενδείξεων - level of evidence) και τη δυνατότητα κλινικής
εφαρμογή τους,
 η εφαρμογή αυτής της αξιολόγησης στην κλινική πράξη
 η εκτίμηση της κλινικής αποτελεσματικότητας που προκύπτει από την
εφαρμογή τους.
Βασιζόμενη στις συστάσεις διαφόρων
φορέων ή Οργανισμών …

• U.S. Preventive Services Task Force

•UK National Health Service
πρότειναν μεθόδους αξιολόγησης
της έρευνας.
Επίπεδα ενδείξεων
(Levels of evidence)
 Επίπεδο 1: πολλές τυχαιοποιημένες κλινικές μελέτες ή/και
μετα-αναλύσεις

 Επίπεδο 2
 Επίπεδο 2.1: Τα δεδομένα προέρχονται από ΜΗ τυχαιοποιημένες
κλινικές μελέτες.
 Επίπεδο 2.2: Τα δεδομένα προέρχονται από πολυκεντρικές
προοπτικές ή ασθενών-μαρτύρων επιδημιολογικές μελέτες.
 Επίπεδο 2.3: Τα δεδομένα προέρχονται από μελέτες διαχρονικής
καταγραφής.

 Επίπεδο 3: Τα δεδομένα προέρχονται από τη γνώμη των

ειδικών.

U.S. Preventive Services Task Force

Κατηγορία σύστασης
(class of recommendation)
 Τάξη A: «Απόδειξη» ή/ και γενική αποδοχή ότι η συγκεκριμένη διαγνωστική
τεχνική/θεραπεία είναι ευεργετική, χρήσιμη και αποτελεσματική.

 Τάξη B: Βάσιμες ενδείξεις για την αποτελεσματικότητα μιας θεραπείας. Οι

θεράποντες οφείλουν να συζητήσουν με τους ασθενείς τους.

 Τάξη C: Ένδειξη ή/ και γενική αποδοχή ότι η συγκεκριμένη διαγνωστική

τεχνική/θεραπεία είναι ευεργετική, ΑΛΛΑ δεν είναι βέβαιο ότι είναι
αποτελεσματική.

 Τάξη D: Δεν υπάρχει γενική αποδοχή ότι η συγκεκριμένη θεραπεία είναι

ευεργετική.

 Τάξη I: Δεν υπάρχει καμία αποδοχή ότι η συγκεκριμένη θεραπεία είναι

ευεργετική. Οι θεράποντες οφείλουν να υιοθετούν την συγκεκριμένη θεραπεία
μόνο αν δεν έχουν κάτι άλλο να προτείνουν.

U.S. Preventive Services Task Force

Επίπεδα ενδείξεων
(Levels of evidence)
 Επίπεδο A: μέτα-αναλύσεις, τυχαιοποιημένες κλινικές μελέτες ή
/και προοπτικές επιδημιολογικές έρευνες.

 Επίπεδο B: Τα δεδομένα προέρχονται από πολυκεντρικές

προοπτικές ή ασθενών-μαρτύρων επιδημιολογικές μελέτες.

 Επίπεδο C: Τα δεδομένα προέρχονται από σειρές ασθενών.

 Επίπεδο D: Τα στοιχεία βασίζονται στην γνώμη των ειδικών.

UK National Health Service

Η πυραμίδα της ερευνητικής
μεθοδολογίας
Μέτα-ανάλυση
Μέγα-κλινικές δοκιμές

Τυχαιοποιημένες Κλινικές δοκιμές

Μη Τυχαιοποιημένες
Κλινικές δοκιμές

Προοπτικές
επιδημιολογικές
μελέτες Μελέτες επιπολασμού-
Αναδρομικές επιδημιολογικές μελέτες
συγχρονικές
Τι είναι μετα-ανάλυση;
 Η μέτα-ανάλυση (meta-analysis) ξεκίνησε ως μια
προσπάθεια χρήσης ποσοτικών μεθόδων για τη
σύνοψη δεδομένων κατά τρόπο αντικειμενικό
και αδιάβλητο, που θα υποκαθιστούσε την
υποκειμενικότητα των παραδοσιακών άρθρων
ανασκόπησης (reviews).
 Στις παραδοσιακές ανασκοπήσεις η γνώμη του
ανασκοπούντος μπορεί να αποκτήσει μεγαλύτερη
βαρύτητα από τα ίδια τα δεδομένα.
Τι είναι μετα-ανάλυση;
 Η ποσοτική σύνθεση αποβλέπει:
 στον υπολογισμό ενός συνολικού αποτελέσματος
(pooled effect) από όλες τις μελέτες και
 στη διεξοδική ανίχνευση, υπολογισμό και, αν είναι
δυνατόν, εξήγηση των παραμέτρων ως προς τις οποίες
οι μελέτες αυτές διαφέρουν μεταξύ τους, είτε λόγω
πραγματικών διαφορών, είτε λόγω τυχαίων ή
συστηματικών σφαλμάτων (ετερογένεια).
Συστηματική ανασκόπηση ή
μέτα-ανάλυση;
 Συστηματική ανασκόπηση (systematic
review) ή μέτα-ανάλυση;
 Ο πρώτος όρος αναφέρεται στη συνολική
παρουσίαση δεδομένων, συνήθως αναδρομικά.
 Ο δεύτερος αναφέρεται ειδικότερα σε μελέτες που
επιπλέον χρησιμοποιούν ποσοτικές μαθηματικές
μεθόδους για τη σύνθεση και ανάλυση των
αποτελεσμάτων διαφόρων μελετών.
 Η υπολογιστική μαθηματική διαδικασία είναι απαραίτητη
για τη μέτα-ανάλυση, ενώ μπορεί να λείπει απο μια
συστηματική ανασκόπηση.
Ιστορική αναδρομή
 Ο στατιστικολόγος
Karl Pearson, ήταν ο
πρώτος ερευνητής
που το 1904
χρησιμοποίησε
επίσημες τεχνικές για
να συνδυάσει
δεδομένα από
διαφορετικά δείγματα.
Η μέτα-ανάλυση στην κλινική έρευνα
 Τα τελευταία χρόνια η μετά-ανάλυση
θεωρείται το κορυφαίο ερευνητικό
εργαλείο στην έρευνα.
 Οι καλά διεξαγμένες μέτα-αναλύσεις επιτρέπουν μια
πιο αντικειμενική εκτίμηση των «αποδείξεων»
σε σχέση με τις παραδοσιακές ανασκοπήσεις,
παρέχουν μια πιο ακριβή εκτίμηση της επίδρασης
της θεραπείας και πιθανά εξηγούν την ετερογένεια
ανάμεσα στα αποτελέσματα των μεμονωμένων
μελετών.
 Αριθμός δημοσιευμένων μέτα-αναλύσεων 1987-2009
(Medline)

 Από το 1987 έως και το 2009 έχουν

δημοσιευτεί 22.199 άρθρα μέτα-
ανάλυσης δεδομένων.
# δημοσιευμένων μέτα-
αναλύσεων

1987 … 2009
Αριθμός δημοσιευμένων μέτα-αναλύσεων τα
τελευταία 5 έτη (17.11.2007)

12000

10000 9062
Δημοσιευμένες εργασίες

8000

6000
4201
4000

1927
2000
12 190
0
< 30 ημέρες < 3 μήνες < 1 έτος < 2 έτη < 5 έτη
Είδη μέτα-αναλύσεων
 ΤΥΠΟΣ Ι:
 ανασκόπηση μελετών, εκφράζουν
υποκειμενικές απόψεις
 χρειάζεται πολύ καλό πρωτόκολλο
Είδη μέτα-αναλύσεων
 ΤΥΠΟΣ ΙΙ:
 από δημοσιευμένα δεδομένα, διερευνούν
την ετερογένεια, αλλά δύσκολα εξάγουν
γενικό συμπέρασμα
 Απαιτούνται: εκτιμητές της σχέσης (π.χ. ΣΚ,
odds ratio, μέση τιμή±ΤΑ, μέγεθος δείγματος &
υποομάδων
 Προσοχή στην ετερογένεια των μελετών.
Είδη μέτα-αναλύσεων
 ΤΥΠΟΣ ΙΙΙ:
 από τα πρωτογενή δεδομένα,
προσδιορίζουν ικανοποιητικά ένα γενικό
συμπέρασμα, αλλά χρειάζεται προσοχή
στην ετερογένεια.
 Δυσκολία στην εύρεση των πρωτογενών
στοιχείων.
Είδη μέτα-αναλύσεων
 ΤΥΠΟΣ ΙV:
 προσχεδιασμένη – πολυκεντρική μελέτη,
ιδανική για διεξαγωγή συμπερασμάτων,
 δυσκολίες στην υλοποίηση.
Πρωτόκολλο μέτα-ανάλυσης
 Όπως σε κάθε αξιόπιστη μελέτη, έτσι και σε
μια μέτα-ανάλυση, ο σαφής προσδιορισμός
του πρωτοκόλλου είναι απαραίτητος.
 Η ανάγκη γίνεται μάλιστα μεγαλύτερη καθώς λόγω
της πολλαπλότητας των δεδομένων από διάφορες
πηγές, οι δυνατότητες υποκειμενικής εκτροπής
από προκαταλήψεις του ερευνητή είναι
μεγαλύτερες.
Πρωτόκολλο μέτα-ανάλυσης
1. Στόχοι και κύρια ερωτήματα
2. Κριτήρια για την επιλογή ή τον
αποκλεισμό μελετών
3. Πηγές των δεδομένων
4. Ανάλυση δεδομένων
Τι πρέπει να περιέχει μια μετα-
ανάλυση (JAMA 2000;283:208-212)
Τι πρέπει να περιέχει μια μετα-
ανάλυση (JAMA 2000;283:208-212)
Κριτήρια για την επιλογή ή τον
αποκλεισμό πληροφοριών
 Πιθανά κριτήρια που μπορούν να ληφθούν υπόψη
για την επιλογή των μελετών αποτελούν
 στοιχεία του σχεδιασμού των επιμέρους μελετών (π.χ.
τυχαιοποίηση, τυφλός σχεδιασμός κ.τ.λ),
 το έτος έναρξης και το έτος τερματισμού της μελέτης,
 στοιχεία της ποιότητας της μελέτης,
 η γλώσσα δημοσίευσης,
 η διάρκεια παρακολούθησης,
 το μέγεθος του δείγματος,
 η ομοιότητα των θεραπειών.
Κριτήρια για την επιλογή ή τον
αποκλεισμό πληροφοριών
 Όμως η χρήση αυστηρών κριτηρίων αποκλεισμού με
σκοπό να εξασφαλίσουν την ομοιογένεια των πληθυσμών
μπορεί να είναι προβληματική, καθώς αφήνει σημαντική
υποκειμενικότητα στην επιλογή των μελετών με πιθανά
συστηματικά σφάλματα επιλογής.
 Είναι λοιπόν προτιμότερο τα κριτήρια αποκλεισμού να είναι
περιορισμένα και να στοχεύουν ίσως μόνο στον αποκλεισμό
μελετών που είναι τελείως αναχρονιστικές για τη σύγχρονη
κλινική πρακτική.
 Οι παράμετροι που αναφέρθηκαν παραπάνω ως κριτήρια συμμετοχής
/ αποκλεισμού μπορούν κάλλιστα σε ένα δεύτερο στάδιο να
χρησιμοποιηθούν στη διερεύνηση πιθανής ετερογένειας μεταξύ των
αποτελεσμάτων των διαφόρων μελετών (ανάλυση ευαισθησίας).
Πηγές των δεδομένων
 Η αναζήτηση αυτή γίνεται απο βάσεις πληροφοριών
που καταχωρούνται σε δημοσιεύσεις προτύπων
εργασιών.
 Pubmed, Scopus, Embase, κλπ
 Τα πιθανώς ελλείποντα δεδομένα συμπληρώνονται
από άλλες πηγές όπως:
 (α) οι ειδικοί επί του θέματος,
 (β) τα αρχεία περιλήψεων απο σημαντικά συνέδρια στο
συγκεκριμένο χώρο,
 (γ) οι αναφορές και η βιβλιογραφία σε σχετικές
δημοσιεύσεις,
 (δ) ιδιωτικοί και κρατικοί μηχανισμοί έρευνας κ.α.
Πηγές των δεδομένων
The Cochrane Collaboration group
 Πρόσφατα, ένα δίκτυο κλινικών, επιδημιολόγων και άλλων
επαγγελματιών υγείας (Cochrane Collaboration)
αναπτύχθηκε από τον Archie Cochrane, έναν πρωτοπόρο
ερευνητή στο πεδίο της αξιολόγησης κλινικών παρεμβάσεων.
 Το δίκτυο αυτό στοχεύει στο να προετοιμάσει, να διατηρήσει και να
αξιολογήσει συστηματικές ανασκοπήσεις κλινικών και
επιδημιολογικών μελετών.
Ανάλυση των δεδομένων
 Το συνοπτικό αποτέλεσμα (pooled or
combined effect) προκύπτει
 από τη στάθμιση (ζύγισμα) των
αποτελεσμάτων κάθε μελέτης με ένα βάρος
(weight) wi.
 Το βάρος είναι ειδικό για κάθε μελέτη.
 Ανάλυση των δεδομένων
Σκοπός είναι η εύρεση ενός κοινού εκτιμητή D
για τα μέτρα σχέσης

D   ό 
 w *
 wi
wi = βάρη για την κάθε μελέτη
βi = εκτιμητές μέτρησης της σχέσης, π.χ. ln(σχετικός κίνδυνος) ή
ln(odds ratio)
Μοντελοποίηση της μέτα-ανάλυσης
 Μοντέλα σταθερών επιδράσεων (fixed effects)
 Υπόθεση: Δεν υπάρχει ετερογένεια μεταξύ των
μελετών, και η μόνη μεταβλητότητα είναι τυχαία, οι
επιμέρους μελέτες ακολουθούν ίδιες κατανομές
 Μοντέλα τυχαίων επιδράσεων (random
effects)
 Υπόθεση: Υπάρχει ετερογένεια, οι επιμέρους
μελέτες ακολουθούν διαφορετικές κατανομές.
 Η πιο συνήθης περίπτωση.
Ετερογένεια
Οφείλεται στην ποικιλομορφία μεταξύ των
διαφόρων μελετών.
Μπορεί να είναι:
 Μεθοδολογική (εξαιτίας του σχεδιασμού της
μελέτης)
 Κλινική (ποικιλομορφία στους συμμετέχοντες, στο
είδος της παρέμβασης, στη μέτρηση της έκβασης)
 Στατιστική (μεγάλη διακύμανση των
αποτελεσμάτων)
Ετερογένεια
Εξέταση ετερογένειας
 forest plot
 Cochran’s Q statistic
 Στατιστικά σημαντική ετερογένεια όταν p<0.05

 Ι2 statistic
 Στατιστικά σημαντική ετερογένεια όταν Ι 2>50%
Μοντελοποίηση της μέτα-ανάλυσης
 Μοντέλα σταθερών επιδράσεων (fixed
effects)
 Δεν υπάρχει ετερογένεια …
Προσδιορισμός βαρών w
1
 Μέθοδος Woolf: wi 
1 1 1 1
  
ai bi ci d i
Προσδιορισμός βαρών w
 Μέθοδος Mantel – Haenzel
 Μέθοδος Mantel – Haenzel & Peto

Τα (1-α)% διαστήματα εμπιστοσύνης για το

βολικό είναι:
[ ό   * ά ( ό ) ]
Μοντελοποίηση της μέτα-ανάλυσης
 Μοντέλα τυχαίων επιδράσεων (random
effects)
 Υπάρχει ετερογένεια …
 Προσδιορισμός βαρών w
1
 Μέθοδος der wi 
1 1 1 1
    t2
Simonian & Laird ai bi ci d i
1
t 2  0,  Q  k  1 Q (   ό ) 2
1 1 1 1
  
ai bi ci d i
αλλιώς

1
(Q  k  1)
1 1 1 1
  
ai bi ci d i
t2  2 2
   
   
 1    1 
  1 1 1 1    1 1 1 1 

 a b c d   a b c d 
 i i i i   i i i i 
Γραφήματα – πίνακες
ΠΑΡΟΥΣΙΑΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΗΣ
ΜΕΤΑ-ΑΝΑΛΥΣΗΣ
Παρουσίαση των αποτελεσμάτων της μέτα-ανάλυσης

Το δενδρόγραμμα
Παρουσίαση των αποτελεσμάτων της μέτα-ανάλυσης

Galbraith plot
 Ένα άλλο γράφημα που
χρησιμοποιείται για την παρουσίαση Συνοπτικό αποτέλεσμα
των αποτελεσμάτων μιας μέτα-
ανάλυσης είναι το γράφημα του
Galbraith (Galbraith plot).
 Το γράφημα αυτό διευκολύνει τον
εντοπισμό πιθανής ετερογένειας
(heterogeneity).
 Η κάθε μελέτη συμβολίζεται με ένα
αριθμό.
 Στον οριζόντια άξονα της γραφικής
παράστασης τοποθετείται το
αντίστροφο του τυπικού σφάλματος του
αποτελέσματος της μελέτης ενώ στον
κάθετο άξονα το τυποποιημένο
αποτέλεσμα (αποτέλεσμα / τυπικό Περιοχή ομοιογένειας
σφάλμα).
Παρουσίαση των αποτελεσμάτων της μέτα-ανάλυσης

Galbraith plot
 Οι μελέτες που είναι πιο κοντά στην αρχή των αξόνων (0,0)
είναι αυτές που έχουν τις λιγότερο αξιόπιστες
πληροφορίες
 ενώ αυτές που είναι πιο μακριά αντιπροσωπεύουν τις
ακριβέστερες μελέτες και έχουν περισσότερο βάρος στην μέτα-
ανάλυση.
 Η κεντρική παράλληλη γραμμή (f) δίνει το συνοπτικό
αποτέλεσμα του οποίου το 95% διάστημα εμπιστοσύνης δίνεται
από το μήκος του τόξου (τμήμα i).
 Οι άλλες δύο παράλληλες γραμμές (g και h) σηματοδοτούν μια
περιοχή ομοιογένειας.
 Αν κάποια μελέτη είναι εκτός από την περιοχή αυτή τότε θεωρείται
ως ετερογενής.
Πόσο επηρεάζουν οι «μεγάλες»
μελέτες το συνοπτικό αποτέλεσμα;
… μια κριτική προσέγγιση

ΣΦΑΛΜΑΤΑ ΣΤΗ ΜΕΤΑ-

ΑΝΑΛΥΣΗ
Σφάλματα στη μέτα-ανάλυση
Η μέτα-ανάλυση ως μέθοδος έρευνας παρουσιάζει
ορισμένα πιθανά σφάλματα τα κυριότερα απο τα
οποία είναι:
 Δημοσίευσης
 Χρονικής υστέρησης
 Επιλογής μελετών
 Τοπικά
 Γλώσσας
 Πολλαπλών δημοσιεύσεων
 Βάσεων αρχειοθέτησης
 Ετερογένειας
 Δειγματοληψίας
 Μεθοδολογικής ανάλυσης
 Οικονομικών συμφερόντων
Σφάλμα χρονικής καθυστέρησης (time lag
bias)

 Μελέτες με στατιστικά σημαντικά

ευρήματα σταματούν νωρίτερα και
δημοσιεύουν τα αποτελέσματα τους,
 …σε σύγκριση με μελέτες που δεν έχουν
στατιστικά σημαντικά ευρήματα.
Σφάλμα δημοσίευσης (publication bias)

Funnel plots
ΣΚ ή OR

Μέγεθος μελέτης
1

ΌΧΙ σφάλμα δημοσίευσης

 Μεθοδολογικά προβλήματα
 Μπορούμε να συνδυάσουμε μελέτες με διαφορετικούς σχεδιασμούς;
 Τι γίνεται όταν η εκτίμηση της έκθεσης στον παράγοντα διαφέρει
 Τι γίνεται αν στα μοντέλα χρησιμοποιούνται διαφορετικοί συγχιτικοί
παράγοντες
 Τι γίνεται αν οι μελέτες έγιναν για διαφορετικούς λόγους
 Τι γίνεται όταν οι αναδρομικές μελέτες επιλέγουν τους μάρτυρες με
διαφορετικούς τρόπους
 Τι γίνεται όταν οι αναδρομικές μελέτες επιλέγουν τους μάρτυρες είτε με
εξομοίωση είτε όχι
 Τι γίνεται όταν οι προοπτικές μελέτες έχουν πολύ διαφορετικούς
χρόνους παρακολούθησης
 Τι γίνεται αν αμφιβάλουμε για την ποιότητα μιας μελέτης;
… λογισμικά, παραδείγματα

ΕΦΑΡΜΟΓΗ
Υπάρχουν πολλά λογισμικά που μπορούν να
χρησιμοποιηθούν στην μέτα-ανάλυση
 Παράδειγμα
Διεξάγοντας μια μέτα-ανάλυση

Έστω ότι για κάθε μελέτη έχουμε διαθέσιμη την

παρακάτω πληροφορία

Νόσος + Νόσος -

Παράγων + α β
Παράγων - γ δ
 Παράδειγμα
Διεξάγοντας μια μέτα-ανάλυση
Odds
Μελέτη Ν+ / Π + Ν+ / Π - Ν- / Π - Ν- / Π+ Ratio V(OR) 95% ΔΕ
1 Smith J, et al. JAMA 2004 235 125 180 110 3,08 0,027 1,06 5,09
Georgiev S, et al. Lancet
2 2003 445 221 780 345 4,55 0,011 2,57 6,53
Harrington J, et al. AJCN
3 1999 45 23 12 14 1,68 0,220 -0,77 4,12
4 Liu J-P, et al. JACC 2002 878 556 780 456 2,70 0,006 0,73 4,67
5 Davidson K, et al. AJM 2002 345 235 335 345 1,43 0,013 -0,56 3,41
6 Harry I, et al. JO 234 212 456 235 2,14 0,015 0,15 4,13
7 He J, et al. TC 2003 345 456 321 288 0,84 0,012 -1,14 2,83

Σύνολο 2527 1828 2864 1793    

Σύνολο ασθενών 4355

Υπολογίζουμε όλα τα
Σύνολο υγιών 4657
επιμέρους αθροίσματα …
Παράδειγμα
Διεξάγοντας μια μέτα-ανάλυση
Odds
Ratio β = Ln(OR) Δ(OR) w * β
3,08 1,123748 0,027 0,030231
4,55 1,515661 0,011 0,016601
1,68 0,517018 0,220 0,113983
2,70 0,993679 0,006 0,006372
1,43 0,354545 0,013 0,004622
2,14 0,761642 0,015 0,011759
0,84 -0,17047 0,012 -0,00199
Σ= 0,305 0,181 Μέθοδος Woolf

Σβ*w / Σw =  0,59
Συνολικό OR χωρίς έλεγχο
1,81 ετερογένειας ...
 Παράδειγμα
Διεξάγοντας μια μέτα-ανάλυση
Forest Plot of Log(Hazard Ratio)
7

Symbol
Log(Hazard Ratio) Detail Section Using Random Effects Model
5

Combined
95,0% 95,0% Individual
Percent
Lower Upper 3

Random
Log Hazard Standard Confidence Confidence
Effects
Row Ratio Error Limit Limit
6

Weight
1 1,1237 0,0270 1,0708 1,1767
14,5175

Row
4

2 1,5157 0,0110 1,4941 1,5372

14,5428
3 0,5170 0,2200 0,0858 0,9482
12,7721 1

4 0,9937 0,0060 0,9819 1,0054

14,5464
5 0,3545 0,0130 0,3291 0,3800 2

14,5408
6 0,7616 0,0150 0,7322 0,7910
14,5385
7 -0,1705 0,0120 -0,1940 -0,1470 C o m b i n e d

14,5419

[Combined]

Average 0,7316 0,2250 0,2906 1,1727

-0,5 0,1 0,8 1,4 2,0
Log(Hazard Ratio)
Note: This report presents the difference's value and a confidence interval.
The 'Average' line presents the combined estimates for the group. The weights let you
Παραδείγματα
δημοσιευμένων εργασιών

Από τα πιο έγκριτα διεθνή

περιοδικά …
Αντιοξειδωτικά και θνησιμότητα
από στεφανιαία νόσο.
Βιταμίνη Ε και θνησιμότητα από
στεφανιαία νόσο.
Βιταμίνες Ε & C και θνησιμότητα/νοσηρότητα από
στεφανιαία νόσο.
 Συμπεράσματα
 Η μέτα-ανάλυση είναι μια πολύ χρήσιμη τεχνική.
 Η συγκέντρωση και η σύζευξη πολλών δεδομένων μπορεί να
αυξήσει τη στατιστική ισχύ για τη διερεύνηση υποθέσεων
που επιμέρους μελέτες από μόνες τους δεν έχουν την
απαραίτητη ισχύ να μελετήσουν.
 Επίσης μια μέτα-ανάλυση μπορεί να μειώσει την αβεβαιότητα
για το μέγεθος ενός αποτελέσματος και να απαντήσει
ερωτήματα που δεν είχαν αρχικά προσεγγίσει οι πρωτογενείς
μελέτες.
 Ακόμα και στη ρεαλιστική περίπτωση στην οποία οι διάφορες
μελέτες παρουσιάζουν ετερογένεια, η μέτα-ανάλυση μπορεί
να την ανιχνεύσει, να την εκτιμήσει ποσοτικά και να τη
συνυπολογίσει σε εκτιμήσεις του συνοπτικού αποτελέσματος.