Stata: Datenanalyse und statistische Software Jonathan A. C. Sterne, Universität Bristol Ross J. Harris, Universität Bristol Roger M. Harbord, Universität Bristol Thomas J. Steichen, RJRT Stata hat keinen Metaanalysebefehl. Stata-Benutzer haben jedoch eine ausgezeichnete Reihe von Befehlen für die Durchführung von Meta-Analysen entwickelt. Im Jahr 2016, veröffentlicht Stata Meta-Analyse in Stata: Eine aktualisierte Sammlung aus dem Stata Journal, Second Edition. Die alle Stata Journal Artikel über Meta-Analyse zusammenbrachte. Dieses Buch ist erhältlich bei stata-pressbooksmeta-analysis-in-stata. Die folgenden Metaanalyse-Befehle werden alle in Meta-Analyse in Stata: Eine aktualisierte Sammlung aus dem Stata Journal, Second Edition beschrieben. Metan ist der Hauptstata-Metaanalyse-Befehl. Die aktuelle Version erlaubt es dem Benutzer, die Zellfrequenzen aus der 2 mal 2 Tabelle für jede Studie (für binäre Ergebnisse), die mittlere und Standardabweichung in jeder Gruppe (für numerische Ergebnisse) oder die Effektivschätzung und Standardfehler aus jeder Studie eingeben . Es bietet eine umfassende Palette von Methoden für die Meta-Analyse, einschließlich inverse-variancendashweighted Meta-Analyse, und schafft neue Variablen, die die Behandlung Wirkung Schätzung und ihre Standard-Fehler für jede Studie. Diese Variablen können dann als Eingabe für andere Stata-Metaanalyse-Befehle verwendet werden. Meta-Analysen können in Untergruppen unter Verwendung der Option by () durchgeführt werden. Alle Metaanalyseberechnungen in metan basieren auf Standardmethoden, deren Übersicht in Kapitel 15 von Deeks, Altman und Bradburn (2001) zu finden ist. Die Version des Metan-Befehls, der Stata 7-Grafiken verwendete, wurde metan7 umbenannt und wird als Teil des Metan-Pakets heruntergeladen, das derzeit im SSC-Archiv verfügbar ist. Die neueste Hilfedatei für metan bietet mehrere anklickbare Beispiele für die Verwendung des Befehls. Labbe zeichnet ein LrsquoAbbe-Diagramm für Ereignisdaten (Proportionen der Erfolge in den beiden Gruppen). Metaan führt Metaanalysen zu Effektschätzungen und Standardfehlern durch. Enthalten sind Profilwahrscheinlichkeit und Permutationsschätzung, zwei Algorithmen, die in Metan nicht verfügbar sind. 4. metacum metacum führt kumulative meta-Analysen durch und grafiert die Ergebnisse. Metap kombiniert p - Werte unter Verwendung der Fisherrsquos-Methode, der Edgingtonrsquos-Additivmethode oder der Edgingtonrsquos-Normalkurvenmethode. Es wurde 1999 als Version 6-Befehl (keine Grafiken) veröffentlicht und wurde zuletzt im Jahr 2000 aktualisiert. Es erfordert, dass der Benutzer einen p-Wert für jede Studie eingeben. 6. metareg metareg macht meta-regression. Es wurde erstmals 1998 veröffentlicht und wurde aktualisiert, um den Verbesserungen der Stata-Schätzung und den jüngsten methodischen Entwicklungen Rechnung zu tragen. Es erfordert, dass der Benutzer die Behandlung Wirkung Schätzung und ihre Standard-Fehler für jede Studie. 7. metafunnel metafunnel Grundstücke Trichter Grundstücke. Es wurde 2004 veröffentlicht und verwendet Stata 8 Grafiken. Es erfordert, dass der Benutzer die Behandlung Wirkung Schätzung und ihre Standard-Fehler für jede Studie. 8. konfitieren Sie konfokale Konturen verbesserte Trichterplots. Der Befehl wurde so konzipiert, dass er flexibel ist, sodass der Benutzer dem Trichterplot zusätzliche Funktionen hinzufügen kann. 9. metabias metabias liefert statistische Tests zur Trichter-Asymmetrie. Es war zuerst veröffentlicht 1997, aber es ist aktualisiert worden, um vor kurzem vorgeschlagene Tests zur Verfügung zu stellen, die bessere Kontrolle der falsch-positiven Rate halten als die, die im ursprünglichen Befehl vorhanden sind. 10. metatrim metatrim setzt die ldquotrim - und fillrdquo-Methode zur Anpassung an die Publikationsvorspannung in Trichterplots um. Es erfordert, dass der Benutzer die Behandlungseffektschätzung und ihren Standardfehler für jede Studie eingeben kann. 11. extfunnel extfunnel implementiert eine neue Reihe von Overlay-Erweiterungen zum Trichter-Plot, um die Auswirkungen einer neuen Studie auf eine bestehende Metaanalyse zu bewerten. 12. metandi und metandiplot metandi erleichtern die Anpassung von hierarchischen logistischen Regressionsmodellen für die Metaanalyse von diagnostischen Testgenauigkeitsstudien. Metandiplot erzeugt ein Diagramm des Modells, das von metandi passt. Die der letzte ausgeführte Schätzklassenbefehl sein muss. 13. mvmeta und mvmetamake mvmeta führt maximale Wahrscheinlichkeit, eingeschränkte maximale Wahrscheinlichkeit, oder Methode-of-Moments Schätzung der zufälligen Effekte multivariate Meta-Analyse-Modelle. Mvmetamake erleichtert die Erstellung von zusammenfassenden Datensätzen aus detaillierteren Daten. 14. ipdforest ipdforest ist ein Nachschreibungsbefehl, der die gespeicherten Schätzungen eines xtmixed - oder xtmelogit-Befehls für die mehrstufige lineare oder logistische Regression verwendet. 15. ipdmetan ipdmetan führt die zweistufige Metaanalyse der einzelnen Teilnehmerdaten mit Hilfe der inversen Varianzmethode durch. 16. indirekt indirekt führt paarweise indirekte Behandlung Vergleiche durch. 17. Netzwerk-Setup-Netzwerk-Setup importiert Daten aus einem Satz von Studien, die Zähldaten (Ereignisse, Gesamtzahl) oder quantitative Daten (Mittelwert, Standardabweichung, Gesamtzahl) für zwei oder mehr Behandlungen messen. 18. Netzwerkimport-Netzwerkimport importiert einen bereits für die Netzwerk-Metaanalyse formatierten Datensatz. 19. Netzwerk-Tabelle Netzwerk-Tabelle tabelliert Netzwerk Meta-Analyse-Daten. 20. Netzwerkmusternetzmuster zeigt, welche Behandlungen in welchen Studien verwendet werden. 21. Netzwerkkarte Netzwerkkarte zeichnet eine Karte eines Netzwerks, das heißt, es zeigt, welche Behandlungen direkt verglichen werden, mit denen andere Behandlungen und etwa, wie viel Informationen für jede Behandlung und für jeden Behandlungsvergleich zur Verfügung steht. 22. Netzwerk Converter konvertiert zwischen den drei Formaten, die in der Hilfedatei für Netzwerk beschrieben werden. 23. Netzwerkabfrage Netzwerkabfrage zeigt die aktuellen Netzwerkeinstellungen an. 24. network unset löscht die aktuellen Netzwerkeinstellungen. 25. Netzwerk-Meta-Netz Meta definiert ein Modell, um fit zu sein: entweder das Konsistenzmodell oder das Design-by-Treatment-Interaktionsinkonsistenzmodell. 26. Netzwerk Rank Network Rank Behandlungen nach einer Netzwerk-Meta-Analyse wurde fit. 27. Netzwerkseitenplitnetzwerkseitenplits passen zu dem Knotenspaltungsmodell von Dias et al. (2010). 28. Netzwerk Wald Netzwerk Wald zeichnet ein Wald-Plot der Netzwerk-Meta-Analyse-Daten. 29. networkplot networkplot stellt ein Netz von Interventionen unter Verwendung von Knoten und Kanten dar. 30. Netto-Nettogewicht berechnet alle direkten paarweise Zusammenfassungseffektgrößen mit ihren Varianzen, erstellt die Entwurfsmatrix und schätzt den prozentualen Anteil jedes direkten Vergleichs an den Netzzusammenfassungsschätzungen und im gesamten Netz. 31. ifplot ifplot identifiziert alle dreieckigen und quadratischen Schleifen in einem Netzwerk von Interventionen und schätzt die jeweiligen Inkonsistenzfaktoren und deren Unsicherheiten. 32. netfunnel netfunnel vergibt ein Vergleichs-angepasstes Trichter-Plot zur Beurteilung von Kleinstwirkungen innerhalb eines Netzes von Interventionen. 33. Intervallplotintervallplot zeigt die geschätzten Effektgrößen und deren Unsicherheiten für alle paarweisen Vergleiche in einer Netzwerkmetaanalyse. 34. netleague netleague erstellt eine Tabelle, die in den off-diagonalen Zellen die relativen Behandlungseffekte für alle möglichen paarweisen Vergleiche, die in einer Netzwerkmetaanalyse geschätzt werden, zeigt. Sucra gibt die Oberfläche unter den kumulativen Rangordnungskurven Prozentsätze und mittlere Ränge und produziert Rankogramme (Linienplots der Wahrscheinlichkeiten versus Ränge) und kumulative Ranking Plots (Linienplots der kumulativen Wahrscheinlichkeiten versus Ranges) für alle Behandlungen in einem Netzwerk von Interventionen. 36. mdsrank mdsrank erzeugt die quadratische Matrix, die die paarweise relativen Effektgrößen enthält, und zeichnet die resultierenden Werte der eindeutigen Dimension für jede Behandlung auf. 37. clusterank clusterank führt hierarchische Clusteranalyse durch, um die konkurrierenden Behandlungen in sinnvolle Gruppen zu gruppieren. Glst berechnet ein logarithmisches Dosendashresponse-Regressionsmodell unter Verwendung verallgemeinerter Kleinstquadrate für die Trendschätzung einzelner oder mehrerer zusammenfassender dosendashresponse epidemiologischer Studien. Die Ausgabe dieses Befehls kann nützlich sein, um Zusammenfassungseffekte und ihre Standardfehler für die Aufnahme in Metaanalysen solcher Studien ableiten. 39. metamiss metamiss führt eine Metaanalyse mit binären Ergebnissen durch, wenn einige oder alle Studien fehlende Daten haben. 40. sem und gsem Beschreibt, wie feste und zufällige Effekte von Metaanalyse-Modellen unter Verwendung der sem - und gsem-Befehle, die in die Stata 12 bzw. 13 eingeführt wurden, für die Strukturgleichungsmodellierung passen. 41. metacumbounds metacumbounds liefert z - Werte, p - Werte und Lan-DeMets-Schranken, die aus Fest - oder Zufallseffekt-Metaanalyse gewonnen werden. Es zeichnet die Grenzen und z-Werte durch einen Prozess. 42. metasim metasim simuliert eine bestimmte Anzahl neuer Studien auf der Grundlage der Schätzungen, die aus einer bereits existierenden Metaanalyse gewonnen wurden. 43. metapow metapow implementiert einen Ansatz zur Schätzung der Leistung einer neu simulierten Studie, die mit dem Programm metasim erzeugt wird. 44. metapowplot metapowplot Schätzungen die Macht einer aktualisierten Meta-Analyse mit einer neuen Studie und Plots jedes Wertes gegen eine Reihe von Stichprobengrößen. Die folgenden Befehle sind im Anhang dokumentiert: 45. metacurve metacurve modelliert eine Antwort als Funktion einer kontinuierlichen Kovariate, wahlweise Anpassung für andere durch adjust () spezifizierte Variable. 46. metannt metannt soll die Interpretation von Meta-Analysen binärer Daten unterstützen, indem Interventionswirkungsgrößen in absoluten Zahlen dargestellt werden, da die Zahl der zu behandelnden Fälle (NNT) und die Anzahl der pro 1000 vermiedenen (oder hinzugefügten) Ereignisse liegen. Der Benutzer gibt Designparameter ein, und metannt verwendet den metan-Befehl, um die benötigten Statistiken zu berechnen. Dieser Befehl ist als Teil des Metan-Pakets verfügbar. 47. metaninf metaninf ist ein Port des Metainf-Befehls, um Metan als Analysemaschine und nicht als Meta zu verwenden. Es wurde im Jahr 2001 als Version 6-Befehl mit Version 6 Grafiken freigegeben und wurde zuletzt im Jahr 2004 aktualisiert. Es erfordert, dass der Benutzer die Eingabe in der Form von Metan benötigt. Midas liefert statistische und grafische Routinen für die Durchführung einer Meta-Analyse der diagnostischen Testleistung in Stata. 49. Metall-Metall-Graphen positive und negative Likelihood-Verhältnisse in diagnostischen Tests. Es kann geschichtete Meta-Analyse der einzelnen Schätzungen zu tun. Der Benutzer muss die Effektivschätzungen (log positive Likelihood Ratio und log negative Likelihood Ratio) und deren Standardfehler angeben. Die Befehle meta und metareg werden für interne Berechnungen verwendet. Dies ist eine Version 8 Befehl im Jahr 2004 veröffentlicht. 50. Metaparm Metaparm führt Meta-Analysen und berechnet Konfidenzintervalle und p-Werte für Unterschiede oder Verhältnisse zwischen Parametern für verschiedene Subpopulationen für Daten im parmesten Format gespeichert. 51. metaeff metaeff ist ein Vorverarbeitungsbefehl für die Metaanalyse und ein Begleiter zu Metaan, der Effektgrößen und deren Standardfehler berechnet. Hinweis: Möglicherweise gibt es Befehle, die im Stata Journal nach der Veröffentlichung von Meta-Analysis in Stata: Eine aktualisierte Sammlung aus dem Stata Journal, Second Edition erschienen sind. Geben Sie für eine vollständige Liste der Metaanalyse-Befehle Suchmeta in Stata ein. Deeks, J. J. D. G. Altman und M. J. Bradburn. 2001. Statistische Methoden zur Untersuchung von Heterogenität und Kombination von Ergebnissen aus mehreren Studien in der Metaanalyse. In Systematic Reviews im Gesundheitswesen: Meta-Analyse im Kontext, 2. Auflage. Ed. M. Egger, G. Davey Smith und D. G. Altman. London: BMJ. Dias, S. N. J. Welton, D. M. Caldwell und A. E. Ades. Prüfung der Konsistenz in der gemischten Behandlung Vergleichs-Meta-Analyse. Statistiken in Medizin 29: 932ndash944.A praktische praktische Übung zur Durchführung von Meta-Analyse mit Stata Statistische Synthese von Forschungsergebnissen durch Meta-Analyse ist weit verbreitet verwendet, um die relative Wirksamkeit der konkurrierenden 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 diesem Aufsatz konzentrieren wir uns auf die statistischen Erwägungen des Metaanalyseprozesses und analysieren ein Beispiel aus der psychischen Gesundheit in Stata.2 Die theoretischen und konzeptionellen Überlegungen der von uns implementierten Methoden wurden in kürzlich veröffentlichten Artikeln 35 behandelt und wir empfehlen, diese zu verwenden 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 Summaryseffekts beeinflussen, wobei letztere auftreten können, wenn die Wahrscheinlichkeit des Fehlens mit der Effektivität der zu vergleichenden Interventionen verknüpft ist5, um Publikations-Bias und Kleinstudien zu erforschen und zu berücksichtigen 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 Metan und Metamiss dar.10 Mit Hilfe des metamiss-Befehls10 untersuchen wir die Auswirkungen unterschiedlicher Annahmen auf den Mechanismus der fehlenden Daten 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), die größer als 1 für Haloperidol über Placebo sind. 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 Eingangsvariablen 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 erforderlich) 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 schattige 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 Die in der vertikalen Achse aufgetragene Messpräzision (zB die Varianz anstelle des SE) 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. Das Verfahren kann mithilfe des Befehls metatrim mit der folgenden Syntax angewendet werden: metatrim-Effekt s Die Angabe des Options-Trichters in metatrim gibt das geschätzte gefüllte Trichter-Diagramm an, das 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 wie erwartet die randomisierte Wirkungsanalyse ein breiteres CI erzeugte. Trotz dieses Befundes überschritt das geschätzte prädiktive Intervall die Linie ohne Wirkung, die 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 verteilt. 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 (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 man einen nicht-Null-Wert des fehlenden Parameters zulässt. 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 (weißer Bereich) gefunden wurden, sodass 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. Results from the Eggers meta-regression test assessing the presence of small-study effects in the 17 trials comparing haloperidol and placebo for clinical improvement in schizophrenia Funnel plot including the 17 published haloperidol trials in schizophrenia (circles) and the unpublished studies (squares) as estimated from the trim-and-fill method. The solid line corresponds to the adjusted for the impact of publication bias summary effect (logRR0.27) and the dashed line to the summary effect that does not account for publication bias (logRR0.45) (RR, risk ratio). Discussion Along with the rapid methodological development of meta-analysis, a variety of relevant software options have been made available enabling the application of different models and the exploration of characteristics that may affect the results. Using a working example, in this paper we offered a brief tutorial to researchers and interested clinicians about the use of Stata in meta-analysis, highlighting common pitfalls in the interpretation of results (more information about Stata can be found elsewhere).27 Our findings suggested that the presence of important small-study effects as well as the missing outcome data in some trials made the estimated summary effect not representative for the entire set of studies. Including in the meta-analysis only studies with data for all randomised participants was not the recommended approach, since the bulk of evidence came from trials with missing outcome data. Clinical insight for the outcomes and treatments of interest is necessary to make reasonable assumptions for the mechanism of missing data and inform the choice of the appropriate statistical model. The results from the three models that accounted for the uncertainty in the imputed missing data (Gamble-Hollis and the two IMOR models) were similar and probably are the most accurate estimates of the summary RR. However, the fact small and large trials gave different results needs further exploration. For example, if the size of the studies was associated with differences in population characteristics with respect to some effect modifiers, then there might not be a common RR applicable to all populations. Competing interests AC received funding from Greek national funds through the Operational Program Education and Lifelong Learning of the National Strategic Reference Framework (NSRF)Research Funding Program: ARISTEIA. Investing in knowledge society through the European Social Fund. DM and GS received funding from the European Research Council (IMMA 260559). Referenzen
No comments:
Post a Comment