Meta Analyse Beispiel In Stata Forex

METAN: Stata-Modul für feste und zufällige Effekte Metaanalyse Diese Routinen bieten die Möglichkeit, Meta-Analysen von Daten aus mehr als einer Studie durchzuführen und die Ergebnisse darzustellen. Entweder binäre (Ereignis-) oder kontinuierliche Daten aus zwei Gruppen können mit dem Befehl metan kombiniert werden. Zusätzlich können Interventionseffektschätzungen mit entsprechenden Standardfehlern oder Konfidenzintervallen metaanalysiert werden. Zu den kürzlich hinzugefügten Einrichtungen gehören die () Verarbeitung und ein Update auf Stata 9 Grafiken. Dies ist eine aktualisierte Version von metan, wie sie in STB-44, verfasst von Michael J Bradburn, Jonathan J Deeks, Douglas G Altman, veröffentlicht wird. Das Paket enthält einen Befehl zur Erzeugung von Trichterplots, um kleine Studieffekte zu beurteilen, und LAbbe-Plots, um zu untersuchen, ob die Annahme einer gemeinsamen Quote, eines Risikoverhältnisses oder einer Risikodifferenz vernünftig ist. Ebenfalls eingeschlossen ist das metannt-Programm für binäre Daten, das geschätzte Interventionseffekte in Bezug auf die absolute Reduktion des Risikos und der Anzahl der benötigten Behandlungen anzeigt. Eine Beschreibung der verfügbaren Metaanalyse-Befehle der Stata finden Sie unter statasupportfaqsstatmeta. html. Wenn Sie Probleme beim Herunterladen einer Datei haben, überprüfen Sie, ob Sie die richtige Anwendung haben, um sie zuerst anzuzeigen. Bei weiteren Problemen lesen Sie bitte die IDEAS-Hilfeseite. Beachten Sie, dass diese Dateien nicht auf der IDEAS-Website sind. Bitte haben Sie Geduld, da die Dateien groß sein können. Software-Komponente von Boston College Department of Economics in seiner Serie statistische Software-Komponenten mit der Nummer S456798. Wenn Sie eine Korrektur anfordern, erwähnen Sie bitte diese Elemente behandeln: RePEc: boc: bocode: s456798. Siehe allgemeine Informationen zur Korrektur von Material in RePEc. Für technische Fragen zu diesem Artikel oder zur Korrektur von Autoren, Titeln, Abstracts, bibliographischen oder Download-Informationen wenden Sie sich an: (Christopher F Baum) Wenn Sie diesen Artikel verfasst haben und noch nicht bei RePEc registriert sind, empfehlen wir Ihnen, es hier zu tun . Dadurch können Sie Ihr Profil mit diesem Element verknüpfen. Es erlaubt Ihnen auch, potenzielle Zitate zu diesem Punkt zu akzeptieren, dass wir uns unsicher sind. Wenn Referenzen vollständig fehlen, können Sie sie über dieses Formular hinzufügen. Wenn die vollständigen Referenzen ein Element auflisten, das in RePEc vorhanden ist, aber das System nicht mit ihm verknüpft ist, können Sie mit diesem Formular helfen. Wenn Sie über fehlende Elemente wissen, können Sie uns helfen, diese Links zu erstellen, indem Sie die entsprechenden Referenzen in der gleichen Weise wie oben hinzufügen. Wenn Sie ein registrierter Autor dieses Artikels sind, können Sie auch die Registerkarte Zitate in Ihrem Profil überprüfen, da es einige Zitate gibt, die auf die Bestätigung warten. Bitte beachten Sie, dass Korrekturen einige Wochen dauern können, um die verschiedenen RePEc-Dienste zu filtern. Mehr Dienste Folgen Serien, Zeitschriften, Autoren amp mehr Neue Papiere per E-Mail Neuzugänge zu RePEc abonnieren Autor-Registrierung Öffentliche Profile für Wirtschaftswissenschaftler Verschiedene Rankings der Forschung in Wirtschaftswissenschaften amp verwandte Bereiche Wer war ein Student von wem, mit RePEc RePEc Biblio Kuratierte Artikel amp Papiere zu verschiedenen Themen der Wirtschaftswissenschaften Hochladen Sie Ihr Papier auf RePEc und IDEAS aufgeführt werden EconAcademics Blog Aggregator für die Wirtschaft Forschung Plagiat Plagiate in Wirtschaftswissenschaften Job-Marktpapiere RePEc Arbeitspapierreihe auf dem Arbeitsmarkt Fantasy League Vorgeben Sie sind an der Spitze einer Volkswirtschaft Abteilung Dienstleistungen der StL Fed Daten, Forschung, Anwendungen amp mehr aus dem St. Louis FedAnna 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 Die statistische Synthese von Forschungsergebnissen mittels Metaanalyse ist weit verbreitet, um die relative Wirksamkeit konkurrierender Interventionen zu bewerten. Eine Reihe von drei Arbeiten, die darauf abzielen, psychische Gesundheitswissenschaftler mit den wichtigsten statistischen Konzepten und Problemen in der Metaanalyse vertraut zu machen, wurden kürzlich in dieser Zeitschrift veröffentlicht. Ein Papier befasste sich mit der Auswahl und Interpretation des entsprechenden Modells, um Ergebnisse zu synthetisieren (Fixeffekt oder Zufallseffektmodell), während die beiden anderen Papiere auf zwei große Bedrohungen ausgerichtet waren, die die Gültigkeit der Ergebnisse der Metaanalyse beeinträchtigten . 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 psychiatrischen Gesundheitsforschung. 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 ab, wie der Vollständigkeit der systematischen 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 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 Summaryseffekts beeinflussen, wobei letztere auftreten können, wenn die Wahrscheinlichkeit des Fehlens mit der Effektivität der Interventionen verglichen wird.5 Um die Bias und die Kleinstudien zu erforschen und zu berücksichtigen, Effekte .4 Die Veröffentlichung der Forschungsergebnisse 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-Kommando10 untersuchen wir die Auswirkungen unterschiedlicher Annahmen über den Mechanismus der fehlenden Daten auf dem 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 Auswirkung von 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 jeder Studie 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 (r), Ausfälle (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. Hierzu liefert die Software die Zusammenfassung RR von Haloperidol im Vergleich zu Placebo mit dem Fixed-Effekt-Modell nach Mantel-Haenszel-Gewichten.17 Die inversen Varianzgewichte können Über die Option fixedi oder randomi für eine feste oder zufällige Wirkungsanalyse spezifiziert werden. Das Ändern der geschätzten Effektgröße ist möglich, indem Sie die Optionen oder für OR und rd für Risikodifferenz angeben. 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 das Vorhandensein und die 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 keine CI für die Größe der Heterogenität (2). Allerdings erlaubt es die Bewertung der Auswirkungen der Heterogenität auf den Summierungseffekt über das prädiktive Intervall, in dem die Wirkung einer zukünftigen Studie erwartet wird.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 weitere Optionen stehen zur Verfügung (zB Optionen, die das Erscheinungsbild des Forstplots verarbeiten), die in der Hilfedatei des Befehls (durch Eingabe von help metan) gefunden werden können. Erforschung der Auswirkungen fehlender Ergebnisdaten Stata verfügt über einen leicht zugänglichen 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 auf kontinuierliche Ergebnisse ausgedehnt.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 Versuchsgruppe als Erfolge und in der Kontrollgruppe als Ausfälle impliziert (Option icab) Das Worst-Case-Szenario. Was das Gegenteil des Szenarios für das beste Szenario darstellt (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, 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 angenommenen Assoziation (sdlogimor ()) erlauben, in jedem Studienarm verknüpft. 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 schlimmste bzw. das beste 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 Quoten 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 für die Behandlung setzen Sowie Kontrollgruppen, wir geben metamiss rh fh mh rp fp mp, imor (2)). Beurteilung der Anwesenheit von kleinen Studieneffekten und des Risikos 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 oder nicht mit echten Publikation Bias zugeordnet werden könnte. Der Befehl Metafunnel zeichnet die Standard-Trichter plot22 und erfordert zwei Eingabevariablen. Es sei logRR und selogRR die beiden Variablen, die die beobachteten Effektgrößen in Studien und deren SEs enthalten. Die Syntax des metafunnel-Befehls 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 der Standard-Trichter-Darstellung ist, dass sie 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 Anhand von Schattierungen in der graphischen Darstellung kann man zeigen, ob fehlende Studien in den Bereichen statistischer Signifikanz liegen (z. B. p-Wert lt0,05) .23 Wenn nicht-signifikante Studien veröffentlicht wurden, ist es unwahrscheinlich, dass Die Asymmetrie ist auf Publikations-Bias zurückzuführen. Der Befehl confunnel kann verwendet werden, um dieses modifizierte Trichterplot zu erzeugen, wobei dieselbe Syntax mit dem Befehl metafunnel verwendet wird: confunnel logRR selogRR Das in der vertikalen Achse (zB die Varianz anstelle des SE) gemessene Maß für die Messgenauigkeit 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 in vier verschiedene Regressionsmodelle eingeteilt werden. Dazu gehören der Eggers test22 (Option egger), der Harbords test24 (option harbord), der Peters test25 (Option peter) und der Rangkorrelationstest von Begg und Mazumdar26 (Option begg). 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 nachfolgend beschriebenen Ergebnisse liefert, 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 Darstellung verwendet. Mit dem Befehl metan führten wir ACAs für beide Modelle durch und erzeugten das Forstplot von Fig. 1. Es ist im allgemeinen irreführend, sich auf den Diamanten zu konzentrieren, wenn man die Ergebnisse einer Metaanalyse mit Zufallseffekten beispielsweise in Gegenwart übermäßiger Heterogenität interpretiert Der Diamant ist oft bedeutungslos. Wald-Plot, der die Ergebnisse der festen und zufälligen Effekte zeigt Meta-Analyse für die 17 Studien Vergleich von Haloperidol und Placebo für die klinische Verbesserung der Schizophrenie (Ergebnis: Ansprechrate) (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 ergab die Zufalls-Wirkungs-Analyse ein breiteres CI. Trotz dieses Befundes überschritt das geschätzte prädiktive Intervall die Linie ohne Wirkung, was impliziert, dass in einer künftigen Studie Placebo wirksamer erscheinen könnte als das aktive Medikament. 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, der 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 das I & sub2 ;, das von 0 bis 67 reichte, was darauf hindeutet, daß Heterogenität potentiell null bis groß, aber nicht übermßig war. Die beiden Modelle unterscheiden sich nicht nur in der Unsicherheit, sondern auch im Hinblick auf die Größe 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 Zufalls-Effekt-Modell 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, wohingegen größere Studien näher an den Null-Effekt waren. Auswirkungen der fehlenden Ergebnisdaten Wir haben zunächst eine Untergruppenanalyse (unter Verwendung von metan mit der Option (()) 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 und somit war die Stichprobengröße bei Studien mit fehlenden Daten geringer als die Anzahl der randomisierten Teilnehmer. Ein gemeinsames Missverständnis für die Untergruppenanalyse 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, die auch in RevMantech. cochrane. orgrevman implementiert werden) basieren, die statistisch die beiden Untergruppenmittel, die ihre Unsicherheit berücksichtigen, vergleichen. 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 Meinungsverschiedenheit 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 beeinflusst 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 die Auswirkungen der fehlenden Daten, indem wir in die Analyse verschiedene Annahmen über den Mechanismus des Fehlens einbeziehen. Wir präsentierten die Ergebnisse des Zufallseffektmodells (Abbildung 3) und konzentrierten sich auf die Unterschiede in den Summeneffekten 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 den 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 man einen nicht-Null-Wert des fehlenden Parameters zulässt. Publizitäts-Bias und Kleinstudien-Effekte Verschiedene zusammenfassende Schätzungen zwischen Fix - und Zufallseffektmodellen (Abb. 1) gaben zur Besorgnis an, dass in unserem Beispiel möglicherweise kleinwüchsige Effekte in Frage kommen, die die korrekte Interpretation des Gesamteffekts in Frage stellen. Um diese scheinbare Assoziation zwischen Effektgröße und Studiengröße zu untersuchen, haben wir eine Reihe von grafischen Ansätzen und statistischen Tests eingesetzt (es ist wichtig, 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 (schattierter Bereich), sondern auch in Bereichen mit nicht-statistischer Signifikanz (weißer Bereich) 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 Größe der Studien zu bewerten, 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-Wirkungen in den 17 Studien, in denen Haloperidol und Placebo für die klinische Verbesserung der Schizophrenie-Trichter-Plot einschließlich der 17 veröffentlichten Haloperidol-Studien in Schizophrenie (Kreise) und den unveröffentlichten Studien (Quadrate) Geschätzt aus dem Trimm-und-Füll-Verfahren. Die ausgezogene Linie entspricht den bereinigt um die Auswirkungen des Publikations-Bias-Summary-Effekts (logRR0.27) und der gestrichelten Linie auf den Summary-Effekt, der nicht für die Publikations-Bias (logRR0.45) (RR, Risiko-Verhältnis) verantwortlich ist. Diskussion Neben der raschen methodischen Entwicklung der Metaanalyse wurden eine Reihe 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 angeboten, in der die häufigsten Fallstricke bei der Interpretation der Ergebnisse hervorgehoben wurden (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 Einblicke 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. Allerdings ist die Tatsache, kleine und große Versuche gab verschiedene Ergebnisse braucht weitere Exploration. Wenn zum Beispiel die Grße der Untersuchungen 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.