- Meta-analyse

Samle løse tråder
Utgangspunktet for enhver meta-analyse bør være en god systematisk oversikt som samler alle relevante studier. Hvis du finner flere studier som besvarer samme problemstilling vil hjernen straks lete etter mønstre. Så lenge alle tilgjengelige data trekker i samme retning settes du ikke på store prøver, men det er vanskeligere å forholde seg til sprikende (inkonsistente). Intuisjonen forteller deg kanskje at du bør telle opp antall studier med én bestemt konklusjon og stole på den konklusjonen som får flest stemmer. Ofte finnes det gode grunner til at noen studier bør tillegges større vekt enn andre, for eksempel fordi de involverer mange deltakere eller er godt gjennomført. I slike situasjoner er meta-analyser å foretrekke fremfor intuisjon og ”magefølelsestatistikk”.

Diamanten
Meta-analyser forbindes gjerne med forestplott der hver rad henviser til én enkeltstudie. Kolonnevis får du gjerne informasjon om de inkluderte enkeltstudiene, som for eksempel antall deltakere, i tillegg til en kolonne som forteller hvor stor vekt studien er tillagt i meta-analysen. Resultatet vises på nederste rad der sammenslått effektestimat ofte fremkommer som en diamant (Figur 1). Bredden på diamanten viser konfidensintervallet (spredning), mens midten av diamanten viser effektmålet (sentraltendens). Akkurat som i enkeltstudier kan du velge mellom ulike effektmål i en meta-analyse. Dikotome utfallsmål presenteres typisk i form av relativ risiko, odds ratio eller relativ risikoforskjell (jf. Analysere tall 1), og ved kontinuerlige utfallsmål er ofte gjennomsnittsforskjell (MD) å foretrekke (jf. Analysere tall 2). Du kan også komme over meta-analyser som beregner standardiserte gjennomsnittsforskjeller (SMD). SMD brukes for å slå sammen studier som har målt tilnærmet samme utfall på ulike skalaer, men SMD er ofte vanskelig å fortolke i praksis.

Figur 1 Meta-analyse, deksametason for tilbakevendende hodepine (Colman et al (2008) BMJ 336:1359-61)

Heterogenitet
Figur 1 viser et forestplott med godt samsvar mellom alle inkluderte studier, men ofte vil du finne enkeltstudier med sprikende (heterogene) resultater. Heterogenitet refererer til variasjon mellom enkeltstudier som ikke kan tilskrives tilfeldigheter, men som heller har sin årsak i at enkeltstudiene faktisk er forskjellige, for eksempel fordi intervensjonen gis med varierende intensitet eller populasjonen er satt sammen på ulike vis. I meta-analyser måles heterogenitet ofte i form av et måltall som kalles I2 og tar verdier mellom 0 og 100 %. I2 viser hvor mye av den totale variasjonen som ikke kan forklares av tilfeldige feil. Med stigende I2 øker sjansen for at det er reelle forskjeller mellom de inkluderte studiene – en advarsel om at det muligens ikke er så lurt å slå sammen de aktuelle studiene.

De som gjennomfører en meta-analyse kan velge mellom en tilfeldig (random) eller fiksert (fixed) effektmodell. Her skal vi ikke gå i detaljer utover å nevne at forskjellen mellom de to modellene øker med stigende I2, og den randomiserte modellen er å foretrekke hvis du forventer å observere heterogenitet i en planlagt meta-analyse. Noen ganger er det aktuelt å gjøre subgruppeanalyser for å utforske heterogenitet. Dette kan være nyttig, men husk at subgruppeanalyser bør være definert i forkant (apriori) og helst være basert på en biologisk plausibel årsaksmekanisme.

Spill avKjetil G. Brurberg, Kunnskapssenteret, forklarer hvorfor meta-analyser kan være hensiktsmessig og hvordan du skal forstå en meta-analyse. Presentasjonen er rettet inn mot lesere som har svært liten erfaring med meta-analyser fra tidligere.