Metaanálisis

De Wikipedia, la enciclopedia libre
Saltar a: navegación, búsqueda

El metaanálisis es un conjunto de herramientas estadísticas, que son útiles para sintetizar los datos de una colección de estudios; dicho meta-análisis, inicia con una estimación de cierto efecto recopilatorio (como la diferencia media, la razón de riesgo, o la correlación) de cada estudio.[1] El metaanálisis permite ver estos efectos en contexto: si el tamaño del efecto es consistente, el efecto del tratamiento puede ser reportado como fuerte; y el tamaño del efecto puede estimarse más preciso que con un solo estudio. Si el tamaño del efecto varía, esa variación puede ser descrita y, potencialmente, explicada.

El término metaanálisis, como tal, fue inicialmente aplicado en las ciencias sociales y en psicología. A partir de la década de los 80, se comenzó a aplicar de forma creciente en Medicina y a partir de los 90 es muy frecuente los artículos que describen resultados de metaanálisis en publicaciones médicas.

Historia[editar]

El término "metaanálisis" fue acuñado por Gene V. Glass en 1976, siendo el primer estadístico moderno en señalar que su mayor interés era "a qué hemos llamado el meta-análisis de la investigación científica". Aún cuando esto le permitiera ser ampliamente reconocido como el fundador del método moderno, no fue sino hasta la década de los 1990's cuando la práctica de los meta-análisis comenzó a figurar, pero no siempre, como los componentes importantes de un proceso de revisión sistemática. La teoría estadística en torno al metaanálisis mejoró notablemente gracias al trabajo desempeñado por Nambury S. Raju, Larry V. Hedges, Harris Cooper, Ingram Olkin, John E. Hunter, Jacob Cohen, Thomas C. Chalmers, Robert Rosenthal, y Frank L. Schmidt.

Ventajas del metaanálisis[editar]

De modo conceptual, utiliza un enfoque estadístico para combinar los resultados de estudios múltiples. Sus ventajas entonces pueden interpretarse de la siguiente manera:

  • Los resultados de estudio se pueden encaminar a una población más amplia;
  • La precisión y exactitud de las estimaciones pueden mejorarse a mayor uso de datos. Esto, a su vez, puede aumentar el poder estadístico para detectar un efecto;
  • La inconsistencia de resultados entre estudios puede contarse y analizarse. Por ej: se plantea la inconsistencia del error de muestreo, o son los resultados del estudio (parciales) influenciados por heterogeneidad entre los estudios involucrados;
  • La prueba hipotética puede aplicarse en estimaciones;
  • Pueden incluirse moderadores que expliquen la variación entre estudios;
  • La presencia del sesgo en publicación puede ser atendida.

Dificultades potenciales[editar]

El metaanálisis que arrojan varios estudios de corto alcance, no predice los resultados de un solo estudio amplio.[2] Algunos han argumentado que una debilidad del método es que los focos de sesgo no están controlados por el método: un buen metaanálisis de estudios mal diseñados todavía dará lugar a malas estadísticas. Esto significaría que sólo los estudios metodológicamente sólidos deben ser incluidos en un metaanálisis, una práctica llamada "síntesis de la mejor evidencia". Otros analistas incluirían estudios más débiles, y añadirían una variable de predicción a nivel de estudio que refleje la calidad metodológica de los estudios para examinar el efecto de la calidad del estudio sobre el tamaño del efecto.[3] Sin embargo, otros han argumentado que el mejor enfoque es el de preservar la información sobre la variación en la muestra del estudio, echando una red tan amplia como sea posible, y que los criterios de selección metodológica introduzcan subjetividad no deseada, anulando el propósito de este enfoque.[4]

Sesgo de publicación: el problema de fondo[editar]

Un gráfico en embudo previsto sin el problema de fondo.
Un gráfico en embudo previsto con el problema de fondo.

Otro escollo potencial es la confianza en lo disponible de estudios publicados, lo que puede generar resultados exagerados debido a dicho sesgo, pues los estudios que muestran resultados negativos o insignificantes tienen menos probabilidades de ser publicados. Para cualquier área de investigación determinado, no se puede saber cuántos estudios han sido ocultados o descartados.[5]

Este problema resulta en la distribución de tamaños del efecto que están sesgados, asimétricos o totalmente aislados; creando un error común de razonamiento lógico, en el que se sobreestima la importancia de los estudios publicados, mientras otros estudios ni se publican. Esto debiera ser considerado en serio al interpretar los resultados de un metaanálisis.[5] [6]

Esto se puede visualizar con un gráfico de embudo, el cual, es un diagrama de dispersión del tamaño de muestra y de efecto. Para un cierto nivel de efecto, cuanto menor sea el estudio, mayor es la probabilidad de encontrarlo por casualidad; al mismo tiempo, cuanto mayor sea el nivel de efecto, menor será la probabilidad de que un estudio más grande pueda resultar así de positivo. En caso de que muchos estudios negativos no fuesen publicados, los positivos restantes darían lugar a tal gráfico de embudo en el cual el tamaño de efecto es inversamente proporcional al tamaño de muestra, es decir, una parte importante del efecto que se muestra se debe a la posibilidad de que no se equilibra en el diagrama por ausencia de datos negativos no publicados. En cambio, al publicarse la mayoría de estudios, el efecto mostró no tener razón para sesgarse por el tamaño de estudio; por lo cual resulta, un gráfico de embudo simétrico. Así que, si no hay sesgo de publicación, no habría relación alguna entre el tamaño de muestra y el tamaño de efecto.[7] Una relación negativa entre el tamaño de muestra y el de efecto implicaría que los estudios que encontraron efectos significativos fueran más propensos de publicarse y/o enviarse para tal fin. Hay varios procedimientos disponibles que intentan corregir el problema de cajón al identificarse, tales como adivinar en la mecha de distribución de los efectos de estudio.

Los métodos para detectar el sesgo de publicación han sido polémicos ya que suelen tener bajo impacto para detectarlo, incluso pueden generar falsos supuestos bajo ciertas circunstancias.[8] Un método conjunto para analizar el sesgo de publicación ha sido propuesto para abatir falsos supuestos y sugerir que el 25% de los metaanálisis en psicología podrían tener sesgo de publicación.[9] Sin embargo, los posibles problemas de bajo impacto siguen siendo controvertidos y las estimaciones de sesgo podrían ser inferiores a la cantidad real.

Sesgo impulsado por agenda[editar]

El error más grave en el metaanálisis (H. Sabhan) ocurre a menudo cuando la(s) persona(s) realizando un metaánálisis tiene(n) una agenda económica, social, o política, como la aprobación o la reprobación legislativa. La gente con estos tipos de agendas podrían ser más propensos de utilizar indebidamente los metaanálisis debido a sus prejuicios.

Pasos a seguir en un metaanálisis[editar]

1. Formulación del problema

2. Búsqueda de literatura

3. Selección de estudios (criterios de incorporación):

* Basada en criterios de calidad, ej: requisito de asignación al azar y cegado de ensayo clínico;
* Selección de estudios concretos sobre un tema muy específico, como el tratamiento de cáncer;
* Decidir si los estudios no-publicados son incluidos para evitar el sesgo (problema de fondo).

4. Decidir qué variables dependientes o medidas de resumen son permitidas. Por ejemplo:

* Discrepancias (datos discretos);
* Recursos (datos continuos);
* La g de Hedges es una medida popular para da-tos continuos estandarizada para eliminar diferencias de escala, pero incorpora un índice de variación entre grupos: 
\delta=\frac{\mu_t-\mu_c}{\sigma}, en donde \mu_t es la media de tratamiento, \mu_c es la media de control, y \sigma^2 la varianza acumulada.

5. Selección del modelo

Para conocer las directrices de informes, consulte los artículos de Reporte Preferidos para Revisiones Sistemáticas y los Meta-análisis (PRISMA, por sus siglas en inglés).[10]

Metodología y Suposición[editar]

1. Los métodos[editar]

En lo general, existen dos tipos de evidencia que se pueden distinguir al realizar un metaanálisis: los datos iniciales aportados por cada participante (DIP) y los datos agregados (AD). Considerando que los datos iniciales representan la información en bruto procedente de los centros de estudio, los agregados de hecho son más comunes y disponibles (por ej: desde la literatura) y típicamente representan estimaciones globales, tales como inusuales cocientes o riesgos relativos. Esta distinción ha incrementado las necesidades de diferentes métodos cuando la evidencia es deseada, conduciendo al desarrollo de métodos de una o dos etapas; en los de una etapa, los datos iniciales son simultáneamente modelados mientras representan la agrupación de participantes dentro de los estudios; por el contrario, los métodos de dos etapas, sintetizan los datos agregados de cada estudio y consideran aquí las cargas de estudio. Reduciendo los datos iniciales a datos agregados, los métodos de dos etapas pueden incluso aplicarse cuando se cuenta con los datos iniciales; lo que presenta una alternativa de acción al realizar el metaanálisis.

Aunque se cree que los métodos de una o dos etapas arrojan resultados parecidos, estudios recientes han demostrado que dichos métodos pueden a veces llevar a diferentes conclusiones.[11]

2. Supuestos[editar]

de efecto fijo[editar]

El modelo de efectos fijos ofrece una ponderación de estimaciones seriadas: lo contrario a la varianza de estimaciones suele usarse como carga de estudio, de tal manera que los estudios más grandes tienden a contribuir más a la media ponderada que los más breves. En consecuencia, cuando los estudios en un metaanálisis son dominados por uno grande, los hallazgos en estudios más pequeños resultan prácticamente ignorados. Lo más importante, este modelo supone que todos los estudios incluidos estudian a la misma población, usan la misma variable y definiciones de resultados, etc. Este supuesto es típicamente irreal como la investigación es a menudo propensos a varias fuentes de heterogeneidad; por ej: los efectos del tratamiento pueden diferir según la configuración regional, los niveles de dosificación, las condiciones de estudio.

de efectos aleatorios[editar]

Un modelo común para sintetizar estudios heterogéneos, es el modelo de efectos aleatorios; este es tan solo la media ponderada de los tamaños del efecto de un grupo de estudios. El peso que se aplica en este proceso de ponderación con un metaanálisis de efectos aleatorios se realiza en dos pasos:[12]

  1. Paso 1: Ponderación de la varianza inversa.
  2. Paso 2: Descarga de esta varianza inversa, al aplicar cierto componente de varianza de efectos aleatorios, que se deriva simplemente de la medida de la variabilidad de los tamaños del efecto de los estudios subyacentes.

Esto significa que cuanto mayor es esta variabilidad en los tamaños del efecto (conocido también como hetero-geneidad), mayor será la descarga de peso y esto puede llegar a un punto en que el resultado de metaanálisis se convierte en tamaño del efecto promedio no ponderado. En opuesto extremo, cuando todo tamaño del efecto es similar (o la variabilidad no excede error de muestreo), no se aplica el componente el paso 2 y el metaanálisis de efectos aleatorios solo da por defecto un metaanálisis de efecto compuesto (sólo ponderación varianza inversa).

La medida de esta inversión depende únicamente de dos factores: la heterogeneidad de precisión, y la heterogeneidad del tamaño del efecto:[13]

El método más utilizado para estimar y tener en cuenta la heterogeneidad es el método DerSimonian-Laird (DL). Más recientemente, la iterativa y máxima verosimilitud restringida computacionalmente intensivos (REML) enfoque surgido y puesto al día. Sin embargo, una comparación entre estos dos modelos (y más) demostró que hay poco que ganar y DL es bastante adecuado en la mayoría de los escenarios.[14]

Meta-Regresión[editar]

La Meta-regresión es una herramienta utilizada en el metaanálisis para examinar el impacto de las variables moderadoras en el estudio del tamaño del efecto utilizando técnicas basadas en regresión??. La meta-regresión es más eficaz en esta tarea, de lo que son las técnicas de regresión estándar.

Aplicación en la ciencia moderna[editar]

En Medicina, un metaanálisis es el estudio basado en la integración estructurada y sistemática de la información obtenida en diferentes ensayos clínicos, sobre un problema de salud determinado. Consiste en identificar y revisar los estudios controlados sobre un determinado problema, con el fin de dar una estimación cuantitativa sintética de todos los estudios disponibles. Dado que incluye un número mayor de observaciones, un metaanálisis tiene un poder estadístico superior al de los ensayos clínicos que incluye. Los dos principales problemas metodológicos de los metaanálisis de ensayos clínicos son:

  • La heterogeneidad entre los ensayos incluidos, en términos de características clínicas y sociodemográficas de las poblaciones en cada ensayo, los métodos de evaluación clínica aplicados, la dosis, forma farmacéutica o pauta de dosificación del fármaco evaluado, etc.
  • El posible sesgo de publicación, derivado de que no todos los ensayos clínicos realmente realizados han sido publicados, por resultados negativos o no esperados.

Un metaanalisis clínico se basa principalmente en una integración o reciclaje entre la información ya obtenida y poder obtener un análisis mayor.

El primer metaanálisis clínico fue realizado por Karl Pearson en 1904, en un intento de superar el problema del reducido poder estadístico de los estudios con pequeños tamaños muestrales; si se analizan los resultados de un grupo de estudios similares, se puede alcanzar una valoración más exacta de los efectos.

En Estadística, un metaanálisis se refiere al conjunto de métodos enfocados a contrastar y combinar los resultados de diferentes estudios; con la esperanza de identificar patrones entre los resultados de estudio, las fuentes de desacuerdo entre dichos resultados, u otras relaciones interesantes que pueden salir a la luz en el contexto de múltiples estudios.

En su más simple forma, se lleva a cabo al identificar una medida común del tamaño de efecto; del cual un promedio ponderado podría ser el dato de salida en un metaanálisis. La ponderación podría estar relacionada con tamaños de muestra dentro de los estudios individuales.

Más a menudo, hay otras diferencias entre los que necesitan ser permitidos; pero el objetivo general de un metaanálisis radica en estimar con mayor fuerza el tamaño real de efecto, en contraste a uno menos preciso derivado en un solo estudio bajo un sencillo conjunto determinado de supuestos y condiciones.

Referencias[editar]

  1. Borenstein, M. in Meta-Analysis: Concepts and Applications - Seminar organized by Statistical Horizons; 2013.
  2. Lelorier, J.; Grégoire, G. V.; Benhaddad, A.; Lapierre, J.; Derderian, F. O. (1997). "Discrepancies between Meta-Analyses and Subsequent Large Randomized, Controlled Trials". New England Journal of Medicine 337 (8): 536–542
  3. Hunter, Schmidt, & Jackson, John E. (1982). Meta-analysis: Cumulating research findings across studies. Beverly Hills, California: Sage. 
  4. Glass, McGaw, & Smith (1981). Meta-analysis in social research. Beverly Hills, CA: Sage. 
  5. a b Rosenthal, Robert (1979). «The "File Drawer Problem" and the Tolerance for Null Results». Psychological Bulletin 86 (3):  pp. 638–641. doi:10.1037/0033-2909.86.3.638. 
  6. Hunter, John E; Schmidt, Frank L (1990). Methods of Meta-Analysis: Correcting Error and Bias in Research Findings. Newbury Park, California; London; New Delhi: SAGE Publications. 
  7. Light & Pillemer (1984). Summing up: The science of reviewing research. Cambridge, CA: Harvard University Pree. 
  8. Ioannidis, J., & Trikalinos, T. (2007). «The appropriateness of asymmetry tests for publication bias in meta-analyses: a large survey». Canadian Medical Association Journal 176 (8):  pp. 638–641. doi:10.1503/cmaj.060410. http://www.cmaj.ca/content/176/8/1091.full 
  9. Ferguson, C., & Brannick, M. (2012). «Publication bias in psychological science: Prevalence, methods for identifying and controlling, and implications for the use of meta-analyses». Psychological Methods 17 (1):  pp. 120–128. doi:10.1037/a0024445. http://www.tamiu.edu/~cferguson/PubBias.pdf 
  10. «La Declaración PRISMA». Prisma-statement.org (2012-02-02). Consultado el 2012-02-02.
  11. Debray, Thomas P. A.; Moons, K.G.M.; Abdallah, A.Z.; Koffijberg, H.; Riley, R.D. (2013). «Individual participant data meta-analysis for a binary outcome: one-stage or two-stage?». PLoS ONE. 
  12. Senn S. Trying to be precise about vagueness. Stat Med 2007; 26:1417–30
  13. Al Khalaf MM, Thalib L, Doi SA. "Combining heterogenous studies using the random-effects model is a mistake and leads to inconclusive meta-analyses". Journal of Clinical Epidemiology 2011; 64:119–23
  14. Kontopantelis E, Reeves D. Performance of statistical methods for meta-analysis when true study effects are non-normally distributed: A simulation study. Statistical Methods in Medical Research. 2010 Dec. doi: http://dx.doi.org/10.1177/0962280210392008

Bibliografía[editar]

  • Cooper, H. & Hedges, L.V. (1994). The Handbook of Research Synthesis. New York: Russell Sage.
  • Cornell, J. E. & Mulrow, C. D. (1999). Meta-analysis. In: H. J. Adèr & G. J. Mellenbergh (Eds). Research Methodology in the social, behavioral and life sciences (pp. 285–323). London: Sage.
  • Norman S.-L. T. (1999). «Tutorial in Biostatistics. Meta-Analysis: Formulating, Evaluating, Combining, and Reporting». Statistics in Medicine 18 (3):  pp. 321–359. doi:10.1002/(SICI)1097-0258(19990215)18:3<321::AID-SIM28>3.0.CO;2-P. PMID 10070677. 
  • Sutton, A.J., Jones, D.R., Abrams, K.R., Sheldon, T.A., & Song, F. (2000). Methods for Meta-analysis in Medical Research. London: John Wiley. ISBN 0-471-49066-0
  • Higgins JPT, Green S (editors). Cochrane Handbook for Systematic Reviews of Interventions Version 5.0.1 [updated September 2008]. The Cochrane Collaboration, 2008. Available from www.cochrane-handbook.org

Lecturas adicionales (en inglés)[editar]

Enlaces externos[editar]

Software[editar]