Desfechos binários

Risco relativo, razão de chances e diferença de risco a partir de contagens de eventos

Use este módulo quando cada estudo reporta quantos eventos ocorreram em cada grupo e o tamanho de cada grupo. É o caso de desfechos do tipo sim ou não: mortalidade, recidiva, resposta ao tratamento.

Se o seu efeito já vem calculado do artigo, o módulo certo é o de efeitos pré-calculados, não este.

Esta página trata do que é próprio deste módulo. As telas e os botões estão em o fluxo em três passos.

Passo 1, os dados

São cinco colunas obrigatórias, com estes nomes exatos:

Coluna O que é
study o rótulo do estudo, por exemplo “Silva 2019”
event.e eventos no grupo experimental
n.e tamanho do grupo experimental
event.c eventos no grupo controle
n.c tamanho do grupo controle

Qualquer coluna a mais é opcional e fica disponível depois, para análise de subgrupo e meta-regressão. No conjunto de exemplo há Region, Design, RiskOfBias, MeanAge e FollowUpMonths.

Passo 2, os parâmetros

Summary measure (sm)

Padrão RR. Decide o que será agrupado:

  • RR, risco relativo. A razão entre os riscos do evento nos dois grupos.
  • OR, razão de chances. Necessário se você vai comparar com literatura que usa OR, ou se pretende usar os métodos Peto ou GLMM, que só funcionam com OR. Lembre que a OR se afasta da RR quando o evento é frequente.
  • RD, diferença de risco, na escala absoluta: a diferença entre os dois riscos do evento, lida como eventos por 100 pacientes.

Method

Padrão inverse. É o método de agrupamento, e só existe neste módulo e no de proporções únicas:

  • inverse, inverso da variância. É o padrão do app. Cada estudo é ponderado pelo inverso da variância da sua estimativa de efeito.
  • MH, Mantel-Haenszel. Usa os pesos de Mantel-Haenszel, calculados a partir das contagens das células e não da variância da estimativa de efeito.
  • Peto. Usa a razão de chances de Peto, de um passo. Só funciona com sm = OR.
  • GLMM, modelo linear generalizado misto. Evita as correções de continuidade que os outros métodos aplicam a células com zero. Mais lento. Só funciona com sm = OR, e o forest sai sem a coluna de peso, porque um ajuste GLMM não produz peso por estudo.
Peto e GLMM exigem OR

Se você deixar sm = RR ou sm = RD e escolher Peto ou GLMM, a análise para com uma mensagem de erro. Troque o sm para OR antes, ou volte o método para inverse ou MH.

Os demais campos

Outcome name, a direção do desfecho e os nomes dos grupos funcionam como descrito em Outcome settings.

Analysis model, Tau method, Random CI method e Prediction method funcionam como descrito em Statistical settings (advanced). Neste módulo o Prediction interval vem desligado por padrão.

Passo 3, exportação e resultados

Este módulo traz o conjunto completo de cartões: forest plot, leave-one-out, funnel plot, small-study effects com o teste de Egger, análise de subgrupo, meta-regressão e as duas tabelas-resumo em XLSX. Todos estão descritos no passo 3 do fluxo.