Meta-análise de braço único

Agrupar uma proporção ou uma média, sem grupo de comparação

Use este módulo quando não há comparação: você quer a prevalência agrupada de uma condição, a taxa de complicação de um procedimento, ou o valor médio de uma medida numa população. Siga o fluxo em três passos, com um passo 2 bem mais curto, porque sem grupo controle vários campos deixam de fazer sentido.

Passo 1, os dados

Dois submódulos, escolhidos na página anterior.

Proporções únicas

Coluna O que é
study rótulo do estudo
event número de participantes com o desfecho
n tamanho da amostra do braço

Médias únicas

Coluna O que é
study rótulo do estudo
n tamanho da amostra
mean valor médio do desfecho
sd desvio-padrão do desfecho

Estudo que só reporta mediana também entra

Coluna O que é
study, n como acima
median, q1, q3 mediana e quartis do desfecho

min e max são opcionais. Substituem os quartis quando o artigo traz só a amplitude, e aí a conversão fica menos precisa.

Mediana com sd e mais nada é recusada, de propósito. Mediana não vira média sem os quartis ou a amplitude, e o meta não reclama disso: ele descarta o estudo da análise sem uma palavra. Melhor ouvir isso aqui do que publicar uma revisão sem estudos que você nunca soube que ficaram de fora.

As duas formas podem se misturar no mesmo arquivo

Preencha as colunas que cada estudo reporta e deixe o resto vazio. O conjunto de exemplo faz exatamente isso: oito estudos com média e desvio, quatro com mediana e quartis. O MetaVidence converte os de mediana antes de agrupar, pelo método de Luo e colaboradores para a média e o de Shi e colaboradores para o desvio-padrão, que são os padrões atuais do pacote meta.

O Data check informa quantos estudos foram convertidos, então o número está na sua frente antes de qualquer coisa rodar e vai direto para a seção de métodos.

Média e desvio são os valores que o estudo mediu diretamente. A conversão os estima a partir da mediana e dos quartis, para que um estudo que reportou mediana participe da análise.

Colunas extras ficam disponíveis para subgrupo e meta-regressão, como nos demais módulos. O Data check confere as obrigatórias, conta os estudos e aponta problemas, incluindo event maior que n.

Passo 2, os parâmetros

Não existem aqui os campos de direção do desfecho nem os nomes dos grupos: sem comparação, não há “favorece experimental” nem “favorece controle” a rotular.

Proporções únicas

Outcome name entra nos títulos e nos nomes de arquivo, como sempre.

Summary measure (sm) (padrão PLOGIT) escolhe a escala em que as proporções são agrupadas. Proporções perto de 0% ou de 100% têm variância muito pequena na escala crua, e é isso que as transformações endereçam:

  • PLOGIT, logito. É o padrão.
  • PFT, Freeman-Tukey duplo arco-seno. Estabiliza a variância em proporções próximas dos extremos. A volta para a escala de porcentagem depende dos tamanhos amostrais dos estudos.
  • PAS, arco-seno simples.
  • PLN, logaritmo da proporção.
  • PRAW, proporção crua, sem transformar.

Os resultados sempre voltam para a escala de porcentagem nos gráficos e tabelas, então a transformação é uma escolha de método, não de apresentação.

Method (padrão Inverse) escolhe entre Inverse, o inverso da variância, e GLMM, um modelo logístico de intercepto aleatório.

O Inverse aplica ponderação pelo inverso da variância às proporções transformadas. Com estudos de zero eventos, ou proporções muito próximas de 0% ou de 100%, ele soma 0,5 a cada célula como correção de continuidade. O GLMM modela as contagens diretamente e dispensa essa correção. O GLMM é normalmente usado com Tau method em ML, e o Inverse com REML.

O GLMM não tem coluna de peso

Um ajuste GLMM não produz peso por estudo, então o forest plot sai sem a coluna Weight e com todos os quadrados do mesmo tamanho. Não é um defeito do gráfico: o peso simplesmente não existe nesse modelo. O método Inverse produz peso por estudo, então lá a coluna aparece.

GLMM exige PLOGIT

Se você trocar o sm para PFT, PAS, PLN ou PRAW e deixar o método em GLMM, a análise para com uma mensagem de erro. Ao mudar o sm, volte o método para Inverse.

Analysis model e Tau method funcionam como no módulo binário.

Este submódulo não tem Prediction interval, nem Random CI method, nem Prediction method.

Médias únicas

Summary measure (sm) (padrão MRAW) tem duas opções. MRAW agrupa a média na unidade de medida original. MLN agrupa a média na escala logarítmica, o que exige valores estritamente positivos.

Analysis model, Tau method (padrão REML) e Prediction interval (padrão Yes) funcionam como no módulo binário. Não há campo Method, nem Random CI method, nem Prediction method.

Passo 3, exportação e resultados

Os dois submódulos trazem os mesmos cartões dos módulos pareados: Forest plot, Leave-one-out analysis, Funnel plot, Small-study effects com o teste de Egger, Subgroup analysis, Meta-regression e as duas tabelas-resumo em XLSX.