F6/F10/F12: Systematiske oversigter I, II & III Flashcards
F6 - Kunne redegøre for hvad en systematisk oversigt er (herunder dens væsentlige komponenter og væsentligste hovedtyper).
Når man læser en systematisk oversigt:
- Klar og relevant PICO?
- Er den baseret på en tilgængelig protokol?
- Er der søgt grundigt nok (tommelfingerregel: 2+ 2 standard-databaser + anden søgning)?
- Har den systematiske oversigt indarbejdet risikoen for bias i de inkluderede studier?
✅Systematisk oversigt:
En systematisk oversigt er en omfattende gennemgang og syntese af eksisterende litteratur om et specifikt emne.
Den inkluderer en systematisk søgning af relevante studier, vurdering af studiernes kvalitet og opsummering af resultaterne, men kombinerer ikke nødvendigvis data på en statistisk måde.
Målet er at give en klar og objektiv vurdering af evidensen, ofte uden at sammenfatte data på tværs af studier.
Man kan have en systematisk oversigt m/u metaanalyse.
Væsentlige komponenter i en systematisk oversigt:
Spørgsmål og mål: Oversigten tager udgangspunkt i et klart defineret forskningsspørgsmål.
Inklusions- og eksklusionskriterier: Definerer, hvilke studier der skal medtages (f.eks. studier af en bestemt type, population, eller intervention).
Litteratursøgning: En omfattende og systematisk søgning efter relevante studier i flere databaser for at minimere selektionsbias.
Studieudvælgelse: De studier, der opfylder inklusionskriterierne, udvælges og vurderes.
Kvalitetsvurdering: De medtagne studiers metodologiske kvalitet vurderes for at sikre pålideligheden af resultaterne.
Dataekstraktion: Relevant information (f.eks. effektmål) fra de udvalgte studier samles og organiseres.
Dataanalyse: Resultaterne sammenfattes, og en meta-analyse kan udføres, hvis det er muligt at kombinere data statistisk.
Konklusion: En sammenfattende vurdering af evidensen og dens betydning for praksis eller fremtidig forskning.
✅ Hovedtyper af systematiske oversigter:
→ Kvantitativ systematisk oversigt (meta-analyse): Kombinerer data fra flere studier ved hjælp af statistiske metoder for at få et samlet estimat af effekten.
→ Kvalitativ systematisk oversigt: Fokuserer på at syntetisere ikke-quantitative data (f.eks. erfaringer og holdninger) fra kvalitative studier.
→ Integrative oversigter: Kombinerer både kvantitative og kvalitative data for at få en bredere forståelse af et emne.
F6 - Kunne redegøre for hvad metaanalyse er (herunder dens væsentlige komponenter og væsentligste hovedtyper).
Meta-analyse:
Meta-analyse er en statistisk metode, der anvendes i en systematisk oversigt for at kombinere kvantitative data fra flere studier.
Den beregner et samlet estimat af effekten ved at vægte resultaterne fra de enkelte studier og giver et mere præcist og generaliserbart resultat.
En meta-analyse kan kun udføres, når data fra de medtagne studier er tilstrækkeligt ensartede (f.eks. hvad angår målemetoder og resultatmål).
F6 - Kunne redegøre for forskellen mellem en snæver og en bred problemstilling for en systematisk oversigt.
Æble pære sammenligning?
Usammenlignelige studier skal ikke blandes sammen.
⚽️ Snæver problemstilling: (PICO)
Defineret fokus: En snæver problemstilling har et meget specifikt forskningsspørgsmål, der fokuserer på et lille område eller et bestemt aspekt af et emne.
Kriterier for inkludering: Studierne, der medtages i oversigten, har meget strenge inklusionskriterier (f.eks. specifik population, intervention, eller outcome).
Eksempel: En systematisk oversigt om effekten af en bestemt medicin (f.eks. “Virkningsgrad af ibuprofen mod migræne hos voksne over 50 år”).
Fordele: Giver et meget præcist svar på et specifikt spørgsmål og kan give stærkere evidens for et lille, afgrænset problem.
Ulemper: Kan begrænse generaliserbarheden og relevansen for bredere klinisk praksis.
⚽️ Bred problemstilling: (PICO)
Omfattende fokus: En bred problemstilling dækker et større eller mere generelt område, som kan inkludere flere forskellige interventioner, populationer eller outcomes.
Kriterier for inkludering: Inklusionskriterierne er bredere, og der medtages flere typer studier, hvilket kan resultere i et større antal studier.
Eksempel: En systematisk oversigt om effekten af medicin på hovedpine generelt (f.eks. “Effekten af smertestillende medicin mod hovedpine”).
Fordele: Kan give et bredere og mere generaliserbart billede af evidensen og mulige interventionsmuligheder.
Ulemper: Kan være mindre præcis og give et mindre fokuseret resultat, hvilket kan gøre det sværere at træffe konkrete kliniske beslutninger.
F6 - Kunne vurdere søgningen i en systematisk oversigt, herunder valget af informationskilder?
🔍 Vurdering af søgningen i en systematisk oversigt
- Var søgningen systematisk og reproducerbar?
Er søgestrategien klart beskrevet?
Er der brugt boolske operatorer (AND, OR, NOT) og relevante søgetermer/MeSH-termer?
Er søgetidspunkt og søgeperiode angivet?
Fx: “Søgningen blev udført i april 2023 og dækkede perioden 2000-2023.” - Valg af databaser (informationskilder)
Er der anvendt flere relevante databaser? (f.eks. PubMed, Embase, Cochrane, CINAHL, PsycINFO)
Er databaserne passende ift. emnet? (f.eks. CINAHL ved sygepleje, PsycINFO ved psykologi)
Er grå litteratur inddraget? (rapporter, afhandlinger, konferenceabstracts osv.)
God praksis: mindst 2–3 databaser + evt. søgning i grå litteratur og reference lister. - Brug af inklusions- og eksklusionskriterier
Er disse klart defineret før søgningen? (f.eks. via PICO: Population, Intervention, Comparison, Outcome)
Er det tydeligt, hvordan studier blev frasorteret? - Screenings- og udvælgelsesproces
Var der flere uafhængige reviewere, der vurderede titler/abstracts?
Brugte de en PRISMA-flowchart til at vise udvælgelsen?
Fx: “To forskere vurderede titler og abstracts uafhængigt, og uenigheder blev løst ved konsensus.” - Dokumentation og transparens
Er søgestrategien dokumenteret i bilag eller appendix, så den kan gentages?
Er antallet af fundne og inkluderede studier tydeligt?
F6 - Kunne redegøre for fixed effect og random effects modeller for metaanalyse.
📌 Fixed effect model
Alle forsøg måler den samme ene sande effekt
Antagelse:
Alle studier i metaanalysen undersøger den samme sande effektstørrelse. Forskelle mellem studier skyldes kun tilfældig variation (sampling error).
Konsekvens:
Man tillægger større studier (med lavere standardfejl) mere vægt.
Heterogenitet mellem studier ignoreres.
Bruges når:
Studierne er meget ens ift. population, intervention, metode osv.
Der er lav heterogenitet (I² tæt på 0 %).
Fordele:
Simpel og præcis, hvis antagelsen holder.
Ulemper:
Ikke realistisk ved stor variation mellem studier → kan give misvisende resultater.
📌 Random effects model
Hvert forsøg måler en sand effekt, der er forskellig fra hinanden.
Antagelse:
Studierne undersøger forskellige (men beslægtede) effektstørrelser. Den sande effekt varierer lidt fra studie til studie. Der tages højde for både sampling error og mellem-studie variation (heterogenitet).
Konsekvens:
Mindre forskel i vægtning mellem store og små studier.
Brede konfidensintervaller (mere konservativ).
Bruges når:
Studierne er metodisk eller klinisk forskellige.
Der er moderat til høj heterogenitet (fx I² > 30 %).
Fordele:
Mere realistisk model ved heterogenitet.
Tillader generalisering til bredere populationer.
Ulemper:
Mindre præcision (bredere CI).
Mere kompleks beregning.
📝 Eksempel:
En metaanalyse af blodtrykssænkende medicin i ensartede RCT’er kunne bruge fixed effect.
En metaanalyse af livsstilsinterventioner på tværs af lande og metoder bør bruge random effects.
F6 - Kunne redegøre for klinisk/metodisk variabilitet og forklaret og uforklaret statistisk heterogenitet (I²).
✅ 1. Klinisk variabilitet
= Forskelle mellem studiernes kliniske karakteristika, som kan påvirke effekten af interventionen.
Eksempler:
Forskellige patientgrupper (alder, køn, sygdomsgrad)
Forskelle i intervention (fx dosis, varighed, leveringsmåde)
Forskellige kontekster (fx hospital vs. hjemmepleje)
🔸 Klinisk variabilitet er naturlig i mange reviews, men den kan føre til variation i effektmål, som kan bidrage til statistisk heterogenitet.
✅ 2. Metodisk variabilitet
= Forskelle i studiedesign og metode, som kan påvirke studiers pålidelighed og udfald.
Eksempler:
RCT vs. kohortestudier
Varierende opfølgningslængde
Forskellig risiko for bias
Målemetoder for effekt (fx forskellige spørgeskemaer eller skalaer)
🔸 Metodisk variabilitet påvirker interne validitet og kan øge usikkerhed og heterogenitet i en metaanalyse.
📈 3. Statistisk heterogenitet (I²)
= Den mængde af variation i effektmål mellem studier, som ikke kan forklares af tilfældigheder alene (altså reel forskel).
🧮 I²-statistik:
Måles i % og beskriver, hvor stor en del af den samlede variation, der skyldes ægte forskelle mellem studier.
I² (%) Fortolkning
0–25 % Lav heterogenitet
25–50 % Moderat heterogenitet
50–75 % Betydelig heterogenitet
>75 % Substantiel heterogenitet
⚖️ 4. Forklaret vs. uforklaret heterogenitet
🟢 Forklaret heterogenitet:
Når man kan identificere og forklare årsagerne til forskelle i effektmål.
F.eks.: Studier med ældre patienter har systematisk lavere effekt → aldersforskel forklarer en del af variationen.
Kan undersøges via subgruppeanalyser eller metaregression.
🔴 Uforklaret heterogenitet:
Når variationen ikke kan forklares med kendte karakteristika.
Gør det sværere at tolke metaanalysens samlede resultat → tillader mindre tillid til konklusionen.
F6 - Kunne redegøre for forestplots og funnelplots.
🌳 Forest plot
➡️ Formål:
Vise resultaterne fra de enkelte studier grafisk i en metaanalyse.
Illustrere effektstørrelser, konfidensintervaller, og det samlede estimat.
➡️ Struktur:
Hvert studie vises på en vandret linje.
Midtpunktet (ofte en firkant) = punktestimat (fx odds ratio, risk ratio, mean difference).
Størrelsen på firkanten = vægten af studiet (typisk afhængig af studiepræcision).
Horisontale linjer = 95 % konfidensinterval for hvert studie.
Nederst vises ofte en diamant:
Midten = samlet effektmål
Bredden = samlet 95 % CI
➡️ Tolkning:
Hvis konfidensintervaller for studier overlapper meget → lav heterogenitet.
Hvis mange studiers CI ikke overlapper → tegn på heterogenitet.
Hvis diamanten ikke krydser nul (ved kontinuerte data) eller ikke krydser 1 (ved relative risici) → samlet effekt er statistisk signifikant.
➡️ Ekstra:
Forest plot bruges også til en eye-ball test for heterogenitet!
🔻 Funnel plot
➡️ Formål:
Vurdere publikationsbias og bias relateret til studiepræcision. “Small study effects”
“Funnel plot er kun meningsfuldt hvis n >=10”
➡️ Struktur:
X-akse: Effektstørrelse (fx odds ratio).
Y-akse: Studiets præcision (ofte standardfejl eller 1/SE).
Hvert punkt = ét studie.
Ideelt set:
Store studier (høj præcision) ligger øverst og tæt på den sande effektstørrelse.
Små studier (lav præcision) ligger bredere spredt længere nede.
Formen bliver som en omvendt tragt (funnel).
➡️ Tolkning:
Symmetrisk funnel plot → Lav risiko for publikationsbias.
Asymmetrisk funnel plot → Funnel plot asymmetri er test for ‘small-study effects’, men en dårlig test for “publikationsbias.” (fx små studier med negative resultater mangler).
Asymmetri kan også skyldes:
- Dårligere metodologisk kvalitet af små studier
- Ægte forskelle i små vs. store studier
- Heterogenitet
- Tilfældighed
F6 - Kort kunne beskrive rapporteringsretningslinjerne PRISMA og PRISMA-P for henholdsvis systematiske oversigter og protokoller til systematiske oversigter.
✅ PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses)
En rapporteringsretningslinje for systematiske oversigter og metaanalyser.
Hjælper med at sikre gennemsigtighed og fuldstændighed i rapporteringen.
Indeholder en tjekliste på 27 punkter + et flowdiagram til dokumentation af studieudvælgelse.
Formål:
At læseren kan vurdere kvalitet og replikérbarhed.
At sikre at alle vigtige elementer i processen er rapporteret (fx søgestrategi, inklusion/eksklusionskriterier, resultater og biasvurdering).
✅ PRISMA-P (Preferred Reporting Items for Systematic Review and Meta-Analysis Protocols)
En tjekliste til protokoller for systematiske oversigter.
Indeholder 17 punkter, som skal sikre, at man på forhånd gennemsigtigt beskriver metode og formål.
Formål:
At øge forudsigelighed og planlagthed i gennemførelsen af en systematisk oversigt.
At minimere risikoen for bias og selektiv rapportering.
🧠 Husketip:
PRISMA → til selve reviewet
PRISMA-P → til protokollen før reviewet
F10 - Kunne diskutere risiko for bias i randomiserede forsøg inkluderet i en systematisk oversigt (herunder anvendelse af Cochrane Risk of Bias Tool (RoB 2))
🧪 Risiko for bias i RCTs i systematiske oversigter
🔍 Hvorfor er det vigtigt?
Bias kan skævvride effektmål og føre til forkerte konklusioner i metaanalyser.
En systematisk oversigt er kun så god som de studier, den bygger på.
📋 Cochrane Risk of Bias Tool 2 (RoB 2)
Et standardiseret redskab til at vurdere risiko for systematisk fejl i randomiserede kontrollerede forsøg (RCTs).
Bruges til at vurdere hvert inkluderet studie i en systematisk oversigt.
F10 - Kunne beskrive risiko for bias i andre typer studier inkluderet i en systematisk oversigt (fx diagnostiske akkuratessestudier).
🔍 Risiko for bias i ikke-randomiserede studier
Systematiske oversigter kan inkludere andet end RCTs, fx:
Observationsstudier (kohorte, case-control, tværsnit)
Diagnostiske studier
Prognostiske studier
Alle disse er mere sårbare over for bias, især pga. manglende randomisering og større risiko for konfounding.
🧪 Diagnostiske akkuratessestudier
Formål: At vurdere hvor gode diagnostiske tests er, fx ift. sensitivitet, specificitet, likelihood ratio m.m.
📋 Brug af QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies – version 2)
Det mest anvendte redskab til bias-vurdering af diagnostiske studier.
QUADAS-2 vurderer 4 domæner for bias og anvendelighed:
QUADAS-2 vurderer 4 domæner for bias og anvendelighed:
Domæne Typiske bias-risici
1. Patientudvælgelse: Selektionsbias → Var deltagerne repræsentative? Var der anvendt case-control design (øget risiko)?
2. Indekstesten (den test man undersøger) →Var den tolket uden kendskab til reference? Var cut-offs prædefinerede?
3. Reference-standarden: → Er den gylden? Er den anvendt ens og blindet?
4. Flow og timing: → Alle fik begge tests? Tidsinterval mellem test og reference fornuftigt? Tab af deltagere?
F10 - Kunne diskutere resultatet af en metaanalyse i lyset af en vurdering af risiko for bias.
🎯 Hovedpointe:
Selvom en metaanalyse viser en signifikant effekt, kan resultaternes pålidelighed være påvirket, hvis de inkluderede studier har høj risiko for bias.
🔎 Hvordan risiko for bias påvirker fortolkningen:
Risiko for bias i studierne → Hvad betyder det for metaanalysen?
Lav risiko for bias → Resultatet er mere pålideligt – større tillid til konklusionen.
Blandet risiko for bias → Tvivl om validitet – man bør lave sensitivitetsanalyser (fx ekskludere højbias-studier).
Høj risiko for bias → Resultatet kan være skævvredet – man bør tolke med stor forsigtighed.
📋 Typiske konsekvenser:
Overestimering af effekt (pga. fx publikationsbias, manglende blinding, selektiv rapportering)
Heterogenitet kan stamme fra metodiske forskelle og bias
GRADE-vurdering: evidensstyrken nedgraderes, hvis mange studier har høj risiko for bias
F10 - Kort kunne beskrive forskellen mellem kvalitativ og kvantitativ syntese og deres anvendelse.
🔹 Kvalitativ syntese
Definition: Sammenfatning af resultater uden brug af statistiske metoder
Data: Tekstlige beskrivelser af fund, mønstre, temaer
Anvendelse: Når studierne er for forskellige til at kombinere statistisk (høj klinisk/metodisk heterogenitet)
Eksempler: Tematisk analyse, narrativ syntese
Kvantitativ syntese
Definition: Sammenfatning af resultater med statistiske metoder (metaanalyse)
Data: Numeriske effektmål (RR, OR, MD, etc.)
Anvendelse: Når studierne er tilstrækkeligt ensartede i design, population, outcome mv.
Eksempler: Metaanalyse med forest plot og CI
F10 - Kunne beskrive forskellige former for oversigter, fx hurtigoversigter (rapid reviews), kortlægningsoversigter (scoping reviews) og levende systematiske oversigter (living systematic reviews).
Undertyper af systematiske oversigter:
📌 Individual patient data oversigt (IPD) 📌
- Adgang til upublicerede individuelle patientdata (IPD)
- En særlig type systematisk oversigt og metaanalyse, hvor manindsamler og genanalyserer rå data fra hver enkelt deltageri de inkluderede studier
- Giver mulighed for mere detaljerede og konsistente analyser (fx subgruppeanalyser, justering for confounders)
- Betragtet som “gold standard” inden for metaanalyse
- Meget ressourcekrævende og kræver samarbejde med de oprindelige forfattere.
📌 Rapid review (Nemmeste) 📌
→ Til hospitalsdirektøren**
- Hurtighed prioriteres frem for grundighed
- Bruges når der er behov for hurtige beslutninger
- Metoden komprimeres: fx færre databaser, én reviewer, ingen grå litteratur
- Hurtigere, men potentielt lavere metodisk kvalitet
📌 Scoping review (Kortlægningsoversigt)📌
- Målet er primært kortlægning af et videnskabeligt felt (fx begreber, diskussioner, styrker/mangler).
- Bruges til at danne overblik over bredt eller komplekst emneområde
- Ingen vurdering af studiekvalitet eller metaanalyse
- Identificerer forskningstyper og -huller
📌 Umbrella review “Overview of reviews” 📌 →
- Oversigt over systematiske oversigter. Enoversigt over systematiske oversigter og/eller metaanalyser
- Systematiske oversigter, men en smal PICO.
- Bruges til at sammenfatte evidens på tværs af flere beslægtede emner eller interventioner
- Giver et bredt overblik over et større forskningsområde
- Velegnet til beslutningstagere, der har brug for at sammenligne mange forskellige interventioner eller tilstande.
📌 Living systematic reviews 📌
- Enliving systematic reviewer en systematisk oversigt, derløbende opdateres, når ny relevant evidens bliver tilgængelig.
- Det adskiller sig fra traditionelle reviews, som kun opdateres periodisk (ofte med flere års mellemrum).
- Opdateres løbende i takt med at ny evidens publiceres
- Relevant ved hurtigt voksende forskningsområder (fx COVID-19, ny medicin)
- Kræver løbende overvågning og opdatering
F10 - Kunne beskrive forskellige former for metaanalyser, fx netværksmetaanalyser og individuel patient data metaanalyser.
✅ Klassisk (parvis) metaanalyse
Sammenligner to interventioner direkte (typisk intervention vs. kontrol)
Baseret på samlet data (aggregated data) fra de inkluderede studier
Kræver, at der findes studier med samme parvise sammenligning
👥 Individuel patient data metaanalyse (IPD)
Brug af rå data fra hver enkelt deltager i de inkluderede studier
Tillader mere præcise analyser (fx subgrupper, interaktioner, justering for confounders)
Betegnes ofte som “guldstandard” inden for metaanalyse
Meget tids- og ressourcekrævende
🔗 Netværksmetaanalyse (Network meta-analysis)
Sammenligner flere interventioner på én gang, også selvom de ikke er direkte sammenlignet i studier
Kombinerer både direkte og indirekte evidens via fælles komparatorer
Bruges til at rangere behandlinger (fx A bedre end B, B bedre end C)
Kræver antagelse om konsistens mellem direkte og indirekte sammenligninger
🔁 Kumulative metaanalyser
En metaanalyse hvor man løbende tilføjer nye studier ét ad gangen i kronologisk rækkefølge (typisk efter publiceringsår)
Viser, hvordan den samlede effekt ændrer sig over tid, efterhånden som ny evidens kommer til
Gør det muligt at identificere, hvornår der kunne have været evidens nok til at drage en konklusion
Kan hjælpe med at undgå unødvendige fremtidige studier, hvis en effekt allerede er dokumenteret
F12 - Kunne beskrive GRADE i kontekst af systematiske oversigter og hvorledes det adskiller sig fra GRADE i konteksten af kliniske retningslinjer.
GRADE i kontekst af systematiske oversigter
Formål: GRADE (Grading of Recommendations Assessment, Development and Evaluation) vurderer kvaliteten af evidens og styrken af anbefalinger i systematiske oversigter og metaanalyser.
Brug:
Vurderer evidenskvalitet i 4 niveauer: høj, moderat, lav, meget lav.
Evalueringen er baseret på 5 faktorer:
Risiko for bias (fx fra inklusionskriterier eller metode)
Inkonsekvente resultater (heterogenitet i studier)
Indirekte evidens (er resultaterne direkte relevante for den kliniske problemstilling?)
Præcision af estimater (fx bredt konfidensinterval)
Publikationsbias (mangel på offentliggørelse af negative resultater)
Resultat: Giver en kvalitetsvurdering af evidensen, som kan bruges til at forstå styrken af konklusionerne i en systematisk oversigt.
GRADE i kontekst af kliniske retningslinjer
Formål: GRADE bruges også til at vurdere styrken af anbefalinger i kliniske retningslinjer, men fokuserer på, hvordan evidensen skal anvendes i klinisk praksis.
Brug:
Vurderer ikke kun evidenskvaliteten, men også, om anbefalingerne bør være stærke eller svage afhængigt af flere faktorer, som fx:
Patientens præferencer (hvor stor betydning har patientens valg i forhold til behandlingen?)
Ressourcer (er behandlingen omkostningseffektiv?)
Bivirkninger (hvad er risikoen ved interventionen?)
Anbefalinger kan være stærke eller svage, hvilket afspejler graden af tillid til evidensen og de kliniske konsekvenser.
Resultat: Resultatet giver anbefalinger til, om behandlingen skal føres ud i klinisk praksis, og hvor stærk anbefalingen bør være.
F10 - Kunne beskrive den metodiske kvalitet af systematisk oversigter (herunder kvalitetsvurdering, fx ved værktøjet AMSTAR 2).
🧪 Metodisk kvalitet af systematiske oversigter
Den metodiske kvalitet handler om, hvor godt den systematiske oversigt er planlagt, udført og rapporteret.
En oversigt med høj metodisk kvalitet giver mere pålidelig evidens og mindre risiko for systematiske fejl (bias).
🔍 Kvalitetsvurdering – fx med AMSTAR 2
AMSTAR 2 (A MeaSurement Tool to Assess systematic Reviews) bruges til at vurdere den metodiske kvalitet af systematiske oversigter med eller uden metaanalyse.
Består af 16 domæner, hvoraf 7 er kritiske domæner, fx:
Klarhed i forskningsspørgsmålet og inklusionskriterier
Protokol registreret før analyse
Korrekt søgestrategi og duplikat-screening
Vurdering af risiko for bias i de inkluderede studier
Håndtering af risiko for bias ved fortolkning af resultater
Forklaring af heterogenitet
Evaluering af publikationsbias
Bedømmes samlet som:
Høj kvalitet
Moderat kvalitet
Lav kvalitet
Meget lav kvalitet
… afhængigt af mangler i kritiske og ikke-kritiske domæner.
📝 Eksempel til eksamen:
“Den metodiske kvalitet af en systematisk oversigt kan vurderes med værktøjet AMSTAR 2, som ser på bl.a. søgestrategi, risiko for bias og protokolregistrering. Høj kvalitet giver mere pålidelig evidens, mens lav kvalitet øger usikkerheden omkring konklusionerne.”
F12 - Kunne redegøre for principper for at nedgradere tiltroen af evidensen.
Principper for nedgradering af evidens i GRADE
Risiko for bias
Forklaring: Hvis de inkluderede studier har metodiske svagheder, såsom utilstrækkelig randomisering, uklar blinding, eller manglende intention-to-treat-analyse, kan evidensniveauet nedgraderes.
Eksempel: Hvis flere studier har høj risiko for selektionsbias (fx, tilfældig udvælgelse af deltagere), kan tilliden til evidensen nedgraderes.
Inkonsekvente resultater (Heterogenitet)
Forklaring: Hvis resultaterne på tværs af studier er meget forskellige (dvs. høj statistisk heterogenitet, f.eks. en høj I²-værdi), kan evidensen nedgraderes.
Eksempel: Hvis resultaterne fra de inkluderede studier varierer meget i størrelse eller retning, og der ikke er en klar forklaring på forskellene, kan det indikere, at evidensen er mindre pålidelig.
Indirekte evidens
Forklaring: Hvis de studier, der bruges til at vurdere effekten af en intervention, ikke direkte adresserer den relevante population, intervention, sammenligning eller resultat (f.eks. ved at bruge en anden dosering eller en anden befolkningsgruppe), kan evidensen nedgraderes.
Eksempel: Hvis et studie kun anvender en alternativ dosis af en medicin, som ikke er repræsentativ for den dosis, der bruges i klinisk praksis, kan det gøre evidensen mindre relevant.
Præcision af estimater
Forklaring: Hvis de estimerede effekter (som relaterer sig til behandlingsrespons) er usikre, fx når konfidensintervallet er meget bredt, nedgraderes evidensens kvalitet.
Eksempel: Hvis resultaterne har brede konfidensintervaller, der strækker sig over både klinisk signifikante og ikke-signifikante resultater, kan man nedgradere evidensen, da usikkerheden er høj.
Publikationsbias
Forklaring: Hvis der er en risiko for, at ikke-signifikante resultater ikke er blevet offentliggjort, kan det føre til, at den samlede evidens er biased og dermed nedgraderas.
Eksempel: Hvis man kun har adgang til studier med positive resultater, og studier med negative eller ikke-signifikante resultater er udeblevet, kan det føre til en overestimering af effekten.
F12 - Kunne redegøre for principper for at opgradere tiltroen af evidensen.
Principper for opgradering af evidens i GRADE
Stærke associationer
Forklaring: Hvis et studie viser en meget stærk association, f.eks. en stor effektstørrelse (stort relativ risiko, odds ratio eller forskel i middelværdier), som er usandsynlig at skyldes tilfældigheder, kan det være grundlag for at opgradere evidensen.
Eksempel: Hvis der er en meget stor og statistisk signifikant forskel i resultaterne (fx en stor reduktion i sygdomsrisiko ved behandling), kan det indikere en meget robust effekt.
Dosis-responsforhold
Forklaring: Hvis der er et klart dosis-responsforhold (dvs. effekten øges med dosis), kan dette styrke tilliden til evidensen, da det indikerer en kausal sammenhæng.
Eksempel: Hvis en intervention viser bedre resultater med højere doser, er det et tegn på, at resultatet ikke skyldes tilfældigheder, men er en reel effekt af behandlingen.
Konsistens på tværs af studier
Forklaring: Hvis der er stor konsistens i resultaterne på tværs af forskellige studier (dvs. lave niveauer af heterogenitet), kan det give grundlag for at opgradere evidensens kvalitet. Konsistente resultater tyder på, at effekten ikke afhænger af specifikke studier eller populasjoner.
Eksempel: Hvis flere randomiserede kontrollerede forsøg (RCT’er) viser ensartede resultater på tværs af geografiske områder, aldersgrupper eller andre subgrupper, kan dette styrke evidensens kvalitet.
Mekanistisk forståelse (biologisk plausibilitet)
Forklaring: Hvis den observerede effekt kan forklares ud fra en biologisk eller mekanistisk forståelse, kan evidensniveauet opgraderes, da det øger tilliden til, at resultatet ikke er et tilfælde.
Eksempel: Hvis der er en veldokumenteret biologisk mekanisme, der forklarer, hvorfor en behandling virker (f.eks. et lægemiddel, der hæmmer et mål, der er klart involveret i sygdomsprocessen), kan dette styrke evidensens pålidelighed.
Modstridende resultater i observationale studier
Forklaring: Hvis observationsstudier (såsom kohorte- eller case-control studier) viser resultater, der er i modstrid med resultaterne i randomiserede kontrollerede forsøg (RCT’er), kan evidensen opgraderes. Dette sker, hvis de observationale studier er godt designet, og effekten er konsekvent på tværs af forskellige populationer eller indstillinger.
Eksempel: Hvis flere stærke observationsstudier viser en stærk effekt, som er i overensstemmelse med RCT-resultaterne, kan evidensens troværdighed opgraderes.
Upræcise, men pålidelige estimater
Forklaring: Hvis et studie eller metaanalyse giver et stort og præcist estimat af effekt, og vi er sikre på, at resultatet er pålideligt (fx meget lille risiko for bias), kan evidensniveauet opgraderes.
Eksempel: Et studie med en meget stor sample size, som kan præcist måle små effekter, kan give stærk evidens, selv hvis præcisionen er lav.
F12 - Kunne diskutere resultatet af en metaanalyse i lyset af en GRADE vurdering.
📣 Vurdering af tiltroen til evidensen i en systematisk oversigt:
Risiko for Bias:
Ingen grund til nedgradering:
Primært studier med lav risiko for bias og få med uklar risiko.
Grund til at nedgradere:
Flere studier med høj risiko for bias.
Mange studier med uklar risiko for bias.
Impræcision:
Ingen grund til nedgradering:
Konfidensintervallet (CI) overlader ikke det neutrale resultat (f.eks. RR=1).
Indeholder tilstrækkelige data svarende til optimal information size (OIS).
Grund til nedgradering:
CI overlapper det neutrale resultat (f.eks. RR=1).
Ikke nok data til at nå OIS, hvilket kan indikere lav præcision.
Heterogenitet:
Ingen grund til nedgradering:
Effektmålene fra forsøgene stemmer overens, eller forskellen i effekter er forklaret (f.eks. via subgruppeanalyser).
Grund til nedgradering:
Punktestimaterne afviger betydeligt uden forklaring, hvilket kan indikere høj heterogenitet.
Publikationsbias:
Ingen grund til nedgradering:
Ingen opdagelse af upublicerede studier eller forsøg med manglende effektmål.
Grund til nedgradering:
Upubliserede forsøg eller forsøg med urapporterede effektmål er blevet identificeret, hvilket kan skævvride resultaterne.
Direkte Besvarelse af Oversigtens Spørgsmål:
Ingen grund til nedgradering:
Systematisk oversigt har en præcist afgrænset PICO (Population, Intervention, Comparison, Outcome), og alle relevante grupper er repræsenteret.
Grund til nedgradering:
De inkluderede forsøg adresserer ikke alle aspekter af PICOen (f.eks. kun én aldersgruppe eller én dosis).
📣 Indirekte Evidens (eller Netværksmetaanalyse):
Ingen grund til nedgradering:
Alle relevante patienter, interventioner, kontroller og effektmål er repræsenteret i de inkluderede studier.
Grund til nedgradering:
De inkluderede studier er ikke repræsentative for alle PICO-elementer (f.eks. kun én interventionstype eller en snæver aldersgruppe).
Netværksmetaanalyse:
Ideel situation:
Mange direkte sammenligninger mellem interventioner (f.eks. 5 forsøg for hver sammenligning A vs. B, A vs. placebo, B vs. placebo).
Reel situation:
Direkte sammenligninger er ikke tilgængelige for alle interventioner, hvilket kræver netværksmetaanalyse for at estimere forholdet mellem dem. I eksemplet: A vs. B mangler, så der anvendes indirekte sammenligninger gennem placebo.
F12 - Kunne diskutere GRADE i forhold til det traditionelle evidenshierarki, baseret på studiedesign.
GRADE (Grading of Recommendations Assessment, Development, and Evaluation) adskiller sig fra det traditionelle evidenshierarki ved, at det ikke kun vurderer evidens baseret på studiedesign, men også tager højde for flere faktorer, der påvirker tilliden til evidensen.
Traditionelt evidenshierarki:
Højeste kvalitet: Systematiske oversigter og metaanalyser af randomiserede kontrollerede forsøg (RCT’er).
Lavere kvalitet: Observationsstudier som kohorte- og case-control studier.
GRADE’s vurdering:
Studiedesign: RCT’er betragtes som højeste kvalitet, men det afhænger også af andre faktorer som bias og præcision.
Bias: Høj risiko for bias (f.eks. selektion eller rapporteringsbias) kan nedgradere evidensen.
Impræcision: Lav præcision (f.eks. bredt konfidensinterval) nedgraderer evidensen.
Heterogenitet: Store variationer i resultater, der ikke kan forklares, kan føre til nedgradering.
Publikationsbias: Manglende rapportering af negative eller irrelevante studier kan nedgradere evidensen.
Indirekte evidens: Hvis evidensen er indirekte (f.eks. fra netværksmetaanalyse), kan det nedgradere tilliden.
Effektstørrelse: Stor effekt kan føre til opgradering af evidensen.
Sammenligning:
I det traditionelle hierarki vurderes evidens primært ud fra studiedesign, mens GRADE vurderer flere faktorer, hvilket giver et mere nuanceret billede af evidensens kvalitet. GRADE tillader op- og nedgradering af evidensen afhængig af faktorer som bias, præcision og heterogenitet.
