Meta-analyse Flashcards

1
Q

Hva er en metaanalyse?

A

En metaanalyse er en kvantitativ tilnærming for å systematisk oppsummere og analysere resultatene fra flere studier som omhandler samme tema eller problemstilling.

Formålet med en metaanalyse er å kombinere data fra flere uavhengige studier for å gi en mer presis estimat av en effektstørrelse.

Dette gjøres ved å veie resultatene fra de ulike studiene, slik at større og mer pålitelige studier får større innflytelse på den samlede konklusjonen.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Hva er fordelene med metaanalyse?

A

Reduserer subjektivitet: En metaanalyse reduserer subjektiviteten som ofte er til stede i kvalitative oppsummeringer.

Øker statistisk styrke: Ved å kombinere data fra flere studier, øker den statistiske styrken, noe som bedrer presisjonen i resultatene.

Vektet effektstørrelse: Meta-analyser oppsummerer resultatene i en vektet effektstørrelse, som gir en mer presis estimat ved å gi mer vekt til studier med større utvalgsstørrelser og lavere varians.

Vurdering av publikasjonsbias: De kan undersøke om publikasjonsbias er et problem, noe som er viktig for å sikre at analysen ikke bare inkluderer studier med positive funn.

Beskriver variasjon i effekt: Meta-analyser gir en detaljert oversikt over heterogeniteten (variasjon i effektstørrelser) mellom studier og mulighet til å undersøke årsaker til denne variasjonen.

Generering av nye forskningsspørsmål: Resultatene kan hjelpe med å identifisere nye forskningsspørsmål basert på funnene og analysen av eksisterende data.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Hva er forskjellen mellom en systematisk review og en metaanalyse?

A

En systematisk review er en kvalitativ syntese av forskning, mens en metaanalyse er en kvantitativ analyse som statistisk kombinerer resultatene fra flere studier​

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Hva er stegene i en metaanalyse?

A

1. Identifisere kunnskapshull og formulere forskningsspørsmål: Start med å identifisere et spesifikt kunnskapshull eller problemstilling som skal undersøkes. Deretter formuleres et forskningsspørsmål og en testbar hypotese.

2. Bestemme inklusjons- og eksklusjonskriterier: Definer klare kriterier for hvilke studier som skal inkluderes eller ekskluderes fra analysen basert på relevans, metodekvalitet, og andre faktorer.

3. Gjennomføre litteratursøk: Systematisk søk etter relevante studier i databaser som PubMed, PsycINFO, og Cochrane, og fjern duplikater.

4. Planlegge metoder: Utarbeide et kodeskjema og bestemme hvordan data skal trekkes ut fra de inkluderte studiene. Dette kan inkludere detaljer om populasjon, intervensjoner, utfall, og kontrollgrupper.

5. Registrere og kode data: Data fra de inkluderte studiene blir systematisk kodet ved bruk av de forhåndsdefinerte kriteriene.

6. Analysering og oppsummering av resultater: Utfør den statistiske analysen, inkludert beregning av effektstørrelser. Undersøk også heterogenitet (variasjon mellom studier) og publikasjonsskjevhet (publikasjonsbias).

7. Tolke og trekke konklusjoner: Basert på analysene trekkes konklusjoner om funnene, og man reflekterer over betydningen og implikasjonene av resultatene. Dette kan inkludere forslag til videre forskning.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Hvordan fungerer vektingen av effektstørrelser til de ulike studiene i en metaanalyse med fasteffekt-modellen?

A

Hver studie har en opprinnelig effektstørrelse.

Deretter finner vi variansen til hver studie (SE^2).

Deretter finner vi vekten til hver studie (1/SE^2).

Så finner vi den vektede effektstørrelsen til hver studie, ved å gange vekten med den opprinnelige effektstørrelsen.

Når utvalgsstørrelsen øker, reduseres standardfeilen, noe som igjen øker vekten til den aktuelle studien.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Hva er de fire kravene til en studie som skal inngå i en metaanalyse, og hvilken modell er det basert på?

A

De fire kravene til en studie som skal inngå i en metaanalyse er basert på PICO-modellen:

1. Participants (Deltakere): Studiene må beskrive deltakernes karakteristika, som (sosio)demografi, beskrivelse av populasjonen, eller spesifikke pasientkarakteristika. Det bør også inkluderes informasjon om klinisk setting og metoder som brukes, for eksempel målinger, diagnoser, og vurdering av klinisk personells kompetanse.

2. Interventions (Intervensjoner): Intervensjonen eller eksponeringen må være godt beskrevet. Dette inkluderer detaljert informasjon om innholdet i intervensjonen, eventuelle variasjoner, dosering, varighet, og hvordan den er implementert.

3. Comparison (Sammenligningsbetingelser): Det bør være klart definert hva kontrollbetingelsene er, som for eksempel placebo, venteliste, eller en annen form for behandling. Det er viktig å spesifisere om det er brukt enkle eller doble blindinger i studiene.

4. Outcomes (Utfall): Studiene må beskrive hvilke utfallsmål som er brukt, og skille mellom primære og sekundære utfallsmål. Dette inkluderer også informasjon om når post- og oppfølgingstester ble utført, og om eventuelle bivirkninger eller alvorlige bivirkninger ble rapportert.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Hvilke program kan man bruke for å gjennomfører en metaanalyse?

A

SPSS, R eller CMA.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Hva er Cohen´s d og hvordan regner man det?

A

Cohens´d er den typiske effektstørrelsen å regne.

Effektstørrelsen d beregnes som forskjellen mellom to gruppers gjennomsnitt (M1​ og M2​), delt på den samlede standardavviket (SDpooled​).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Nevn de vanligste effektstørrelsene som brukes i en metaanalyse.

A

Standardiserte gjennomsnittsforskjeller:
- Cohen’s d
- Hedge’s g (mer konservativ ved lav N)

Assosiasjoner/korrelasjoner:
- Pearson r, Spearman rho
- Odds-ratio (OR), Risk-ratio (RR)

Andre:
- Prevalenser (proporsjoner, %)
- Overlevelse (hazard-ratio)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Hvorfor konverterer vi effektstørrelser i en metaanalyse?

A

Det er uproblematisk å kombinere ulike typer effektstørrelser (ES), ettersom de fleste kan konverteres til en felles ES.

Dette gjør det mulig å analysere og sammenligne resultater på tvers av studier som bruker forskjellige mål.

For eksempel kan Cohen’s d konverteres til Pearson r for å harmonisere data fra studier med forskjellige målemetoder, og omvendt kan Pearson r konverteres tilbake til Cohen’s d for sammenligning.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Hvilke to modeller brukes for å beregne den samlede effektstørrelsen? Si kort om de to

A

Fasteffektmodellen (Fixed Effect Model):
Antas at alle studiene deler en felles effektstørrelse. Variasjonene skyldes utvalgsfeil, og større studier får mer vekt.

Tilfeldige effekter-modellen (Random Effects Model):
Tar hensyn til både utvalgsfeil og reelle forskjeller mellom studiene. Brukes når studiene er heterogene, altså når effektstørrelsene varierer på grunn av ulike faktorer.

Valg av modell avhenger av om man antar at studiene har en felles effektstørrelse eller om det finnes reelle forskjeller mellom dem.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Beskriv Fasteffektmodellen (Fixed Effect Model)

A

Denne modellen antar at alle studier anvender de samme metodene og har samme validitetsbetingelser som utvalg, metodisk oppsett og gjennomføring.

Studiene antas å komme fra én populasjon med en felles effektstørrelse, og eventuelle variasjoner i effektstørrelser mellom studier skyldes utvalgsfeil (sampling error).

Effektstørrelsene vektes basert på standardfeilen, som bestemmes av studienes utvalgsstørrelse.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Hvordan finner vi den samlede vektet effektstørrelsen i fast-effekt modellen?

A

ES: summen av ES*weight delt på summen av vektene

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Hvilken formel er dette?

A

SE til Cohens d

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Beskriv random-effects modellen. Hvordan beregner man vekten til hver studie?

A

Denne modellen antar at studiene har variasjoner i hvordan designbetingelsene er operasjonalisert (ulike implementeringer) eller at validitetsbetingelsene varierer (forskjellige utvalg, målemetoder).

Variasjonen i effektstørrelser (ES) skyldes både utvalgsfeil og reelle forskjeller mellom studiene.

Vekten til hver studie beregnes som
1 / (variance within + variance between), hvor både variansen innen og mellom studiene tas med i beregningen.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Hva handler heterogenitet om i metaanalyse?

A

Heterogenitet er variasjonen mellom effektstørrelsene i de inkluderte studiene.

Dette er en viktig faktor å vurdere i en meta-analyse, siden det kan indikere hvorvidt studiene kan sammenlignes direkte, eller om det finnes betydelige forskjeller som bør tas hensyn til.

17
Q

Hvordan kan man vurdere heterogenitet i metaanalyse?

A

I-squared (I²) er en statistisk test som brukes for å vurdere graden av heterogenitet.

Det måler hvor stor andel av den totale variasjonen i effektstørrelsene som skyldes ekte forskjeller mellom studiene, i motsetning til tilfeldig feil.

En høy I²-verdi (for eksempel over 75%) indikerer stor heterogenitet, noe som kan være problematisk og kreve videre undersøkelse.

18
Q

Hvordan kan man undersøke heterogenitet videre?

A

Heterogenitet kan analyseres ved hjelp av meta-regresjon eller subgruppe-analyser.

Meta-regresjon fungerer som en ordinær regresjon, men her gis studiene ulik vekt basert på presisjon.

Subgruppe-analyser tester om forskjellene mellom ulike grupper av studier er statistisk signifikante​, tilsvarende t-test eller ANOVA, men at studiene gis ulik vekt.

19
Q

Hva handler publikasjonsbias om, og når oppstår det?

A

Studier blir oftere publisert dersom resultatene er statistisk signifikante eller hvis de er skrevet på engelsk.

Publikasjonsbias oppstår når:

(a) Studier ikke inkluderes i en meta-analyse fordi de er upubliserte på grunn av ikke-signifikante funn.

(b) Studier med signifikante funn siteres oftere, noe som øker sjansen for at de identifiseres og inkluderes.

(c) Studier inkluderes sjeldnere hvis de er skrevet på et språk som er mindre tilgjengelig.

(d) Enkelte studier får “fast track”-publisering på grunn av stor klinisk betydning.

Dette kan føre til skjevheter i resultatene av en meta-analyse.

20
Q

Hva er de 4 typene publikasjonsbias?

A

1. Bias i publisering av studier: Hele studien blir ikke publisert, ofte på grunn av ikke-signifikante resultater.

2. Bias i rapportering av utfallsdata: Enkelte utfallsdata rapporteres ikke, noe som kan unngås ved regler for å skille mellom primære og sekundære utfall.

3. Spin: Negative utfallsdata rapporteres, men blir underkommunisert eller neglisjert i rapporten.

4. Bias i siteringen av studier: Negative studier siteres sjeldnere og kan bli «glemt» i den vitenskapelige litteraturen.

21
Q

Hva er en funnel plot? Hva brukes det til?

A

Et funnel plot er en grafisk metode som brukes i metaanalyser for å oppdage mulig publikasjonsbias. Plottet viser effektstørrelser fra de inkluderte studiene på x-aksen, og standardfeil (et mål på presisjon) på y-aksen.

I et symmetrisk funnel plot forventes studier med større presisjon (lav standardfeil) å ligge nær toppen av plottet, nær den estimerte gjennomsnittlige effektstørrelsen, mens studier med lavere presisjon (høyere standardfeil) vil være spredt bredere mot bunnen.

Hvis plottet er asymmetrisk (mer studier på én side), kan det indikere publikasjonsbias, hvor studier med ikke-signifikante funn er underrepresentert.

22
Q

Nevn de tre forskjellige testene man kan gjøre for funnel plot.

A

Assosiasjonstester:
- Begg rank correlation: Tester om det er en signifikant korrelasjon mellom effektstørrelser (ES) og standardfeil (SE).
- Egger’s regression: Gir en intercept og slope basert på kontinuerlige skårer for å vurdere asymmetri i funnel plottet.

Justeringstest:
- Duvall & Tweedie’s trim-fill: Justerer effektstørrelsen for bias ved å estimere og fylle inn “manglende” studier for å balansere plottet.

Hvor solid er funnet?:
Fail Safe N: Beregner hvor mange studier som kreves for å gjøre den samlede effektstørrelsen ikke-signifikant, noe som indikerer hvor robust funnet er.

23
Q

Hva er formelen for Egger’s regresjonsmetode, hva betyr en positiv slope og si noe om forholdet mellom intersept og effektstørrelse?

A

Formel: Effektstørrelse (Y) = b0 + b1 * studiens varians.

Slope: En positiv slope indikerer at studier med dårligere presisjon (økt varians) viser bedre effektstørrelser, noe som kan tyde på publikasjonsbias.

Intercept:
Hvis intercept er lavere enn effektstørrelsen (ES), antyder det at publikasjonsbias går mot høyre i funnel plottet, noe som betyr at manglende studier ligger til venstre.

Hvis intercept er høyere enn ES, indikerer det motsatt, at publikasjonsbias går mot venstre.

24
Q

Hva er en Trim and Fill analyse?

A

Trim and Fill er en metode som brukes for å korrigere for manglende studier i en metaanalyse. Den fungerer slik:

  1. Først fjerner du studier som skaper ubalanse i plottet.
  2. Deretter beregner du effektstørrelsen uten disse studiene.
  3. Til slutt legger du tilbake de manglende studiene, men på motsatt side av plottet, for å balansere det og justere for bias.
  4. Til slutt sammenlignes den opprinnelige effektstørrelsen med den nye justerte for å se effekten av publikasjonsbias.

Målet er å få et mer nøyaktig bilde av hva resultatene faktisk viser, selv om noen studier mangler.

25
Q

Hvilke antakelser bygger Trim and Fill på, og hva er utfordringen med metoden?

A

Estimeringen av de “manglende” studiene er viktig/kritisk og kan være vanskelig.

Metoden bygger på to sterke antakelser:

  • Studier må mangle på grunn av publikasjonsbias, og ikke fordi små studier har svakere effekter.
  • Publikasjonsbias antas å følge et regelmessig mønster (som et speilbilde). Dette er sjeldent tilfelle, noe som gjør at metoden bare er en tilnærming og ikke perfekt.
26
Q

Når bør man unngå meta-analyse? 2 ting

A

Meta-analyser bør unngås når studiene som inkluderes er av dårlig kvalitet, da en meta-analyse bare er så god som de studiene den bygger på. Hvis studiene er metodisk svake eller har mye bias, vil dette kunne gi en misvisende konklusjon. Bias kan føre til at feilvariasjonen reduseres kunstig, noe som igjen gir falskt høyere tillit til resultatene. Det er viktig at alle studier i en meta-analyse adresserer det samme forskningsspørsmålet og bruker lignende kontrollgrupper og utfallsmål for at resultatene skal være pålitelige og sammenlignbare.

Meta-analyser bør unngås når heterogeniteten mellom studiene blir for stor. Heterogenitet er vanlig og ofte nødvendig for moderatoranalyser, men når den overstiger 75%, kan det bli problematisk. Hvis studier som er for ulike (det vil si “mixing apples with oranges”) kombineres, kan dette øke heterogeniteten betydelig. Overdreven kombinering reduserer tilliten til konklusjonene, da det blir vanskelig å trekke pålitelige slutninger fra data som varierer for mye.

27
Q

Hva er PRISMA? Hva har vært konsekvensen ved det?

A

PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) er en sjekkliste som inneholder over 27 punkter for å sikre at en meta-analyse (MA) er tilstrekkelig transparent, har høy rapporteringskvalitet, og at den fasiliterer sammenlignbarhet mellom studier.

PRISMA hjelper forskere med å følge gode praksiser for systematiske oversikter og meta-analyser, og sikrer at prosessen og rapporteringen er grundig og konsistent.

En meta-meta-analyse viser at kvaliteten på nyere meta-analyser har økt etter introduksjonen av PRISMA-retningslinjene i 2009. Studier fra perioden 2015–2021 fikk høyere kvalitetsvurderinger sammenlignet med studier fra 1983–2014, noe som indikerer at rapporteringskvaliteten har bedret seg.

28
Q

Hva er PROSPERO og hva er formålet med det?

A

PROSPERO er en database med samme formål som ClinicalTrials, og brukes for å registrere protokoller for systematiske oversikter og metaanalyser. Formålet er å:

1. Unngå duplisering: Forebygge dobbeltarbeid og unødig ressursbruk ved å forhindre at samme studie blir utført flere ganger.

2. Styrke transparens og troverdighet: Fremme etterlevelse av protokoller og ivareta forskningsintegritet, spesielt med tanke på å unngå selektiv rapportering.

3. Forhåndsplanlegging: Klargjøre omfang, mål, metoder og datainnsamling på forhånd.

4. Tilrettelegge for oppdateringer: Legge til rette for fremtidig forskning og oppdateringer, redusere publikasjonsbias, og bidra til en bedre kunnskapsyntese.