Méta-analyse Flashcards
La qualité de la méta-analyse dépend notamment de quoi ?
La qualité de la revue systématique
Comment pouvons-nous décrire la taille d’effet moyenne dans une méta-analyse ?
Fait référence à une moyenne pondérée des résultats en fonction du n et de la dispersion des résultats (importance diff d’une étude à l’autre)
Quels sont les critères préalables à endosser pour faire une méta-analyse ?
Au moins 2 études
Ressemblances au plan clinique (population, milieu, intervention, groupes de comparaison, mesures comparables) et méthodologique
→ Donc à partir de notre revue, on peut sélectionner les études qui vont fonctionner pour la méta-analyse
Qu’est-ce que la méthode de comptage de votes et pourquoi cette méthode est-elle considérée comme étant inadéquate ?
Compter les études qui montrent un résultat significatif vs non-significatif.
Plus gros problème : méthode basée sur la valeur de p → un plus petit p (0.05 vs 0.01) ne signifie pas une meilleure/plus grande efficacité
Limité par la taille d’échantillonnage, influence du biais de publication (vs méta-analyse qui permet de le vérifier), ne donne pas des informations sur l’importance de l’effet/association
→ Donc oui la taille d’effet influence la valeur de p, mais il y a pleins d’autres choses aussi !!
Qu’est-ce que la taille d’effet ?
Indique l’ampleur et la direction de la différence entre 2 groupes (p.ex. intervention vs contrôle) et de l’association entre 2 variables
Expliquez différents exemples de tailles d’effet
DIFFÉRENCES ENTRE 2 GROUPES
- Différence de moyennes (variables continues ou dichotomiques)
→ différence sur une unité qui fait du sens (p.ex. nb de sx, réussite/échec), en fct de l’échelle que l’on utilise et si elle ns permet de la définir en termes concrets
- Différence de moyennes standardisées (variables continues)
→ unité comparable pour toutes les mesures (d de Cohen, g de Hedges) en divisant par l’écart-type combiné - Rapport de cotes (VD dichotomique slmt)
→ ratio entre le risque (%) de réussite vs le risque d’échec pour les participants du groupe intervention vs contrôle
ASSOCIATION DE VARIABLES
- Coefficient de corrélation (r)
Quelle taille d’effet est peu utilisée dans les méta-analyses et pourquoi ?
Différence de moyennes, pcq rare que toutes les études vont utiliser toutes la même mesure/manière de mesurer le outcome.
Dans quelles circonstances utilisons-nous le d de Cohen vs le g de Hedges ?
g de Hedges : pour les très petits échantillons (n<20 pour l’ensemble des participants, pas par condition)
Sinon, d de Cohen
Quelle est la différence entre les prémisses du modèle à effet fixe et le modèle à effets aléatoires ?
Effet fixe a comme prémisse qu’il existe une seule véritable taille d’effet et que les différentes études de la méta-analyse estiment cette même taille d’effet, soit que chaque étude est un échantillon de la même population. La méta-analyse sert donc à estimer cette véritable taille d’effet. La dispersion/variabilité s’expliqueraient par des erreurs intra-études
Effets aléatoires a comme prémisse qu’il existe plrs véritables tailles d’effets, pcq les différentes études ne feraient pas partie de la même population. Ainsi, il peut existe différentes “vraies” tailles d’effet selon différentes caractéristiques (intensité intervention, sexe, âge…). La méta-analyse permet d’estimer la MOYENNE de ces nombreuses tailles d’effet et de comprendre les variations. La dispersion s’expliqueraient par des erreurs intra-études et inter-études.
Quelle étape est différente dans le calcul de la méta-analyse dans le modèle à effets aléatoires ?
Ajout d’une constante représentant la variance véritable dans le calcul du poids de chaque étude.
Quelles sont les différences que l’on peut observer dans les résultats d’une même méta-analyse si on utilise un modèle à effet fixe vs modèle à effets aléatoires ?
Le modèle à effets aléatoires a des poids pondérés qui se ressemblent plus que dans le modèle à effet fixe en raison du calcul qui est différent.
Conséquemment, l’effet combiné varie d’un modèle à l’autre. Souvent, dans le modèle à effets aléatoires, l’effet combiné aura un intervalle de confiance plus grand, soit une plus grande marge d’erreur, ce qui fait qu’il est plus difficile d’obtenir un effet combiné significatif dans le modèle à effets aléatoires.
Dans quel modèle de méta-analyse est-il possible de décrire l’hétérogénéité des études ? Que permet de faire la description de l’hétérogénéité ?
Effets aléatoires
Permet d’interpréter la taille d’effet combinée, soit la moyenne des tailles d’effet réelles → à quel point notre estimé est précis
Tester les explications de cette hétérogénéité → dépend du nb d’études recensées, il en faut un nb suffisant
Quels sont les 3 indices d’hétérogénéité et que calculent-ils ?
T2 (tau carré) : estimé de la variance inter-études
Q de Cochran (par test de khi-carré) : teste si les tailles d’effets des études diffèrent significativement de la taille d’effet combinée au-delà des différences attendues en raison de l’erreur d’échantillonnage (avec valeur p : si sign = hétérogène)
→ variable comme telle du Q ne dit pas grand chose en soi, c’est vrm en regardant la valeur de p que ça fait du sens
I2 de Higgins : proportion de la variance totale due à l’hétérogénéité inter-études (%)
Quel indice d’hétérogénéité perd bcp de puissance statistique s’il y a peu d’études dans la méta-analyse ? Sachant cela, quel indice d’hétérogénéité est-il mieux de privilégier ?
Q de Cochran.
Le I2 est à privilégier, car il permet de statuer le % d’hétérogénéité. Si le Q est significatif, intéressant de le considérer, mais s’il est non-significatif, il est hâtif de statuer que nos études sont homogènes, surtout sachant que la puissance statistique du Q est affectée par le nb d’études. Le I2 nous permet d’en savoir davantage sur le degré d’hétérogénéité.
Quelles sont les analyses que l’on peut faire pour trouver les explications de l’hétérogénéité dans notre méta-analyse ?
Analyses de sous-groupes
Méta-régression
