三、对文献的质量评价和数据收集
(一)研究的质量评价
对某一试验研究的质量评价主要是评价试验结果是否有效,结果是什么该结果是否适用于当地人群。下面一系列问题可以帮助研究者进行系统的质量评价:
①该研究的试验设计是否明确,包括研究人群、治疗手段和结果判定方法;
②试验对象是否随机分组;
③病人的随访率是否理想及每组病人是否经过统计分析;
④受试对象、研究人员及其它研究参与者是否在研究过程中实行“盲法”;
⑤各组病人的年龄、性别、职业等是否相似;
⑥除进行研究的治疗手段不同外,其它的治疗是否一致;
⑦治疗作用大小;
⑧治疗效果的评价是否准确;
⑨试验结果是否适用于当地的人群,种族差异是否影响试验结果;
⑩是否描述了所有重要的治疗结果;
治疗取得的效益是否超过了治疗的危险性和费用。系统评价者应根据上述标准进行判断,不满足标准的文献应剔除或区别对待(数据合并方法不同) ,以保证系统评价的有效性。
(二)、数据收集
研究者应设计一个适合本研究的数据收集表格。许多电子表格制作软件如Excel 、Access ,和数据库系统软件如FoxPro 等,可以用于表格的制作。表格中应包括分组情况、每组样本数和研究效应的测量指标。根据研究目的不同,测量指标可以是率差、比数(odds) 、相对危险度( relative risk ,包括RR 和OR) 。各研究间作用测量指标不一致,需转化为统一指标。常用的统一指标是作用大小( Effect Size , ES) ,ES 是两比较组间作用差值除以对照组或合并组的标准差。ES 无单位是其优点。
(三)、数据分析
系统评价过程中,对上述数据进行定量统计合并的流行病学方法称为Meta分析(Meta analysis) 。Meta 意思是more comprehensive ,即更加全面综合。
通过 Meta分析可以达到以下目的:
1.提高统计检验效能; 2.评价结果一致性,解决单个研究间的矛盾;3.改进对作用效应的估计; 4.解决以往单个研究未明确的新问题。
统计分析的指标
(一)、异质性检验
1.检验原理:
meta 分析的原理首先是假定各个不同研究都是来自非同一个总体(H0:各个不同样本来自不同总体,存在异质性,备择假设H1,如果p>0.1,拒绝H0,接受H1,,即来自同一总体)这样就要求不同研究间的统计量应该接近总体参数真实值,所以各个不同文献研究结果是比较接近,就是要符合同质性,这时候将所有文献的效应值合并可以采用固定效应模型的有些算法,如倒方差法,mantel haenszel 法,peto法等.
2.分类:
异质性检验,包括三个方面:临床异质性,统计学异质性和方法学异质性,作meta分析首先应当保证临床同质性,比如研究的设计类型、实验目的、干预措施等相同,否则就要进入亚组分析,或者取消合并,在满足临床同质性的前提下(非常重要,不能一味追求统计学同质性,首先考虑专业和临床同质性),我们进一步观测统计学同质性。
临床异质性较大时不能行meta分析,随机效应模型也不行.只能行描述性
系统综述(systemic reviews,SR)或分成亚组消除临床异质性.解决临床异质后再考虑统计学异质性的问题.
如果各个文献研究间结果不存在异质性(p>0.1),选用固定效应模型(fixed model),这时其实选用随即效应模型的结果与固定效应模型相同;如果不符合同质性要求,即异质性检验有显著性意义(p<0.1),这时候固定效应模型的算法来合并效应值就是有偏倚,合并效应值会偏离真实值.所以,异质性存在时候要求采用随机模型,主要是矫正合并效应值的算法,使得结果更加接近无偏估计,即结果更为准确.
此外,这里要说明的是,采用的模型不同,和合并效应值的方法不同,都会导致异质性检验P值存在变动,这个可以从算法原理上证明,不过P值变动不会很大,一般在小数点后第三位的改变.
异质性检验的Q 值在固定模型中采用倒方差法和Mantel-haenszel法中也会不同 。
随机效应模型是不需要假定各个研究来自同一个总体为前提,本来就是对总体参数的近似无偏估计,这个与固定模型不一样(必须要同质为基础),所以随机模型来作异质性检验简直是“画蛇添足”,无奈之举!
因此,随机模型异质性检验是否有统计学意义都是可以用,而固定模型必须要求无异质性。可以证明和实践,如果无异质性存在的时候,随机模型退化为固定,即固定模型的结果于随机模型的合并效应值是相等的
http://www.dxy.cn/bbs/actions/archive/post/5942183_0.html
具体见下图:
目前,国内外对meta分析存在异质性,尤其是异质性检验P值很小的时候(具体范围我不清楚,是0.05~0.1吗?请版主补充),学术界有着不同的争论,很多人认为这个时候做meta分析是没有意义,相当于合并了一些来自不同总体的统计结果,也有人认为,这些异质性的存在可能是由于文献发表的时间,研究的分组,研究对象的特征等因素引起,只要采用亚组分析或meta回归分析可以将异质性进行控制或解释,还是可以进行meta分析,至少运用随机效应模型可以相对无偏的估计总体.这里要强调的是,异质性检验P值较小时候,最好能对异质性来源进行分析和说明。合理进行解释,同时进行亚组分析,相当于分层分析,消除混杂因素造成的偏倚(bias)。
3. 衡量异质性的指标
一个有用的定量衡量异质性的指标是I2,I2 = [(Q – df)/Q] x 100%,此处的Q是卡方检验的统计值,df 是其自由度(Higgins 2003, Higgins 2002)。这个I2值代表了由于异质性而不是抽样误差(机会)导致的效应占总效应估计值的百分率。 I2值大于50%时,可以认为有明显的异质性。
参考http://www.dxy.cn/bbs/actions/archive/post/5937485_0.html
(二)、敏感性分析:
1.敏感性分析的含义:
改变纳入标准(特别是尚有争议的研究)、排除低质量的研究、采用不同统计方法/模型分析同一资料等,观察合并指标(如OR,RR)的变化,如果排除某篇文献对合并RR有明显影响,即认为该文献对合并RR敏感,反之则不敏感,如果文献之间来自同一总体,即不存在异质性,那么文献的敏感性就低,因而敏感性是衡量文献质量(纳入和排除文献的证据)和异质性的重要指标。
敏感性分析主要针对研究特征或类型如方法学质量,通过排除某些低质量的研究、或非盲法研究探讨对总效应的影响。(王吉耀第二版P76中)
“排除某些低质量的研究,再评价,然后前后对比,探讨剔除的试验与该类研究特征或类型对总效应的影响”。(王家良第一版八年制P66、154)
敏感性分析是从文献的质量上来归类,亚组分析主要从文献里分组病例特征分类。
敏感性分析是排除低质量研究后的meta分析,或者纳入排除研究后的meta分析。
亚组分析是根据纳入研究的病人特点适当的进行分层,过多的分层和过少的分层都是不好的。
例如在排除某个低质量研究后,重新估计合并效应量,并与未排除前的Meta分析结果进行比较,探讨该研究对合并效应量影响程度及结果稳健性。若排除后结果未发生大的变化,说明敏感性低,结果较为稳健可信;相反,若排除后得到差别较大甚至截然相反结论,说明敏感性较高,结果的稳健性较低,在解释结果和下结论的时候应非常慎重,提示存在与干预措施效果相关的、重要的、潜在的偏倚因素,需进一步明确争议的来源。
2.衡量方法和措施
其实常用的就是选择不同的统计模型或进行亚组分析,并探讨可能的偏倚来源,慎重下结论。
亚组分析通常是指针对研究对象的某一特征如性别、年龄或疾病的亚型等进行的分析,以探讨这些因素对总效应的影响及影响程度。
而敏感性分析主要针对研究特征或类型如方法学质量,通过排除某些低质量的研究、或非盲法的研究以探讨对总效应的影响。
建议可以看参考王吉耀主编,科学出版社出版的《循证医学与临床实践》。
敏感性分析只有纳入可能低质量文献时才作,请先保证纳入文献的质量!纳入文献的质量评价方法,如果是RCT,可选用JADAD评分。如果病因学研究,我认为使用敏感性分析是评价文献质量(前提是符合纳入标准)的较为可行的方法。
敏感性分析是分析异质性的一种间接方法。
有些系统评价在进行异质性检验时发现没有异质性,这时还需不需要作敏感性分析?
我的看法是需要,因为我觉得异质性也是可以互相抵消的,有时候作出来没有异质性,但经过敏感性分析之后,结果就会有变化。
(三)对入选文献进行偏倚估计
发表偏倚(publication bias)评估(包括作漏斗图,和对漏斗图的对称性作检验)。可以用stata软件进行egger检验。
人是活的,软件是死的,临床是相对的,统计学是绝对的。 |