Meta分析中的异质性评价

我们都知道Meta分析是纳入了多项相似的研究,从而进行汇总合并。一个高质量的Meta分析相当于开展了一个多中心的研究,理想情况下,Meta分析纳入的各项研究均指向同一个结果,即各研究间具有同质性。尽管,我们试图通过严格的入选和排除标准,以保证纳入研究的同质性。然而,实际情况往往不尽如意。可以明确的说,纳入Meta分析的所有研究都存在异质性。当异质性较大时,超出了随机误差,Meta分析的结果就不太可靠。我们需要通过适当的方法识别它,对其进行检验,以决定后续的处理策略。

异质性检验方法

Meta分析中的异质性评价

  异质性检验方法主要有图示法和统计学检验。比如,大家熟悉的森林图,森林图可显示单项研究和合并效应量及其置信区间,如果单项研究结果的置信区间有很少的重叠或者不重叠,则提示研究间可能存在异质性。如图,第1项研究和第2、第4项研究的置信区间无重叠,提示研究间可能存在异质性。此外,我们也可借助拉贝图、Galbraith星状图、漏斗图检验异质性。

图示法在检验异质性时,具有简单、直观的优点,但是具有很大的局限性,对于某一种图,会有许多可能的解释,而且,不同的人对同一图的解读也会有差异。图示法仅能在一定程度上提示可能存在或可能不存在异质性,无法定量估计异质性是否存在以及其大小,所以,建议大家还是选择合理的统计学检验方法进行异质性的定量分析。

统计学检验对异质性评价的方法主要有:Q值统计量、I2统计量、H统计量等检验法。Q值统计量检验法应用较为广泛,但其受到纳入研究数量的影响。如果纳入的研究多,即使无异质性,Q检验也可能有统计学意义;如果纳入的研究少,即使存在异质性,Q检验也可能没有统计学意义。而H和I2统计量检验法,对统计量Q进行了自由度(文献数)的校正,不会随纳入研究的数量变化而变化,结果更稳定可靠

对于H统计量检验法,H=1认为各研究是完全同质的,若H>1.5提示研究间存在异质性;H<1.2可认为各个研究是同质的;若H在1.2和1.5之间,当H的95%置信区间包含1,在0.05的检验水准下无法确定是否存在异质性,若不包含1则可认为存在异质性。对于I2统计量检验法,I2为0时表示各个研究是完全同质的,若I2>50%提示研究间存在异质性。

异质性处理策略

我们总希望异质性检验结果是遵循原假设的,研究间是同质的。然而,实际情况中,研究间的异质性很大,常常超出随机误差,统计学检验结果p<0.05,这时候我们又当如何应对呢? 首先,我们需要回首看看之前从原始文献提取的数据,核查是否有误其次,我们可通过一些策略降低异质性。比如,我们可试着改变效应指标,假设之前我们合并的是绝对效应指标如RD(危险差),我们就可以换作相对效应指标如RR(相对危险度)。因为,相对效应指标不受基线水平的影响,具有较好的一致性。此外,我们可以选择随机效应模型,进行效应指标的合并汇总。随机效应模型实际上是调整了纳入研究的权重,大样本的研究给予较小的权重,小样本的研究则给予较大的权重,这样可以部分消除异质性的影响。

上述方法可在一定程度降低异质性,但却无法探讨异质性的来源。我们可通过亚组分析和Meta回归探讨异质性的来源,我们也可进行敏感性分析,排除异常的原始研究后重新进行Meta分析,与未排除异常结果的Meta分析进行比较。如果,我们无法通过一些方法降低异质性,也很难探讨异质性的来源,那我们还有最后一招,那就是放弃Meta分析,改为综述该领域的研究进展。

发表评论

匿名网友