متاآنالیز چیست؟

What is meta-analysis?

متاآنالیز (meta-analysis) یک فرایند پژوهشی بوده که به طور نظامند یا سیستماتیک یافته های یک مطالعه به طور مستقل یا چندین مطالعه متمایز از یکدیگر را با استفاده از روش های آماری به منظور محاسبه اندازه تاثیر کلی با یکدیگر ترکیب می کند. meta-analysis در واقع هیچ وقت مطالعات کوچک را برای بدست آوردن اندازه نمونه بزرگتر با یکدیگر یکی نمی کند. تحلیل گران آماری به خوبی از روش های سیستماتیک بر اساس اندازه های نمونه آماری متفاوت استفاده می نمایند.

5 گام اصلی در متاآنالیز meta-analysis

اساسا یک شک و عدم قطعیتی در ارتباط با انتخاب یک شیوه و رویکرد برای روش متاآنالیز (meta-analysis) وجود دارد؛ اما در هرحال، 5 گام اصلی متداول در این روش به شرح زیر است:

گام 1: سوال پژوهش(the research question)

سوال یک تحقیق پزشکی، شناسایی و طرح فرضیه های علمی است. در روش متاآنالیز احتمالات پزشکی تشریح شده و طرح مطالعه و برنامه آماری (analytical plan) آن تعدیل شده است.

گام 2: مرور نظامند (systematic review)

یک مطالعه نظامند (systematic review) که معروف به سیستماتیک ریویو است، اساسا به طور خاص برای بررسی سوال پژوهش (research question) و شناسایی همه مطالعاتی است که مرتبط با موضوع پژوهش بوده و دارای کیفیت آماری نیز می باشند. غالبا، در مطالعات متاآنالیز (meta-analysis)، تنها آن دسته از مطالعاتی که در مجله های بخصوصی منتشر شده اند، شناسایی و دسته بندی می گردد؛ این درحالی است که برای پرهیز از تورش انتشار(publication bias) باید به آن دسته از مطالعاتی که هنوز از سوی مجلات منتشر نشده اند نیز پرداخت. در واقع باید برای جلو گیری از یافته های منفی، باید این دسته از مطالعات را بررسی کرد.

در برخی از مطالعات فرا تحلیل، به طور تصادفی تعدادی از مقالات مرتبط جستجو و دانلود شده و برای انجام متاآنالیز با نرم افزار Comprehensive Meta Analysis  بکارگرفته می شوند.

گام 3: استخراج دیتا/آماره ها از مقالات برای انجام متاآنالیز(data extraction)

پس از اینکه در روش متاآنالیز مقالات براساس یک سری از شاخص ها، دانلود و دسته بندی شدند، باید آماره ها یا خلاصه ای از دیتا ها(summary data) از هریک از مقالات استخراج شوند. مضافا، اندازه های نمونه و شاخص های تغییرپذیری داده ها برای هر دو گروه های مداخله گر (intervention) و کنترل (control) باید در چک لیست گزارش گردد. بسته به نوع مطالعه و سوال پژوهش در مرور سیستماتیک، شاخص های خروجی می تواند شامل معیارهای عددی یا اندازه های طبقه بندی شده باشد. برای مثال، تفاوت در میان امتیازات گردآوری شده از طریق ابزار پرسشنامه و یا تفاوت در سطح شاخص ها از قبیل فشار خون (blood pressure) که می تواند به عنوان یک عدد در قالب میانگین گزارش شود. درهرحال، تفاوت در درستی یک دسته نسبت به دیگری اساسا در قالب اصطلاحاتی شاخص های مخاطره(risk measures) با نماد OR و یا نسبت خطر مخاطره(relative risk (RR)) گزارش می شود.

گام 4: استاندارد سازی و وزن دهی به مطالعات (standardisation and weighting studies)

پس از در اختیار داشتن همه دیتاهای ضروری منتاژ شده در متاآنالیز، گام چهارم محاسبه دقیق اندازه های تاثیر متوسط برای هریک از مطالعات جهت تحلیل های بعدی است. این شاخص ها اساسا به اندازه های تاثیر (Effect Sizes) معروف هستند و بیانگر تفاوت در امتیاز میانگین ها بین دو گروه مداخله گر(intervention) و کنترل(control) هستند. برای مثال، تفاوت در میانگین ها برای فشار خون بین مشارکت کنندگان مطالعه افرادی که داروی X را مصرف کردند در مقایسه با افرادی که از داروی تب بر placebo استفاده کردند نمونه مشهودی در این رابطه است.

از آنجایی که واحد اندازه گیری شاخص ها در بین مطالعات متفاوت و مختلف است، برای تولید آماره های قابل مقایسه اندازه اثرات، عمل استاندارد سازی(standardised) باید انجام شود. وقتی که معیارهای متغیر وابسته در فراتحلیل که بکار گرفته می شوند، متفاوت باشد، پژوهشگران باید در پروژه متاآنالیز از آزمون های مختلف استفاده نموده و مقادیر را استاندارد سازی نمایند. برای هر مطالعه، استاندارد سازی قابل اجرا و پیاده سازی است.

نتایج و یافته های برخی از مطالعات در روش های متاآنالیز، وزن های زیادی(weight) را به خود اختصاص می دهند. مطالعات بزرگ (بر اساس اندازه نمونه)، با دقت زیادی آماره های اندازه های تاثیر را نسبت به آن دسته از مطالعاتی که اندازه نمونه آن ها کوچک است، در اختیار پژوهشگران قرار می دهد. ثانیا، مطالعات با دیتا ویژگی تغییر ناپذیری کم، برای مثال، انحراف استاندارد کوچک(smaller SD)، اغلب اوقات در طرح مطالعه دارای کیفیت بهتری(better quality) خواهد بود.

گام 5: آماره های نهایی اندازه های تاثیر(final estimates of effect)

مرحله نهایی در متاآنالیز، گزینش و اعمال یک مدل مطلوب و مناسب برای مقایسه اندازه های تاثیر پیرامون مطالعات متفاوت است. یکی از مدل های رایج در روش متاآنالیز با نرم افزار Comprehensive meta analysis ، مدل با اثرات ثابت (Fixed Effects) و مدل با اثرات تصادفی (Random Effects) است.

در مدل با اثرات ثابت (Fixed Effects) فرض بر این است که هر مطالعه یک اندازه تاثیر رایجی را اندازه گیری می کند. این بدین معناست که فرض ما این است که همه مطالعات یک اندازه تاثیر مساوی را به خود تخصیص داد و میزان تغییر پذیری در بین مطالعات تقریبا صفر است. در نقطه مقابل این اصل، در مدل با اثرات تصادفی (Random Effects) فرض ما این است اندازه های تاثیر برای هریک از مطالعات ممکن است با در مقایسه با مطالعه دیگر، با یکدیگر متفاوت باشند که البته هستند. به بیان دیگر، میزان تغییر پذیری بین اندازه های تاثیر در این دسته از مدل ها، بسیار زیاد است. این امتیاز دهی در پروژه های متاآنالیز با اصطلاح آزمون ناهمگنی (heterogeneity) اندازه گیری می شود.

نمودار انباشت در متاآنالیز با Comprehensive meta analysis

گام نهایی در روش مرور سیستماتیک متاآنالیز با Comprehensive meta analysis، که اغلب اوقات به صورت گرافیکی گزارش می شود، نمودار انباشت معروف به Forest plot است. همانطور که در نمودار انباشت ارائه شده در تصویر زیر مشاهده می کنید، برای هریک از مطالعات، یک خط افقی گزارش شده که بیانگر آماره برآورد شده اندازه تاثیر (Effect Size estimate) برای هر مطالعه (باکس مستطیلی شکل در نمودار Forest plot که در مرکز هر خط افقی قرار دارد) بوده و میزان حد بالا و پایین را در فاصله اطمینان 95% نشان می دهد. برای هریک از مطالعات، در مثال این مقاله، داروی X میزان خطر مرگ بیماران را کاهش داده(چراکه مقدار نسبت مخاطره ” risk ratio ” کمتر از 1.0 است).در هرحال، نتایج حاکی از آن است که مطالعه اول نسبت به دو مطالعه دیگر، بزرگتر است(همانطور که از اندازه باکس مستطیلی روی نمودار زیر مشخص بوده و به همان ترتیب بر اساس میزان وزن برآورد شده از سوی نرم افزار meta-analysis به آن ها تخصیص داده شده است). شاید، به همین دلیل است که، مقدار آماره برآورد شده برای این دو مطالعه با اندازه کوچک، از نظر آماری معنادار نبوده(چراکه خط افقی، ستون صفر یا 1 را قطع می کنند). اما وقتی که همه اندازه های تاثیر این سه مطالعه از سوی نرم افزار meta-analysis با یکدیگر ترکیب می شوند، آنگاه می توانیم با دقت بیشتری اندازه تاثیر دارو را تخمین بزنیم. دقیقا جایی درنمودار که الماس لوزی شکل قرار گرفته و ستون صفر را قطع نکرده و یک رابطه معکوس را نشان می دهد.