Vydal dne 29. listopadu 2018 Maximilian Siebert
Heterogenity se nemusíte bát, znamená pouze, že ve vašich datech existuje variabilita. Pokud tedy někdo spojí různé studie za účelem jejich analýzy nebo provedení metaanalýzy, je jasné, že budou nalezeny rozdíly. Opakem heterogenity je homogenita, což znamená, že všechny studie vykazují stejný účinek.
Je důležité si uvědomit, že existují různé typy heterogenity:
- Klinická: Rozdíly v účastnících, intervencích nebo výsledcích
- Metodologická: Rozdíly v designu studie, riziko zkreslení
- Statistické: Rozdíly v účincích intervence nebo výsledcích
Tyto rozdíly nás zajímají, protože mohou naznačovat, že naše intervence nemusí při každém použití fungovat stejně. Zkoumáním těchto rozdílů můžete dosáhnout mnohem lepšího porozumění tomu, jaké faktory intervenci ovlivňují a jaký výsledek můžete očekávat při příštím provedení intervence.
Ačkoli klinická a metodologická heterogenita jsou důležité, tento blog se bude věnovat statistické heterogenitě.
Jak identifikovat a měřit heterogenitu
Eyeballův test
V lesním grafu se podívejte spíše na překrývající se intervaly spolehlivosti, než na to, na které straně jsou vaše odhady účinku. To, zda jsou výsledky na obou stranách přímky bez účinku, nemusí ovlivnit vaše posouzení, zda je přítomna heterogenita, ale může to ovlivnit vaše posouzení, zda je heterogenita důležitá.
S tímto vědomím se podívejte na následující graf a rozhodněte, který graf je homogennější.
Homogennější je samozřejmě graf číslo 1 . Všechny intervaly spolehlivosti se překrývají a navíc všechny studie upřednostňují kontrolní zásah.
Pro lidi, kteří rádi věci měří, místo aby je jen tak na oko přehlédli, nezoufejte, stále existuje několik statistických metod, které vám pomohou koncept heterogenity uchopit.
Chi-kvadrát (χ²) test
Tento test předpokládá nulovou hypotézu, že všechny studie jsou homogenní neboli že každá studie měří identický účinek, a dává nám p-hodnotu pro testování této hypotézy. Pokud je p-hodnota testu nízká, můžeme hypotézu zamítnout a heterogenita je přítomna.
Protože test často není dostatečně citlivý a k nesprávnému vyloučení heterogenity dochází rychle, mnoho vědců používá jako hraniční hodnotu p < 0,1 namísto < 0,05. V případě, že je p-hodnota testu nízká, můžeme ji zamítnout.
I²
Tento test byl vyvinut profesorem Julianem Higginsem a podle teorie má měřit rozsah heterogenity, nikoliv konstatovat, zda je přítomna, či nikoliv.
Prahové hodnoty pro interpretaci I² mohou být zavádějící, protože význam nekonzistence závisí na několika faktorech. Hrubé vodítko pro interpretaci je následující:
Pro pochopení výše uvedené teorie se podívejte na následující příklad.
Vidíme, že p-hodnota chí-kvadrát testu je 0,11, což potvrzuje nulovou hypotézu a naznačuje tak homogenitu. Při pohledu na intervence však již můžeme vidět určitou heterogenitu výsledků. Navíc hodnota I² je 51 %, což naznačuje střední až značnou heterogenitu.
Toto je dobrý příklad toho, jak může být test χ² zavádějící, pokud je v metaanalýze jen několik studií.
Jak se vypořádat s heterogenitou?
Jakmile zjistíte variabilitu ve výsledcích, musíte se s ní vypořádat. Zde je několik kroků, jak můžete s tímto problémem zacházet:
- Zkontrolujte, zda ve vašich datech nejsou chyby – Vraťte se zpět a podívejte se, zda jste třeba něco nezadali špatně
- Neprovádějte metaanalýzu, pokud je heterogenita příliš vysoká – Ne každý systematický přehled potřebuje metaanalýzu
- Zkoumejte heterogenitu – To lze provést pomocí analýzy podskupin nebo metaanalýzy.regrese
- Provedení metaanalýzy náhodných efektů – Mějte na paměti, že tento přístup je určen pro heterogenitu, kterou nelze vysvětlit, protože je způsobena náhodou
- Změna měr účinku – Řekněme, že používáte Risk Difference a máte vysokou heterogenitu, pak vyzkoušejte poměr rizik nebo poměr šancí
(1) Fletcher, J. Co je to heterogenita a je důležitá? BMJ 2007; 334 :94
(3) https://www.mathsisfun.com/data/chi-square-test.html